Programma's voor interne mobiliteit lopen vast om een voorspelbare reden. Ze zijn gebouwd op functietitels, niet op bewijs. Een teamleider uit het magazijn solliciteert op een rol als supply chain analist, het systeem ziet een titel die niet matcht en filtert de kandidaat eruit. Een engineer met sterke productvaardigheden komt nooit in beeld voor een openstaande rol als product manager, omdat niemand die vaardigheden systematisch heeft gemeten. Het talent is er wel. Het bewijs niet.
Skills-based interne mobiliteit lost dit op door matchen op titel te vervangen door gemeten skillsignalen. Elke match op een interne kans komt voort uit wat iemand aantoonbaar kan, gescoord tegen een vastgelegde skillbundel van de rol, met expliciete gaps en reskillingroutes om die te dichten. Deze gids loopt de volledige operationele cyclus door. Van het opbouwen van je skills-inventaris tot assessments die bruikbaar bewijs opleveren, het koppelen van skills aan rollen en loopbaanpaden, het activeren van een interne talentmarktplaats, het valideren van reskillingvoortgang en het inrichten van governance zodat beslissingen auditklaar zijn.
Dit stuk is geschreven voor CHRO's, HR-directeuren en Heads of People die verder willen dan pilots en skills-based talentmanagement willen inrichten als een betrouwbare, meetbare werkwijze.
Functietitels zijn organisatorische steno. Ze zijn nooit bedoeld geweest als bewijs. Twee mensen met dezelfde titel “Senior Analist” bij verschillende bedrijven delen soms bijna geen enkele skill. Promotiebeslissingen op basis van dienstjaren en titelhistorie leveren inconsistente uitkomsten op, vergroten ongelijkheid en ondermijnen het vertrouwen in interne werving.
Het operationele probleem is nog directer. Wanneer interne vacaturebanken kandidaten aan rollen koppelen door oude titels te vergelijken met huidige functiebeschrijvingen, beloont het systeem mensen die eerder een vergelijkbaar klinkende baan hadden, niet mensen die de skills hebben die de rol echt vraagt. Je verliest interne kandidaten die het werk zouden kunnen, en je verliest zicht op welke skills je organisatie daadwerkelijk in huis heeft.
De overstap naar skills-based interne mobiliteit betekent rollen definiëren als skillbundels, medewerkers daartegen meten met gevalideerde assessments en matches tonen op basis van fitscores met bewijs in plaats van cv-gelijkenis. Goed uitgevoerd rapporteren organisaties meetbaar beter behoud. Selection Lab rapporteerde bijvoorbeeld 21% lager vroegtijdig verloop in de eerste zes maanden voor rollen die zijn ingevuld via de skills-gematchte assessmentworkflow (januari 2024).
De skills-inventaris is het fundament. Het is een beheerde catalogus van de skills die je organisatie erkent, elk met een naam, een omschrijving, beheersingsniveaus en synoniemen. Zonder die catalogus definieert elk team skills anders en zijn de data niet vergelijkbaar tussen afdelingen.
Wat hoort er in een skills-inventaris
De termen skills-taxonomie en skills-ontologie worden door elkaar gebruikt, maar betekenen iets anders. Een taxonomie ordent skills in een hiërarchie, van domein naar subdomein naar skill. Een ontologie voegt daar relaties tussen skills aan toe, zoals benodigde voorkennis, aangrenzende skills en combinaties die vaak samen voorkomen. Een ontologie is nuttiger voor het genereren van loopbaanpaden, omdat die laat zien welke skills overdraagbaar zijn tussen rolfamilies en welke echt om reskilling vragen.
Begin met een afgebakende taxonomie. Kies twee tot drie functiefamilies en definieer skills op een detailniveau dat je ook echt kunt meten. Een skill als “communicatie” is te breed om zinvol te toetsen. “Schriftelijke communicatie in klantvoorstellen” is toetsbaar. “Gestructureerde data-analyse in SQL” is toetsbaar. Houd definities gekoppeld aan waarneembaar, testbaar gedrag.
Onderhoud de inventaris doorlopend, want skills verouderen. “Gevorderd Excel” betekende in 2018 iets anders dan nu. Leg het kwartaalonderhoud neer bij een governancecommissie met HR, L&D en per functiefamilie minimaal één inhoudelijk expert uit de business.
Een skillprofiel is het gegevensobject dat een persoon of een rol verbindt met de skills-inventaris, met bewijs eraan gekoppeld.
Voor een medewerker of interne kandidaat bevat een skillprofiel het volgende.
Voor een rol is het skillprofiel de skillbundel, dus vereiste skills op een minimumniveau, gewenste skills en context zoals teamstructuur, gebruikte tools en verwachte output.
