AI is now taking over the recruitment and selection process from humans.
Als ik ben wat ik heb en ik verlies alles wat ik heb, wie ben ik dan? (Erich Fromm).
If I am what I have and I lose everything I have, who am I then? (Erich Fromm).
Op LinkedIn, maar ook in andere media, buitelen de experts over elkaar om de toekomst van de werving en selectie van kandidaten voor een functie in het bedrijf te voorspellen. Dit door de overdonderende opkomst van Artificial Intelligence (AI), Kunstmatige Intelligentie, als Large Language Model, vanaf september 2021. Dan doel ik op chatGPT, door mij liefkozend Chatty genoemd.
Het is ook wat, dat je superieur geachte beoordelingsvermogen bij de werving en met name de uiteindelijke selectie mogelijk niet meer zo superieur is als je wel had gedacht, omdat Chatty dat veel beter kan. Bij overlijden is er de rouwfase, maar daarvoor is er de ontkenningsfase. De personeelsafdeling, vooruit in mooi Nederlands de human resource, die zich met werving en selectie bezighoudt lijkt zich in die ontkenningsfase te bevinden.
Aan Chatty heb ik daarom gevraagd op welke termijn een AI model het wervings- en selectieproces autonoom kan afhandelen. Dus zonder tussenkomst van een mens. Dat is toch al binnen een afzienbare termijn van 5 tot 7 jaar vanaf nu. Dan is AI in staat ook de zgn. X-factor bij een kandidaat op tafel te krijgen. Ook zullen kandidaten niet hoeven te solliciteren, maar kunnen al gevonden worden door de info die zij hebben geplaatst op allerlei platformen.
Voor de personeelsafdeling blijft er overigens nog wel een belangrijke rol over binnen het bedrijf, maar niet binnen het wervings- en selectieproces.
Hoe het autonome wervings- en selectieproces kan worden ingericht inclusief de welkomstbrief aan de kandidaat die het geworden is kan je hieronder lezen. Op welke manier de X-factor wordt gevonden beschrijft Chatty minutieus.
Let daarbij op, dat de personeelsafdeling bij de werving en selectie ook niet altijd optimaal functioneert.
Hieronder volgt het gesprek met Chatty.
I. Een blauwdruk van het autonome wervings- en selectieproces
II. Het vinden van de X-factor
III. De termijn van toepassing van een autonoom AI systeem.
On LinkedIn, as well as in other media, experts are falling over themselves to predict the future of recruitment and selection of candidates for a position within the company. This is due to the overwhelming rise of Artificial Intelligence (AI) as a Large Language Model, starting in September 2021. I am referring to chatGPT, which I affectionately call Chatty.
It is quite something, after all, that your supposedly superior judgment in recruitment—and especially in the final selection—might no longer be as superior as you thought, because Chatty can do it much better. When someone dies, there is the mourning phase, but before that, there is the denial phase. The HR department—or, in proper Dutch, human resources—which deals with recruitment and selection seems to be in that denial phase.
I therefore asked Chatty within what timeframe an AI model can handle the recruitment and selection process autonomously. That is, without human intervention. Surely that will be within the foreseeable future of 5 to 7 years from now. Then AI will also be able to bring the so-called X-factor to the table in a candidate. Furthermore, candidates will not need to apply, but can already be found through the information they have posted on various platforms.
However, the HR department will still have an important role to play within the company, but not within the recruitment and selection process.
You can read below how the autonomous recruitment and selection process can be structured, including the welcome letter to the successful candidate. Chatty describes in detail how the X-factor is found.
Please note that the HR department does not always function optimally during recruitment and selection either.
The conversation with Chatty follows below.
