Je hebt AI-cv-screening ingeschakeld. De eerste reeks scores kwam binnen. De kandidaat die je aanwervende manager graag ziet, kreeg een 64. Degene die niemand herkent, kreeg een 91. Nu vertrouwt het team de tool niet meer.
Het probleem zit bijna nooit in het AI-model. Het zit in de criteria en gewichten die je het hebt gegeven — of, waarschijnlijker, in de standaardinstellingen die je nooit hebt aangepast.
Waarom standaardgewichten falen
Elk AI-scoringsinstrument wordt geleverd met standaardinstellingen. Dat zijn redelijke gissingen: zware weging voor ervaring, matige waardering voor overeenkomende vaardigheden, en wat punten voor opleiding en certificaten. Ze zijn gebouwd om te werken voor duizenden functietypes.
Jouw functie is niet „duizenden functietypes”. Jouw functie heeft specifieke afwegingen. Misschien vind je sectorervaring belangrijker dan tool-vaardigheid. Misschien zijn certificaten irrelevant voor je team, maar geeft de AI ze 15 % gewicht.
Standaardgewichten leveren standaardrangschikkingen op. Standaardrangschikkingen zorgen ervoor dat teams ofwel elke score handmatig overschrijven, wat het doel teniet doet, ofwel scores aanvaarden die ze niet zouden mogen vertrouwen.
Het kalibratieprobleem is menselijk, niet technisch
Het rapport over aanwervingsdata 2026 van Salesso stelde vast dat 83 % van de bedrijven nu AI gebruikt voor cv-screening. Maar een studie van Harvard Business School en Accenture vond dat Amerikaanse werkgevers via geautomatiseerde screening meer dan 27 miljoen werkzoekenden hebben uitgesloten, van wie velen het werk prima hadden kunnen doen.
Het probleem is niet dat AI niet kan screenen. Het probleem is dat de criteria die de screening aansturen eenmalig werden vastgelegd (of helemaal nooit) en nooit werden herzien. Kalibratie is de ontbrekende stap tussen „we hebben AI-scoring” en „onze AI-scoring helpt ons beter aanwerven”.
Voor een breder overzicht van hoe AI-kandidaatscoring werkt en de gangbare valkuilen, zie onze uitleg over AI-kandidaatscoring.
Stap 1: begin met must-haves, niet met gewichten
Voordat je aan een schuifregelaar draait, laat je de aanwervende manager de vereisten in twee groepen verdelen:
Must-haves (geslaagd of afgewezen):
- Werkvergunning voor jullie locatie
- Vereiste certificaten of vergunningen
- Minimum aantal jaren in een specifiek domein (wees eerlijk over of dit een echte eis of een voorkeur is)
- Taalvereisten
- Bereidheid om op locatie, hybride of met reizen te werken
Gescoorde criteria (gewogen):
- Relevante technische vaardigheden
- Sector- of domeinervaring
- Bewijs van resultaten (niet alleen verantwoordelijkheden)
- Leiding geven of managementervaring
- Signalen over cultuur of teamdynamiek uit de sollicitatiedocumenten
Must-haves moeten binaire filters zijn, geen gescoorde punten. Als een kandidaat niet de juiste werkvergunning heeft, mag een hoge vaardigheidsscore hem niet boven de drempel tillen. In Canvider neemt CriteriaMatch deze laag voor zijn rekening: het stelt harde criteria in die de AI onafhankelijk van de scoringsgewichten controleert.
Stap 2: spreek af hoe „sterk” eruitziet
Hier slaan de meeste kalibratiepogingen een stap over. Het team komt overeen over vijf criteria. Ze kennen gewichten toe. Maar niemand definieert hoe een 4 op 5 eruitziet in vergelijking met een 3.
Plan een oefening van 20 minuten met de aanwervende manager:
- Kies twee tot drie cv’s die het team al heeft bekeken en waarover het akkoord is
- Score elk van hen onafhankelijk op de criteria
- Vergelijk de scores en bespreek de verschillen
- Schrijf voor elk criterium en elk scoreniveau een definitie van één zin
Dit is niet theoretisch. Het maakt het verschil tussen „de AI gaf ze een 78” en „de AI scoorde hun systeemervaring op 4/5, omdat ze drie implementaties op productieschaal vermeldden”.
