Je talentmanagementsysteem heeft miljoenen koppelingen. Medewerkers zijn voorzien van labels: projectmanagement, data-analyse, strategische planning. Het systeem straalt overzicht uit.
En toch klopt er iets niet.
Dat gevoel is terecht. Want een Skills Cloud meet geen competenties. Hij meet taalgebruik.
Een label is geen bewijs
Een moderne Skills Cloud is een inferentiemachine. Hij verwerkt cv’s, LinkedInprofielen en functioneringsverslagen. Vervolgens plakt hij skill-labels op mensen. Maar het systeem ziet één cruciaal verschil niet: dat tussen de medewerker die ‘strategische planning’ heeft uitgevoerd en de medewerker die het woord goed in zijn cv heeft gezet.
Dat is geen klein technisch detail. Dat is een fundamenteel probleem.
Sterker nog: nu iedereen zijn cv door AI laat optimaliseren, wordt het sterkste signaal in je talentmanagementsysteem steeds vaker retorisch talent. Niet aantoonbare bekwaamheid. De meest uitgesproken medewerkers komen bovenaan. De stille expert verdwijnt naar de achtergrond.
Dit is wat wij Skill Soup noemen. Een dataset die rijk is aan volume en arm aan waarheid. Geen enkele HR-professional kan er verantwoord op sturen. En toch gebeurt het elke dag: bij interne vacatures, bij opleidingskeuzes, bij reorganisaties. De medewerker die je mist, staat wél in je systeem. Alleen niet op de goede plek.
Het systeem kijkt de verkeerde kant op
Er is nog een blinde vlek in de gemiddelde Skills Cloud. AI is structureel achterwaarts gericht. Het voorspelt de toekomst van een medewerker op basis van zijn verleden. Eerdere functies, eerdere tools, eerdere projecten.
Dat klinkt logisch. Maar het betekent dat carrièreswitchers worden beoordeeld op het vak dat ze achterlaten. Herintreders hebben een ‘gat’ in hun data — het systeem leest dat als gebrek aan competenties, niet als levensloop. Oudere medewerkers dragen verouderde toolnamen in hun profiel en worden daarop afgerekend, ook als ze uitstekend kunnen leren. Meer over hoe bias in AI-talentsystemen deze groepen structureel benadeelt — en wat je eraan kunt doen — lees je in de afsluitende blog van deze reeks.
Dit is geen randgeval. Dit raakt een groot deel van je personeelsbestand.
En het raakt precies de groepen die een eerlijke kans verdienen. Als HR-professional weet jij dat. Maar je talentmanagementsysteem weet het niet. Die kijkt alleen naar wat er al is, en nooit naar wat er kan worden.
De vraag die er in 2026 écht toe doet, is niet: ‘Wat heeft deze medewerker gedaan?’ De vraag is: ‘Hoe snel kan deze medewerker groeien?’ Geen enkele Skills Cloud geeft daar een antwoord op.
Psychometrie als ontbrekende laag
De oplossing zit niet in meer data of een slimmere Skills Cloud. De oplossing zit in validatie.
Een vaardigheidslabel wordt pas waardevol als het verankerd is in iets wat wél meetbaar is: de stabiele eigenschappen van een medewerker. Hoe verwerkt iemand nieuwe informatie? Hoe gaat hij om met onzekerheid? Wil hij zijn competenties inzetten in een nieuwe context? Dat zijn psychometrische vragen. En psychometrie geeft daar wetenschappelijk onderbouwde antwoorden op.
Psychometrisch meten is niet hetzelfde als een leuke persoonlijkheidstest doen. Het gaat om gevalideerde instrumenten met gepubliceerde betrouwbaarheidscijfers. Instrumenten die niet meten hoe goed iemand zichzelf presenteert, maar hoe iemand daadwerkelijk functioneert.
Koppel die psychometrische laag aan je bestaande Skills Cloud, en er verandert iets fundamenteels. Elk skill-label krijgt een betrouwbaarheidsscore. Niet ‘deze medewerker heeft Java op zijn cv staan’, maar ‘op basis van zijn cognitief profiel en gedragskenmerken is de kans groot dat dit label klopt’. Ruis wordt gescheiden van bewezen competentie.
Het resultaat is geen Skills Cloud meer. Het is een psychometrisch verankerde capaciteitsgrafiek. En dát is de basis waarop een HR-professional écht kan sturen.
Wat kun jij nu al doen?
Je hoeft niet te wachten op een nieuw systeem. Er zijn al drie dingen die je morgen kunt doen als HR-professional.
- Behandel de output van je Skills Cloud als een hypothese, niet als een feit. Een label is een startpunt voor een gesprek, niet het eindpunt van een beslissing. Vraag door. Toets het aan wat je zelf weet van de medewerker.
- Stel je leverancier de goede vragen. Welke databronnen voeden het talentmanagementsysteem? Hoe worden skill-labels afgeleid? Wat is de validatie achter de uitkomsten? Als het antwoord vaag blijft, weet je genoeg.
- Pleit intern voor psychometrische validatie. Niet als extra laag bovenop een toch al vol systeem, maar als fundament waarop je Skills Cloud gebouwd zou moeten zijn. Competenties meten begint bij het meten van de mens achter de competentie. Psychometrie is daarvoor het enige instrument dat wetenschappelijk onderbouwd is.
De verschuiving naar een skills-based organisatie is onomkeerbaar. Maar de kwaliteit van die verschuiving hangt af van de data waarop je haar bouwt. Skill Soup leidt tot verkeerde plaatsingen, gemiste kansen en beslissingen die niemand kan uitleggen.
Het kan anders. En jij bent de HR-professional die het verschil maakt.
Dit is het eerste deel in onze reeks over het Skill Soup-probleem. In het volgende deel laten we zien hoe AI-geschreven en AI-gelezen cv’s dit probleem versterken.
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.