Het cruciale onderscheid zit tussen zelfgerapporteerde en gemeten skilldata. Zelfbeoordeling is een redelijk startpunt om profielen te vullen, maar op zichzelf onbetrouwbaar als input voor een beslissing. Een afgeronde cursus in LinkedIn Learning zegt dat iemand een video heeft gekeken. Een gevalideerd skillassessment zegt of iemand de kennis ook kan toepassen. Matching in een interne talentmarktplaats werkt alleen betrouwbaar als in elk geval de kernskills op gemeten bewijs rusten.
Om geloofwaardige matches te tonen heeft elk medewerkersprofiel een minimaal datamodel nodig, met skills en niveaus, betrouwbaarheid van het bewijs, rolvoorkeuren, beschikbaarheid (volledige overstap of project) en waar relevant beperkingen in locatie of taal.
Assessments leveren bruikbaar bewijs op wanneer ze zijn ontworpen rond de skilldefinities in je taxonomie. Een assessment dat niet te herleiden is tot een gedefinieerde skill produceert data waar je niets mee kunt.
De route van assessment naar profiel werkt zo.
Een concreet voorbeeld van die flow, gemodelleerd op de assessmentworkflow van Selection Lab, ziet er als volgt uit. Een medewerker toont interesse in een interne rol, het systeem start een geautomatiseerde skill-intake via webchat of WhatsApp, de medewerker doorloopt een gerichte assessmentreeks over de kritieke skills van de rol, de scores worden gegenereerd en gematcht tegen de skillbundel van de rol, en zowel de medewerker als de HR-reviewer krijgt een fitscore met gapanalyse.
De efficiëntiewinst is reëel. Selection Lab rapporteerde 15 minuten tijdwinst per sollicitant via de geassesste intake (december 2025) en 27% minder afhakers dan bij een traditioneel sollicitatieproces (maart 2025). Voor interne mobiliteit op schaal telt dat, want minder afhakers betekent dat meer medewerkers het proces afmaken en je een grotere pool met beter bewijs overhoudt.
Kwaliteitsmaatregelen om in te bouwen.
Met een beheerde skills-inventaris en gemeten skillprofielen wordt het koppelen van rollen een data-operatie in plaats van een subjectief gesprek.
Definieer elke interne rol als een skillbundel met drie lagen, namelijk noodzakelijke skills op minimumniveau, skills die het verschil maken in prestatie, en ontwikkelskills die iemand uitdagen. Dat geeft de matchingengine genoeg signaal voor een onderbouwde fitscore en een expliciete gaplijst.
Matching van skills op kansen levert idealiter twee dingen op. Een gerangschikte matchscore, dus welk deel van de skillbundel het profiel dekt, gewogen naar het belang van elke skill. En een begrijpelijke uitleg van wat wel en niet matcht en hoe groot elke gap is. Dat tweede is niet optioneel. Matchscores zonder uitleg maken een black box die leidinggevenden niet vertrouwen en die geen audit overleeft.
Loopbaanpaden volgen vanzelf uit deze structuur. Als de skillbundel van de doelrol voor 70% overlapt met het huidige profiel, en de resterende 30% bestaat uit aangrenzende skills met bekende leerroutes in je LMS, dan heb je een gedefinieerd loopbaanpad. Tools als Eightfold AI en Fuel50 zijn hiervoor gebouwd en gebruiken skills-ontologieën en AI-inferentie om paden over meerdere stappen en functiefamilies heen voor te stellen. De interne talentmarktplaats van Gloat toont daarnaast projecten en klussen naast volledige rollen, zodat medewerkers aangrenzende skills kunnen opbouwen voordat ze definitief overstappen.
De HR-werkwijze telt net zo zwaar als de techniek. Geef leidinggevenden het matchrapport vóór het gesprek over interne kandidaten, met de gapanalyse geformuleerd als wat deze persoon nodig heeft om te slagen in de rol, niet als een kaal cijfer. Die framing verschuift het gesprek van poortwachten naar ontwikkelen.
Skills-based interne mobiliteit vraagt dat data stroomt tussen minstens vier systemen. Of het geheel overeind blijft of vervalt in handmatig CSV-gepuzzel, hangt af van de integratiearchitectuur.
De kern van de integratiekaart.
Integratiepatronen om te kennen.
API-integraties zijn het flexibelst. De meeste moderne platformen bieden REST-API's waarmee je assessmentresultaten naar HRIS-records schrijft, skillbundels uit je talentmarktplaats haalt en leerdata vrijwel realtime terugkoppelt naar skillprofielen.
CSV-export en import komt in het middensegment nog veel voor. Het werkt, maar het geeft vertraging en foutrisico. Gebruik je CSV voor het publiceren van assessmentresultaten, bouw dan validatie in die niet-kloppende medewerkers-ID's en ontbrekende verplichte velden onderschept vóór de import.
