Je hebt AI-cv-screening aangezet. Nu heeft elke kandidaat een getal naast zijn naam. Je leidinggevende keek naar de top vijf, was het niet eens met twee ervan en vroeg waar de score eigenlijk voor staat.
Het probleem is niet de AI. Het probleem is dat je drie verschillende beoordelingslagen — filteren, scoren en menselijke beoordeling — behandelt alsof het één stap is.
“Screening” is een vaag woord dat minstens drie verschillende handelingen dekt, en de meeste teams halen ze door elkaar.
Wat filteren eigenlijk doet
Filteren is binair. Een kandidaat slaagt of slaagt niet.
Werkvergunning. Vereiste certificaten. Locatie. Taalvaardigheid. Dit zijn geen oordeelskwesties. Het zijn feiten die je in enkele seconden tegen een cv kan controleren.
De waarde van een filter is snelheid en consistentie. Als je 200 sollicitanten hebt en de helft niet aan je niet-onderhandelbare vereisten voldoet, verwijdert een filter hen voordat iemand ook maar een minuut besteedt aan profielen die nooit levensvatbaar waren.
Het risico is te veel filteren. Stel tien harde criteria in en je houdt misschien twee kandidaten over en een schijnbare grondigheid. Filters mogen alleen criteria bevatten waarvoor je iemand zou afwijzen, ongeacht hoe sterk die persoon er op al het andere uitziet.
In Canvider handelt CriteriaMatch deze laag af. Je definieert must-haves — werkvergunningen, taal, certificaten — en AI controleert elk cv daartegen in enkele seconden.
Wat scoren eigenlijk doet
Scoren is relatief. Het rangschikt kandidaten op basis van functiecriteria op een gewogen schaal.
Een filter vraagt “heeft deze persoon een PMP-certificaat?” Een score vraagt “hoe goed sluiten de ervaring, vaardigheden en achtergrond van deze persoon aan bij wat de functie nodig heeft?”
Scoren is belangrijk wanneer je de must-haves hebt doorlopen en moet beslissen wie je eerst uitnodigt voor een gesprek. Het maakt van een stapel gekwalificeerde cv’s een prioriteitenlijst. Hoe beter de score, hoe dichter de match tussen het kandidaatprofiel en de vacaturetekst.
Het risico is valse precisie. Een kandidaat met een 92 is niet wezenlijk anders dan een met een 89. Als je team deze getallen als evangelie behandelt, sla je sterke kandidaten over vanwege decimalen. Scores zijn een startvolgorde, geen eindoordeel.
In Canvider handelt AI Score deze laag af. Het beoordeelt elk cv aan de hand van de vacaturetekst en geeft een matchrangschikking met sterke punten en lacunes, zodat de beoordelaar weet wat het getal heeft bepaald.
Wat menselijke beoordeling eigenlijk doet
Menselijke beoordeling is waar oordeelsvermogen zit. Ze dekt de zaken die AI niet betrouwbaar kan inschatten.
Communicatiestijl. Loopbaantraject. Of de motivatie van de persoon past bij het tempo van je team. Of een gat in het cv een waarschuwingssignaal is of een loopbaanwissel. Deze inschattingen vereisen iemand die de functie en het team kent.
Menselijke beoordeling vangt ook AI-fouten op. Een Brookings-studie uit 2024 over op LLM’s gebaseerde cv-screening vond aanzienlijke gender- en raciale vooroordelen in rangschikkingsresultaten op meerdere platforms. Een beoordelaar die verder leest dan de score, is jouw controle tegen een model dat het verkeerde signaal zwaar liet wegen.
Het doel van menselijke beoordeling is niet het werk van de AI overdoen. Het is evalueren wat de AI niet kan zien.
Hoe je alle drie lagen combineert zonder te veel te automatiseren
De volgorde is belangrijk. Eerst filteren, dan scoren, dan beoordelen.
Hier is een praktische stapel voor een typische vacature met 100 sollicitanten:
- Filteren: Verwijder kandidaten die je drie tot vijf niet-onderhandelbare criteria niet halen. Dit kan de pool terugbrengen tot 40.
- Scoren: Rangschik de overgebleven 40 aan de hand van gewogen functiecriteria. Richt je beoordelingstijd op de top 10 tot 15.
- Beoordelen: Lees profielen. Controleer het loopbaantraject, motivatiesignalen en alles wat de AI als lacune heeft gemarkeerd. Selecteer drie tot vijf kandidaten voor gesprekken.
Voor een praktische gids over hoe je je team het eens laat worden over gewichten en drempels, zie hoe je AI-scoring kalibreert met leidinggevenden. De fout die de meeste teams maken, is lagen overslaan of de volgorde omdraaien. Als je direct naar scoren gaat zonder te filteren, verspil je tijd aan het rangschikken van kandidaten die bij een basisvereiste al waren afgevallen. Als je scoren overslaat en meteen 40 cv’s handmatig doorneemt, verbrand je uren die beter besteed waren aan de sterkste matches.
Corporate Navigators (2026) meldt dat het aantal sollicitaties in sommige functies tussen 2022 en 2025 tot negenvoudig is gestegen, terwijl uiteindelijk slechts 0,5 % van de sollicitanten een aanbod krijgt (Adway, 2026). Je kan dat volume niet handmatig doornemen. Maar je mag ook niet de volledige beslissing aan een getal overlaten.
Wat er misgaat als je een laag overslaat
Elke laag vangt iets op wat de andere missen.
- Geen filter: Je score rangschikt een kandidaat hoog, maar hij heeft visumsponsoring nodig die je niet kan bieden. Dat ontdek je pas na het eerste gesprek.
- Geen scoring: Je filtert terug naar 40 gekwalificeerde kandidaten en leest elk cv zelf. Je loopt drie dagen achter op twee andere aanvragen.
- Geen beoordeling: De AI rangschikt iemand eerst, je doet een aanbod, en de leidinggevende beseft dat de ervaring van die persoon in een ander domein ligt dan het domein dat je eigenlijk nodig hebt.
Te veel automatiseren betekent één laag alle drie taken laten doen. Te weinig automatiseren betekent alles met de hand doen en tegen donderdag opgebrand zijn. Het juiste antwoord is elke laag gebruiken waar hij goed in is, en niet meer dan dat.
De stack goed inrichten
Het doel is niet mensen uit het wervingsproces halen. Het is de menselijke aandacht richten op de fase waar die de meeste waarde creëert.
Filters gaan over feiten. Scores gaan over match. Mensen gaan over oordeelsvermogen.
Als je team ruzie maakt over AI-screening, gaat het gesprek waarschijnlijk over in welke laag je zit. Benoem de laag, stel de juiste verwachtingen voor die laag, en de tools houden op controversieel te zijn.
Canvider geeft je alle drie de lagen — CriteriaMatch voor filteren, AI Score voor rangschikken en DecisionHelper voor teambeoordeling — in één pipeline.