Een recruitmentteam dat AI inzet zonder scherp databeleid, neemt onnodig risico. Niet alleen op privacygebied, maar ook op bias, slechte besluitvorming en lastig uitlegbare afwijzingen. De echte vraag is dus niet alleen welke data mag recruitment AI verwerken, maar vooral: welke data heb je écht nodig om kandidaten objectief en verdedigbaar te beoordelen?
Daar begint volwassen AI-gebruik in hiring. Niet met zoveel mogelijk data verzamelen, maar met doelbinding, proportionaliteit en relevantie voor de functie. Stop met gokken, ook als het om data gaat.
Welke data mag recruitment AI verwerken onder de AVG?
Het korte antwoord: recruitment AI mag alleen persoonsgegevens verwerken als daar een geldige grondslag voor is, het doel duidelijk is en de verwerking noodzakelijk is voor dat doel. In de praktijk betekent dit dat je als werkgever of verwerker heel scherp moet zijn op wat je gebruikt in screening, matching of assessment.
Voor recruitment zijn gewone persoonsgegevens vaak wel verdedigbaar, zolang ze direct relevant zijn voor de beoordeling van geschiktheid. Denk aan naam, contactgegevens, werkervaring, opleiding, vaardigheden, beschikbaarheid en assessmentresultaten. Ook informatie uit motivatiebrieven, antwoorden op gerichte selectievragen en gestructureerde evaluaties kan toegestaan zijn, mits die informatie nodig is om kandidaten te vergelijken op vooraf bepaalde criteria.
Maar toegestaan is niet hetzelfde als vrijblijvend. Als je AI-model meer data opslokt dan nodig is, bijvoorbeeld complete socialmediaprofielen, irrelevante persoonlijke details of historische notities zonder duidelijke functiegerelateerde waarde, begeef je je snel op glad ijs. De AVG beloont precisie, niet dataverzamelwoede.
Niet alles wat beschikbaar is, mag je gebruiken
Veel teams verwarren publieke beschikbaarheid met juridische bruikbaarheid. Een kandidaat heeft misschien informatie online staan, maar dat betekent niet automatisch dat recruitment AI die data mag scrapen, analyseren of meewegen in een selectieadvies.
Juist hier gaat het vaak mis. Foto's, posts op sociale media, politieke meningen, persoonlijke interesses of privégedrag leveren zelden een legitieme en proportionele basis op voor screening. Nog problematischer wordt het als AI daar patronen uit afleidt die vervolgens invloed hebben op wie doorgaat naar de volgende ronde.
Dat is niet alleen een privacykwestie. Het raakt ook aan eerlijkheid, uitlegbaarheid en non-discriminatie. Als je niet helder kunt uitleggen waarom een bepaald datapunt relevant is voor succes in de rol, hoort het meestal niet thuis in je model.
Bijzondere persoonsgegevens zijn in recruitment meestal een no-go
De strengste categorie onder de AVG is die van bijzondere persoonsgegevens. Denk aan gegevens over gezondheid, ras of etnische afkomst, religie, politieke opvattingen, seksuele gerichtheid of lidmaatschap van een vakbond. In recruitment is de ruimte om deze data te verwerken zeer beperkt.
Voor de meeste AI-toepassingen in werving geldt simpelweg: niet doen. Niet direct, maar ook niet indirect. Een model dat bijvoorbeeld taalgebruik, naam, woonplaats of foto gebruikt, kan alsnog gevoelige kenmerken afleiden. En juist dat afleiden kan juridisch en ethisch net zo problematisch zijn als het expliciet verwerken van die gegevens.
Er zijn uitzonderingen, bijvoorbeeld wanneer wetgeving een specifieke verwerking vereist of toestaat, maar dat is geen standaardgrond voor recruitment automation. Wie een AI-systeem inzet, moet dus niet alleen kijken naar welke invoer erin gaat, maar ook welke gevoelige signalen eruit afgeleid kunnen worden.
Welke data is wél verdedigbaar?
De sterkste basis ligt bij data die direct samenhangt met geschiktheid voor de functie. Dat vraagt om een simpele discipline: eerst bepalen wat succes in de rol betekent, daarna pas kiezen welke data je daarvoor nodig hebt.
Voor kenniswerkers zijn dat vaak gegevens over relevante ervaring, domeinkennis, cognitieve vaardigheden, communicatie, probleemoplossend vermogen en gedragsindicatoren die aantoonbaar samenhangen met performance. Ook gestructureerde antwoorden op functiegerichte vragen of gevalideerde assessments kunnen verdedigbaar zijn, mits ze consistent worden toegepast en niet verder gaan dan nodig.
Dat is precies het verschil tussen willekeurige screening en evidence-based selectie. Je gebruikt geen data omdat die beschikbaar is, maar omdat die iets zegt over kans op succes in de rol. Dat maakt je proces niet alleen sterker onder de AVG, maar ook beter voor shortlistkwaliteit.