SCIM, oftewel System for Cross-domain Identity Management, regelt het aanmaken en intrekken van gebruikers over systemen heen. Wanneer iemand instroomt, overstapt of vertrekt, verwerken SCIM-integraties dat automatisch in gekoppelde tools. Dat is vooral belangrijk om je talentmarktplaats schoon te houden, want vertrokken medewerkers horen daar niet als interne kandidaat op te duiken.
Governance verdient bijzondere aandacht in je integraties. Toestemmingen, bewaartermijnen en eisen aan dataopslaglocatie moeten worden afgedwongen in elk systeem dat assessment- of profieldata bevat. Trekt een medewerker toestemming in voor een specifiek verwerkingsdoel, dan moet dat doorwerken in alle gekoppelde systemen.
Selection Lab slaat alle persoonsgegevens op in Frankfurt en is volledig AVG-conform, met toestemming en bewaartermijnen per verwerkingsdoel. Worden assessmentresultaten gedeeld tussen systemen, dan wordt daarvoor opnieuw toestemming gevraagd. Het platform gebruikt daarnaast lokale LLM's om persoonsgegevens uit conversaties met AI te verwijderen, wat relevant is als je intake via een AI-gesprek loopt.
Reskilling en upskilling zijn verschillende interventies en vragen om een ander programmaontwerp.
Upskilling verdiept een bestaande set skills. Is een medewerker data-analist op niveau 2 en vraagt de rol niveau 3, dan voeg je diepte toe in een bekend gebied. De leerroute is relatief rechttoe rechtaan, met gerichte cursussen, oefenopgaven en begeleiding door een senior analist.
Reskilling verandert de set skills. Een medewerker die van klantenservice naar data-operations gaat, heeft een nieuwe set technische kernskills nodig naast de bestaande servicegerichtheid. Die leerroute moet worden opgebouwd rond voorkennis, want SQL-queries optimaliseren leer je niet voordat je de structuur van een relationele database begrijpt, en elke fase moet worden gevalideerd voordat iemand verder gaat.
Assessmentmomenten maken het verschil tussen een reskillingprogramma dat werkt en een programma dat alleen afrondingspercentages rapporteert.
Heb je dit nog niet eerder gedaan, begin dan met een minimale opzet. Eén business unit, een taxonomie voor één of twee functiefamilies, nulmetingen voor de huidige en de doelrol, en één integratie tussen je assessmentplatform en je LMS. Dat is genoeg om het model te bewijzen voordat je opschaalt.
Interne mobiliteit meten aan afgeronde cursussen is input meten, geen uitkomst. Je KPI-raamwerk moet leeractiviteit verbinden met plaatsingen en met prestatie.
KPI's in de funnel van interne mobiliteit
KPI's voor behoud en prestatie
KPI's voor efficiëntie
De cijfers die Selection Lab rapporteert geven een bruikbaar referentiekader. 21% lager vroegtijdig verloop bij skills-gematchte plaatsingen (januari 2024), 27% minder afhakers tijdens het assessment (maart 2025) en 15 minuten tijdwinst per sollicitant in de geassesste intake (december 2025). Dat zijn uitkomsten uit selectie, met een assessment-first werkwijze op basis van skillbewijs, maar de onderliggende logica is direct overdraagbaar naar interne mobiliteit.
Rapporteer deze cijfers in één samenhangend dashboard, niet los van elkaar. Een reskillingprogramma met 95% afronding in het LMS maar zonder verbetering in plaatsingen of prestatie na plaatsing vertelt je dat de assessments niet meten wat de rol echt vraagt. Dat is een taxonomieprobleem, geen leerprobleem.
Skills-based talentbeslissingen met AI-ondersteunde matching of een conversational AI-intake gelden onder de AI-verordening als beslissingen met hoog risico. Governance moet daarom vanaf het ontwerp meelopen en niet achteraf worden aangeplakt.
Toestemming en bewaartermijnen. Leg per gebruik het verwerkingsdoel vast, dus werving, interne mobiliteit, het volgen van reskilling of het koppelen aan prestatie, en vraag daar expliciet toestemming voor. Stel per doel een bewaartermijn in en handhaaf die. Gebruik assessmentresultaten niet voor iets anders dan waarvoor toestemming is gegeven zonder opnieuw toestemming te vragen.
Dataopslag en beveiliging. Weet waar elk persoonsgegeven in je stack staat. Slaat je HRIS data op in de ene regio en je talentmarktplaats in de andere, dan kun je te maken krijgen met doorgifteverplichtingen onder de AVG. Persoonsgegevens centraal en controleerbaar opslaan, zoals Selection Lab dat in Frankfurt doet, maakt naleving een stuk eenvoudiger.
