Hoe verkleint AI bias in recruitment?
AI beoordeelt iedereen op dezelfde criteria en laat gegevens buiten beschouwing die niets met de functie te maken hebben. Maar getraind op bevooroordeelde data doet AI precies het omgekeerde, en dan automatiseer je de bias in plaats van hem op te lossen.
Bias in selectie kost je goede mensen en een divers team. AI belooft daar een oplossing voor, door iedereen op dezelfde manier te beoordelen en de keuze te baseren op data in plaats van op onderbuikgevoel. Die belofte is deels waar. Dit artikel gaat over welk deel dat is, waar het misgaat, en wat je moet regelen om aan de goede kant van die lijn te blijven.
Een AI-systeem werkt met gestructureerde gegevens, zoals vaardigheden, testresultaten en aantoonbare kwalificaties. Geslacht, leeftijd en achtergrond doen niet mee. In plaats van een eerste indruk krijgt elke sollicitant hetzelfde scoremodel voorgelegd. Dat haalt de subjectiviteit weg op precies de plek waar die het meeste schade aanricht, namelijk in de eerste ronde waarin de meeste mensen afvallen.
De winst zit op drie punten.
Denk aan een retailketen die honderden seizoensmedewerkers zoekt. Zonder hulp wordt daar op onderbuikgevoel geselecteerd, simpelweg omdat de tijd ontbreekt. Met een gestandaardiseerde toets krijgt iedereen een gelijke kans om te laten zien wat hij kan.
Tip. De capaciteitentest en de persoonlijkheidstest van Selection Lab zijn beoordeeld door de COTAN. Dat betekent dat onafhankelijk is vastgesteld wat ze meten, en dat is bij dit onderwerp precies het punt.
Hier zit de kern van het verhaal. Een model dat is getraind op eerdere aannamebeslissingen leert de voorkeuren die daarin zaten. Als jouw organisatie de afgelopen jaren vooral één type mens heeft aangenomen, dan is dat wat het algoritme als succesvol herkent. Je hebt dan geen objectieve selectie gebouwd, maar je eigen geschiedenis geautomatiseerd.
Drie dingen om scherp te houden.
Een systeem dat vooral op data uit één regio of één doelgroep is gebouwd, presteert buiten die groep minder goed. Dat merk je niet aan de score, want die ziet er precies hetzelfde uit.
Het verschil zit niet in de techniek maar in het toezicht eromheen.
Over die verdeling tussen mens en machine lees je meer in onze blog over AI versus de recruiter.
Voor de werkgever levert het een bredere en beter onderbouwde shortlist op. Beslissingen worden uitlegbaar, wat handig is zodra iemand vraagt waarom hij is afgevallen. En de tijd die vrijkomt in de voorselectie gaat naar de gesprekken die er echt over gaan.
Voor de kandidaat verandert er iets fundamenteler. Iemand wordt beoordeeld op wat hij kan in plaats van op hoe hij op papier overkomt. Dat levert een eerlijker proces op, en ook een sneller antwoord. Wie merkt dat er serieus naar hem is gekeken, denkt anders over jou als werkgever, ook als het een afwijzing wordt.
Haalt AI de bias volledig uit mijn proces?
Nee. AI verkleint de subjectiviteit in de eerste ronde, maar wat er bij de eindkeuze gebeurt blijft mensenwerk. En een slecht gebouwd model verplaatst bias in plaats van het weg te nemen.
Hoe weet ik of een assessment eerlijk meet?
Vraag naar onafhankelijk onderzoek. In Nederland is een beoordeling door de COTAN daarvoor het meest gangbare ijkpunt.
Wat is de grootste fout die organisaties maken?
Een model trainen op hun eigen aannamehistorie en de uitkomst vervolgens objectief noemen.
AI is een sterk middel tegen bias in selectie, maar geen oplossing die je aanzet en vergeet. Combineer de consistentie van een systeem met het oordeel van mensen die weten waar ze naar kijken, en je krijgt een proces dat sneller én eerlijker is. Sla dat toezicht over en je hebt je oude voorkeuren alleen maar efficienter gemaakt.
Wil je eerlijker selecteren? Bekijk de assessments van Selection Lab of plan een vrijblijvend gesprek in.
