Maandelijkse archieven: augustus 2026

Visionplanner, WeFact, Yuki en Nmbrs voortaan samen verder onder de merknaam Nmbrs

Geplaatst 24 augustus 2026 door Redactie

Nmbrs wordt vanaf 1 september de overkoepelende merknaam voor een platform voor facturatie, boekhouding, salaris en rapportage met de diensten van WeFact, Yuki, Nmbrs en Visionplanner. Nmbrs brengt de software van de vier leveranciers samen onder één merk, maar gebruikers kunnen zelf kiezen welke modules ze afnemen.

De vier bedrijven hebben de afgelopen jaren elk vanuit hun eigen specialisme een sterke positie opgebouwd op de Nederlandse markt. Per 1 september veranderen de naam en het uiterlijk van de vier producten. WeFact wordt Nmbrs Invoicing, Nmbrs wordt Nmbrs Payroll, Yuki wordt Nmbrs Accounting en Visionplanner wordt Nmbrs Reporting. Aan de teams, de software, de functies en koppelingen verandert er verder niets.

Nmbrs, onderdeel van Visma, levert business software voor Nederlandse ondernemers en accountants en administratiekantoren die hen ondersteunen. De HRtech-leverancier brengt zijn producten steeds meer samen tot één geheel en blijft de meer dan 350 integraties met software buiten het platform ondersteunen en uitbreiden.

De samenvoeging biedt de vier leveranciers meer mogelijkheden om gezamenlijk te investeren in technologie en productontwikkeling. Vanuit een bestaande gebruikersbasis van meer dan een half miljoen bedrijven, zal het nieuwe Nmbrs de komende jaren verder groeien en zijn aanbod blijven ontwikkelen, zegt Michiel Chevalier, Managing Director van Nmbrs. De ambitie is om in 2030 marktleider te zijn in business software voor het Nederlandse mkb.

“Door de kennis van de 450 specialisten van deze bedrijven nu in één bedrijf samen te brengen, kunnen we sneller en op grotere schaal innoveren, ook met nieuwe technologie zoals AI. Zo kan een ondernemer elke minuut die hij niet kwijt is aan administratie direct besteden aan zijn bedrijf en de mensen erachter.”

Geplaatst in Branche, Markt | Tags , , | Reacties uitgeschakeld voor Visionplanner, WeFact, Yuki en Nmbrs voortaan samen verder onder de merknaam Nmbrs

Newtone breidt diensten uit met aansluiting HR-adviesbureau C-Next Level

Geplaatst 21 augustus 2026 door Redactie

Newtone en HR-adviesbureau C-Next Level hebben een overeenstemming bereikt over aansluiting. C-Next Level wordt onderdeel van Newtone People Services, terwijl het als zelfstandig merk blijft opereren.

C-Next Level adviseert organisaties op het gebied van strategisch HR, leiderschap en recruitment. Het bureau werkt met directies, ondernemers en managementteams aan organisatie- en personeelsontwikkeling. Voor Newtone vormt deze expertise een aanvulling op bestaande diensten zoals HR-advies, salarisadvies en HR-digitalisering.

Vraag naar geïntegreerde HR-oplossingen neemt toe

De samenwerking sluit aan op groeiende vraag naar geïntegreerde HR-oplossingen waarin advies, uitvoering en digitalisering samenkomen, stellen de twee bureaus. “Met de toevoeging van C-Next Level zetten we een belangrijke stap in de verdere ontwikkeling van onze People Services-praktijk,” zegt Stephan Seijkens, CEO van advies en accountantskantoor Newtone. “We behouden C-Next Level als zelfstandig merk omdat het een sterke positie heeft opgebouwd in strategisch HR-advies.”

Voor C-Next Level biedt de samenwerking nieuwe mogelijkheden. “De visie, ondernemende mentaliteit en multidisciplinaire aanpak van Newtone sluiten naadloos aan bij wie wij zijn,” stellen Marlieke Putmans en Lonney Geris van C-Next Level. “We behouden onze identiteit, terwijl onze klanten nu toegang krijgen tot een breder netwerk van specialisten.”