Transparantie over AI. Elke matchscore of loopbaansuggestie die een leidinggevende of medewerker te zien krijgt, moet in gewone taal uitlegbaar zijn. “Je matcht voor 78% omdat je vier van de vijf vereiste skills op het gevraagde niveau hebt en je SQL-score onder de drempel ligt” is uitlegbaar. Een black box niet. Artikel 13 van de AI-verordening vereist transparantie bij AI-systemen met hoog risico, en AI in de arbeidscontext valt daar expliciet onder.
Auditlogging. Log elk assessment, elke score en elk beslismoment waarop de output van het systeem is gebruikt. Documenteer validiteitsonderzoek en werk dat bij wanneer assessments veranderen. Wordt een plaatsingsbeslissing aangevochten, dan moet je kunnen laten zien dat het assessment valide was, dat de scoring consistent was en dat de beslissing uitlegbaar is.
Dat Selection Lab lokale LLM's inzet om persoonsgegevens uit AI-gesprekken te halen, is één concrete invulling van privacy by design. Loopt je intake of skillinschatting via een AI-gesprek, dan horen persoonsgegevens nooit zonder passende waarborgen langs een LLM van een derde partij te gaan.
De tools die skills-based interne mobiliteit ondersteunen vallen in vijf categorieën. Geen enkele leverancier dekt ze allemaal goed af, de meeste stacks combineren er twee tot vier.
Skills intelligence platformen. Eightfold AI, TechWolf en Beamery leiden skillniveaus af uit werkhistorie, projectdata en cv's. Ze zijn sterk in dekking, maar vragen zorgvuldige validatie voordat afgeleide skills betrouwbaar genoeg zijn voor zwaarwegende beslissingen. Vraag leveranciers naar hun benchmarks voor nauwkeurigheid en naar hun methodologie.
Skills clouds en skills in de HCM zelf. Workday Skills Cloud en SAP SuccessFactors Skills zitten in het HCM, wat integratie van medewerkersdata vereenvoudigt maar de ruimte voor een eigen taxonomie en de diepgang van assessments kan beperken.
Interne talentmarktplaatsen. Gloat, Fuel50 en 365Talents tonen interne kansen zoals rollen, projecten, mentoring en klussen, gematcht op profielen. Ze hebben goede skillprofielen als input nodig om bruikbare matches te geven.
Assessmentplatformen. Selection Lab, Harver, Criteria en vergelijkbare aanbieders leveren gevalideerd, gemeten skillbewijs via gestructureerde assessments. Dit is de laag die de rest betrouwbaar maakt.
Leerplatformen met skilldata. Degreed, Cornerstone en LinkedIn Learning genereren data over afronding en betrokkenheid die terug kan vloeien naar skillprofielen. Hoe goed die platformen skills afleiden uit leeractiviteit verschilt sterk.
Vraag bij elke leverancier specifiek naar het volgende. Hoe flexibel je een taxonomie kunt im- en exporteren, of er API's zijn met gedocumenteerde integratiepatronen, wat de kwaliteit van het bewijs is (gemeten, afgeleid of zelfgerapporteerd), hoe toestemming en bewaartermijnen configureerbaar zijn, en hoe uitlegbaar scores en matches zijn.
Integratiechecklists per type stack
Voor een stack met het HCM als bron van waarheid, zoals Workday of SAP SuccessFactors.
Voor een activatie met het ATS als vertrekpunt.
Voor een aanpak waarin data en API's leidend zijn.
De volledige cyclus is skills meten, een inventaris en profielen opbouwen, rollen en loopbaanpaden koppelen, de interne marktplaats activeren, reskilling draaien met assessmentmomenten, en governance en uitkomsten bewaken. Het klinkt complex omdat het complex is, maar het wordt behapbaar zodra je de volgorde goed zet.
Dag 1 tot 30, verkennen
Dag 31 tot 60, pilot activeren
Organisaties die met een platform als Selection Lab werken kunnen doorgaans binnen 2 tot 10 weken live, met begeleiding die bestaat uit een check-in elke twee weken en een strategische review per kwartaal om adoptie te volgen en de taxonomie bij te stellen. Dat ritme is realistisch voor de meeste middelgrote en grote organisaties die al een basis aan HRIS en ATS hebben staan.
Skills-based interne mobiliteit vraagt geen transformatieprogramma van meerdere jaren. Het vraagt een gedisciplineerd startpunt, met een beheerde taxonomie, gemeten bewijs en integraties die profieldata actueel houden. Bouw dat fundament in één functiefamilie, bewijs de uitkomsten en breid van daaruit uit.
