Als vroeg verloop al bij de vacaturetekst begint, waarom meet bijna niemand dat dan?

In mijn blog op HRMorgen schreef ik over het zinnetje dat je in exitgesprekken zo vaak hoort: “Het was gewoon anders dan ik had verwacht.” Het gat tussen wat je in je vacature belooft en wat iemand op de werkvloer aantreft, is volgens mij een van de meest onderschatte oorzaken van vroeg verloop.

De logische vervolgvraag, en daar komt de techniek om de hoek kijken, is: hoe weet je of dat bij jouw organisatie speelt? 

In dit artikel ga ik daar dieper op in. Wat gebeurt er met vacatureteksten nu ze steeds vaker met AI worden geschreven? Hoe kun je met tekstanalyse zichtbaar maken waar beloftes tot teleurstelling kunnen leiden? En waarom die analyse in de meeste organisaties nooit wordt gedaan.

De belofte wordt steeds vager

Nicol Tadema en Mitch Gielen analyseerden dit jaar 1.002 Nederlandse vacatures uit 10 sectoren op 25 meetpunten. Het gemiddelde rapportcijfer: een 4,9 (Tadema & Gielen, 2026). Twee bevindingen zijn voor dit verhaal interessant. Het aantal clichés per vacature steeg van 6 naar 7,7 ten opzichte van 2024. Denk hierbij aan woorden als “flexibel”, “gedreven” en “spin in het web”. En in 99,4 procent van de vacatures werd de werkcultuur niet concreet beschreven.

De onderzoekers noemen AI als mogelijke verklaring voor die stijging in clichés. Taalmodellen schrijven altijd op basis van bestaande teksten en bestaande vacatures zitten al jaren vol clichés. Belangrijk: ze zeggen er wel nadrukkelijk bij dat dit nog een hypothese is op basis van timing, geen bewezen oorzaak.

• Lees ook: De recruiter die alleen uitvoert, verliest van AI

Toch herken ik vanuit de praktijk het patroon. AI-teksten zijn foutloos, ze lezen vlot en zien er professioneel uit. Juist daardoor kijken we minder kritisch naar wat er eigenlijk staat. Het klinkt goed, dus het zal wel goed zijn. We zijn AI gaan vertrouwen en volgen het.

Het probleem daarvan is dat een vage en ongecontroleerde belofte nog steeds een verwachting wekt. Bij “flexibele werktijden” vult de ene kandidaat in dat hij om drie uur de kinderen kan ophalen en de ander dat hij af en toe een uur later mag beginnen. De tekst belooft helemaal niets concreets, maar iedere lezer neemt wel een eigen beeld mee naar binnen. En omdat de belofte vaag is, kun je achteraf ook niet toetsen of je hem hebt waargemaakt.

Het verwachtingsgat meetbaar maken

Hoe maak je dat gat dan zichtbaar? Een goed voorbeeld komt van onderzoekers van MIT Sloan. Zij gebruikten NLP (natural language processing, software die grote hoeveelheden tekst analyseert en ordent) om ruim een miljoen Glassdoor-reviews te doorzoeken. Vervolgens legden ze de officiële kernwaarden van meer dan 500 grote bedrijven naast hoe medewerkers die waarden in de praktijk beschreven. Bedrijven die bijvoorbeeld “integriteit” als kernwaarde op hun website zetten, scoorden daar volgens hun eigen medewerkers niet beter op dan bedrijven die die waarde helemaal niet noemden (Sull e.a., 2020).

Hetzelfde principe kun je binnen je eigen organisatie toepassen. Je hebt dan twee soorten tekst nodig:

• De belofte: vacatureteksten, de werkenbij-pagina en eventueel het script van het sollicitatiegesprek.
• De ervaring: open antwoorden uit exitgesprekken, onboarding-enquêtes en het MTO.

Met topic modeling, een techniek die teksten automatisch in thema’s groepeert, of met een simpelere thematische codering, zie je per thema hoe vaak het als belofte voorkomt en hoe vaak als teleurstelling. Stel dat “ruimte voor eigen initiatief” in 80 procent van je vacatures staat en in een kwart van de exitgesprekken terugkomt als iets wat ontbrak. Dan weet je waar je moet kijken.

Twee kanttekeningen. Exitgesprekken zijn vaak sociaal wenselijk ingevuld en de aantallen zijn klein, dus behandel uitkomsten als signaal en niet als bewijs. Daarnaast bevat open tekst al snel persoonsgegevens. Pseudonimiseer de data, rapporteer alleen op groepsniveau en werk het liefst lokaal zodat medewerkersdata niet naar een externe server gaat.