Foto: v.l.n.r.: Julia Sakovska en Stephan Seijkens (Newtone), Marlieke Putmans en Lonney Geris (C-Next Level)

 

Geplaatst in Branche, Markt | Tags , | Reacties uitgeschakeld voor Newtone breidt diensten uit met aansluiting HR-adviesbureau C-Next Level

“Basis op orde”: waarom meten zonder betrouwbare data een schijnzekerheid is

Geplaatst 18 augustus 2026 door Bibi-Karlijn van de Zande

In een blog op HRMorgen schreven we vanuit EXIRE al over een terugkerend patroon: HR onderneemt actie tegen verzuim, maar weet achteraf zelden of die actie ook echt iets heeft opgeleverd. De oorzaak lag niet bij een gebrek aan inzet, maar bij het ontbreken van een nulmeting. Zonder een vastgelegd beginpunt is er simpelweg niets om een resultaat tegen af te zetten. Meten vóór je ingrijpt, was de kernboodschap.

Maar meten op zich is nog geen garantie voor weten. Ook als je wél meet, kan het misgaan.. namelijk wanneer de data die je verzamelt zelf niet betrouwbaar, valide of vrij van bias is.

Is meten hetzelfde als weten?

Het korte antwoord: niet automatisch. Je kunt keurig data verzamelen, een baseline vastleggen, en tóch een vertekend beeld hebben. Namelijk wanneer die data zelf niet betrouwbaar, valide of vrij van bias is. Dan meet je wel iets, maar niet wat je dénkt of hoopt te meten.

Dit wordt extra belangrijk zodra je als organisatie verder gaat dan een eenmalige meting, en de data gebruikt om voorspellingen te doen. Bijvoorbeeld over wie een verhoogd risico loopt op uitval of vertrek. Een voorspellend model bouwt namelijk voort op de data die je het voedt. Is die data scheef, dan is de voorspelling dat ook, hoe geavanceerd het model verder ook is. Garbage in = Garbage out.

Casus: een vertekende baseline met verregaande gevolgen voor machine learning

Een bekend voorbeeld van garbage in = garbage out is afkomstig van Amazon. Het techbedrijf ontwikkelde vanaf 2014 een AI-tool om cv’s te screenen en kandidaten te scoren van één tot vijf sterren, met als doel: honderd cv’s erin, de beste vijf eruit. Tijdbesparing. 

Het model werd getraind op tien jaar aan binnengekomen sollicitaties. Omdat de tech-sector destijds mannelijk gedomineerd was, kwam het merendeel van die cv’s uit de database van mannen. Het model “leerde” daaruit dat mannelijke kandidaten de voorkeur verdienden: het strafte cv’s af met het woord “women’s” erin en filterde afgestudeerden van twee vrouwenopleidingen weg. Reuters onthulde dit in 2018; Amazon schrapte het project nadat bleek dat het algoritme niet meer betrouwbaar genderneutraal te krijgen was.

Het punt in dit voorbeeld is niet dat AI slecht is, of dat Amazon onzorgvuldig te werk ging. Het punt is dat de bias al in de basis zat. In de historische data. Nog vóórdat er een voorspellend model op werd losgelaten. Het model deed precies wat het moest doen: patronen herkennen. Het probleem was dat het patroon dat het model herkende, geen gewenst patroon was.

Wat dit betekent voor predictive analytics specifiek

Bij een eenmalige HR-interventie leidt een verkeerde baseline tot één verkeerde conclusie. Bij predictive analytics (en eigenlijk voor alle andere vormen van AI) is de impact vele malen groter: een model dat leert van een vervormde baseline herhaalt die vervorming keer op keer, op schaal, en vaak zonder dat iemand het doorheeft, want het model “werkt”. Het geeft immers uitkomsten, toch? Alleen zijn die uitkomsten net zo scheef als de data waarop ze zijn gebaseerd. 

