AI maakt solliciteren makkelijker, maar matching moeilijker

• Wicker, T. et al. (2026), ESB, 111(4859), 330-332. Download [348,87 kb]

Professioneel communiceren is veel eenvoudiger geworden door de brede beschikbaarheid van AI. Werkzoekenden kunnen eenvoudig sollicitatiebrieven en cv’s opstellen, en bedrijven kunnen deze sneller verwerken. Als zowel werkzoekenden als bedrijven LLM’s gebruiken, kan dat echter leiden tot een slechtere matching en welvaartsverlies.

De wijze van personeelswerving is snel aan te veranderen. Nederlandse bedrijven steunen bij de screening van sollicitanten nog voornamelijk op cv’s (94 procent) en sollicitatiebrieven (80 procent) (Rendement, 2024). Met de brede toegankelijkheid van artificiële intelligentie (AI), in de vorm van Large ­Language Models (LLM’s) zoals ChatGPT, Gemini en Claude, is het voor sollicitanten steeds eenvoudiger geworden om sollicitatiebrieven te schrijven, informatie te vinden, en te helpen bij de voorbereiding op sollicitatiegesprekken.

Dat gebruik van LLM’s zou kunnen helpen om de juiste werknemers op de juiste plek terecht te laten komen. Het is namelijk lastig om op de arbeidsmarkt een goede match te vinden, omdat bedrijven de productiviteit, motivatie of geschiktheid van een kandidaat niet direct kunnen waarnemen (Spence, 1973).

Maar het is ook mogelijk dat LLM’s averechts werken. Als deze tools sollicitatiebrieven meer opgepoetst en uniformer maken, en het bovendien makkelijker is om ze op grote schaal in te zetten, kunnen ze juist de signalen verzwakken waarop bedrijven zich baseren om de juiste kandidaten te vinden. Als LLM’s in het sollicitatieproces worden gebruikt, helpen ze werkzoekenden die signalen te verbeteren, maar veranderen ze mogelijk ook wat die signalen betekenen.

Bedrijven zetten daarnaast ook zelf AI in. In een enquête onder 1.005 wervingsmanagers in de Verenigde Staten gaf 99 procent aan AI, generatief of niet-generatief, in ten minste een deel van het wervingsproces te gebruiken (InsightGlobal, 2025).

In dit artikel kijken we of de invoering van LLM’s het voor bedrijven en werkzoekenden makkelijker maakt om tot een betere match te komen, of dat deze tools vooral meer ruis in het sollicitatieproces introduceren en daarmee leiden tot slechtere matches.

Hoe werkzoekenden LLM’s gebruiken

Werkzoekenden gebruiken LLM’s vooral om sollicitatiemateriaal op te stellen, met name cv’s en brieven. Het schrijven van een op maat gesneden sollicitatiebrief kost veel tijd, en LLM’s zijn zeer geschikt om tekst te verbeteren, de toon aan te passen en eerste versies te genereren. Sollicitatie­materiaal dat met hulp van LLM’s is opgesteld, is inmiddels wijdverbreid: meer dan de helft van de werkzoekenden zegt deze tools tijdens het sollicitatieproces te gebruiken (­Criddle en Strauss, 2024).

Redelijkerwijs zou de informatie-uitwisseling op de arbeidsmarkt moeten verbeteren, omdat werkzoekenden sneller betere sollicitatiebrieven kunnen schrijven, en bedrijven hiermee duidelijkere informatie ontvangen. Veelbelovende kandidaten die niet zo goed in schrijven zijn, worden zo minder benadeeld. In ons eigen onderzoek (Abbas Nejad et al., 2026) zien we deze positieve effecten terug: toegang tot ChatGPT heeft de gemiddelde kwaliteit van sollicitatiebrieven verbeterd, zoals beoordeeld door recruiters van Philips, PwC, VodafoneZiggo en Rabobank.