Programma's voor interne mobiliteit lopen vast om een voorspelbare reden. Ze zijn gebouwd op functietitels, niet op bewijs. Een teamleider uit het magazijn solliciteert op een rol als supply chain analist, het systeem ziet een titel die niet matcht en filtert de kandidaat eruit. Een engineer met sterke productvaardigheden komt nooit in beeld voor een openstaande rol als product manager, omdat niemand die vaardigheden systematisch heeft gemeten. Het talent is er wel. Het bewijs niet.
Skills-based interne mobiliteit lost dit op door matchen op titel te vervangen door gemeten skillsignalen. Elke match op een interne kans komt voort uit wat iemand aantoonbaar kan, gescoord tegen een vastgelegde skillbundel van de rol, met expliciete gaps en reskillingroutes om die te dichten. Deze gids loopt de volledige operationele cyclus door. Van het opbouwen van je skills-inventaris tot assessments die bruikbaar bewijs opleveren, het koppelen van skills aan rollen en loopbaanpaden, het activeren van een interne talentmarktplaats, het valideren van reskillingvoortgang en het inrichten van governance zodat beslissingen auditklaar zijn.
Dit stuk is geschreven voor CHRO's, HR-directeuren en Heads of People die verder willen dan pilots en skills-based talentmanagement willen inrichten als een betrouwbare, meetbare werkwijze.
Functietitels zijn organisatorische steno. Ze zijn nooit bedoeld geweest als bewijs. Twee mensen met dezelfde titel “Senior Analist” bij verschillende bedrijven delen soms bijna geen enkele skill. Promotiebeslissingen op basis van dienstjaren en titelhistorie leveren inconsistente uitkomsten op, vergroten ongelijkheid en ondermijnen het vertrouwen in interne werving.
Het operationele probleem is nog directer. Wanneer interne vacaturebanken kandidaten aan rollen koppelen door oude titels te vergelijken met huidige functiebeschrijvingen, beloont het systeem mensen die eerder een vergelijkbaar klinkende baan hadden, niet mensen die de skills hebben die de rol echt vraagt. Je verliest interne kandidaten die het werk zouden kunnen, en je verliest zicht op welke skills je organisatie daadwerkelijk in huis heeft.
De overstap naar skills-based interne mobiliteit betekent rollen definiëren als skillbundels, medewerkers daartegen meten met gevalideerde assessments en matches tonen op basis van fitscores met bewijs in plaats van cv-gelijkenis. Goed uitgevoerd rapporteren organisaties meetbaar beter behoud. Selection Lab rapporteerde bijvoorbeeld 21% lager vroegtijdig verloop in de eerste zes maanden voor rollen die zijn ingevuld via de skills-gematchte assessmentworkflow (januari 2024).
De skills-inventaris is het fundament. Het is een beheerde catalogus van de skills die je organisatie erkent, elk met een naam, een omschrijving, beheersingsniveaus en synoniemen. Zonder die catalogus definieert elk team skills anders en zijn de data niet vergelijkbaar tussen afdelingen.
Wat hoort er in een skills-inventaris
De termen skills-taxonomie en skills-ontologie worden door elkaar gebruikt, maar betekenen iets anders. Een taxonomie ordent skills in een hiërarchie, van domein naar subdomein naar skill. Een ontologie voegt daar relaties tussen skills aan toe, zoals benodigde voorkennis, aangrenzende skills en combinaties die vaak samen voorkomen. Een ontologie is nuttiger voor het genereren van loopbaanpaden, omdat die laat zien welke skills overdraagbaar zijn tussen rolfamilies en welke echt om reskilling vragen.
Begin met een afgebakende taxonomie. Kies twee tot drie functiefamilies en definieer skills op een detailniveau dat je ook echt kunt meten. Een skill als “communicatie” is te breed om zinvol te toetsen. “Schriftelijke communicatie in klantvoorstellen” is toetsbaar. “Gestructureerde data-analyse in SQL” is toetsbaar. Houd definities gekoppeld aan waarneembaar, testbaar gedrag.
Onderhoud de inventaris doorlopend, want skills verouderen. “Gevorderd Excel” betekende in 2018 iets anders dan nu. Leg het kwartaalonderhoud neer bij een governancecommissie met HR, L&D en per functiefamilie minimaal één inhoudelijk expert uit de business.
Een skillprofiel is het gegevensobject dat een persoon of een rol verbindt met de skills-inventaris, met bewijs eraan gekoppeld.
Voor een medewerker of interne kandidaat bevat een skillprofiel het volgende.
Voor een rol is het skillprofiel de skillbundel, dus vereiste skills op een minimumniveau, gewenste skills en context zoals teamstructuur, gebruikte tools en verwachte output.
