Er is iets merkwaardigs aan de hand op de arbeidsmarkt. Kandidaten gebruiken AI om hun cv te schrijven. Werkgevers gebruiken AI om diezelfde cv’s te lezen. Twee systemen die op elkaar reageren, zonder dat er een mens aan te pas komt.
En de HR-professional staat ertussen. Met data die er betrouwbaar uitziet. Maar die dat steeds minder is.
Het gevolg is simpel en ongemakkelijk: je neemt beslissingen die je niet meer kunt
uitleggen. Niet aan de medewerker die werd gepasseerd. Niet aan de manager die
vraagt waarom iemand niet in aanmerking kwam. En straks ook niet aan de
toezichthouder die om onderbouwing vraagt.
Het (AI-)cv is geen bewijs meer
Een cv was ooit een persoonlijk document. Een weergave van wat iemand had gedaan, in de eigen woorden van de persoon. Dat is voorbij.
AI-cv-schrijvers optimaliseren automatisch op de trefwoorden die Skills Clouds en talentmanagementsystemen zoeken. Kandidaten — en ook medewerkers die intern solliciteren — weten dit. Ze gebruiken tools die hun ervaring herschrijven in de taal die het systeem herkent. Het resultaat is een cv dat hoog scoort. Maar dat steeds minder zegt over de persoon erachter. Op deze manier wordt het sterkste signaal in je talentmanagementsysteem steeds vaker retorisch talent — niet aantoonbare bekwaamheid. Dat is precies wat we beschreven in Skills Cloud: veel data, weinig waarheid.
Neem een medewerker die drie jaar heeft gewerkt aan complexe klantprojecten. Veel geleerd. Weinig opgeschreven. Zijn profiel in het talentmanagementsysteem is mager. Een collega met vergelijkbare ervaring maar een AI-gepolijst LinkedIn-profiel scoort drie keer zo hoog op dezelfde competenties. Niet omdat hij meer kan. Maar omdat zijn tekst beter aansluit op wat het systeem zoekt.
Tegelijkertijd leest de Skills Cloud aan de andere kant diezelfde geoptimaliseerde teksten. Hij detecteert competenties, plakt labels, en bouwt een vaardighedenprofiel op. Dat profiel belandt in je talentmanagementsysteem als feit. Terwijl het in werkelijkheid het product is van twee AI-systemen die op elkaar hebben gereageerd — en van geen van beiden weet je hoe betrouwbaar de output is.
Dit is geen uitzondering. Het is het nieuwe normaal. Naarmate meer medewerkers leren hoe het spel werkt, wordt de kloof tussen profielkwaliteit en daadwerkelijke bekwaamheid alleen maar groter. Als een medewerker daarna vraagt waarom hij is gepasseerd, is het eerlijke antwoord: het systeem heeft dat bepaald. Dat is geen uitleg. Dat is een black box met een fundament dat drijfzand is.
Skill Soup: ruis die zichzelf versterkt
Dit is de kern van wat de Skill Soup genoemd wordt. Niet één verkeerd label. Niet één fout in het systeem. Maar een structurele vervuiling van je talentdata, waarbij het onderscheid tussen bewezen competentie en goed geformuleerde bewering langzaam verdwijnt.
En Skill Soup versterkt zichzelf. Een medewerker met een sterk geoptimaliseerd profiel in zijn (AI-)cv wordt vaker uitgenodigd voor interne vacatures, maakt meer kans, krijgt meer ontwikkelkansen. Zijn data in het talentmanagementsysteem wordt rijker en consistenter. Het systeem traint op die rijkere data en leert: dit soort profielen werkt. Intussen raakt de medewerker die gewoon goed werk levert maar zijn profiel niet onderhoudt, verder achterop.
Het systeem meet niet wie het beste is. Het meet wie het spel het beste speelt.
De gevolgen zijn concreet. Interne mobiliteit stokt, omdat de verkeerde mensen bovenaan de shortlist staan. Opleidingsbudgetten worden ingezet op medewerkers met rijke profielen in plaats van op degenen met het meeste leerpotentieel. En bij reorganisaties wordt ‘elders inzetbaar’ bepaald op basis van skill-labels die niemand heeft gevalideerd.
