Je CHRO heeft een artikel over AI-gegenereerde cv’s doorgestuurd. Nu onderzoekt iemand in het team AI-detector-API’s om in je ATS te steken. Voordat je een contract tekent, is dit wat je echt moet evalueren, want de meeste teams ontdekken dat het signaal de ruis niet waard is.
De vraag is niet of de API AI kan detecteren. Het is of het detectieresultaat je aanwervingsbeslissingen verbetert.
De integratiebelofte
AI-detector-API-leveranciers verkopen een eenvoudig verhaal: stuur de tekst van het cv naar hun endpoint, krijg een waarschijnlijkheidsscore terug — 0 tot 100% kans op AI-auteurschap — en gebruik die score om kandidaten te markeren of af te wijzen.
De technische integratie is meestal eenvoudig. De meeste API’s accepteren platte tekst via een POST-verzoek en geven binnen enkele seconden een JSON-antwoord terug. De leveranciers zeggen dat het naadloos in je bestaande workflow past.
Wat ze niet vertellen, is wat je met de score moet doen.
Te testen: het percentage valse positieven
Dit is het getal dat de meeste integraties al vóór de start zouden moeten stoppen.
Onafhankelijke tests tonen aan dat GPTZero in praktijkomstandigheden ongeveer 62% nauwkeurigheid haalt, terwijl het in gecontroleerde benchmarks 99% beweert (PCWorld, 2026). Originality.ai toont in vergelijkingen van derden een percentage valse positieven tussen 8% en 12% — wat betekent dat tot één op de tien cv’s die door mensen zijn geschreven als AI wordt aangemerkt.
Vertrouw bij het evalueren van een API niet op de benchmark van de leverancier. Voer je eigen test uit:
- Dien 50 cv’s in waarvan je zeker weet dat ze door mensen zijn geschreven, uit je bestaande database
- Dien 50 cv’s in die je genereert met ChatGPT of Claude
- Meet hoeveel menselijke cv’s gemarkeerd worden (valse positieven)
- Meet hoeveel AI-cv’s ongezien doorgaan (valse negatieven)
Als meer dan 2-3% van de menselijke cv’s gemarkeerd wordt, zal de integratie meer schade doen dan goed.
Te testen: taal- en demografische vooringenomenheid
AI-detectoren analyseren taalpatronen: voorspelbaarheid van zinnen, woordenschatbereik, structurele consistentie. Die patronen hangen samen met de taalachtergrond.
Niet-moedertaalsprekers van Engels schrijven anders. Dat geldt ook voor kandidaten met een andere opleidingsachtergrond, beroepsveld of culturele context. Een detector die vooral is getraind op academische Engelse tekst, presteert anders bij het cv van een werktuigbouwkundige dan bij de motivatiebrief van een marketingdirecteur.
Vraag de leverancier:
- Welke trainingsdata is gebruikt?
- Is de tool getest over talen en demografische groepen heen?
- Is er een gepubliceerde bias-audit?
Als ze deze vragen niet kunnen beantwoorden, is de tool niet gevalideerd voor aanwervingsdoeleinden.
Te testen: kosten per scan
De prijzen verschillen sterk tussen aanbieders:
- TurnitinEye: 3,99 dollar per controle, geen abonnement nodig (gericht op individueel gebruik)
- AI Detector Pro: 0,09 dollar per eenheid, waarbij één eenheid tot 4.000 tekens dekt
- Fake Applicant Detector (Apify): 0,099 dollar per kandidaatcontrole, ongeveer 99 dollar per 1.000 scans
Voor een team dat 500 sollicitaties per maand verwerkt, lopen de kosten uiteen van 45 tot 2.000 dollar per maand, afhankelijk van de aanbieder. Dan heb je de technische uren om de integratie te bouwen en te onderhouden nog niet meegerekend.
Aan de lage kant zijn de kosten marginaal. Aan de hoge kant betaal je echt geld voor een signaal dat misschien niet bruikbaar is.
Te testen: is het signaal bruikbaar?
Hier moeten de meeste evaluaties stoppen. Vraag je team: wat ga je doen met een score van “75% AI-waarschijnlijkheid”?
- Automatisch afwijzen? Dan wijs je gekwalificeerde kandidaten af.
- Markeren voor handmatige beoordeling? Je reviewers hebben geen manier om het AI-auteurschap zelf te verifiëren. Ze lezen het cv, vinden het er goed uitzien en gaan verder, waarmee het doel van de integratie teniet wordt gedaan.
- Toevoegen aan het kandidaatprofiel als datapunt? Dan heb je een getal geïntroduceerd dat elke volgende beoordeling beïnvloedt, zonder aantoonbaar verband met de kwaliteit van de kandidaat.
Als het antwoord op “wat doen we met deze score?” onduidelijk is, is de integratie voorbarig.
Een beter gebruik van automatisering
In plaats van een detectielaag toe te voegen die dubbelzinnige resultaten oplevert, investeer je je automatiseringsbudget in workflowstappen die de kwaliteit van je aanwerving rechtstreeks verbeteren.
Met Hiring Automation van Canvider bouw je op triggers gebaseerde regels die kandidaten door fasen laten gaan, e-mails versturen en teamleden waarschuwen. Die automatiseringen reageren op concrete criteria, zoals “kandidaat voldoet aan alle must-have-vereisten” of “aanwervende manager heeft binnen 48 uur niet beoordeeld”, en niet op probabilistische gissingen over auteurschap.
Collaborative Candidate Assessment geeft je team een gedeelde ruimte om beslissingen met redenen te documenteren, zodat elke kandidaat op dezelfde normen wordt beoordeeld. Het beoordelingsspoor is controleerbaar, wat belangrijk is wanneer er compliancevragen opduiken.
Voor een diepere blik op hoe AI-scoring werkt zonder detectie, lees onze uitleg over AI-scoring van kandidaten.
Het eerlijke evaluatiekader
Beantwoord deze vijf vragen voordat je een AI-detectie-API integreert:
- Wat is het gemeten percentage valse positieven op cv’s die op de jouwe lijken?
- Is de tool getest op taal- en demografische vooringenomenheid?
- Welke actie zal je team ondernemen op basis van de score?
- Rechtvaardigen de kosten per scan de kwaliteit van het signaal?
- Zou hetzelfde budget een ander onderdeel van je pipeline kunnen verbeteren?
De meeste teams die dit kader eerlijk doorlopen, concluderen dat de integratie nog niet klaar is.
Richt je ATS-automatisering op stappen die de kwaliteit van kandidaten verbeteren, niet op stappen die gissen naar auteurschap.