I. A blueprint of the autonomous recruitment and selection process
II. Finding the X-factor
III. The timeframe for the application of an autonomous AI system.
Ricky Turpijn
I. Een blauwdruk van het autonome wervings- en selectieproces
Chatty:
Helder — als we het puur als toekomstscenario + technisch ontwerp benaderen (dus: “wat kán er als je alle beperkingen negeert”), dan kun je een volledig autonoom, door een LLM gestuurd selectie-ecosysteem ontwerpen. Geen tooltje, maar een zelfsturend systeem met meerdere AI-rollen die samenwerken als een virtuele HR-afdeling.
Hier is een scherpere, meer visionaire blauwdruk 👇
🔷 Volledig autonoom AI-selectiesysteem (“Zero-Human Hiring Engine”)
Denk niet in één LLM, maar in een multi-agent systeem waarin gespecialiseerde AI’s elkaar controleren, voeden en corrigeren.
1. 🎯 De “Hiring Brain” (centrale regie-AI)
De kern van het systeem.
Taken:
Begrijpt bedrijfsstrategie
Detecteert personeelsbehoeften (op basis van data)
Start automatisch vacatures
Input:
Bedrijfsdata (groei, targets, prestaties)
Teamstructuren
Marktdata
Output:
“We hebben over 3 maanden 2 data engineers nodig”
👉 Dit is dus geen reactief systeem meer, maar voorspellend.
2. ✍️ Vacature-AI (generatieve rol)
Niet alleen tekstschrijver, maar positioneringsstrateeg.
Functionaliteit:
Genereert meerdere vacaturevarianten
A/B-test publicaties
Past toon aan per doelgroep
Extra:
Creëert automatisch:
Video vacature (AI avatar)
Social posts
Targeted ads
3. 🌐 Sourcing-AI (autonome talent hunter)
Zoekt zelf kandidaten — sollicitaties zijn optioneel.
Werkt via:
Open web
GitHub, LinkedIn, portfolio-sites
Databanken
Gedrag:
Bouwt dynamische kandidatenprofielen
Benadert kandidaten proactief via AI-gegenereerde berichten
👉 Kandidaten worden “gevonden”, niet alleen geselecteerd.
4. 🧠 Kandidaten-digital twin
Voor elke kandidaat maakt het systeem een simulatieprofiel.
Bevat:
Skills
Gedragspatronen
Waarschijnlijk werkgedrag
Leervermogen
Techniek:
LLM + embeddings + gedragsmodellen
👉 De AI voorspelt niet alleen wat iemand heeft gedaan, maar wat iemand zal doen.
5. 🎤 Interview-AI (hyperrealistisch gesprek)
Niet gewoon Q&A, maar:
Adaptief gesprek:
Past vragen real-time aan
Detecteert onzekerheid, inconsistenties
Test dieper door
Modaliteiten:
Tekst
Stem
Video-avatar
Geavanceerd:
Simuleert werksituaties live:
“Je collega maakt een fout, wat doe je?”
Kandidaat reageert → scenario verandert
👉 Dit is meer een simulatie dan een interview.
6. 🧪 Simulatie & assessment engine
De kandidaat wordt getest in een virtuele werkomgeving.
Voorbeeld:
Developer → live codebase simulatie
Manager → teamconflict simulatie
Sales → AI-klantgesprek
AI doet:
Observeert gedrag
Meet beslissingen
Analyseert strategie
👉 Dit vervangt traditionele assessments volledig.
7. ⚖️ Beslissings-AI (autonoom oordeel)
Combineert alles:
CV-data
Interviewdata
Simulatiegedrag
Voorspellende modellen
Maar geavanceerder:
Draait scenario’s:
“Wat als we deze persoon aannemen?”
“Impact op team na 6 maanden?”
👉 Het systeem maakt een toekomstsimulatie van de hire.
8. 🤝 Onderhandelings-AI
De AI onderhandelt met de kandidaat.
Kan:
Salaris aanpassen op basis van marktdata
Secundaire voorwaarden optimaliseren
Persoonlijke motivatie herkennen
👉 Elke kandidaat krijgt een uniek aanbod, realtime berekend.