Het cruciale onderscheid zit tussen zelfgerapporteerde en gemeten skilldata. Zelfbeoordeling is een redelijk startpunt om profielen te vullen, maar op zichzelf onbetrouwbaar als input voor een beslissing. Een afgeronde cursus in LinkedIn Learning zegt dat iemand een video heeft gekeken. Een gevalideerd skillassessment zegt of iemand de kennis ook kan toepassen. Matching in een interne talentmarktplaats werkt alleen betrouwbaar als in elk geval de kernskills op gemeten bewijs rusten.
Om geloofwaardige matches te tonen heeft elk medewerkersprofiel een minimaal datamodel nodig, met skills en niveaus, betrouwbaarheid van het bewijs, rolvoorkeuren, beschikbaarheid (volledige overstap of project) en waar relevant beperkingen in locatie of taal.
Assessments leveren bruikbaar bewijs op wanneer ze zijn ontworpen rond de skilldefinities in je taxonomie. Een assessment dat niet te herleiden is tot een gedefinieerde skill produceert data waar je niets mee kunt.
De route van assessment naar profiel werkt zo.
Een concreet voorbeeld van die flow, gemodelleerd op de assessmentworkflow van Selection Lab, ziet er als volgt uit. Een medewerker toont interesse in een interne rol, het systeem start een geautomatiseerde skill-intake via webchat of WhatsApp, de medewerker doorloopt een gerichte assessmentreeks over de kritieke skills van de rol, de scores worden gegenereerd en gematcht tegen de skillbundel van de rol, en zowel de medewerker als de HR-reviewer krijgt een fitscore met gapanalyse.
De efficiëntiewinst is reëel. Selection Lab rapporteerde 15 minuten tijdwinst per sollicitant via de geassesste intake (december 2025) en 27% minder afhakers dan bij een traditioneel sollicitatieproces (maart 2025). Voor interne mobiliteit op schaal telt dat, want minder afhakers betekent dat meer medewerkers het proces afmaken en je een grotere pool met beter bewijs overhoudt.
Kwaliteitsmaatregelen om in te bouwen.
Met een beheerde skills-inventaris en gemeten skillprofielen wordt het koppelen van rollen een data-operatie in plaats van een subjectief gesprek.
Definieer elke interne rol als een skillbundel met drie lagen, namelijk noodzakelijke skills op minimumniveau, skills die het verschil maken in prestatie, en ontwikkelskills die iemand uitdagen. Dat geeft de matchingengine genoeg signaal voor een onderbouwde fitscore en een expliciete gaplijst.
Matching van skills op kansen levert idealiter twee dingen op. Een gerangschikte matchscore, dus welk deel van de skillbundel het profiel dekt, gewogen naar het belang van elke skill. En een begrijpelijke uitleg van wat wel en niet matcht en hoe groot elke gap is. Dat tweede is niet optioneel. Matchscores zonder uitleg maken een black box die leidinggevenden niet vertrouwen en die geen audit overleeft.
Loopbaanpaden volgen vanzelf uit deze structuur. Als de skillbundel van de doelrol voor 70% overlapt met het huidige profiel, en de resterende 30% bestaat uit aangrenzende skills met bekende leerroutes in je LMS, dan heb je een gedefinieerd loopbaanpad. Tools als Eightfold AI en Fuel50 zijn hiervoor gebouwd en gebruiken skills-ontologieën en AI-inferentie om paden over meerdere stappen en functiefamilies heen voor te stellen. De interne talentmarktplaats van Gloat toont daarnaast projecten en klussen naast volledige rollen, zodat medewerkers aangrenzende skills kunnen opbouwen voordat ze definitief overstappen.
De HR-werkwijze telt net zo zwaar als de techniek. Geef leidinggevenden het matchrapport vóór het gesprek over interne kandidaten, met de gapanalyse geformuleerd als wat deze persoon nodig heeft om te slagen in de rol, niet als een kaal cijfer. Die framing verschuift het gesprek van poortwachten naar ontwikkelen.
Skills-based interne mobiliteit vraagt dat data stroomt tussen minstens vier systemen. Of het geheel overeind blijft of vervalt in handmatig CSV-gepuzzel, hangt af van de integratiearchitectuur.
De kern van de integratiekaart.
Integratiepatronen om te kennen.
API-integraties zijn het flexibelst. De meeste moderne platformen bieden REST-API's waarmee je assessmentresultaten naar HRIS-records schrijft, skillbundels uit je talentmarktplaats haalt en leerdata vrijwel realtime terugkoppelt naar skillprofielen.
CSV-export en import komt in het middensegment nog veel voor. Het werkt, maar het geeft vertraging en foutrisico. Gebruik je CSV voor het publiceren van assessmentresultaten, bouw dan validatie in die niet-kloppende medewerkers-ID's en ontbrekende verplichte velden onderschept vóór de import.
