AI & Technologie

Bias in AI-selectietools: wat de audit van uw leverancier mist

Een bias-audit die geen discriminatie meet, kan die toch verbergen. Zo beoordeelt u de eerlijkheid van uw AI-selectietool per functiegroep.

Redactie

24 september 2026

7 min leestijd

Bias in AI-selectietools: wat de audit van uw leverancier mist

Bijna elke leverancier van AI-selectietools kan tegenwoordig een bias-audit overleggen, met als conclusie dat er geen meetbare discriminatie is aangetroffen. Voor veel HR-teams is dat het moment waarop het onderwerp wordt afgevinkt. Uit recent onderzoek blijkt dat die geruststelling voorbarig kan zijn. Een audit die op het totaal geen verschil vindt, kan verbergen dat er per functiegroep wel systematisch onderscheid wordt gemaakt. Dit artikel legt uit hoe dat werkt en wat u kunt doen om het zichtbaar te maken.

Wat het Stanford-onderzoek liet zien

HR Brew berichtte op 23 juni 2026 over onderzoek van het Stanford Institute for Human-Centered AI naar vooringenomenheid in AI-gestuurde selectietools. De onderzoekers analyseerden niet het gemiddelde gedrag van een systeem, maar de uitkomsten per afzonderlijke functie. Volgens HR Brew concludeerden zij dat 26 procent van de zwarte sollicitanten en 15 procent van de Aziatische sollicitanten had gesolliciteerd op functies waar het AI-systeem hen op grond van afkomst benadeelde.

Het opvallendste deel van de bevinding zit niet in die percentages, maar in wat eraan voorafging. HR Brew meldt dat de geaggregeerde bias-audits die de leverancier had gepubliceerd, geen meetbare vooringenomenheid lieten zien. Dezelfde data, een andere meetmethode, een tegengestelde uitkomst.

De onderzoekers vatten het onderliggende probleem samen in de constatering dat AI-screeningtools drie eigenschappen combineren die in besluitvorming met grote gevolgen niet samen zouden moeten voorkomen. Ze worden op grote schaal toegepast, ze hebben zware consequenties en ze zijn ondoorzichtig voor buitenstaanders.

Waarom een gemiddelde de uitkomst kan verbergen

Het mechanisme is eenvoudiger dan het klinkt. Een selectiemodel kan bij de ene functiegroep in het voordeel van een bepaalde groep kandidaten uitvallen en bij de andere in het nadeel. Telt u die patronen bij elkaar op, dan heffen ze elkaar op en meet u netto niets.

HR Brew beschrijft dat scenario aan de hand van een voorbeeld van de onderzoekers. Een tool die zwarte sollicitanten oververtegenwoordigt bij magazijnfuncties maar hen zelden aanbeveelt voor kantoorfuncties zoals in de financiële kolom, laat op totaalniveau een neutraal beeld zien. Wie op een financiële functie solliciteert, ondervindt intussen een nadeel dat in geen enkel auditrapport terugkomt.

Een schoon auditrapport is dus geen bewijs dat uw proces eerlijk verloopt. Het bewijst alleen dat er op het gekozen aggregatieniveau niets is gevonden.

De adoptie loopt voor op de governance

Dat dit een reëel risico is en geen theoretische kwestie, blijkt uit hoe breed AI inmiddels in werving wordt ingezet. Aptitude Research publiceerde in november 2025 een onderzoek, gesponsord door leverancier Oleeo, waarin 62 procent van de werkgevers aangeeft AI te gebruiken in talent acquisition, tegenover 40 procent in 2020. Nog eens 26 procent verwacht het binnen een jaar in te voeren.

Tegelijk laat datzelfde onderzoek zien dat het gebruik oppervlakkig blijft. Aptitude Research meldt dat 44 procent van de bedrijven AI in slechts 1 tot 25 procent van de wervingsworkflow inzet en dat 6 procent meer dan driekwart van het proces heeft geautomatiseerd. Ook het vertrouwen blijft beperkt. Volgens het onderzoek spreekt 40 procent van hoog vertrouwen in AI-aanbevelingen en wil 85 procent van de recruiters de eindbeslissing zelf houden. Gebrek aan transparantie wordt in het rapport genoemd als de grootste barrière.

Die cijfers komen uit een door een leverancier gesponsord onderzoek en verdienen die kanttekening. De richting is niettemin herkenbaar. Organisaties nemen de techniek in gebruik terwijl het inzicht in wat de techniek doet achterblijft.

Welke vragen u aan uw leverancier stelt

De auditvraag is niet of er een rapport is, maar hoe er is gemeten. Vier vragen brengen dat snel aan het licht.

Op welk niveau is geaggregeerd. Vraag of de analyse per functie, per functiefamilie of over het totale kandidatenbestand is uitgevoerd. Alleen de eerste twee zeggen iets over uw situatie.

