AI bij onboarding en interne mobiliteit: waar ligt de grens?

Kort antwoord: AI bij onboarding en interne mobiliteit — talent-marketplaces, skills-matching, loopbaanpaden — voelt onschuldiger dan AI bij externe werving, maar juridisch is dat niet zo. Zodra zo'n systeem promotie-, doorstroom- of taaktoewijzingsbeslissingen stuurt, valt het onder bijlage III, punt 4 van de AI Act en geldt het als hoog-risico. Daarnaast gelden de AVG, transparantieplichten en het beginsel van gelijke kansen — ook binnen je eigen organisatie.

Waarom intern niet "veiliger" is

Veel werkgevers denken dat de zware regels alleen gelden bij het aannemen van nieuwe mensen. Dat klopt niet. Bijlage III, punt 4 van de AI Act vangt nadrukkelijk ook beslissingen ná indiensttreding: bevordering, beëindiging, taaktoewijzing en beoordeling. Een interne talent-marketplace die bepaalt wie zichtbaar wordt voor een mooie rol, raakt precies die kern. De medewerker zit al binnen, maar zijn loopbaan wordt evengoed door een algoritme gestuurd. Zie AI op de werkvloer voor het bredere kader van wat onder de werkgever valt.

Wanneer de hoog-risicogrens wordt geraakt

Het scharnierpunt is invloed op een beslissing. Een tool die louter leersuggesties doet of vacatures toont zonder te filteren, stuurt nog geen besluit. Maar zodra het systeem kandidaten rangschikt voor een interne rol, doorstroomadvies geeft dat zwaar weegt, of bepaalt wie wel en niet wordt voorgedragen, beïnvloedt het een promotie- of doorstroombeslissing. Dan kantelt het naar hoog-risico. De praktische toets: zou een mens de uitkomst van het systeem in de regel overnemen? Zo ja, dan stuurt het de beslissing. AI bij beoordeling, promotie en ontslag werkt dit verder uit.

Skills-matching en de AVG

Talent-marketplaces draaien op profielen: vaardigheden, prestaties, ambities, soms afgeleide scores. Dat is volop verwerking van persoonsgegevens. De AVG vraagt een grondslag, dataminimalisatie en transparantie over wat je verwerkt en waarom. Gebruik je uitsluitend geautomatiseerde besluiten met aanmerkelijke gevolgen — bijvoorbeeld automatisch iemand uitsluiten van een traject — dan komt artikel 22 in beeld, met recht op menselijke tussenkomst. Wees ook voorzichtig met afgeleide gevoelige gegevens; een skills-profiel kan ongewild gezondheid of herkomst verraden.

Gelijke kansen, ook intern

Een matching-algoritme dat traint op wie historisch is doorgestroomd, reproduceert historische scheefheid. Werd promotie vroeger vooral toegekend aan een bepaalde groep, dan leert het model dat patroon en versterkt het. Intern voelt dat onzichtbaar — niemand krijgt een afwijzing, mensen worden simpelweg niet "gematcht". Juist daarom is bias-monitoring hier essentieel: meet doorstroom per groep en onderzoek onverklaarbare verschillen. Het discriminatieverbod stopt niet bij de voordeur.

Algoritmisch management en de grijze zone

Tussen onschuldige aanbeveling en hoog-risicobesluit ligt een groeiende grijze zone: AI die werk verdeelt, kansen toewijst en gedrag stuurt. Dat is een vorm van algoritmisch management, en de toezichthouder kijkt steeds scherper naar de feitelijke invloed, niet naar het etiket dat de leverancier eraan hangt. Documenteer daarom expliciet hoe zwaar het systeem meeweegt en wie de eindbeslissing neemt.

Interne mobiliteit met AI kan loopbanen eerlijker en transparanter maken — maar alleen als je de grens herkent waar een suggestie een beslissing wordt.