Waarom je voor elke baan wordt afgewezen waarvoor je solliciteert (en het vaak telkens dezelfde AI is)

Het verborgen knelpunt achter je onbeantwoorde sollicitaties

Als je op 30, 50 of 100 banen hebt gesolliciteerd en de stilte uniform is, is de gebruikelijke aanname — «mijn CV is vast zwak» — vaak niet de juiste. De structurele oorzaak is meestal simpeler en ongemakkelijker: je wordt niet door 50 verschillende recruiters gelezen. Je wordt door een handjevol algoritmes beoordeeld, en hoogstwaarschijnlijk steeds hetzelfde.

Meer dan 90% van de Amerikaanse werkgevers gebruikt nu algoritmische screening voordat een mens erbij komt. De EU-adoptie groeit snel en is nu formeel gereguleerd onder de EU AI Act, die wervings-AI op de werkplek classificeert als «hoogrisico» (Bijlage III). Wat de meesten niet zien is hoe geconcentreerd de leveranciersmarkt is. Meer dan 60% van de Fortune 100 en 8 van de 10 grootste federale Amerikaanse agentschappen gebruiken HireVue. Pymetrics — de leverancier bestudeerd in het Stanford-paper 2026 — bemiddelt screening bij 156 werkgevers met 225 miljard $ jaaromzet in financiën, productie, logistiek en 8 andere branches.

Het gevolg is één enkel storingspunt in de arbeidsmarkt. Wanneer het algoritme van één leverancier beslist dat je niet past, propageert dat oordeel naar elke werkgever die die leverancier gebruikt. Op meer functies bij meer bedrijven solliciteren — het klassieke advies — werkt slechts gedeeltelijk als die bedrijven verschillende leveranciers gebruiken. Anders zegt dezelfde machine je nee in 47 verschillende uniformen.

Wat «algoritmische monocultuur» eigenlijk betekent

Onderzoekers noemen dit patroon algoritmische monocultuur — formeel gedefinieerd als «de toestand waarin veel beslissers vertrouwen op dezelfde of vergelijkbare algoritmes». De term komt uit de landbouwwetenschap, waar het kweken van één variëteit op grote oppervlakten de impact van één plaag versterkt. De economische logica draagt over: wanneer veel werkgevers dezelfde screeningstool kopen, raken de voorkeuren en blinde vlekken van die tool ingebakken in de hele arbeidsmarkt.

Het Stanford-paper 2026 van Bommasani, Bana, Creel, Jurafsky en Liang (Stanford, Chapman, Northeastern) is het eerste dat echte algoritmische wervingsbeslissingen observeert bij meerdere werkgevers die één leverancier delen. Ze kregen toegang tot 4.197.168 sollicitaties van 3.372.132 sollicitanten op 1.746 functies, allemaal beoordeeld door pymetrics-modellen tussen december 2018 en december 2022. Elke sollicitatie wordt gescoord en gebinariseerd tot «aanbevolen» of «niet aanbevolen». Gemiddeld wordt 58,2% van de sollicitanten per functie aanbevolen; de rest wordt gemarkeerd voor waarschijnlijke afwijzing, en de meeste werkgevers wijzen niet-aanbevolenen af zonder verdere menselijke beoordeling.

Dit weerspiegelt iets wat velen ervaren maar niet zien: 42 van de pymetrics-modellen in de dataset worden tegelijkertijd gebruikt door meerdere bedrijven. Als je solliciteert bij twee bedrijven die hetzelfde model gebruiken, is een afwijzing bij A mechanisch een afwijzing bij B. Niet twee keer beoordeeld; één keer beoordeeld en het antwoord gekopieerd.

De 4%-regel: sollicitanten overal afgewezen

Het belangrijkste empirische resultaat is wat de auteurs systemische afwijzing noemen — het percentage waarmee een sollicitant door elke functie waarop hij solliciteert wordt afgewezen. Onder sollicitanten met precies 10 sollicitaties werd 4% uit alle 10 afgewezen. Naarmate sollicitanten op meer functies solliciteren, daalt het percentage — maar langzamer dan statistische onafhankelijkheid zou voorspellen.

Waarom is dat verschil van belang? Als de beslissingen echt onafhankelijk waren — elke werkgever oordeelt vers — zouden de percentages exponentieel afnemen op een berekenbare manier. De auteurs verifieerden dat met een andere grote dataset (correspondentiestudies van 83.000 sollicitaties bij 108 Fortune 500-bedrijven) en daar nemen de percentages echt onafhankelijk af. Algoritmisch werven niet. De afname is gecorreleerd: één keer afgewezen, de kans op opnieuw afgewezen worden is hoger dan kans.