SCIM, oftewel System for Cross-domain Identity Management, regelt het aanmaken en intrekken van gebruikers over systemen heen. Wanneer iemand instroomt, overstapt of vertrekt, verwerken SCIM-integraties dat automatisch in gekoppelde tools. Dat is vooral belangrijk om je talentmarktplaats schoon te houden, want vertrokken medewerkers horen daar niet als interne kandidaat op te duiken.
Governance verdient bijzondere aandacht in je integraties. Toestemmingen, bewaartermijnen en eisen aan dataopslaglocatie moeten worden afgedwongen in elk systeem dat assessment- of profieldata bevat. Trekt een medewerker toestemming in voor een specifiek verwerkingsdoel, dan moet dat doorwerken in alle gekoppelde systemen.
Selection Lab slaat alle persoonsgegevens op in Frankfurt en is volledig AVG-conform, met toestemming en bewaartermijnen per verwerkingsdoel. Worden assessmentresultaten gedeeld tussen systemen, dan wordt daarvoor opnieuw toestemming gevraagd. Het platform gebruikt daarnaast lokale LLM's om persoonsgegevens uit conversaties met AI te verwijderen, wat relevant is als je intake via een AI-gesprek loopt.
Reskilling en upskilling zijn verschillende interventies en vragen om een ander programmaontwerp.
Upskilling verdiept een bestaande set skills. Is een medewerker data-analist op niveau 2 en vraagt de rol niveau 3, dan voeg je diepte toe in een bekend gebied. De leerroute is relatief rechttoe rechtaan, met gerichte cursussen, oefenopgaven en begeleiding door een senior analist.
Reskilling verandert de set skills. Een medewerker die van klantenservice naar data-operations gaat, heeft een nieuwe set technische kernskills nodig naast de bestaande servicegerichtheid. Die leerroute moet worden opgebouwd rond voorkennis, want SQL-queries optimaliseren leer je niet voordat je de structuur van een relationele database begrijpt, en elke fase moet worden gevalideerd voordat iemand verder gaat.
Assessmentmomenten maken het verschil tussen een reskillingprogramma dat werkt en een programma dat alleen afrondingspercentages rapporteert.
Heb je dit nog niet eerder gedaan, begin dan met een minimale opzet. Eén business unit, een taxonomie voor één of twee functiefamilies, nulmetingen voor de huidige en de doelrol, en één integratie tussen je assessmentplatform en je LMS. Dat is genoeg om het model te bewijzen voordat je opschaalt.
Interne mobiliteit meten aan afgeronde cursussen is input meten, geen uitkomst. Je KPI-raamwerk moet leeractiviteit verbinden met plaatsingen en met prestatie.
KPI's in de funnel van interne mobiliteit
KPI's voor behoud en prestatie
KPI's voor efficiëntie
De cijfers die Selection Lab rapporteert geven een bruikbaar referentiekader. 21% lager vroegtijdig verloop bij skills-gematchte plaatsingen (januari 2024), 27% minder afhakers tijdens het assessment (maart 2025) en 15 minuten tijdwinst per sollicitant in de geassesste intake (december 2025). Dat zijn uitkomsten uit selectie, met een assessment-first werkwijze op basis van skillbewijs, maar de onderliggende logica is direct overdraagbaar naar interne mobiliteit.
Rapporteer deze cijfers in één samenhangend dashboard, niet los van elkaar. Een reskillingprogramma met 95% afronding in het LMS maar zonder verbetering in plaatsingen of prestatie na plaatsing vertelt je dat de assessments niet meten wat de rol echt vraagt. Dat is een taxonomieprobleem, geen leerprobleem.
Skills-based talentbeslissingen met AI-ondersteunde matching of een conversational AI-intake gelden onder de AI-verordening als beslissingen met hoog risico. Governance moet daarom vanaf het ontwerp meelopen en niet achteraf worden aangeplakt.
Toestemming en bewaartermijnen. Leg per gebruik het verwerkingsdoel vast, dus werving, interne mobiliteit, het volgen van reskilling of het koppelen aan prestatie, en vraag daar expliciet toestemming voor. Stel per doel een bewaartermijn in en handhaaf die. Gebruik assessmentresultaten niet voor iets anders dan waarvoor toestemming is gegeven zonder opnieuw toestemming te vragen.
Dataopslag en beveiliging. Weet waar elk persoonsgegeven in je stack staat. Slaat je HRIS data op in de ene regio en je talentmarktplaats in de andere, dan kun je te maken krijgen met doorgifteverplichtingen onder de AVG. Persoonsgegevens centraal en controleerbaar opslaan, zoals Selection Lab dat in Frankfurt doet, maakt naleving een stuk eenvoudiger.