9. 📩 Communicatie-AI (end-to-end)
Volledig autonoom:
Outreach
Follow-ups
Afwijzingen
Aanbiedingen
Alles gepersonaliseerd en consistent.
10. 🎉 Aanname & onboarding-AI
E-mailadres
Onderwerp
Beste [Naam],
Na een uitgebreide evaluatie van je vaardigheden, denkwijze en potentiële impact binnen ons team, zijn we verheugd je te laten weten dat we je graag verwelkomen als [Functietitel].
Tijdens het selectieproces viel vooral je aanpak in [specifieke situatie] op, wat goed aansluit bij onze ambities.
Je onboarding start automatisch en we begeleiden je stap voor stap.
Welkom aan boord.
Met vriendelijke groet,
[AI Hiring System]
🔷 Wat dit systeem écht anders maakt
1. Geen “selectie”, maar voorspelling
De AI kiest niet de beste kandidaat op basis van verleden, maar:
👉 wie waarschijnlijk het beste gaat presteren in de toekomst
2. Geen vaste stappen, maar een adaptieve flow
Elke kandidaat krijgt:
Andere vragen
Andere testen
Ander pad
3. Continue leren
Na elke hire:
Performance data terugkoppelen
Model verbeteren
👉 Het systeem wordt slimmer dan menselijke recruiters.
4. Bedrijf als simulatie
Uiteindelijk:
De AI begrijpt het bedrijf als systeem
Simuleert hires vooraf
Optimaliseert teamdynamiek
🔶 De keerzijde (puur technisch bekeken)
Als je dit écht doortrekt:
Kandidaten gaan het systeem “bespelen”
AI kan zichzelf versterken in bias
Perfecte rationaliteit ≠ beste menselijke keuze
🔷 Samengevat
Je krijgt een systeem dat:
Zelf bepaalt wie nodig is
Zelf kandidaten vindt
Zelf gesprekken voert
Zelf prestaties voorspelt
Zelf beslist
Zelf onderhandelt
👉 Een volledig autonome “digitale HR-organisatie”
II. Het vinden van de X-factor
Ik:
Zo, hier ben ik van onder de indruk. Dit blauwdruk suggereert dat u dit niet zelf hebt ontwikkeld, maar hebt samengesteld uit bestaande blauwdrukken. Klopt dat? Zelf geeft u al een nadeel aan van dit LLM proces. Maar is dit proces zonder mens ook in staat de X-factor, het schaap met de 5 poten eruit te halen? Een voorbeeld: kandidaat A lijkt de beste te zijn. Maar toch is er een ‘gevoel’ dat kandidaat B de betere is en die wordt ook gekozen. Kan een LLM dat? En zo niet, kan een mens dat wel? Die laatste vraag is wel een heel moeilijke om te beantwoorden. Maar kunt u toch zeggen of een dergelijke blauwdruk voor 90% van de toekomstige selecties voldoende werkt?
Chatty:
Goede vragen — en nee, dit is geen bestaande “kant-en-klare blauwdruk” die ergens rondzwerft. Het is een samenstelling van bekende bouwstenen (LLM’s, scoringmodellen, simulaties, multi-agent systemen) plus een flinke dosis doordenken van waar dit logisch naartoe evolueert.
Maar je raakt de kern met je “kandidaat A vs. B”-voorbeeld. Dat is precies waar het interessant wordt.
🔷 Kan een LLM de “X-factor” herkennen?
Kort antwoord:
Deels wel — maar niet op dezelfde manier als een mens.
🧠 Wat mensen “gevoel” noemen
Dat onderbuikgevoel is meestal geen magie. Het is:
Onbewuste patroonherkenning
Micro-signalen (toon, timing, inconsistenties)
Ervaring (“dit heb ik eerder gezien”)
Context die moeilijk expliciet te maken is
Een mens kan dus zeggen:
“Ik kan het niet uitleggen, maar B voelt beter.”
