AI kan recruitment sneller en consistenter maken, maar menselijk toezicht werkt alleen als recruiters daadwerkelijk de kennis, tijd en bevoegdheid hebben om een algoritmische uitkomst te beoordelen en zo nodig te corrigeren. Dat is de centrale boodschap uit een nieuwe academische literatuuronderzoek naar AI in recruitment, waarin onderzoek naar efficiëntie, fairness, kandidaatbeleving, transparantie en menselijke controle bij elkaar wordt gebracht. De studie van Ben Bander Abudawood van Abertay University uit Schotland verscheen op 17 september 2026 in Research and Analysis Journal. Het gaat om een integratieve kritische literatuurreview. De auteur combineert eerder peer-reviewed onderzoek, systematische reviews, meta-analyses en gezaghebbende juridische en toezichthoudende bronnen.
Niet alle automatisering heeft hetzelfde risico
Een belangrijk uitgangspunt in het onderzoek is dat AI in recruitment niet als één technologie moet worden behandeld. Een systeem dat afspraken inplant heeft een ander risicoprofiel dan software die kandidaten rangschikt, assessments beoordeelt of zelfstandig bepaalt wie doorgaat naar een volgende ronde.
Volgens het onderzoek is automatisering vooral goed verdedigbaar bij administratieve en informatieverwerkende taken. Denk aan planning, het uitlezen van cv’s en het samenvatten van informatie. Naarmate AI meer invloed krijgt op de daadwerkelijke selectie, moet de bewijslast zwaarder worden. Bij ranking, assessments en afwijzingen zijn validiteit, uitlegbaarheid, toegankelijkheid en menselijke controle volgens de auteur essentieel.
Die benadering sluit aan bij de Europese context. De AI Act rekent AI-systemen die worden gebruikt voor het analyseren en filteren van sollicitaties en het beoordelen van kandidaten in beginsel tot de categorie high-risk. Dat maakt de vraag hoe menselijk toezicht in de praktijk wordt ingericht extra relevant voor Nederlandse werkgevers, bureaus en softwareleveranciers.
Een recruiter in de workflow is niet automatisch toezicht
De studie is kritisch op de veelgebruikte term ‘human in the loop’. Alleen het feit dat ergens in een proces een recruiter betrokken is, zegt weinig over de kwaliteit van het toezicht. Een recruiter die uitsluitend een score van een leverancier ziet en vervolgens op ‘goedkeuren’ klikt, heeft formeel een rol, maar hoeft inhoudelijk nauwelijks controle uit te oefenen.
Abudawood beschrijft zes voorwaarden voor betekenisvol menselijk toezicht. De beoordelaar moet begrijpen wat het systeem voorspelt en waar de beperkingen liggen. Daarnaast moet voldoende onderliggende informatie beschikbaar zijn, moet er tijd zijn om een uitkomst te controleren en moet de recruiter daadwerkelijk bevoegd zijn om van de aanbeveling af te wijken. Afwijkingen moeten bovendien worden vastgelegd en gemonitord. Voor kandidaten moet er een mogelijkheid bestaan om fouten te laten herstellen of een menselijke herbeoordeling te vragen.
Daarmee verschuift toezicht van een losse controlehandeling naar een organisatorisch proces. Ook de inrichting vóór en na het gebruik van het systeem telt mee. Dat begint bijvoorbeeld bij de keuze van trainingsdata en selectiecriteria en loopt door tot monitoring van selectiepercentages, klachten, fouten en veranderingen in de prestaties van het model.
Efficiëntie is beter onderbouwd dan betere selectiebeslissingen
De review vindt relatief consistente aanwijzingen dat AI administratieve lasten kan verlagen en grote hoeveelheden informatie sneller kan verwerken. Dat betekent volgens de auteur nog niet dat AI automatisch leidt tot betere hires. De kwaliteit van de uitkomst blijft afhankelijk van wat een systeem probeert te voorspellen en welke data daarvoor worden gebruikt.