Transparantie over AI. Elke matchscore of loopbaansuggestie die een leidinggevende of medewerker te zien krijgt, moet in gewone taal uitlegbaar zijn. “Je matcht voor 78% omdat je vier van de vijf vereiste skills op het gevraagde niveau hebt en je SQL-score onder de drempel ligt” is uitlegbaar. Een black box niet. Artikel 13 van de AI-verordening vereist transparantie bij AI-systemen met hoog risico, en AI in de arbeidscontext valt daar expliciet onder.
Auditlogging. Log elk assessment, elke score en elk beslismoment waarop de output van het systeem is gebruikt. Documenteer validiteitsonderzoek en werk dat bij wanneer assessments veranderen. Wordt een plaatsingsbeslissing aangevochten, dan moet je kunnen laten zien dat het assessment valide was, dat de scoring consistent was en dat de beslissing uitlegbaar is.
Dat Selection Lab lokale LLM's inzet om persoonsgegevens uit AI-gesprekken te halen, is één concrete invulling van privacy by design. Loopt je intake of skillinschatting via een AI-gesprek, dan horen persoonsgegevens nooit zonder passende waarborgen langs een LLM van een derde partij te gaan.
De tools die skills-based interne mobiliteit ondersteunen vallen in vijf categorieën. Geen enkele leverancier dekt ze allemaal goed af, de meeste stacks combineren er twee tot vier.
Skills intelligence platformen. Eightfold AI, TechWolf en Beamery leiden skillniveaus af uit werkhistorie, projectdata en cv's. Ze zijn sterk in dekking, maar vragen zorgvuldige validatie voordat afgeleide skills betrouwbaar genoeg zijn voor zwaarwegende beslissingen. Vraag leveranciers naar hun benchmarks voor nauwkeurigheid en naar hun methodologie.
Skills clouds en skills in de HCM zelf. Workday Skills Cloud en SAP SuccessFactors Skills zitten in het HCM, wat integratie van medewerkersdata vereenvoudigt maar de ruimte voor een eigen taxonomie en de diepgang van assessments kan beperken.
Interne talentmarktplaatsen. Gloat, Fuel50 en 365Talents tonen interne kansen zoals rollen, projecten, mentoring en klussen, gematcht op profielen. Ze hebben goede skillprofielen als input nodig om bruikbare matches te geven.
Assessmentplatformen. Selection Lab, Harver, Criteria en vergelijkbare aanbieders leveren gevalideerd, gemeten skillbewijs via gestructureerde assessments. Dit is de laag die de rest betrouwbaar maakt.
Leerplatformen met skilldata. Degreed, Cornerstone en LinkedIn Learning genereren data over afronding en betrokkenheid die terug kan vloeien naar skillprofielen. Hoe goed die platformen skills afleiden uit leeractiviteit verschilt sterk.
Vraag bij elke leverancier specifiek naar het volgende. Hoe flexibel je een taxonomie kunt im- en exporteren, of er API's zijn met gedocumenteerde integratiepatronen, wat de kwaliteit van het bewijs is (gemeten, afgeleid of zelfgerapporteerd), hoe toestemming en bewaartermijnen configureerbaar zijn, en hoe uitlegbaar scores en matches zijn.
Integratiechecklists per type stack
Voor een stack met het HCM als bron van waarheid, zoals Workday of SAP SuccessFactors.
Voor een activatie met het ATS als vertrekpunt.
Voor een aanpak waarin data en API's leidend zijn.
De volledige cyclus is skills meten, een inventaris en profielen opbouwen, rollen en loopbaanpaden koppelen, de interne marktplaats activeren, reskilling draaien met assessmentmomenten, en governance en uitkomsten bewaken. Het klinkt complex omdat het complex is, maar het wordt behapbaar zodra je de volgorde goed zet.
Dag 1 tot 30, verkennen
Dag 31 tot 60, pilot activeren
Organisaties die met een platform als Selection Lab werken kunnen doorgaans binnen 2 tot 10 weken live, met begeleiding die bestaat uit een check-in elke twee weken en een strategische review per kwartaal om adoptie te volgen en de taxonomie bij te stellen. Dat ritme is realistisch voor de meeste middelgrote en grote organisaties die al een basis aan HRIS en ATS hebben staan.
Skills-based interne mobiliteit vraagt geen transformatieprogramma van meerdere jaren. Het vraagt een gedisciplineerd startpunt, met een beheerde taxonomie, gemeten bewijs en integraties die profieldata actueel houden. Bouw dat fundament in één functiefamilie, bewijs de uitkomsten en breid van daaruit uit.