Toch vertaalden de verbeterde brieven van veelbelovende kandidaten zich niet in een grotere kans op een uitnodiging voor een sollicitatiegesprek. ChatGPT verbeterde vooral de relatief gestandaardiseerde onderdelen van de sollicitatiebrief, zoals de inleiding en de afsluiting. Op de aspecten die voor recruiters het zwaarst wegen – vooral de motivatie van de sollicitant – vonden we geen noemenswaardig effect. Zelfs wanneer werkzoekenden ChatGPT expliciet vroegen hun motivatie sterker te formuleren, werden de resulterende brieven op dat punt niet overtuigender. Tekstanalyse laat bovendien zien dat door ChatGPT ondersteunde brieven gemiddeld minder leesbaar werden, doordat ze langere woorden en complexere taal gebruikten.

Een meer opgepoetste sollicitatiebrief is dus niet per se een nuttiger signaal. In tegendeel, wat er lijkt te gebeuren, is dat de verschillen in de kwaliteit van sollicitatiebrieven zijn verminderd. Zo laat onderzoek op een platform voor freelancers zien dat met LLM’s de sollicitatiebrieven beter aansluiten op de vacatureteksten, maar dat die aansluiting minder informatief wordt voor wervingsbeslissingen zodra deze tools breed worden gebruikt (Cui et al., 2025; Galdin en Silbert, 2025). LLM’s maken het voor zwakkere kandidaten makkelijker om verzorgde en toegespitste sollicitaties te produceren, terwijl recruiters de sterkste kandidaten moeilijker van de rest kunnen onderscheiden.

Hoe bedrijven reageren

Voor bedrijven creëert de opgepoetste sollicitatiebrieven een nieuw wervingsprobleem. Recruiters vertrouwen al lange tijd op cv’s en sollicitatiebrieven om sollicitanten tegen relatief lage kosten te screenen. Als veel kandidaten LLM’s gebruiken, worden de verschillen tussen die documenten kleiner en neemt hun informatiewaarde af. Daarnaast kan het aantal sollicitaties worden vergroot doordat LLM’s de tijd verkorten om te solliciteren. Deze twee ontwikkelingen versterken elkaar: bedrijven krijgen meer sollicitaties binnen, en ze zijn moeilijker van elkaar te onderscheiden.

Tegelijkertijd kunnen bedrijven met AI ook voordeel behalen omdat het de beoordeling van sollicitatiebrieven en -gesprekken gestructureerder en daarmee consistenter kan maken. Awuah et al. (2025) bestuderen bijvoorbeeld op LLM gebaseerde screening in het wervingstraject voor leraren bij een ngo in landelijk Ghana. Bij sollicitaties die door LLM’s werden gescreend, hadden de sollicitanten een grotere kans om een baan aangeboden te krijgen en die te accepteren dan sollicitanten die alleen door mensen werden gescreend. Dat suggereert dat AI-gestuurde screening geschikte kandidaten kan vaststellen die menselijke beoordelaars over het hoofd zien. Jabarian en Henkel (2025) vergelijken sollicitatiegesprekken die door mensen en door een AI-spraakagent werden geleid – terwijl de uiteindelijke aanstellingsbeslissing door mensen werd gedaan. Onder meer dan 70.000 sollicitanten hadden kandidaten die door een AI-spraakagent waren geïnterviewd een grotere kans op een baanaanbod en om daadwerkelijk bij het bedrijf te starten.

Toch kunnen de totale kosten van het wervingsproces voor bedrijven toenemen. Als werkzoekenden LLM’s gebruiken om sollicitatiebrieven te schrijven die steeds meer op elkaar lijken, worden bedrijven immers gedwongen meer gewicht toe te kennen aan de latere, arbeidsintensievere fasen van het wervingsproces, waaronder sollicitatiegesprekken, testen en AI-ondersteunde screening.

