AI candidate scoring uitgelegd: hoe werkt het?
Een helder overzicht van hoe AI candidate scoring werkt, van data-input tot eindresultaat. Met concrete voorbeelden en technische uitleg.
Door Ingmar van Maurik · Founder & CEO, Making Moves
Wat is AI candidate scoring
AI candidate scoring is een systeem dat kandidaten automatisch beoordeelt en rangschikt op basis van meerdere datapunten. In plaats van dat een recruiter elk CV handmatig doorneemt en op gevoel een shortlist samenstelt, analyseert AI alle beschikbare informatie en produceert een objectieve score.
Maar hoe werkt dat precies? Wat gaat er achter de schermen gebeuren wanneer een kandidaat solliciteert en een AI-score krijgt? In dit artikel leggen we het volledige proces uit, van data-input tot eindresultaat, zodat je begrijpt wat AI scoring inhoudt en hoe je het verantwoord kunt inzetten.
De drie pijlers van AI scoring
Een goed AI scoring systeem rust op drie pijlers: data-input, modellering en output. Laten we elk van deze stappen doorlopen.
Pijler 1: data-input
AI scoring begint met het verzamelen van gegevens over de kandidaat. Hoe meer relevante datapunten beschikbaar zijn, hoe nauwkeuriger de score. Typische bronnen zijn:
CV en sollicitatiebrief
Het systeem extraheert gestructureerde data uit het CV: werkervaring, vaardigheden, opleiding, certificeringen en carrièrepatronen. Moderne AI gaat verder dan keyword matching en begrijpt de context. Een kandidaat die schrijft dat hij een team van 12 ontwikkelaars leidde, wordt anders gewaardeerd dan iemand die in een team van 12 werkte, ook al bevatten beide zinnen vergelijkbare woorden.
Assessment resultaten
Als kandidaten een assessment maken als onderdeel van het proces, worden die resultaten een cruciale input. Dit kan variëren van cognitieve tests en persoonlijkheidsvragenlijsten tot technische assessments en situational judgment tests. Assessment data is bijzonder waardevol omdat het gestandaardiseerd en vergelijkbaar is.
Interactiedata
Hoe snel reageerde de kandidaat, hoe volledig is de sollicitatie ingevuld, welke keuzes maakte de kandidaat in het proces. Deze signalen zeggen iets over motivatie en aandacht voor detail.
Historische data
Het systeem vergelijkt de kandidaat met eerdere succesvolle hires in vergelijkbare rollen. Welke profielen werkten goed, welke niet, en waarom? Dit is waar de kracht van een eigen systeem pas echt zichtbaar wordt: hoe meer data je hebt, hoe beter de voorspellingen.
Pijler 2: modellering
De modelleringsfase is waar de magie gebeurt. AI gebruikt de verzamelde data om een score te berekenen via meerdere stappen:
Feature extraction
Ruwe data wordt omgezet in gestructureerde kenmerken die het model kan verwerken. Bijvoorbeeld: jaren ervaring wordt een getal, vaardigheden worden categorieën en assessment antwoorden worden scores op specifieke dimensies.
Gewichttoekenning
Niet alle kenmerken zijn even belangrijk. Het model kent gewichten toe aan elk kenmerk op basis van historische patronen. Voor een senior developer positie weegt technische assessmentscores misschien zwaarder dan voor een product manager rol, waar communicatievaardigheden meer tellen.
|---------|-------------------|--------------------------|
Scoring algoritme
Het algoritme combineert alle gewogen kenmerken tot een eindscore. Dit is niet een simpele optelsom, maar een complex model dat non-lineaire relaties kan herkennen. Bijvoorbeeld: een kandidaat met gemiddelde technische scores maar uitzonderlijke leervaardigheid kan hoger scoren dan iemand met hoge technische scores maar lage aanpassingsvermogen, afhankelijk van de rol en het team.
Kalibratie
De score wordt gekalibreerd zodat deze betekenisvol is. Een score van 82 moet consistent betekenen dat de kandidaat een hoge kans op succes heeft, ongeacht wanneer of voor welke vacature de score is berekend. Dit vereist continue validatie en herijking van het model.
Pijler 3: output
De output van AI scoring is meer dan alleen een getal. Een goed systeem levert:
Een totaalscore die de algemene geschiktheid weergeeft op een schaal van bijvoorbeeld 0 tot 100. Dit is het eerste wat een recruiter ziet en bepaalt de rangschikking.
