Door Di-Lan Sun

AI wordt nu al veel ingezet bij wervings- en selectieprocedures en de verwachting is dat dit de komende jaren een nog grotere vlucht zal nemen. Het gebruik van AI is efficiënt en kan kosten besparen. Maar algoritmes kunnen ook onbewuste vooroordelen in de hand werken. Voor werkgevers kan dat betekenen dat ze geschikte kandidaten mislopen. Daarnaast ontneemt het HR-professionals de kans werk te maken van een diverser personeelsbestand. 

Er zijn duidelijke regels nodig voor algoritmes in het recruitmentproces

AI maakt gebruik van algoritmes; formules die instructies bevatten waarmee computers zelfstandig beslissingen kunnen nemen of voorspellingen doen. Die algoritmes worden ingezet om sollicitatiebrieven te scannen, maar ook om kandidaten te screenen door middel van video-analyse. Mensen denken vaak dat algoritmes neutrale beslissingen nemen. Het opstellen van die formules is echter mensenwerk. 

En vaak wordt gebruik gemaakt van bestaande data waar vooringenomenheid in zit. “Dat kan de neutraliteit van algoritmes beïnvloeden”, zegt Suzan Steeman, coördinator Redactie en Expert Arbeidsmarkt bij WOMEN Inc. Ze werkte mee aan een verkennend onderzoek dat de belangenorganisatie die emancipatie versneld deed naar de kansen en risico’s van AI bij het wervings- en selectieproces. 

Algoritmes vellen geen oordeel

WOMEN Inc. is zeker niet tegen het gebruik van AI in het wervings- en selectieproces. “Algoritmes kunnen in theorie beter dan een mens een objectief oordeel vellen”, legt Steeman uit. “Algoritmes zullen geen oordeel vellen over het feit of er wel of geen klik is met een sollicitant. Maar ze dienen dan wel met neutrale data te worden aangestuurd.” 

En dat is volgens de onderzoekers een zaak waarbij alle betrokkenen hun verantwoordelijkheid horen te nemen. Werkgevers moeten voor zichzelf bedenken hoe ze vorm willen geven aan een divers personeelsbestand. Ook zouden HR-professionals veel meer betrokken moeten zijn bij het opstellen van data voor algoritmes. Volgens Steeman is er meer contact wenselijk tussen AI-ontwerpers en HR-teams. “Je neemt de verantwoordelijkheid samen”, stelt ze.

Sollicitatiebrieven beoordelen

Verder zijn duidelijke regels nodig waaraan algoritmes in het recruitmentproces moeten voldoen. Als voorbeeld noemt Steeman het gebruik van historische data om sollicitatiebrieven te beoordelen. “Bedrijven kunnen daarvoor de brieven gebruiken van werknemers die in het verleden zijn aangenomen. Het algoritme leert zichzelf aan wat de onderscheidende factoren zijn om kandidaten te selecteren”, zegt ze. 

Het algoritme weet niet of de brieven door mannen of vrouwen geschreven zijn. Maar volgens Steeman wordt er geen rekening mee gehouden dat mannen en vrouwen een ander taalgebruik hebben. “Zijn er in het verleden meer mannen aangenomen, dan zal hun taalgebruik gekoppeld worden aan een positieve beoordeling.” Alleen al uit dit voorbeeld blijkt volgens Steeman dat onbewuste vooroordelen heel makkelijk in algoritmes kunnen sluipen. 

Korte achternamen

Steeman geeft een ander voorbeeld waarbij AI werd beïnvloed door bias in bestaande data. Een bedrijf liet de algoritmes vullen met gegevens uit het personeelsbestand, waaronder de achternamen. Die waren gemiddeld vrij kort. Dit kenmerk was totaal niet relevant voor de functie, maar sloot bij voorbaat al een hoop kandidaten uit, alleen al om hun achternaam. “Door op deze manier met AI om te gaan, loop je het risico je personeelsbestand te kopiëren”, zegt Steeman. 

Voor werkgevers betekent dit dat in potentie geschikte kandidaten buiten beschouwing blijven

“Dat kan ertoe bijdragen dat bepaalde groepen, zoals vrouwen of mensen met een lichamelijke beperking, op de arbeidsmarkt een achterstand blijven houden en diversiteit op de werkvloer steeds verder uit het zicht raakt.” Voor werkgevers betekent dit dat in potentie geschikte kandidaten buiten beschouwing blijven en vacatures lastiger te vervullen zijn.

“De inzet van AI bij werving en selectie staat eigenlijk nog in de kinderschoenen maar biedt veel kansen”, concludeert Steeman. Het onderzoek van WOMEN Inc. is volgens haar dan ook een verkenning. Het is nu zaak om de volgende stap te zetten, samen met organisaties, overheid, experts en werkgevers. “Misschien zijn er bedrijven die al verder zijn met de implementatie”, denkt Steeman. “Daar kunnen anderen weer van leren.” 

Nieuwe benadering

Ook het uitwisselen en delen van datasets is een mogelijkheid die ze wil onderzoeken. Daar zitten vanwege de privacywet wel enkele haken en ogen aan. Steeman hoopt dat daar een oplossing voor komt, mogelijk met hulp van de overheid. Het gebruik van algoritmes is volgens haar een belangrijk onderdeel van een nieuwe benadering rond inclusieve werving en selectie i