Vergelijk het met het bouwen van een huis. Je kunt een prachtig ontwerp hebben, de beste materialen gebruiken en vakkundig metselwerk laten uitvoeren, maar als de fundering niet deugt, komt het huis op termijn toch scheef te staan, met scheuren, verzakkingen en in het ergste geval onbewoonbaarheid tot gevolg. Zo werkt het ook met data: hoe geavanceerd je model ook is, als de basis eronder niet klopt, bouw je onvermijdelijk iets dat op termijn instabiel en onbruikbaar blijkt. Vandaar dat het zo belangrijk is om eerst de fundering -de basis-goed te kennen en daarin te investeren, vóór je start met het implementeren.

Wat kan HR morgen doen?

Concreet betekent dit dat “basis op orde” begint vóór er ook maar één voorspellend model wordt gebouwd:

  • Breng in kaart welke data je hebt, en waar: welke systemen bevatten HR-data (verzuim, verloop, beoordelingen, contracten, roostering, werving)? hoe compleet en actueel is die data? en hoe consistent wordt ze ingevoerd?
  • Toets de betrouwbaarheid en validiteit: meet je daadwerkelijk wat je denkt te meten en is de manier van meten consistent over tijd en teams?
  • Ga na of er historische bias in kan zitten: reflecteert de data een periode of locatie waarin bepaalde groepen structureel over- of ondervertegenwoordigd waren?

Dit is precies waar het werk van EXIRE begint: niet bij het bouwen van een voorspellend model, maar bij het eerst grondig in kaart brengen of de data die daaraan ten grondslag ligt betrouwbaar, valide en zo bias-vrij mogelijk is. Voor dit specialistische en vaak arbeidsintensieve onderzoek werkt EXIRE waar nodig met gespecialiseerde auditors. 

Tot slot

Meten is een noodzakelijke stap, maar geen doel op zich en zeker geen garantie voor weten. Pas wanneer de data waarop je meet en voorspelt betrouwbaar, valide en zo bias-vrij mogelijk is, bouw je op een fundering die je voorspelling ook daadwerkelijk kan dragen. Zonder die stap loop je het risico onderbuikgevoel te vervangen door iets dat nog gevaarlijker is: een vals gevoel van zekerheid, verpakt in cijfers – met alle (juridische) gevolgen van dien.

Geplaatst in Gebruiken, Implementeren | Tags , , | Reacties uitgeschakeld voor “Basis op orde”: waarom meten zonder betrouwbare data een schijnzekerheid is

Wie heeft straks het laatste woord: mens of algoritme?

Geplaatst 7 augustus 2026 door Redactie

De tijd van een beetje testen met AI is voorbij: steeds meer organisaties maken flinke stappen. De rol van de recruiter verandert zichtbaar”, vertelt Marelle Beune, managing director Talent & Partner Service bij HeadFirst Group. “Recruiters zijn minder bezig met administratie en richten zich meer op processen en strategie.”

Dat vertelt Beune in het webinar Wie heeft straks het laatste woord: mens of algoritme? tijdens de HR/Tech-webinarweek. In gesprek met dagvoorzitter Roeland van Laer (partner bij Labor Redimo) vertelt zij hoe algoritmes helpen bij het werven en selecteren van kandidaten en wat dit betekent voor professionals binnen HR.

De recruiter wordt procesregisseur

“Ik denk dat het vak heel veel leuker wordt”, vertelt Beune. “Waar je vroeger echt uitvoerend bezig was, heb je nu meer tijd voor de inhoudelijke interpretatie. Je hoeft geen honderden cv’s meer te doorzoeken, dat kan AI voor je doen.”