Deelscores per dimensie die laten zien hoe de kandidaat scoort op specifieke aspecten: technische vaardigheden, soft skills, ervaring, potentieel en cultuurfit.
Uitleg en transparantie over waarom de kandidaat deze score heeft gekregen. Welke factoren telden mee, waar scoorde de kandidaat sterk en waar zijn aandachtspunten? Dit is essentieel voor verantwoord gebruik van AI.
Vergelijking met de pool die toont hoe de kandidaat zich verhoudt tot andere sollicitanten voor dezelfde vacature en tot de normgroep.
Risicoindicatoren die potentiële aandachtspunten signaleren, zoals een opvallende gap in het CV of inconsistenties tussen assessment scores en ervaring.
Hoe het model leert en verbetert
Een AI scoring model is geen statisch systeem. Het leert en verbetert continu op basis van feedback:
Feedbackloop 1: hiring uitkomsten
Wanneer een kandidaat wordt aangenomen, tracked het systeem hoe die persoon presteert. Na 3, 6 en 12 maanden wordt gekeken of de hiring succesvol was. Deze data wordt teruggevoerd in het model, zodat toekomstige scores nauwkeuriger worden.
Feedbackloop 2: recruiter beslissingen
Als een recruiter consistent kandidaten met lage scores toch doorlaat, of kandidaten met hoge scores afwijst, signaleert dat een potentieel probleem in het model. Het systeem leert van deze afwijkingen en past gewichten aan.
Feedbackloop 3: bias monitoring
Het systeem monitort continu of scores onbedoeld correleren met beschermde kenmerken zoals leeftijd, geslacht of achtergrond. Als dat het geval is, worden de betreffende features opnieuw geëvalueerd en waar nodig aangepast. Lees meer over hoe AI bias in werving kan verminderen.
Veelgestelde vragen over AI scoring
Vervangt AI de recruiter?
Nee. AI scoring is een hulpmiddel dat de recruiter helpt betere beslissingen te nemen, sneller. De recruiter blijft degene die de eindgesprekken voert, de menselijke chemie beoordeelt en de uiteindelijke hiring beslissing neemt.
Hoe nauwkeurig is AI scoring?
Onderzoek toont aan dat goed gekalibreerde AI modellen een voorspellende validiteit hebben van 0.45 tot 0.65, vergeleken met 0.10 tot 0.20 voor ongestructureerde interviews en 0.25 tot 0.35 voor CV screening door recruiters. AI is niet perfect, maar significant beter dan traditionele methoden.
Wat als de AI een goede kandidaat over het hoofd ziet?
Dit risico bestaat, net zoals bij menselijke screening. Het verschil is dat AI consistent scoort en niet wordt beïnvloed door vermoeidheid, honger of de volgorde van CV's. Bovendien kun je altijd handmatig kandidaten doorlaten die de AI laag scoort, wat weer data oplevert voor modelverbetering.
Is AI scoring AVG-compliant?
Ja, mits correct geïmplementeerd. De AVG vereist transparantie over geautomatiseerde besluitvorming en het recht om menselijke tussenkomst te vragen. Een goed systeem biedt beide: uitlegbare scores en een menselijke beslisser in het proces.
Implementatie: waar begin je
Wil je AI candidate scoring implementeren? Begin niet met de technologie maar met de strategie:
1. Definieer succes voor elke rol. Wat maakt iemand een goede hire? Welke kenmerken voorspellen prestatie en retentie?
2. Verzamel historische data over eerdere hires: wie presteerde goed, wie niet en waarom?
3. Bouw of kies assessments die de kenmerken meten die je hebt gedefinieerd als voorspellers van succes
4. Start met een pilot voor een beperkt aantal vacatures en vergelijk AI-scores met de uiteindelijke hiring uitkomsten
5. Itereer en verbeter op basis van resultaten
Overweeg ook om je eigen normgroep te bouwen zodat scores specifiek zijn voor jouw context en niet gebaseerd op generieke benchmarks.
Samenvatting
Wil je zien hoe AI scoring werkt in de praktijk? Plan een demo van ons AI hiring systeem en ontdek hoe het je wervingsproces kan transformeren.