“Skills-based matching maakt de potentie voor mobiliteit op de hele arbeidsmarkt onbegrensd”
Longread (10 min)
Hoe kan je skill-based matching optimaal benutten door de inzet van AI? In een interview op Emerce TV bespreekt collega Kasper Kok, expert op het gebied van Skills Intelligence, welke mogelijkheden AI biedt, wat de valkuilen zijn en welke concrete resultaten het oplevert. Bekijk de video of lees het volledige artikel onder de video.
Inhoudsopgave
- Is AI een bom onder de huidige arbeidsmarkt?
- De grootste obstakels van skills-based matching
- Impact van AI op skills-based matching
- Textkernel’s Skills Intelligence versus andere oplossingen
- Omgaan met skills die niet in het cv staan
- Hoe kun je skills valideren?
- Weerstand bij skills-based matching
- Betoog maken voor match op basis van skills met GenAI
- De valkuilen van skills-based matching
- Wet-en regelgeving rondom AI
- Anticiperen op banen die nog niet bestaan
- Hoe snel kun je succes boeken met skills-based matching?
Is AI een bom onder de huidige arbeidsmarkt?
Een bom is een groot woord, maar het is wel een nieuwe automatiseringsgolf, vergelijkbaar met de opkomst van machines, het internet en digitalisering. Bij elke golf verschuiven bepaalde processen en taken van het mensdomein naar het computerdomein of machinedomein, en dat gebeurt nu ook weer. Dit brengt veranderingen met zich mee in de skills die gevraagd worden. Daarom is skillsgericht recruiten nu heel belangrijk. Interessant is dat dezelfde technologie, zoals generatieve AI, de processen rondom skills-based matching juist makkelijker en effectiever maakt.
Hebben we medewerkers te lang in een hokje gezet?
Ja, ik denk van wel. We hebben te veel nagedacht over talent in termen van functietitels, wat een beperkte manier van denken is. Hierdoor zie je veel talent over het hoofd.
Neem bijvoorbeeld een natuurkundendocent en een data scientist. Hoewel deze beroepen op het eerste gezicht niet op elkaar lijken, delen ze veel gemeenschappelijke skills, zoals wiskunde, modelleren, databeheer en wetenschappelijke methoden. Een natuurkundendocent kan dus, met wat bijscholing, de overstap maken naar een data scientist.
“We hebben te veel nagedacht over talent in termen van functietitels, wat een beperkte manier van denken is. Hierdoor zie je veel talent over het hoofd.“
Neem bijvoorbeeld een natuurkundendocent en een data scientist. Hoewel deze beroepen op het eerste gezicht niet op elkaar lijken, delen ze veel gemeenschappelijke skills, zoals wiskunde, modelleren, databeheer en wetenschappelijke methoden. Een natuurkundendocent kan dus, met wat bijscholing, de overstap maken naar een data scientist.
In het huidige talentklimaat is het essentieel om leerprogramma’s op te zetten die zich richten op het ontwikkelen van ontbrekende skills voor elke volgende stap in iemands carrière. Omdat als je verder uitzoomt, je ziet dat er nog meer interessante carrières mogelijk zijn, zoals het doorgroeien van data scientist naar business intelligence analist, en vervolgens naar productrollen, als productmarketing of zelfs marketingmanager. Door alleen naar functietitels te kijken, mis je deze inzichten en benut je niet het volledige potentieel van de kandidaat.
“Medewerkers die skills-based benaderd worden, voelen zich veel meer in hun kracht gezet en gewaardeerd“
Medewerkers die op deze manier benaderd worden, voelen zich veel meer in hun kracht gezet en gewaardeerd. Ze hebben mogelijkheden om interessante leertrajecten in te gaan. In plaats van te denken “je bent altijd al projectmanager geweest, dus laten we je nog een keer projectmanager maken,” kijken we breder op basis van skills. Dit opent nieuwe carrièrepaden en ontwikkelingsmogelijkheden binnen de organisatie.
Wat is het grootste obstakel om die stap te zetten van old-school naar nieuw recruitment?
Het vergt meer werk en diepere analyse. In plaats van alleen functietitels te bekijken, moet je de skills van kandidaten in detail begrijpen. Dit vereist een cultuuromslag, waarbij bedrijven besluiten om skillsgericht te werken.