Matching wordt moeilijker

Als sollicitatiebrieven en cv’s (meer) door LLM’s worden opgepoetst, wordt het matchingproces dus mogelijk minder efficiënt. In Abbas Nejad et al. (2026) schatten we dat het gebruik van LLM’s door werkzoekenden de totale welvaart in het matchingproces met ongeveer één procent kan verlagen, wanneer bedrijven onduidelijkere signalen over de vaardigheden van sollicitanten opvangen en daardoor gemiddeld slechtere aannamebeslissingen nemen. Deze totale welvaartsdaling is substantieel en ontstaat omdat minder werknemers terechtkomen bij de bedrijven waar zij het productiefst zijn.

Het potentiële welvaartsverlies kan nog verder toenemen wanneer LLM’s aan beide kanten van de markt worden ingezet. Als werkzoekenden LLM’s gebruiken om sollicitatiemateriaal te genereren en bedrijven LLM’s gebruiken om dat te beoordelen, dreigt een wervingsproces te ontstaan waarin AI steeds vaker met AI communiceert. Dat creëert het gevaar dat kwaliteiten die moeilijk zijn te standaardiseren of in generieke prompts zijn te vatten, in de vroege selectiefase minder opvallen. In Abbas Nejad et al. (2026) kijken we hoe ChatGPT de sollicitatiebrieven beoordeelt van werkzoekenden die wel of geen toegang hadden tot LLM’s. ChatGPT beoordeelt sollicitatiebrieven die met LLM’s zijn geschreven consequent positiever en nodigt deze werkzoekenden vaker uit voor een sollicitatiegesprek. Het gebruik van LLM’s als screeninginstrument kan dus een vertekening veroorzaken ten gunste van werkzoekenden die LLM’s hebben gebruikt.

Ook roept het gebruik van LLM’s door werkzoekenden en recruiters zorgen op over ongelijke toegang: sommige sollicitanten zijn mogelijk beter in staat dan anderen om meer opgepoetste documenten te produceren die geautomatiseerde screeningssystemen belonen. Zo behoren jongvolwassenen en mannen momenteel tot de meest fervente gebruikers (Carvajal et al., 2024; Bick et al., 2026). Ook is voor de meest geavanceerde modellen vaak een betaald abonnement nodig. Als werving steeds meer de vaardigheid beloont om deze tools effectief te gebruiken, kan het ongelijke gebruik van AI zich vertalen in ongelijke toegang tot banen.

Implicaties voor beleidsmakers en bedrijven

Voor een individuele sollicitant is het gebruik van AI volkomen rationeel, omdat anderen hetzelfde doen. Maar als iedereen dezelfde tools gebruikt, leidt het collectieve resultaat tot slechtere informatie voor bedrijven, zwakkere matching en ongelijke toegang. Beleidsmakers en bedrijven kunnen echter strategieën ontwikkelen om deze zorgen te beperken. Het doel moet zijn dat werving open, meritocratisch en informatief blijft, zonder de technologische vooruitgang af te remmen.

Een veelbelovende maatregel waarover in de Europese Unie wordt gesproken, is een meldplicht voor LLM-gebruik: werkzoekenden en bedrijven moeten rapporteren of en hoe LLM’s zijn gebruikt. Onder de recruiters in ons onderzoek was bijna vijftig procent voorstander van zo’n maatregel (Abbas Nejad et al., 2026). We zien ook dat recruiters, wanneer zij weten dat bepaalde sollicitatiebrieven met LLM’s zijn geschreven, de brieven zonder LLM-gebruik meer waarderen. Dat suggereert dat recruiters nog steeds de voorkeur geven aan door mensen geschreven sollicitatiebrieven, maar die niet kunnen onderscheiden van met LLM’s geschreven varianten zolang het gebruik van LLM’s niet transparant wordt gecommuniceerd. Een meldplicht voor LLM-gebruik kan dus helpen om LLM-gebruik zichtbaarder te maken.

