Je overweegt een AI-detector toe te voegen aan je wervingsproces. Een tool die cv’s markeert die met ChatGPT zijn geschreven, voordat je team ze leest. Dat klinkt efficiënt. Het klinkt als het verantwoorde om te doen.
Het echte risico is niet dat AI-gegenereerde cv’s door de mazen glippen, maar dat gekwalificeerde kandidaten worden afgewezen omdat een detector er naast zat.
De kloof tussen beloftes en werkelijkheid
AI-detectieleveranciers publiceren indrukwekkende cijfers. GPTZero claimt een nauwkeurigheid van 99 % met een valse-positiefpercentage van 0,24 %. Originality.ai adverteert met 96 % nauwkeurigheid.
Onafhankelijke tests vertellen een ander verhaal. De evaluatie van GPTZero door PCWorld vond slechts 62 % nauwkeurigheid in praktijkomstandigheden. Originality.ai kwam in vergelijkingen van derden uit op valse-positiefpercentages tussen 8 % en 12 %. Dat betekent dat het menselijk geschreven tekst als AI-gegenereerd markeerde, ongeveer één op de tien keer.
Beide tools zijn al gedocumenteerd als detectie van de Amerikaanse grondwet en fragmenten uit The Da Vinci Code als AI-gegenereerde tekst (Fritz.ai, 2026). Als een detector de grondwet niet betrouwbaar kan herkennen als door mensen geschreven, wat gebeurt er dan wanneer hij het cv leest van iemand wiens moedertaal niet Engels is?
Wat valse positieven betekenen bij werving
Een vals positief bij plagiaatdetectie in het onderwijs is een ongemak. Een student gaat in beroep, een docent bekijkt het, het probleem wordt opgelost.
Een vals positief bij werving is onzichtbaar. De kandidaat komt er nooit achter. Je team ziet het cv nooit. Een gekwalificeerde persoon verdwijnt uit de pijplijn, en je vult de functie met wie er nog over is.
Als je 200 cv’s voor een functie verwerkt en je detector heeft een valse-positiefpercentage van 10 %, dan zijn dat 20 mensen die onterecht zijn gemarkeerd. Sommigen van hen waren je beste kandidaten.
Het probleem van taalbias
AI-detectoren analyseren schrijfpatronen: zinslengte, woordenschatdiversiteit, voorspelbaarheid. Deze aanpak heeft een gedocumenteerde zwakte: ze bestraft bepaalde schrijfstijlen zwaarder dan andere.
Niet-moedertaalsprekers van Engels schrijven doorgaans met eenvoudiger zinsstructuren en meer gangbare woordenschat. Dat zijn precies de patronen die detectoren associëren met AI-gegenereerde tekst. Een cv dat met zorg en helder Engels is geschreven door iemand wiens moedertaal Mandarijn of Arabisch is, komt “verdacht” over voor een model dat getraind is om machine-output te herkennen.
Dit is geen theoretisch probleem. Als je pijplijn kandidaten afwijst op basis van een analyse van hun schrijfstijl, introduceer je een bias die samenhangt met taalachtergrond. Voor Amerikaanse werkgevers levert dat zowel ethische problemen als mogelijke juridische risico’s op.
Waarom detectie de aanwervingsresultaten niet verbetert
Zelfs een perfecte detector, een zonder valse positieven, zou je niets nuttigs vertellen over de kwaliteit van een kandidaat. Weten dat een cv met hulp van AI is geschreven, zegt niets over de vraag of iemand de job aankan.
Een KraftCV-enquête uit 2026 toonde aan dat 70 % van de werkzoekenden AI gebruikt om cv’s te schrijven. Als je ze allemaal afwijst, wijs je het grootste deel van je sollicitantenpool af. Als je alleen degenen afwijst die de detector vangt, straf je de kandidaten die minder geavanceerde tools gebruikten, terwijl je degenen beloont die de output genoeg hebben herschreven om erdoor te komen.
Het signaal is niet bruikbaar. Het scheidt goede kandidaten niet van slechte. Het scheidt detecteerbare AI-gebruikers van niet-detecteerbare AI-gebruikers.
Wat wél werkt
Het alternatief is niet “niets doen”. Het is screenen op wat daadwerkelijk voorspelt of iemand goed presteert in de job.
-
Documenteer je criteria voordat de screening begint: Gebruik harde vereisten, zoals werkvergunning, certificeringen en specifieke technische vaardigheden, als eerste filter. CriteriaMatch controleert elk cv aan de hand van je gedefinieerde criteria, in enkele seconden. De schrijfstijl van het cv doet er niet toe als de kandidaat niet voldoet aan je niet-onderhandelbare vereisten.
-
Maak beslissingen zichtbaar: Wanneer je team kandidaten beoordeelt, moet de redenering gedocumenteerd zijn. Collaborative Candidate Assessment bewaart gedeelde opmerkingen, taaktoewijzingen en de beslissingsgeschiedenis op elk kandidaatprofiel. Als iemand wordt afgewezen, staat de reden erbij, en het is nooit “de detector zei het”.
-
Toets claims in een gesprek: De beste manier om een cv te verifiëren is erover doorvragen. Een goed gestructureerd interview ontmaskert overdrijving sneller dan welke schrijfanalysetool ook. Als het cv zegt “leidde een team van 12 ingenieurs”, vraag dan naar concrete details. Het antwoord vertelt je alles wat de detector niet kan.
De regelgevende kant
De EU AI Act classificeert AI-systemen die bij arbeidsbeslissingen worden gebruikt als “hoog risico”. Als je AI-detector bijdraagt aan een aanwervingsbeslissing, moet je mogelijk aantonen dat hij niet tot discriminerende uitkomsten leidt. Gezien de gedocumenteerde problemen met taalbias is dat een moeilijk te maken betoog.
Verschillende Amerikaanse staten en steden, waaronder New York City en Illinois, vereisen al openbaarmaking en audit van geautomatiseerde tools die bij werving worden gebruikt. Een niet-geauditeerde AI-detectielaag toevoegen aan je pijplijn voegt compliancerisico toe zonder screeningswaarde.
Voor een breder beeld van hoe je AI verantwoord inzet bij werving, lees onze gids over verantwoord AI-gebruik in werving.
De eerlijke afweging
AI-detectietools zijn verleidelijk omdat ze een eenvoudige binaire keuze bieden: AI of geen AI. Werving is niet binair. Het is een reeks oordelen over fit, vaardigheid en potentieel.
Sla de detector over. Bouw een screeningproces waarin het bewijs komt uit geverifieerde criteria en echte gesprekken, niet uit analyse van schrijfstijl.