Sommige vooruitstrevende organisaties hebben al een langetermijnstrategie opgesteld om deze transitie te realiseren. Bij Textkernel zien we dat bepaalde klanten zich hebben voorgenomen om in 2026 volledig skillsgericht te werken. Deze organisaties trekken vaak twee tot drie jaar uit voor dit transformatieproces, waarbij ze een gedetailleerd plan opstellen dat alle HR-processen omvat, van performance reviews tot recruitment. Door een gefaseerde en systematische aanpak kan het hele bedrijf zich aanpassen en de voordelen van een skillsgerichte werkwijze optimaal benutten.
“Deze organisaties trekken vaak twee tot drie jaar uit voor dit transformatieproces, waarbij ze een gedetailleerd plan opstellen dat alle HR-processen omvat, van performance reviews tot recruitment.”
Hoe helpt AI bij skills based matching?
Een van de ontwikkelingen die we nu zien, is dat cv’s uitlezen, wat we bij Textkernel al twintig jaar doen, steeds beter wordt. Deze technologie helpt ons om matching-algoritmes te verbeteren en fouten te verminderen.
Om een voorbeeld te noemen: LinkedIn geeft soms suggesties voor nieuwe banen die niet altijd logisch zijn. Ik hoorde laatst een geval van een schilder die een baan als kapper aangeboden kreeg omdat beide beroepen ‘werken met lak’ bevatten. Dit soort fouten, gebaseerd op keywords, komen voor omdat individuele woorden dezelfde betekenis kunnen hebben in verschillende contexten.
Nieuwe vormen van AI, die skills écht kunnen begrijpen in de context van een document en een carrière, maken deze fouten steeds minder. Dit zorgt ervoor dat skills-based recruitment beter mogelijk wordt. AI kan nu onderscheid maken tussen verschillende betekenissen van hetzelfde woord door de context te analyseren.
AIs het gaat om context, moet AI dus echt de verschillen kunnen begrijpen tussen bepaalde skills?
Ja, precies. De huidige AI-technologie, zoals die onderliggend is aan chat-GPT, is daar al toe in staat. Iedereen die met chat-GPT heeft gespeeld, weet hoe indrukwekkend het kan zijn, vooral de eerste keren. Deze technologie kan stemmen genereren, video’s creëren en meer. De kracht van deze AI is dat het een enorme hoeveelheid achtergrondintelligentie meeneemt, geleerd van miljoenen datapunten. Dit maakt het mogelijk om skills-based matching veel nauwkeuriger en effectiever te maken.
“De kracht van deze AI is dat het een enorme hoeveelheid achtergrondintelligentie meeneemt, geleerd van miljoenen datapunten. Dit maakt het mogelijk om skills-based matching veel nauwkeuriger en effectiever te maken.”
Wat maakt jullie skills-based matching tool anders dan die van anderen in de markt?
Er komen dagelijks nieuwe AI-tools bij, maar wat onze Skills Intelligence onderscheidt, is onze focus op skills. We brengen heel gedetailleerd in beeld welke skills geassocieerd zijn met verschillende beroepen. Voor ongeveer 5000 beroepen kunnen we een skill-profiel maken. We hebben een uitgebreid netwerk van beroepen en skills.
Toelichting afbeelding: je ziet de hele arbeidsmarkt in kaart gebracht als skills en beroepen. De blauwe bolletjes zijn de beroepen, de oranje bolletjes zijn de skills. Skills en beroepen die veel met elkaar te maken hebben, clusteren samen. Je ziet daar bijvoorbeeld een medisch cluster, een engineering cluster en een AI-cluster. Dit is onze kennisbank die we gebruiken voor parsing, matching en alle andere toepassingen. Het is de motor die al onze processen aandrijft en met nieuwe generatieve AI-toepassingen wordt deze kennisbank alleen maar sterker en effectiever.
“De potentie voor mobiliteit op de hele arbeidsmarkt is eigenlijk onbegrensd.”
Het is vrij logisch dat beroepen binnen dezelfde industrie mobiliteit mogelijk maken, maar je ziet ook tussen die clusters dat er overal paden te bewandelen zijn. Dat betekent dat de potentie voor mobiliteit op de hele arbeidsmarkt eigenlijk onbegrensd is.
Hoe ga je om met skills die niet expliciet in cv’s staan?
Dat is een goede vraag en juist een van de ontwikkelingen die we nu zien. Skills kunnen expliciet genoemd worden, maar ze kunnen ook meer in een zin verstopt zitten. Bijvoorbeeld, iemand kan ondernemerschap hebben zonder dat expliciet te vermelden, maar je ziet het wel als die persoon drie bedrijven heeft gestart.