Bedrijven kunnen zelf ook stappen zetten om zich aan te passen aan de nieuwe situatie waarin LLM’s een alomtegenwoordig hulpmiddel voor matching op de arbeidsmarkt zijn geworden. Ten eerste kunnen ze AI-detectiesoftware (zoals Pangram.ai) gebruiken om door mensen geschreven tekst te onderscheiden van door AI gegenereerde tekst. Ten tweede kunnen ze minder gewicht toekennen aan opgepoetste formuleringen en meer aan ‘AI-bestendige’ beoordelingen die de motivatie, het oordeelsvermogen en de vaardigheden van de werkzoekende directer blootleggen. Ook kunnen gestructureerde sollicitatiegesprekken belangrijker worden, zeker als LLM’s worden gebruikt om die gesprekken goedkoper en tegelijk consistenter en informatiever te maken. Zo kunnen LLM’s het menselijk oordeel ondersteunen door informatieasymmetrie te verminderen, in plaats van het vervangen van het menselijk oordeel.

Bedrijven moeten verder voorzichtig zijn met het volledig delegeren van wervingsbeslissingen aan LLM’s. Als LLM’s autonoom als recruiter optreden en selectie- en aanstellingsbeslissingen nemen, vergroot dit het risico dat informatieverstoringen die LLM’s introduceren worden versterkt, waardoor het wervingsproces minder ‘menselijk’ wordt. Maar als LLM’s menselijke recruiters ondersteunen, kunnen ze helpen de blinde vlekken van recruiters te verkleinen, wat tot de aanstelling van sterkere sollicitanten leidt (Awuah et al., 2025; Jabarian en Henkel, 2025).

LLM’s zijn een technologie die de signalen hervormt waarop matching op de arbeidsmarkt berust. Ze kunnen de zoek- en schrijfkosten verlagen en onderdelen van het wervingsproces verbeteren. Maar ze kunnen ook de informatiewaarde van sollicitaties verzwakken en het voor bedrijven en werknemers moeilijker maken om de juiste match te vinden. Dat is de centrale uitdaging voor bedrijven en beleidsmakers: de voordelen van AI benutten zonder dat het wervingsproces minder informatief, minder eerlijk en uiteindelijk minder effectief wordt.

Literatuur

Abbas Nejad, K., G. Musillo, T. Wicker en N. Zaccaria (2026) Labor market signals: the role of large language models. SSRN Working Paper, 5185035.

Awuah, K., U. Krenk en D. Yanagizawa-Drott (2025) Automation with generative AI? Evidence from a teacher hiring pipeline. SSRN Working Paper, 5351335.

Bick, A., A. Blandin en D.J. Deming (2026) The rapid adoption of generative AI. Management Science, te verschijnen. Te vinden op pubsonline.informs.org.

Carvajal, D., C. Franco en S. Isaksson (2024) Will artificial intelligence get in the way of achieving gender equality? NHH Dept. of Economics Discussion Paper, 03/24. Te vinden op papers.ssrn.com.

Criddle, C. en D. Strauss (2024) Jobhunters flood recruiters with AI-generated CVs. Financial Times, 12 augustus.

Cui, J., G. Dias en J. Ye (2025) Signaling in the age of AI: evidence from cover letters. Paper. Te vinden op arxiv.org.

Galdin, A. en J. Silbert (2025) Making talk cheap: generative AI and labor market signaling. Paper. Te vinden op arxiv.org.

Insight Global (2025) 2025 AI in hiring report. Insight Global, Rapport.

Jabarian, B. en L. Henkel (2025) Voice AI in firms: a natural field experiment on automated job interviews. SSRN Working Paper, 5395709.

Rendement (2024) AI-chatbots veranderen het speelveld bij sollicitaties. Rendement Online, Verdiepingsartikel, 19 november.

Spence, M. (1973) Job market signaling. The Quarterly Journal of Economics, 87(3), 355–374.