AI verandert de manier waarop organisaties kandidaten selecteren en beoordelen. Systemen lezen cv’s en normaliseren verschillende schrijfwijzen van functies, zodat het makkelijker wordt om vacatures en kandidaten te matchen.

Andere focus

Dat geeft de recruiter ruimte om zich meer te focussen op de regie van het proces. Beune: “Je bent meer bezig met strategische gesprekken met de inhurende manager, je focust je op het stellen van de juiste vragen en het beoordelen van persoonlijke eigenschappen. Jij regisseert het hele traject van de vacature-intake tot de eerste werkdag van de kandidaat. Algoritmes zijn ondersteunend.”

AI kan weliswaar snel info verwerken, maar de dynamiek en de toekomst van een afdeling analyseren blijft mensenwerk. “Als recruiter ga je in gesprek met de inhurende manager over de samenstelling van het team”, vertelt ze. “Je vraagt: wat mis je? Hoe zie je de samenstelling van het team voor je in de toekomst? Welke zaken wil je binnenkort oppakken met jouw afdeling?”

Op die manier ontdek je welke vaardigheden er echt nodig zijn. “Dit past goed bij de overgang van het ouderwetse cv naar matchen op skills”, vertelt ze. “Je kunt als recruitmentpartner de inhurende manager ondersteunen om zijn afdeling te transformeren. Met de instroom van nieuwe mensen heb je daar ontzettend veel invloed op.”

Invloed van AI op de selectie van talent

Ook kandidaten gebruiken steeds vaker AI, benadrukt Van Laer. Sollicitanten schrijven met ChatGPT binnen enkele minuten een perfecte brief en cv. “Maar in de praktijk blijkt soms dat kandidaten ervaring omschrijven die zij uiteindelijk niet hebben. Daarom blijft controle door de recruiter noodzakelijk.”

Daar is Beune het helemaal mee eens. “Uiteindelijk dragen mensen de verantwoordelijkheid voor selecties”, zegt ze. “AI helpt slechts. Een algoritme mist intuïtie en gevoel. Een recruiter kijkt niet alleen naar iemands papieren, maar ook naar zijn houding. Hij vraagt door waar hij twijfelt en bepaalt of iemand binnen de cultuur past. “De combinatie van een goed ingesteld algoritme en een kritische recruiter maakt het recruitmentproces uiteindelijk beter.”

Vooroordelen en training

Verder kan AI weliswaar voorspellingen doen over de potentie van kandidaten, maar die zijn niet altijd juist en soms zelfs bevooroordeeld. “Een algoritme voorspelt uitsluitend op basis van beslissingen uit het verleden”, legt Beune uit. “Als de huidige werkwijze onbewuste vooroordelen bevat, vergroot AI ze uit. Daarom moet je als recruiter heel scherp blijven. Waarom selecteert AI deze kandidaat? Ben ik het daarmee eens? Zitten er onbedoelde vooroordelen in het algoritme die de keuze beïnvloeden? Hoe voorkom ik die?”

Vooroordelen in algoritmes herkennen en wegnemen is dus een nieuwe, belangrijke taak voor recruiters. “Het vraagt ook om nieuwe kennis en opleiding”, zegt Beune. “Bij HeadFirst trainen we onze medewerkers op de werking van AI, gelijke kansen en wetgeving. Zo’n opleiding is niet alleen technisch, maar draait ook om bewustwording van onze eigen vooroordelen.”

Daarnaast onderstreept Beune het belang van assessments. Met betrouwbare praktijktesten controleert een recruiter of de kandidaat de vaardigheden op zijn cv daadwerkelijk bezit. “Een assessment maakt vaardigheden meetbaar. Dit vermindert dus ook de invloed van mogelijke vooroordelen van recruiters en computers.”

Verantwoordelijkheid

Tot slot is AI een gedeelde taak binnen de organisatie. “Het is een samenwerking tussen IT, HR en de legal-afdeling”, zegt Beune. “Zij nemen samen de regie en verantwoordelijkheid.”