Waarom bijna niemand dit doet

In de organisaties waar ik kom, zit het probleem zelden in de techniek. Het zit in de gekoppelde, of beter gezegd niet-gekoppelde, systemen. De vacaturetekst staat in het ATS (applicant tracking system, het systeem waarmee recruitment werft en selecteert). De vertrekdatum en de reden van vertrek staan in het HRIS (het personeelssysteem). Die twee zijn meestal niet aan elkaar gekoppeld en vaak heeft een recruiter ook geen toegang tot de informatie in het HRIS.

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

Daardoor kun je een simpele vraag niet beantwoorden: welke vacatures, afdelingen of wervingskanalen leveren mensen op die binnen het jaar weer vertrekken? Recruitment stuurt op wat het ATS wel kan meten, zoals time-to-hire en cost-per-hire. HR ziet het verloop in het HRIS. Maar quality of hire, de maat voor hoe goed een aanname achteraf uitpakt, vraagt om beide systemen tegelijk. Het is eigenlijk het eigenaarschapsprobleem uit mijn HRMorgen-blog, maar dan in data.

En nog een superbelangrijk punt: het signaal komt veel vroeger dan de meeste organisaties meten. In onderzoek van BambooHR onder ruim 1.500 werknemers zei 70 procent binnen de eerste maand te weten of een nieuwe baan bij hen past (BambooHR, 2023). Als je dus pas na een jaar naar je verloopcijfers kijkt, ben je elf maanden te laat en is de kwalitatieve inhoud wellicht niet eens meer accuraat. 

Maar er is ook goed nieuws: om een start te maken met het achterhalen waar je beloftes resulteren in early leavers en wat je dus moet verbeteren, heb je geen groot en duur integratieproject nodig. Een export uit beide systemen, gekoppeld op personeelsnummer, is al genoeg om mee te beginnen.

Hoe ik dit zelf aanpak

Vanuit EXIRE zag ik bij het topic retentie steeds hetzelfde terugkomen: irritatie bij het management ten aanzien van early leavers. Goede mensen die binnen het eerste jaar weer vertrokken. Vaak nog geen break-even gedraaid op de aannamekosten. De schuld zoeken bij bijvoorbeeld de generatie, terwijl de oorzaak vaak intern bij de werving lag. Iets waar ze zelf invloed op kunnen uitoefenen. Daarom heb ik voor hen een vacature-audit-tool ontwikkeld.

• Lees ook: Non-binaire sollicitant met gender X op cv vaker benadeeld, ook in onderzoek met AI-gegenereerde cv’s

En ja, die gebruikt ook AI, anders is het té arbeidsintensief. Maar juist daarom heb ik hem zo gebouwd dat je niet blind hoeft af te gaan op de uitkomst. De tool beoordeelt een vacaturetekst op 15 criteria, waarbij het gewicht van elk criterium afhangt van hoe sterk het wetenschappelijke bewijs erachter is. Het systeem geeft per criterium een oordeel en de prioritering gebeurt met vaste rekenregels. Zo kun je altijd zien waarom een tekst scoort zoals hij scoort. De tool geeft aanbevelingen, maar herschrijft niets. Dat moet je zelf doen, om scherp te blijven. Daarnaast legt de tool de vacature naast de werkenbij-pagina, om te zien of beide hetzelfde verhaal vertellen.

Wat je morgen kunt doen

• Koppel je data: exporteer vertrekkers met een dienstverband korter dan 12 maanden uit je HRIS, de bijbehorende vacaturetekst en het wervingskanaal uit je ATS.
• Bewaar open tekst: leg vertrekredenen niet alleen vast in een keuzelijst, maar bewaar ook wat mensen in hun eigen woorden zeggen.
• Tel je clichés: zoek in je laatste 20 vacatures op vage woorden als “flexibel”, “dynamisch” en “informele sfeer”. Kun je bij elk ervan een concreter voorbeeld geven?
• Check AI-teksten op inhoud: laat de leidinggevende elke belofte in een gegenereerde tekst onderbouwen met een voorbeeld uit zijn eigen team.
• Stel een open 90-dagenvraag: wat was anders dan je had verwacht? Dat is de ervaringskant van je analyse.
• Regel privacy vooraf: pseudonimiseer, spreek een minimale groepsgrootte af voor rapportages en betrek altijd je privacy officer.

Tot slot

We investeren veel in het meten van wat er na de aanname gebeurt en heel weinig in het meten van wat we beloven voordat iemand begint. Terwijl daar het verwachtingsgat ontstaat. Als je vandaag je ATS- en HRIS-data naast elkaar zou leggen, weet je dan welke vacatures tot nu toe het meeste vroege verloop hebben opgeleverd? En als je dat weet, kun je dan ook voorspellen welke openstaande vacature de volgende wordt? Daarover meer in een volgende blog.