Op welke data is gemeten. Een audit op het trainingsbestand van de leverancier zegt weinig over uw kandidatenpopulatie, uw vacatureteksten en uw wervingskanalen.

Wie heeft de audit uitgevoerd. The HR Director wijst in een analyse van algoritmische bias op het belang van onafhankelijke audits voordat een tool in gebruik wordt genomen, naast transparantie over de gebruikte technologie en de resultaten van modeltests.

Wat wordt er doorlopend gemeten. Dezelfde publicatie bepleit monitoring van de volledige wervingspijplijn in plaats van een eenmalige controle vooraf. Een model dat bij oplevering neutraal meet, kan dat een jaar later niet meer zijn.

Een overzicht van leveranciers en hun werkwijze vindt u op de providerpagina van recruitmentaitools.nl.

Zelf meten, ook zonder datawetenschapper

U hoeft geen modelanalyse uit te voeren om de belangrijkste signalen op te vangen. Wat u nodig hebt, is de doorstroom per stap van uw eigen proces, uitgesplitst naar functiegroep.

Begin met de verhouding tussen instroom en doorstroom. Hoeveel procent van de sollicitanten passeert de AI-stap, en verschilt dat percentage sterk tussen functiegroepen. Grote uitschieters zijn geen bewijs van discriminatie, maar wel aanleiding om door te kijken.

Kijk daarna gericht naar de functies waar de AI-stap het meeste werk doet. Juist daar is de invloed van het model op de uitkomst het grootst.

Leg tot slot vast wat de menselijke beoordelaar met de AI-aanbeveling heeft gedaan. Wijkt vrijwel niemand ooit af van het advies, dan is het menselijke toezicht in de praktijk een formaliteit, hoe het beleid ook luidt.

Let bij het uitsplitsen op de privacyregels. Het vastleggen van gegevens over afkomst van sollicitanten is in Nederland aan strikte voorwaarden gebonden. In de praktijk werken organisaties daarom vaker met proxy-indicatoren op geaggregeerd niveau of met steekproefsgewijze toetsing, en betrekken zij hun functionaris voor gegevensbescherming bij de opzet.

Wat betekent dit voor uw organisatie

Voor de meeste Nederlandse werkgevers verandert er door dit onderzoek niets aan de verplichtingen, maar wel aan de bewijslast die u zichzelf zou moeten opleggen.

Behandel het auditrapport van de leverancier als startpunt, niet als eindstation. Vraag naar het aggregatieniveau en leg het antwoord vast in uw dossier.

Meet uw eigen doorstroom per functiegroep. De ruwe cijfers zijn vaak al genoeg om de vragen te stellen die ertoe doen.

Informeer sollicitanten vooraf wanneer AI een rol speelt in de beoordeling. The HR Director wijst erop dat wetgevers die lijn volgen, met verplichte kennisgeving en bias-audits in New York City en een informatieplicht bij AI-video-interviews in Illinois.

Beperk het gebruik van volledig geautomatiseerde afwijzing tot situaties waarin u de uitkomst kunt uitleggen. Kunt u een kandidaat niet vertellen waarom hij is afgevallen, dan is dat een probleem los van de vraag of het model eerlijk is.

Veelgestelde vragen

Is een bias-audit verplicht in Nederland?

Er bestaat in Nederland geen algemene wettelijke auditplicht voor selectietools zoals New York City die kent. Wel gelden de eisen uit de AVG rond geautomatiseerde besluitvorming en transparantie, en brengt de Europese AI-verordening aanvullende verplichtingen voor werving met zich mee.

Kan ik mijn leverancier verplichten tot een uitsplitsing per functie?

Contractueel kan dat, maar niet elke leverancier kan het technisch leveren. Neem de vraag daarom mee in de selectiefase en niet pas bij de eerste evaluatie, en leg afspraken over rapportage vast in de verwerkersovereenkomst.

Wat doe ik als ik een verschil tussen functiegroepen aantref?

Een verschil is een signaal, geen conclusie. Onderzoek eerst of het verklaard wordt door de instroom, de vacaturetekst of het wervingskanaal. Blijft er een verschil over dat u niet kunt verklaren, schakel dan de AI-stap voor die functiegroep tijdelijk terug naar menselijke beoordeling en leg dat besluit vast.

Conclusie

De belangrijkste les uit het Stanford-onderzoek is niet dat AI-selectietools discrimineren, maar dat de gangbare manier om dat te controleren het probleem kan missen. Zolang bias wordt gemeten over het totale kandidatenbestand, blijft een tool die de ene functiegroep bevoordeelt en de andere benadeelt onzichtbaar. Voor u betekent dat één concrete verandering. Stel de vraag hoe er is gemeten voordat u de conclusie overneemt, en meet uw eigen doorstroom per functiegroep zodat u niet uitsluitend afhankelijk bent van het rapport van uw leverancier.