Grondslag: toestemming is zelden je sterkste optie
In recruitment wordt vaak te snel naar toestemming gewezen. Dat klinkt veilig, maar in de arbeidsrelatie en ook in sollicitatiecontext is toestemming vaak niet de meest solide juridische basis. De machtsverhouding speelt mee. Kandidaten kunnen zich onder druk gezet voelen om akkoord te geven.
Vaker wordt gekeken naar gerechtvaardigd belang of precontractuele noodzaak, afhankelijk van de verwerking. Maar welke grondslag je ook kiest, je moet die kunnen onderbouwen. Waarom is deze verwerking nodig? Waarom is dit middel proportioneel? En waarom weegt jouw belang op tegen de privacy-impact voor de kandidaat?
Daar hoort ook een belangenafweging bij. Als dezelfde selectie-uitkomst bereikt kan worden met minder ingrijpende data, dan is dat meestal de route die je moet kiezen.
Geautomatiseerde besluitvorming vraagt extra voorzichtigheid
Een AI-tool die alleen ondersteunt, is iets anders dan een systeem dat kandidaten automatisch uitsluit. Zodra sprake is van geautomatiseerde besluitvorming met rechtsgevolgen of vergelijkbare significante impact, kom je in een veel zwaarder juridisch speelveld terecht.
Bij recruitment is die impact al snel significant. Niet doorgaan in een procedure kan reële gevolgen hebben voor iemands kansen op werk. Daarom moet je voorkomen dat AI als black box de deur dichtgooit zonder menselijke tussenkomst, context of mogelijkheid tot herbeoordeling.
De beste praktijk is helder: laat AI structureren, signaleren en prioriteren, maar borg altijd betekenisvolle menselijke controle. Niet als symbolische handtekening achteraf, maar als echte toets op uitkomsten, logica en uitzonderingen.
Transparantie naar kandidaten is geen formaliteit
Kandidaten hoeven geen technisch handboek te krijgen, maar ze moeten wel begrijpen dat AI wordt ingezet, voor welk doel, welke categorieën data worden gebruikt en wat dat betekent voor de beoordeling. Heldere informatie vooraf voorkomt wantrouwen achteraf.
Die transparantie moet concreet zijn. Geen vage formuleringen over innovatieve technologie, maar duidelijke taal over screening, assessment, datagebruik, bewaartermijnen en rechten van kandidaten. Zeker als je werkt met externe technologiepartners of modellen die scores, rangordes of voorspellingen genereren.
Wie dit goed regelt, wint niet alleen juridisch terrein. Je bouwt vertrouwen op in een proces dat voor kandidaten vaak al spannend genoeg is.
De rol van de EU AI Act verandert de lat
Naast de AVG schuift ook de EU AI Act naar voren als harde realiteit. AI voor werkgelegenheid, werving en selectie wordt daarin gezien als hoog-risico. Dat betekent dat de discussie niet stopt bij privacy. Je moet ook kunnen aantonen dat het systeem passend wordt beheerd, getest, gemonitord en gedocumenteerd.
Voor hiring teams is dat een belangrijk signaal. Compliance is geen add-on meer na procurement. Het hoort in de keuze van je tooling, je inrichting van het proces en je controle op uitkomsten. Als een leverancier niet duidelijk kan maken welke data het systeem verwerkt, hoe bias wordt beperkt en hoe menselijke controle is ingericht, heb je een probleem voordat je live gaat.
Dat is ook waarom platforms zoals We Are Over The Moon niet alleen op snelheid en shortlistkwaliteit moeten worden beoordeeld, maar juist ook op uitlegbaarheid, dataminimalisatie en regulatoire discipline.
Praktische vuistregel voor hiring teams
Als je wilt toetsen of een datapunt in recruitment AI thuishoort, stel dan vier vragen. Is het relevant voor succes in de rol? Is het noodzakelijk voor de beoordeling? Is het uitlegbaar aan de kandidaat? En vergroot het de kans op eerlijke, consistente selectie in plaats van verborgen ruis?
Als het antwoord op één van die vragen nee is, moet je kritisch worden. Dan is de kans groot dat je data verwerkt omdat het technisch kan, niet omdat het recruitment beter maakt.
Dat onderscheid is beslissend. Goede recruitment AI werkt niet met maximale input, maar met scherpe input. Minder ruis. Meer bewijs. Betere keuzes.
Wat dit betekent voor je selectieproces
De sterkste recruitmentprocessen behandelen data niet als grondstof, maar als bewijsmateriaal. Alleen wat functioneel, proportioneel en verdedigbaar is, hoort in je AI-ondersteunde beoordeling thuis. Alles daarbuiten vergroot vooral je risico.
Voor hiring managers en TA-leads is dat goed nieuws. Je hoeft niet meer data te verzamelen om slimmer te selecteren. Je moet preciezer kiezen. Daar begint betrouwbare AI in recruitment - niet bij technologie op zich, maar bij discipline in wat je wel en niet laat meewegen.
Wie daar nu scherp op stuurt, bouwt een sneller proces dat ook standhoudt als kandidaten, ondernemingsraad, legal of toezichthouder doorvragen.