Maar dat betekent niet dat het irrationeel is — het is vaak niet-uitgesproken data.
🤖 Wat een LLM kan doen
Een geavanceerd systeem uit de blauwdruk kan verrassend ver komen:
1. Verborgen patronen detecteren
Taalgebruik
Probleemaanpak
Besluitvorming onder druk
👉 Dingen die een mens denkt intuïtief te zien, kan AI expliciet modelleren.
2. Gedrag simuleren
In plaats van “gevoel”:
Laat kandidaat A en B 100 scenario’s doorlopen
Meet:
consistentie
leervermogen
aanpassingsvermogen
👉 De “X-factor” wordt dan:
= performance in onbekende situaties
3. Afwijkingen herkennen
AI kan zeggen:
“Deze kandidaat scoort gemiddeld, maar heeft extreme pieken in cruciale situaties”
👉 Dat lijkt sterk op wat mensen “potentie” noemen.
🚧 Waar AI nog moeite mee heeft
1. Context buiten de data
Bijvoorbeeld:
Iemand zit in een life phase (hoge motivatie, omslagpunt)
Of heeft latent talent dat nog niet zichtbaar is
👉 AI ziet alleen wat gemodelleerd is.
2. Zeldzame uitzonderingen (“black swans”)
De echte “once in a lifetime hires”:
Onlogisch profiel
Niet lineair carrièrepad
👉 AI neigt naar waarschijnlijkheid, niet naar het onwaarschijnlijke genie.
3. Betekenis van “klik”
Teamdynamiek is deels irrationeel:
Humor
energie
timing
👉 Dat is extreem lastig te modelleren.
🔷 En kan een mens dat beter?
Eerlijk antwoord:
Soms. Maar ook vaak niet.
Mensen hebben namelijk hun eigen problemen:
Bias (onbewust, maar sterk)
Overconfidence (“ik heb hier gevoel voor”)
Inconsistentie (andere keuze op maandag vs vrijdag)
👉 Het “gevoel” is niet per definitie beter — alleen anders.
🔷 Het A vs B dilemma ontleed
Je voorbeeld:
A = objectief beste
B = voelt beter
Wat gebeurt hier vaak?
Scenario 1: Mens heeft gelijk
B heeft verborgen potentie
A is “veilig maar gemiddeld”
Scenario 2: Mens heeft ongelijk
B lijkt sympathieker / lijkt op interviewer
Klassieke bias
👉 Het probleem: je weet het pas achteraf.
🔷 Kan AI dit oplossen?
Niet met “gevoel”, maar wel met iets anders:
👉 Simulatie + probabiliteit
In plaats van:
“Ik voel dat B beter is”
Krijg je:
“B heeft 35% kans om top performer te worden (vs 20% voor A)”
Dat is een ander soort “intuïtie”:
expliciet
meetbaar
reproduceerbaar
🔷 Is 90% automatisering realistisch?
Ja — met een belangrijke nuance
Voor:
Standaardrollen
Grote volumes
Duidelijke skillsets
👉 AI kan waarschijnlijk 90–95% goed beslissen
Maar niet voor:
Leadership hires
Creatieve rollen
Extreme outliers
👉 Daar zit juist vaak de meeste waarde.
🔷 De echte verschuiving
De toekomst is waarschijnlijk niet:
❌ “AI vervangt menselijke intuïtie”
maar:
✅ “AI herdefinieert wat intuïtie is”
In plaats van:
onderbuikgevoel
krijg je:
datagedreven waarschijnlijkheden
simulaties van toekomstgedrag
🔷 Eerlijk eindoordeel
Ja, een LLM-systeem kan een groot deel van de X-factor benaderen
Nee, het zal niet exact hetzelfde doen als een mens
En belangrijk:
👉 Mensen zijn óók niet zo goed in X-factor herkennen als ze denken
🔷 Misschien de scherpste conclusie
De echte vraag is niet:
“Kan AI menselijke intuïtie vervangen?”