Voor een HR-professional is dat een ongemakkelijke waarheid. Zeker als je weet dat de groepen die dit spel minder goed kennen — mensen die terugkeren na verlof, oudere medewerkers, mensen die van buiten de sector instromen — daardoor stelselmatig worden benadeeld. Niet door opzet. Door architectuur.
Onder de AVG heeft iedere medewerker het recht op een begrijpelijke uitleg bij beslissingen die hem raken — en een outputlijst uit een Skills Cloud is dat niet. Het is een uitkomst zonder redenering. Precies dat maakt Skill Soup niet alleen een kwaliteitsprobleem, maar ook juridisch steeds kwetsbaarder terrein.
Psychometrie maakt het weer uitlegbaar
De oplossing zit niet in een slimmere Skills Cloud of meer data. Meer data van dezelfde slechte kwaliteit schaalt het probleem alleen op. Wat ontbreekt is een validatielaag: iets dat niet afhankelijk is van hoe iemand zichzelf presenteert, maar van wat wetenschappelijk meetbaar is.
Dat is psychometrie. Psychometrisch onderzoek meet de stabiele eigenschappen van een persoon: cognitief vermogen, gedragskenmerken, motivatie. Die zijn niet te optimaliseren met de juiste trefwoorden. Ze veranderen niet als iemand zijn profiel bijwerkt. En ze zijn wetenschappelijk gevalideerd als voorspellers van werkprestatie — iets wat van geen enkel skill-label in een Skills Cloud gezegd kan worden.
Een psychometrisch verankerd talentmanagementsysteem stelt een andere vraag dan een Skills Cloud. Niet: ‘Wat staat er in dit profiel?’ Maar: ‘Wat weten we over deze persoon dat onafhankelijk is van hoe hij zichzelf presenteert?’ Dat is een fundamenteel betrouwbaardere basis voor beslissingen over selectie, mobiliteit en ontwikkeling.
Hoe je psychometrie en skills-data concreet aan elkaar koppelt, lees je in het Unified Talent Schema.
En cruciaal: een beslissing op basis van een psychometrisch profiel heeft een redenering. Die kun je aan de medewerker laten zien. Aan de OR uitleggen. Die houdt stand als iemand erom vraagt. Dat is precies wat een Skill Soup-beslissing niet kan.
Wat kun jij nu al doen als HR-professional?
Je kunt de AI-cv-revolutie niet terugdraaien. Maar je kunt wél bepalen hoe je ermee omgaat in je eigen proces.
Behandel een cv niet langer als bewijs van wat iemand kan, maar als startpunt. Wat er op papier staat — of door AI is gegenereerd — vertelt je nog niets over wat iemand werkelijk in huis heeft. Een assessment wel. Dat meet onafhankelijk van het profiel wat iemand kan en hoe iemand in elkaar zit. En het geeft je precies de aanknopingspunten om in het gesprek gericht door te vragen.
Die combinatie is geen luxe. Het is de enige manier om een gepolijst profiel te toetsen aan de werkelijkheid.
Zorg ook dat je collega’s en hiring managers dezelfde omslag maken. De neiging om een strak AI-cv te verwarren met een sterke kandidaat is begrijpelijk, maar gevaarlijk. Jij bent degene die de selectiecriteria bewaakt — en die uitlegt waarom het cv pas het begin is van de beoordeling, niet het einde.
En als je dat doet — als je selecteert op basis van wat mensen echt kunnen in plaats van op wat ze hebben geschreven of laten schrijven — dan ben je precies de HR-professional die je zou moeten zijn. Eén die eerlijke kansen creëert, betere beslissingen neemt, en die elke keuze kan uitleggen. Aan de kandidaat die werd afgewezen. Aan de manager die twijfelt. En aan de medewerker die terecht vraagt: waarom?
Dit is het tweede deel in onze reeks over het Skill Soup-probleem. In het vorige deel beschreven we waarom een Skills Cloud beweringen meet, geen competenties. In het volgende deel laten we zien waarom psychometrie de basis vormt voor betrouwbare talentdata.
Wil je weten hoe je Skill Soup structureel aanpakt?
Lees de whitepaper Hoe lossen we het Skill Soup probleem op?
Of neem contact op.
Alles weten over online assessments?
Download ons gratis e-book: we leggen je alles uit over assessment software en talentmanagement.