Zo ziet «dezelfde AI 50 keer» eruit in echte data. Geen metafoor. Een gemeten statistisch patroon dat afwijkt van onafhankelijkheid.

«Solliciteer op meer» helpt deels — maar je hebt er 25 nodig

Slim hebben de onderzoekers gebruikgemaakt van het feit dat wervingsalgoritmes deterministisch zijn: zelfde input, zelfde output. Ze simuleerden contrafactisch de uitkomst die elke sollicitant zou hebben gekregen als hij op alle 1.746 functies had gesolliciteerd. Resultaat: elke sollicitant zou door minstens één pymetrics-model zijn aanbevolen. Niemand is fundamenteel uitgesloten door het systeem — mits hij overal solliciteert.

Echte sollicitanten solliciteren niet overal. Onder realistischer gedrag — breed maar niet universeel — blijven sommigen systemisch afgewezen. De auteurs kwantificeren het benodigde volume: om een systemisch afwijzingspercentage onder 0,1% te garanderen, zijn 25 sollicitaties nodig, tegenover 10 onder de baseline van onafhankelijkheid. Algoritmische monocultuur dwingt je tot ~2,5× het volume om dezelfde eerlijkheidsbaseline te halen die een niet-algoritmische arbeidsmarkt gratis zou bieden.

Twee specifieke schades die de studie documenteert

Naast systemische afwijzing documenteert het paper adverse impact langs raciale lijnen die de drempel van het Amerikaanse antidiscriminatierecht bereikt. De «4/5-regel» markeert een functie als adverse impact wanneer het selectiepercentage van een demografische groep minder dan 80% is van de meest geselecteerde groep en het verschil statistisch significant is.

Per functie (het niveau dat de wet vereist) vonden de auteurs:

• 10,62% van de 1.746 functies toont adverse impact tegen zwarte sollicitanten.
• 30,70% van de zwarte sollicitanten solliciteerde op ten minste één functie die zwarte sollicitanten benadeelt.
• 25,87% van alle sollicitaties ingediend door zwarte sollicitanten ging naar functies die hen benadelen.
• 14,74% van alle sollicitaties ingediend door Aziatische sollicitanten ging naar functies die hen benadelen.

Cruciaal: pymetrics screent op prestaties in online beoordelingsspellen, niet op namen, foto's of opgegeven demografie. De bias ontstaat zonder dat het algoritme de traditionele demografische proxies ziet. Onderzoekers noemen dit proxy-discriminatie — het model vindt correlaties met ras in schijnbaar neutrale kenmerken en propageert de bias ondanks expliciete anti-bias-training (die pymetrics volgens de auteurs toepast).

Voor individuele sollicitanten: zelfs als jouw demografische groep niet wordt benadeeld door een bepaald model, betekent het bestaan van deze patronen dat het oordeel van het algoritme geen schone «fit»-maat is — het is een ruisig, statistisch vertekend signaal dat je niet moet internaliseren als een oordeel over je vaardigheden.

Wat het oordeel van het algoritme echt verandert

Een deel van wat deze algoritmes beoordelen is deterministisch en repareerbaar. Een deel niet. Het verschil kennen is het verschil tussen productieve inspanning en verspilde weken.

Wat je kunt veranderen, en het algoritme zal het bij de volgende sollicitatie opmerken:

• ATS-leesbare opmaak. Eenkoloms-layouts, echte tekst (niet in afbeeldingen), standaard sectielabels («Ervaring», «Opleiding»), geen decoratieve kolommen of tabellen. De meeste parser-fouten komen uit de layout, niet de inhoud.
• Volledige datums bij elke rol. Ongedateerde ervaring is een topsignaal van slordige sollicitatie of verborgen gat; algoritmes straffen het zwaar.
• Gekwantificeerde bullets waar waarheidsgetrouw. «Omzet verhoogd» is onzichtbaar. «Omzet met 32% verhoogd» valt op. Verzin geen getallen — maar laat die die je hebt niet weg.
• Sterke werkwoorden aan het begin van bullets. «Geleid / gebouwd / aangedreven / opgeleverd» tellen; «verantwoordelijk voor / gewerkt aan / geholpen met» niet.
• Geen onafgewerkte placeholders. Haakjes als [X], [getal] of «TBD» zijn auto-afwijzing in elke ATS-pipeline. Algoritmes zien ze als slordig concept.
• Vaardigheidskeywords die passen bij het vocabulair van de rol. Niet volgestopt, maar aanwezig. Als de vacature «Postgres» zegt en jij «SQL» schreef, kan er geen match zijn.