Uit achtergrondinformatie willen we die skills afleiden. We maken steeds meer stappen in het afleiden van skills uit contextuele informatie. Soms kan het logisch zijn om een skill te raden, zoals bij een Java-programmeur die mogelijk niet vermeldt dat hij kan programmeren omdat het gegeven de titel logisch is.
En hoe valideren jullie die skills dan?
Naast cv’s gebruiken we ook andere documenten zoals motivatiebrieven of projectbeschrijvingen. Er worden steeds meer interactieve AI-tools ingezet, zoals chatbots die vragen kunnen stellen om skills te valideren die niet expliciet genoemd zijn.
Daarnaast kunnen assessments of strikvragen helpen om te valideren of iemand bepaalde skills daadwerkelijk bezit. Dit is belangrijk omdat mensen soms hun skills overdrijven, zoals iemand die één hobbyproject heeft gemanaged en projectmanagement als skill vermeldt. Door AI en assessments kunnen we beter onderscheid maken tussen verschillende niveaus van ervaring en vaardigheden.
Dat klinkt als een uitgebreide en doordachte aanpak.
Hoe speelt AI hierin een steeds belangrijkere rol?
AI speelt een cruciale rol in het verwerken en analyseren van grote hoeveelheden data om skills te identificeren en te valideren. AI-tools helpen ons om efficiënter te werken en beter inzicht te krijgen in de vaardigheden van kandidaten. Door AI kunnen we skills niet alleen herkennen en valideren, maar ook voorspellen welke kandidaten succesvol kunnen zijn in nieuwe rollen, zelfs als die rollen nog niet bestaan. Dit maakt onze skills-based benadering zeer krachtig en effectief in het huidige recruitmentlandschap.
“Door AI kunnen we skills niet alleen herkennen en valideren, maar ook voorspellen welke kandidaten succesvol kunnen zijn in nieuwe rollen, zelfs als die rollen nog niet bestaan.”
Is er ook een soort van weerstand als je een kandidaat voorstelt op basis van een skills-based match?
Ja, er is zeker weerstand. Er zijn bepaalde patronen die vaak al vele jaren op dezelfde manier gaan. Bij elke plaatsing moet iemand overtuigd worden, of dat nu een hiring manager intern is of een klant bij externe recruitment. Het is altijd makkelijker om iemand te overtuigen als je precies kunt bieden waar ze om vroegen.
Als een klant bijvoorbeeld vraagt om een procesanalist en je hebt een cv waarop ‘procesanalist’ staat, is dat overtuigen eenvoudig. Maar als je iemand voorstelt als data-analist omdat de skills overeenkomen, moet je wel een goed verhaal hebben om de potentie van die kandidaat duidelijk te maken, mogelijk in combinatie met een bepaald leertraject.
Hoe betoog je een skill-based match?
Dat is wel iets waar we horen dat recruiters nu veel tijd aan besteden, om dat betoog op te schrijven. Vaak wordt dit gedaan met behulp van GenAI tools zoals ChatGPT, die kunnen helpen om deze argumenten snel en overtuigend te formuleren. Dit kan echt tijd besparen omdat de onderbouwing gebaseerd is op regels bij AI. Het maken van een gedetailleerd rapport om het verschil tussen twee functies uit te leggen kan tijdrovend zijn, maar met de juiste AI-tools kan dit proces veel efficiënter worden.
Wat zijn de valkuilen bij het skills-based matching?
Eén van de grootste valkuilen is dat bedrijven vaak heel enthousiast zijn om met de AI-golf mee te gaan en willen profiteren van de voordelen, maar hun eigen data vaak nog niet op orde hebben. Veel bedrijven hebben geen goed beeld van hun eigen talentpool omdat hun data onvolledig of verouderd is. Om effectief op skills gebaseerde recruitment te kunnen doen, is het cruciaal dat al je kandidaten en werknemers een up-to-date skillprofiel hebben in hetzelfde HR-systeem of ATS.
“Veel bedrijven hebben geen goed beeld van hun eigen talentpool omdat hun data onvolledig of verouderd is.”
Het skillprofiel moet compleet en up-to-date zijn, inclusief vaardigheden die tijdens projecten zijn bijgeleerd. Zonder een goed overzicht van de skills die je in huis hebt, kun je moeilijk op skills gebaseerd recruiten of je HR-strategie bepalen.
