De recruiter die alleen uitvoert, verliest van AI

Stel je een recruiter voor die het beste van haar team is. Ze screent in een uur wat collega’s een middag kost en reageert binnen minuten op kandidaten. Ze is trots op haar tempo. Terecht. Tot haar organisatie een AI-tool introduceert die in een paar minuten doet wat zij in een uur deed.

Wat gebeurt er dan? Ze probeert nóg sneller te worden, een race die ze niet gaat winnen. Of ze controleert alles wat AI doet nog een keer handmatig. Veel minder vaak stellen we de vraag die er werkelijk toe doet: als een groot deel van de uitvoering wegvalt, waar zit dan nog de waarde van het vak?

Waarom we vasthouden aan werk dat verdwijnt

Het is verleidelijk om dit weerstand tegen technologie te noemen. Maar dat is te makkelijk. Mensen ervaren verlies zwaarder dan een vergelijkbare winst (Kahneman & Tversky, 1979) en blijven bij twijfel liever bij het bekende (Samuelson & Zeckhauser, 1988). 

Voor een recruiter die haar waarde ontleent aan snelheid en volume is het verlies concreet: taken verdwijnen. De winst, adviseur worden, is veel abstracter. Dus houden we vast, met een extra controleronde op wat het systeem al deed. Vanuit de organisatie gezien is dat een dure manier om niets te veranderen.

• Lees ook: AI zit straks in ieder ATS, maar welke AI heeft HR eigenlijk nodig?

Organisaties helpen daar zelf aan mee. Een volle agenda ziet er productief uit. Een gesprek waarin je een manager laat inzien dat hij het verkeerde profiel zoekt, staat in geen enkel dashboard. Zolang we vooral sturen op activiteit, blijft de uitvoerder de veilige keuze.

Het gesprek dat AI niet voert

AI kan screenen, plannen, samenvatten en kandidaten rangschikken. Wat AI niet doet, is een manager vertellen dat hij het verkeerde probleem probeert op te lossen.

Een manager vraagt bijvoorbeeld om een “ervaren teamleider met tien jaar sectorervaring”. De recruiter die uitvoert, neemt het profiel over en het systeem vindt razendsnel kandidaten die daaraan voldoen. De recruiter die adviseert, vraagt: welk probleem moet deze persoon in het eerste jaar hebben opgelost? Dan blijkt misschien dat het team vooral rust en richting nodig heeft. Daarvoor is tien jaar sectorervaring helemaal niet nodig.

Achter zo’n eis zit zelden een inhoudelijke noodzaak. Vaak is het een geruststelling: niemand wordt snel ter verantwoording geroepen voor iemand die er op papier precies goed uitzag. Bovendien zoeken we bevestiging voor het beeld dat we al hebben (Nickerson, 1998). Maar veilig kiezen is niet hetzelfde als goed kiezen. Dat gesprek is niet altijd comfortabel, maar daar zit steeds vaker de waarde van het vak.

AI maakt een slechte vraag niet beter

Hier ligt voor mij het echte risico van AI in recruitment: het voert heel efficiënt uit wat wij het vragen. Bij een scherpe intake krijg je een scherpe selectie. Bij een vage of te beperkte intake krijg je hetzelfde probleem terug, maar sneller en overtuigender gepresenteerd.

Dat geldt ook voor de uitkomst. Wanneer een systeem meestal gelijk heeft, besteden mensen het nadenken al snel uit (Parasuraman & Manzey, 2010). Een AI-shortlist ziet er bovendien objectief uit, waardoor hij minder snel wordt bevraagd. Misschien staat degene die het werkelijke probleem het beste kan oplossen er niet op. Niet omdat het systeem een fout maakte, maar omdat niemand naar die persoon heeft gezocht.

• Lees ook: Waarom AI om een andere kijk op prestaties vraagt – HRMorgen.nl

De recruiter moet daarom niet alleen vragen: wie staat erop? Maar ook: wie ontbreekt hier, en waarom? Besteed je oordeel niet uit. Dat is ook geen willekeurig advies: onder de Europese AI-verordening valt AI in werving en selectie onder hoog risico, met een verplichting tot menselijk toezicht.

Drie signalen dat recruiters nog uitvoerder zijn

1. Recruiters worden vooral beoordeeld op activiteit. Aantal cv’s, berichten, gesprekken en vacatures: precies wat systemen steeds beter overnemen. De relevante vraag is hoe goed de beslissing was. Blijft de aangenomen kandidaat? Past diegene echt bij het probleem waarvoor is geworven?
2. Recruiters noteren de intake in plaats van hem te sturen. Een goede intake is geen bestelformulier. De recruiter moet eisen ter discussie kunnen stellen en soms concluderen dat een vacature niet de juiste oplossing is.
3. De uitkomst van het systeem staat nooit ter discussie. Wanneer is een AI-shortlist voor het laatst inhoudelijk bevraagd? Als dat nooit gebeurt, stuurt de tool de recruiter. Niet andersom.

Van taken naar oordeel

De beste recruiters van straks hebben minder tijd nodig om te zoeken en meer tijd om te adviseren. Dat vraagt gesprekstechniek, inzicht in besluitvorming en het lef om door te vragen wanneer iedereen eigenlijk door wil.

• Lees ook: Zachte kant van AI-implementatie is blinde vlek voor veel organisaties – HRMorgen.nl

Maar het vraagt óók iets van de organisatie. Een recruiter kan alleen tegenspreken als tegenspraak welkom is. Wie van recruiters verwacht dat zij adviseurs worden, zonder hen te ontwikkelen en de ruimte te geven, maakt van een organisatievraagstuk een individueel verwijt. Een recruiter die na een scherpe intake een vacature laat vervallen, kan veel tijd en geld hebben bespaard. Toch heeft zij volgens veel traditionele KPI’s niets bereikt. Zo blijven we het gedrag belonen dat AI steeds goedkoper en sneller kan uitvoeren.

Begin bij de volgende intake

Begin bij de eerstvolgende intake met één vraag: welk probleem moet de nieuwe medewerker in het eerste jaar hebben opgelost? Kijk daarna naar wat je als organisatie waardeert. Alleen de succesvolle plaatsing? Of ook de intake die scherper werd, de eis die werd losgelaten en de shortlist die opnieuw werd bekeken?

De recruiter uit het begin hoeft niet minder goed te worden. Ze moet in iets anders goed worden: minder in het uitvoeren van processen, meer in het beïnvloeden van beslissingen. Dat vraagt iets van haar, maar minstens zoveel van de organisatie om haar heen.

De vraag is dus niet óf AI recruitment verandert. Dat gebeurt al. De vraag is waarom wij dat nog niet doen.

Literatuur

• • Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291. 
  • Nickerson, R. S. (1998). Confirmation bias: A ubiquitous phenomenon in many guises. Review of General Psychology, 2(2), 175–220. 
  • Parasuraman, R., & Manzey, D. H. (2010). Complacency and bias in human use of automation: An attentional integration. Human Factors, 52(3), 381–410. 
  • Samuelson, W., & Zeckhauser, R. (1988). Status quo bias in decision making. Journal of Risk and Uncertainty, 1(1), 7–59.