Stap 3: controleer de resultaten na de eerste reeks
De eerste reeks gescoorde kandidaten is een kalibratietest, geen definitieve rangschikking.
Nadat de AI de eerste 10 tot 15 sollicitanten heeft gescoord:
- Controleer de top vijf. Zijn dit mensen die de aanwervende manager echt zou willen interviewen? Zo niet, welke criteria wegen te zwaar door?
- Controleer de onderste vijf. Staat er iemand bij die hoger had moeten staan? Wat heeft de scoring gemist?
- Zoek naar patronen. Worden kandidaten met korte cv’s systematisch benadeeld? Krijgen carrièrewisselaars lage scores ondanks relevante overdraagbare ervaring?
Pas de gewichten aan op basis van wat je vindt. Dit is niet „met de AI knoeien”. Het is wat je ook zou doen als je een junior recruiter leert screenen: hun werk nakijken, feedback geven en bijsturen.
Stap 4: herzie de gewichten voor elke nieuwe functie
Gewichten die voor een senior backend-engineer werken, werken niet voor een customer success manager. Verschillende functies vragen om een andere balans tussen criteria.
Wanneer een nieuwe functie opengaat:
- Gebruik de gewichten van de vorige functie als sjabloon, niet als heilig voorschrift
- Controleer of de must-haves zijn veranderd (dat zijn ze meestal)
- Vraag de aanwervende manager: „Als je maar naar twee criteria zou kunnen kijken, welke twee zouden dat zijn?”
- Pas de gewichten zo aan dat die twee criteria minstens 40 % van de totaalscore vormen
Dit kost tien minuten. Het bespaart uren aan verkeerd gerangschikte kandidaten en debriefings over waarom de AI „het fout had”.
De bias-kalibratielaag
AI-screeningbias is niet hypothetisch. Een studie uit 2025, gepubliceerd op arXiv, vond dat taalmodellen voor algemene doeleinden die voor cv-screening worden gebruikt demografische impactratio’s vertonen die zo laag zijn als 0,809. Dat ligt ver onder de 0,957 die domeinspecifieke aanwervingsmodellen als bijna-gelijkheid halen. Intersectionele ongelijkheden waren nog groter.
Kalibratie elimineert bias niet, maar het verkleint het oppervlak waarop bias kan optreden:
- Definieer criteria op basis van functiegerelateerd bewijs. „Werkte bij een topbedrijf” is een proxysignaal. „Leverde een productiesysteem op voor meer dan 10K gebruikers” is bewijs.
- Controleer de scoreverdelingen. Ga na of een demografische groep na een scoringsronde systematisch lager scoort. Zo ja, onderzoek welke criteria het verschil veroorzaken.
- Gebruik de AI als eerste filter, niet als eindbeslissing. De aanwervende manager bekijkt de shortlist. De AI bepaalt de volgorde van de inbox. Mensen beslissen.
In New York City, Illinois, de staat Washington en de EU vereisen nieuwe regels nu een vorm van bias-audit voor AI-aanwervingstools (Articsledge, 2026). Ook als jouw rechtsgebied dat nog niet verplicht stelt, is kalibreren op bias goede praktijk en goed aanwerven.
Hoe Canvider kalibratie ondersteunt
Met Canvider AI Score stel je scoringsgewichten per functie in en pas je ze aan. CriteriaMatch behandelt de geslaagd-of-afgewezen-laag apart, zodat harde vereisten niet door gewogen scores heen lopen. En Collaborative Candidate Assessment geeft het team een gedeeld overzicht van hoe gescoorde kandidaten zich tot elkaar verhouden, zodat kalibratiefeedback in context gebeurt en niet per e-mail.
De werkwijze: stel criteria in, score de eerste reeks, bespreek samen, pas aan en score opnieuw. Elke ronde wordt scherper.
Begin deze week met kalibreren
Kies je volgende open functie. Voordat er kandidaten solliciteren:
- Scheid must-haves van gescoorde criteria
- Ken met de aanwervende manager initiële gewichten toe
- Definieer voor elk criterium in één zin wat „sterk” betekent
- Bekijk na de eerste 10 sollicitanten samen de top vijf en de onderste vijf
- Pas aan en score opnieuw
AI-scoring is een hefboom. Kalibratie is wat hem in de juiste richting stuurt.