.png)
Hoe verkleint AI bias in recruitment?
AI beoordeelt iedereen op dezelfde criteria en laat gegevens buiten beschouwing die niets met de functie te maken hebben. Maar getraind op bevooroordeelde data doet AI precies het omgekeerde, en dan automatiseer je de bias in plaats van hem op te lossen.
Bias in selectie kost je goede mensen en een divers team. AI belooft daar een oplossing voor, door iedereen op dezelfde manier te beoordelen en de keuze te baseren op data in plaats van op onderbuikgevoel. Die belofte is deels waar. Dit artikel gaat over welk deel dat is, waar het misgaat, en wat je moet regelen om aan de goede kant van die lijn te blijven.
Een AI-systeem werkt met gestructureerde gegevens, zoals vaardigheden, testresultaten en aantoonbare kwalificaties. Geslacht, leeftijd en achtergrond doen niet mee. In plaats van een eerste indruk krijgt elke sollicitant hetzelfde scoremodel voorgelegd. Dat haalt de subjectiviteit weg op precies de plek waar die het meeste schade aanricht, namelijk in de eerste ronde waarin de meeste mensen afvallen.
De winst zit op drie punten.
Denk aan een retailketen die honderden seizoensmedewerkers zoekt. Zonder hulp wordt daar op onderbuikgevoel geselecteerd, simpelweg omdat de tijd ontbreekt. Met een gestandaardiseerde toets krijgt iedereen een gelijke kans om te laten zien wat hij kan.
Tip. De capaciteitentest en de persoonlijkheidstest van Selection Lab zijn beoordeeld door de COTAN. Dat betekent dat onafhankelijk is vastgesteld wat ze meten, en dat is bij dit onderwerp precies het punt.
Hier zit de kern van het verhaal. Een model dat is getraind op eerdere aannamebeslissingen leert de voorkeuren die daarin zaten. Als jouw organisatie de afgelopen jaren vooral één type mens heeft aangenomen, dan is dat wat het algoritme als succesvol herkent. Je hebt dan geen objectieve selectie gebouwd, maar je eigen geschiedenis geautomatiseerd.
Drie dingen om scherp te houden.
Een systeem dat vooral op data uit één regio of één doelgroep is gebouwd, presteert buiten die groep minder goed. Dat merk je niet aan de score, want die ziet er precies hetzelfde uit.
Het verschil zit niet in de techniek maar in het toezicht eromheen.
Over die verdeling tussen mens en machine lees je meer in onze blog over AI versus de recruiter.
Voor de werkgever levert het een bredere en beter onderbouwde shortlist op. Beslissingen worden uitlegbaar, wat handig is zodra iemand vraagt waarom hij is afgevallen. En de tijd die vrijkomt in de voorselectie gaat naar de gesprekken die er echt over gaan.
Voor de kandidaat verandert er iets fundamenteler. Iemand wordt beoordeeld op wat hij kan in plaats van op hoe hij op papier overkomt. Dat levert een eerlijker proces op, en ook een sneller antwoord. Wie merkt dat er serieus naar hem is gekeken, denkt anders over jou als werkgever, ook als het een afwijzing wordt.
Haalt AI de bias volledig uit mijn proces?
Nee. AI verkleint de subjectiviteit in de eerste ronde, maar wat er bij de eindkeuze gebeurt blijft mensenwerk. En een slecht gebouwd model verplaatst bias in plaats van het weg te nemen.
Hoe weet ik of een assessment eerlijk meet?
Vraag naar onafhankelijk onderzoek. In Nederland is een beoordeling door de COTAN daarvoor het meest gangbare ijkpunt.
Wat is de grootste fout die organisaties maken?
Een model trainen op hun eigen aannamehistorie en de uitkomst vervolgens objectief noemen.
AI is een sterk middel tegen bias in selectie, maar geen oplossing die je aanzet en vergeet. Combineer de consistentie van een systeem met het oordeel van mensen die weten waar ze naar kijken, en je krijgt een proces dat sneller én eerlijker is. Sla dat toezicht over en je hebt je oude voorkeuren alleen maar efficienter gemaakt.
Wil je eerlijker selecteren? Bekijk de assessments van Selection Lab of plan een vrijblijvend gesprek in.