Een model kan bijvoorbeeld zeer nauwkeurig voorspellen welke kandidaten lijken op mensen die in het verleden succesvol werden beoordeeld. Maar als die historische beoordelingen zelf vertekend zijn, kan de technologie die patronen juist opschalen. Ook ogenschijnlijk neutrale kenmerken kunnen indirect samenhangen met beschermde eigenschappen.
De review waarschuwt daarom tegen een simpele tegenstelling tussen ‘objectieve algoritmen’ en ‘subjectieve mensen’. Traditionele menselijke selectie kent eveneens aantoonbare risico’s op vooroordelen en inconsistentie. De relevante vraag is volgens de studie welke combinatie van mens, technologie, data en proces de meest verdedigbare beslissing oplevert.
Kandidaatbeleving krijgt vaak te weinig aandacht
Een tweede aandachtspunt is de reactie van kandidaten. Eerder onderzoek dat in de review wordt samengebracht laat zien dat sterk geautomatiseerde procedures negatief kunnen uitpakken voor ervaren rechtvaardigheid, vertrouwen en de aantrekkelijkheid van een werkgever. Kandidaten beoordelen een proces niet alleen op snelheid en consistentie, maar ook op de mogelijkheid om context te geven en als individu te worden behandeld.
Dat is relevant bij bijvoorbeeld AI-interviews, automatische rankings en systemen die op basis van gedrag of andere afgeleide signalen een oordeel produceren. Een proces kan technisch efficiënt zijn en toch weerstand oproepen wanneer een kandidaat niet begrijpt hoe een beslissing tot stand komt of geen mogelijkheid heeft om een fout te corrigeren.
Ook leveranciers moeten meer bewijs leveren
De auteur plaatst nadrukkelijk een deel van de verantwoordelijkheid bij de inkoop van recruitmenttechnologie. Werkgevers zouden niet alleen naar functionaliteit en efficiëntiewinst moeten kijken, maar ook naar de onderliggende validatie. Daarbij horen vragen over datakwaliteit, foutpercentages tussen groepen, toegankelijkheid, uitlegbaarheid, wijzigingen aan modellen en de mogelijkheid om onafhankelijke audits uit te voeren.
De review bevat hiervoor een governancechecklist. Die loopt van een duidelijke omschrijving van het recruitmentprobleem tot monitoring nadat een systeem in gebruik is genomen. Ook leveranciersbeheer wordt expliciet genoemd: organisaties moeten volgens de auteur toegang kunnen krijgen tot validatie-informatie, wijzigingen in het systeem kunnen volgen en ondersteuning krijgen wanneer incidenten optreden.
Geen systematische review met volledige zoekregistratie
De studie heeft ook duidelijke beperkingen. Het betreft geen nieuwe dataset en ook geen volledig volgens PRISMA uitgevoerde systematische review. De auteur geeft aan dat er geen complete zoekhistorie, screeningsregistratie en reproduceerbare telling van geïncludeerde en uitgesloten studies beschikbaar is. De conclusies moeten daarom worden gelezen als een kritische synthese van bestaande bronnen en niet als een meta-analyse die één effect van AI op recruitment kwantificeert.
Juist daardoor is de studie vooral bruikbaar als raamwerk voor organisaties die AI in recruitment beoordelen of inkopen. De kern is dat ‘menselijke controle’ niet moet worden afgevinkt als functie in een softwaresysteem. De waarde ervan hangt af van de inrichting van het volledige proces, van de keuze van data en criteria tot de mogelijkheid voor recruiters en kandidaten om een geautomatiseerde uitkomst daadwerkelijk ter discussie te stellen.
Onderzoek
Het onderzoek The Impact of Artificial Intelligence on Recruitment Decision-Making: An Integrative Critical Review of Opportunities, Risks, And Human Oversight van Ben Bander Abudawood kun je op de site van Research and Analysis Journal bekijken en downloaden.