Onze technologie helpt hierbij door skillprofielen automatisch bij te werken. Dit kan bijvoorbeeld op basis van cv’s, hoewel cv’s vaak snel verouderen. We halen ook skills uit projectdocumenten en analyseren de teksten die bij een project horen om relevante skills te identificeren. Hierdoor zorgen we dat de datalaag compleet en actueel is, wat de basis vormt voor op skills gebaseerde recruitment.
Daarnaast gebruiken we externe bronnen zoals LinkedIn, waar profielen continu worden geüpdatet en mensen content plaatsen die hun vaardigheden laten zien. We analyseren ook blogs, forums zoals Stack Overflow, en andere platforms om een vollediger beeld te krijgen van iemands skills. Dit zorgt ervoor dat we veel meer informatie hebben dan alleen een cv, waardoor we een nauwkeuriger en effectiever matchingsproces kunnen realiseren.
En hoe zit het dan met wetgeving? Je kunt wel alles gaan scrapen, maar mag dit wel?
Ja, er komt heel veel belangrijke wetgeving aan. Bijvoorbeeld de EU AI-Act, dat is de Europese wetgeving, maar ook in andere delen van de wereld ontstaan er nieuwe wet- en regelgeving omtrent AI. Het gaat vooral om transparantie over hoe AI is opgebouwd en op basis van welke data die is getraind. Daarnaast is het belangrijk dat het behapbaar blijft voor degenen die het gebruiken, inclusief de limieten ervan.
“Geen enkele AI is perfect, en wat je absoluut wilt voorkomen in recruitment is een AI-matching-systeem met bias erin.”
Geen enkele AI is perfect, en wat je absoluut wilt voorkomen in recruitment is een AI-matching-systeem met bias erin. Bijvoorbeeld, er zijn matching-systemen die leren van plaatsingsdata, dus van duizenden of miljoenen gevallen van “dit profiel is geplaatst voor deze vacature.” Dat klinkt interessant en is waardevolle data, maar als in je data blijkt dat 95% van de IT-rollen door mannen zijn vervuld, wil je niet dat jouw AI vervolgens leert dat mannen de beste kandidaten zijn voor IT-rollen.
Hoe kun je anticiperen op banen die nog moeten ontstaan?
Als je kijkt naar die AI-revolutie die gaande is, komen daar waarschijnlijk weer nieuwe banen uit. Bijvoorbeeld, ik heb al eens gehoord van een AI-fact-checker. We zien dat ChatGPT ook wel eens grote onzin uitspuugt. Als je die content, die door AI is gegenereerd, echt wilt gebruiken, wil je eigenlijk even iemand hebben die daarnaar kijkt. Of een AI-ethicus, iemand die goed kan nadenken over de ethische gevolgen van de inzet van AI.
Als je nu een AI-ethicus zoekt, wil je die functietitel eigenlijk niet direct in je ATS intypen, omdat je waarschijnlijk niemand zult vinden, aangezien dat beroep nog niet officieel bestaat. Het is beter om te kijken naar de benodigde vaardigheden voor zo’n rol, zoals kennis van ethiek, analytisch denken en het goed kunnen verwerken van teksten. Door deze vaardigheden te identificeren en uit te drukken in skills, kun je wél mensen vinden die mogelijk geschikt zijn voor dit beroep.
“Door vaardigheden te identificeren en uit te drukken in skills, kun je wél mensen vinden die mogelijk geschikt zijn voor een beroep.”
Wanneer kun je de eerste resultaten zien als je aan de slag gaat met skills-based matching?
Op het moment dat je aan de slag gaat met AI binnen recruitment en skill-based matching, duurt het niet lang voordat je resultaten ziet. Als een recruiter er nu individueel mee aan de slag gaat, heb je best een kans dat je al meteen succes boekt.
Echter, het meest effectief is als het een organisatiestrategie wordt om skillsgericht te werken. Bedrijven die dit doen, zoals uit onderzoek blijkt, rapporteren kortere plaatsingstijden, meer plaatsingen en hogere tevredenheid. Interne recruitment profiteert hier ook van, omdat medewerkers zich meer gewaardeerd en in hun kracht voelen gezet.
Zijn er nog takeaways voor bedrijven die willen beginnen met skill-based recruitment?
Begin klein, maar zorg dat het zowel van bovenaf als van onderaf komt. Management moet het ondersteunen, en recruiters moeten laten zien dat het werkt. Dit creëert een nieuwe mindset binnen de organisatie. Recruiters kunnen out-of-the-box-kandidaten voordragen en met concrete voorbeelden aantonen dat deze benadering werkt.