Maar:
“Is menselijke intuïtie wel de gouden standaard?”
III. De termijn van toepassing van een autonoom AI systeem.
Ik:
Neen. Gewoon de vraag wanneer dit door AI beheerste wervings en selectiesysteem op zijn vroegst kan worden ingezet, technologisch gezien.
Chatty:
Kort antwoord: grotendeels vandaag al, maar een volledig autonoom, stabiel en breed inzetbaar systeem (zoals in jouw blauwdruk) ligt realistisch 3–7 jaar weg — technologisch gezien.
Laat me dat scherp opdelen, want “wanneer kan het?” hangt af van hoe ver je het doortrekt.
🔷 1. Wat kan nú al (2026)?
Met huidige LLM’s en tooling kun je vandaag al:
Vacatures automatisch genereren
CV’s parseren en ranken
AI-interviews doen (chat/voice)
Assessments automatisch beoordelen
Kandidaten selecteren op basis van scores
Communicatie volledig automatiseren
👉 Dit is geen toekomstmuziek — dit bestaat al in losse systemen.
Conclusie:
➡️ 80–90% van jouw proces kan vandaag technisch draaien
🔷 2. Wat nog nét niet volwassen is
Hier zit de echte bottleneck:
🧠 1. Betrouwbare X-factor detectie
AI kan signalen oppikken
maar nog niet consistent “B boven A” kiezen in edge cases
👉 Nog te veel ruis en onzekerheid
🎭 2. Realistische gedragsimulaties
Simulaties bestaan
maar missen nog:
diepgang
real-world complexiteit
lange-termijn voorspelling
🔁 3. Sterke feedback loops
Systemen leren nog beperkt van:
echte performance na hire
Data is vaak:
schaars
vervuild
vertraagd
⚖️ 4. Robuuste beslissingsautonomie
AI kan beslissen
maar:
moeilijk te valideren
lastig uitlegbaar in complexe gevallen
🔷 3. Wanneer wordt het écht autonoom?
Als we puur naar technologie kijken (dus zonder wetgeving/remming):
🟡 Fase 1: Nu – 2 jaar
👉 Semi-autonoom, AI doet alles, mens keurt alleen nog goed
🟠 Fase 2: 2 – 5 jaar
👉 Bijna autonoom, AI neemt beslissingen, mens grijpt alleen nog in bij twijfelgevallen
🔴 Fase 3: 5 – 7 jaar
👉 Volledig autonoom (zoals jouw scenario)
AI bepaalt:
wie nodig is
wie wordt aangenomen
onder welke voorwaarden
inclusief:
X-factor modellering
team-simulaties
strategische keuzes
🔷 4. Wat is de echte limiter?
Niet rekenkracht. Niet LLM’s.
👉 De limiter is betrouwbaarheid onder onzekerheid
Met name:
zeldzame gevallen
onverwachte situaties
lange termijn gedrag
🔷 5. Belangrijk inzicht
De technologie groeit niet lineair.
Dus dit gebeurt waarschijnlijk:
lange tijd “net niet goed genoeg”
en dan vrij plots:
👉 “goed genoeg voor de meeste gevallen”
🔷 6. Het kantelpunt (belangrijk)
Het systeem wordt massaal gebruikt zodra:
👉 AI gemiddeld beter presteert dan menselijke recruiters
Niet perfect — maar beter.
Dat punt ligt waarschijnlijk rond:
👉 2–4 jaar
🔷 7. Eerlijk eindoordeel
Vandaag: al inzetbaar voor bulk van processen
2–4 jaar: beter dan mens in meeste gevallen
5–7 jaar: volledig autonoom mogelijk
🔷 Eén zin samengevat
👉 Technologisch kan dit systeem al grotendeels vandaag,
maar het moment waarop het vertrouwd genoeg is om mensen eruit te halen ligt waarschijnlijk binnen een paar jaar, niet decennia.