De komst van de Europese AI Act maakt dit nog urgenter. Daarin staat dat organisaties precies moeten laten zien hoe zij tot recruitmentbesluiten komen aan de hand van duidelijke criteria. “Maar wat mij betreft is dit geen puur compliancevraagstuk”, zegt Beune. “Er ligt een grote ethische verantwoordelijkheid. Als recruiter heb je tenslotte invloed op de toekomst van mensen.”

Meer weten? Bekijk het volledige webinar:

Geplaatst in Beheren, Gebruiken | Tags , , | Reacties uitgeschakeld voor Wie heeft straks het laatste woord: mens of algoritme?

Dit betekenen de nieuwe Europese AI-transparantieregels voor HR

Geplaatst 6 augustus 2026 door Eveline Meijer

De EU AI Act, in Nederland ook wel de AI-verordening genoemd, is een uitgebreide AI-wet die binnen de Europese Unie geldt. De wet is in 2024 aangenomen en wordt sindsdien gefaseerd ingevoerd. Op 2 augustus ging een nieuwe set regels in, gericht op transparantie.

Concreet gelden vier nieuwe regels voor aanbieders en gebruikers van AI-systemen:

  1. Bij AI-systemen zoals chatbots moet duidelijk herkenbaar zijn dat je met een AI en niet met een mens te maken hebt;
  2. Deepfakes moeten duidelijk gelabeld worden;
  3. AI-content moet herkenbaar zijn als AI-content, bijvoorbeeld via een digitaal watermerk;
  4. Organisaties moeten vooraf melden als AI emoties herkent of kenmerken analyseert.

De regels zijn bedoeld om misleiding, nepnieuws, identiteitsfraude en oplichting tegen te gaan. Nu AI zich verder ontwikkelt, kan het immers lastig zijn om te achterhalen of je met een mens praat of een AI-systeem. Nu organisaties dit vooraf moeten aangeven, kunnen gebruikers beter beoordelen met wie of waarmee ze te maken hebben, zo is de gedachte. 

Wat betekent dit voor HR?

De regels hebben ook impact op HR-afdelingen, waar AI steeds vaker wordt ingezet. Denk aan het genereren van vacatureteksten of aan AI-chatbots op vacaturepagina’s. Zo’n AI-chatbot kan vragen van potentiële sollicitanten beantwoorden, zoals over algemene secundaire arbeidsvoorwaarden, zodat HR-werknemers daar minder tijd aan hoeven te besteden. Er zijn tegenwoordig zelfs tools op de markt waarmee emoties van werknemers herkend worden, om zo hun mentale gezondheid en de sfeer op de werkvloer in de gaten te houden. 

Bij dit soort tools en gebruik van AI moet HR transparant en proactief communiceren dat er AI wordt gebruikt. Sterker nog: uiterlijk bij het eerste contact, dus de eerste interactie, moet de organisatie informatie over het gebruik van AI verstrekken. 

HR moet erop letten dat dit ook daadwerkelijk en tijdig gebeurt. Bij een gesprek met een chatbot moet de aanbieder bijvoorbeeld al vóór het gesprek begint duidelijk maken dat een gebruiker met een AI praat en niet met een mens. 

De regels gelden bovendien niet alleen voor externe communicatie, zoals met sollicitanten, maar ook voor intern gebruik van AI. Wordt AI ingezet voor communicatie met of naar werknemers, dan moet de organisatie daar ook duidelijk en proactief over communiceren. 

Moet jij je teksten labelen?

De AI-verordening stelt ook eisen aan content die met AI gemaakt is. Dat werkt op twee niveaus. Aanbieders van AI-tools moeten vrijwel alle output – dus foto’s, teksten en video’s die met AI gemaakt of bewerkt zijn – voorzien van een digitale markering. Die markering is niet per se zichtbaar, maar is wel leesbaar door digitale hulpmiddelen. Als gebruiker hoef je daar verder niets voor te doen. De tool doet dit automatisch. 