Wat je niet kunt veranderen aan het algoritme — maar wel kunt omzeilen:

• Diversifieer de rolsoorten. Verschillende beroepen lopen vaak door verschillende modellen. Solliciteren op «data-analist» EN «business-analist» als beide passen, laat twee algoritmes kijken in plaats van één.
• Diversifieer de werkgeversgrootte. Grote ondernemingen gebruiken overwegend de grote leveranciers (HireVue, Workday, pymetrics, Greenhouse). Mid-market en startups hebben een veel bredere spreiding; sommige screenen niet automatisch.
• Solliciteer via kanalen met menselijke beoordeling. Interne verwijzingen, alumninetwerken, carrièrediensten van universiteiten en directe benadering via recruiters omzeilen het automatische initiële filter. Het Stanford-paper merkt op: onder onafhankelijkheid zouden 10 sollicitaties volstaan — netwerken is een directe weg om die onafhankelijkheid terug te krijgen.
• Noteer op welke vacatures je solliciteerde en welk platform de werkgever gebruikte. Als 18 van je 25 via dezelfde portal liepen, heb je een monocultuur geïdentificeerd die je in de volgende ronde kunt doorbreken.

Het beleid verandert — maar langzaam en niet overal

Het Stanford-paper zit op het kruispunt van een politiek heet moment. Drie regimes raken algoritmisch werven:

• Titel VII van de Amerikaanse Civil Rights Act van 1964 — basis van de 4/5-regel. Wervingsalgoritmes mogen geen adverse impact op beschermde groepen produceren, gemeten per functie.
• EU AI Act (2024, in werking 2026–2027). Bijlage III classificeert AI voor «werkgelegenheid, beheer van werknemers en toegang tot zelfstandige arbeid» formeel als hoogrisico. Vanaf 2 augustus 2026 staan aanbieders op de EU-markt voor conformiteitsbeoordeling, transparantie en bias-auditvereisten.
• NYC Local Law 144 (2021, gehandhaafd vanaf 2023). Vereist jaarlijkse bias-audits van geautomatiseerde tewerkstellingsbeslissingstools bij NYC-werkgevers, plus kennisgeving aan kandidaten.

De richting is duidelijk — meer transparantie, meer audits, meer kandidaatrechten — maar de tijdlijn loopt in jaren. De pymetrics-dataset documenteert systemen die vier jaar werden gebruikt zonder per-functie adverse-impact-onthulling aan kandidaten of regelgevers. De auteurs roepen op tot nieuwe wegen voor onafhankelijk onderzoek. Tot die er zijn, navigeren individuele kandidaten een systeem dat van buiten ondoorzichtig is.

Wat deze week te doen

Concreet, op volgorde van impact:

1. Voer een ATS-audit uit op je huidige CV. De deterministische checks (opmaak, datums, placeholders, zwakke werkwoorden) zijn de goedkoopste wins. Repareer eerst de bevindingen met hoge ernst.
2. Breng de leveranciers in kaart. Noteer voor je laatste 10 sollicitaties welk platform je gebruikte (Workday, Greenhouse, Lever, enz.). Als de meeste door één liepen, moeten je volgende 10 doelbewust op andere richten.
3. Voeg 2–3 aangrenzende beroepen toe aan je doellijst. Aangrenzende beroepen worden meestal door andere modellen gescreend — en je vaardigheden zijn overdraagbaar.
4. Bereik 25 sollicitaties met bewuste diversiteit. De Stanford-simulatie zegt: volume + variëteit sluiten de systemische afwijzingskloof. Sla het job-board-spray over; kies 25 functies zorgvuldig over werkgevers, groottes en leveranciers.
5. Activeer minstens 3 kanalen met menselijke beoordeling. Een interne verwijzingsaanvraag, een recruiterrelatie, een directe benadering. Ze omzeilen het automatische filter.
6. Volg uitkomsten 6 weken. Welke kanalen produceren interviews, welke stilte. Verschuif volume naar signaalproducerende kanalen.