Maar in sommige gevallen moet je wél zelf actie ondernemen, namelijk door een zichtbaar label toe te voegen aan AI-content. Deze verplichting geldt specifiek voor content ‘die is gepubliceerd om het publiek te informeren over aangelegenheden van algemeen belang’, zo valt te lezen op de website van de Europese Commissie. Dat zijn bijvoorbeeld nieuwsberichten of persberichten.

Wat betekent dat dan voor HR? Een gewone vacaturetekst hoef je waarschijnlijk niet van een label te voorzien. Maar gaat het om een persbericht over bijvoorbeeld een ontslagronde of een rapport over het diversiteitsbeleid van de organisatie, dan kan dat wel het geval zijn. Laat je zo’n tekst volledig door AI schrijven en zet je die ongecontroleerd online, dan moet je hem zichtbaar labelen. Controleer je de tekst wel en pas je hem eventueel aan, dan hoeft dat niet. Want dan draag jij als mens de redactionele verantwoordelijkheid.

In het geval dat je AI-content als zodanig moet labelen, dan heeft de Europese Unie iconen gemaakt die je daarvoor kunt gebruiken. Deze iconen zijn te downloaden via de website van de Europese Commissie. Je kunt deze iconen ook gebruiken voor deepfakes. 

Toezicht en handhaving

Privacytoezichthouder Autoriteit Persoonsgegevens (AP) is de beoogde toezichthouder op de AI-verordening. Deze organisatie controleert dus of organisaties wel aan de regels voldoen. Daar wordt sinds 2 augustus ook actief op gehandhaafd.  

Wie niet aan de transparantieregels uit de Europese AI-verordening voldoet, kan een flinke boete te wachten staan. Die boete kan oplopen tot 15 miljoen euro of maximaal 3% van de wereldwijde jaarlijkse omzet, zo valt in de wetgeving te lezen. Dat betekent echter niet direct dat het ook zo’n vaart zal lopen. Toezichthouders mogen eerst ook waarschuwingen uitdelen of maatregelen anders dan financiële boetes nemen, afhankelijk van de situatie. 

Wil je zeker weten dat je aan de transparantievereisten voldoet? De Europese Commissie publiceerde in juni een praktijkcode, die beschrijft welke stappen je kunt nemen om aan de gestelde eisen te voldoen. Je kunt de praktijkcode integraal ondertekenen, maar ook alleen bepaalde delen. De AP adviseert gebruikers van AI-systemen die content genereren of manipuleren om zich in de praktijkcode te verdiepen en (onderdelen ervan) te ondertekenen. Op die manier laat je zien hoe je aan de verplichtingen voldoet. 

Meer regels volgen

De transparantieregels zijn niet de enige regels uit de AI-verordening. Eerder werden al eisen over AI-geletterdheid van kracht en verbood de AI-verordening bepaalde AI-praktijken. De komende tijd komen daar nog meer regels bij.

Op 2 december volgen de eerstvolgende nieuwe regels. Zo geldt nu voor een aantal bedrijven een korte overgangsperiode. Systemen die AI-inhoud genereren die voor 2 augustus 2026 op de markt waren, hebben vier maanden langer de tijd om aan de markeringsverplichting te voldoen. Zij moeten vanaf 2 december 2026 verplicht een markering meegeven aan content die door AI is gemaakt.

Ook gelden vanaf 2 december nieuwe regels voor AI-systemen die zonder consent seksuele deepfakes en materiaal van kindermisbruik genereren. 

Een jaar later, op 2 december 2027, gaan nieuwe regels in over hoogrisico AI-systemen. Daar volgen nog verdere regels over op 2 augustus 2028 en augustus 2030.

Geplaatst in Beheren, Gebruiken | Tags , , | Reacties uitgeschakeld voor Dit betekenen de nieuwe Europese AI-transparantieregels voor HR