Agentic AI in Recruitment: Wat Simply Kan

Wat is agentic AI, en waarom zou je het willen?

De meeste AI-tools in recruitment werken als een zoekmachine met een praatje. Je stelt een vraag, je krijgt een antwoord. Klaar. Maar wat als je AI niet alleen antwoord geeft, maar ook daadwerkelijk dingen doet in je systemen?

Dat is waar agentic AI om draait. Geen chatbot die tekst genereert. Een AI-agent die in het ATS zelf woont, de velden kent die jij daar hebt aangemaakt, kandidaten kan doorzoeken, cv’s kan genereren en taken kan aanmaken. Allemaal vanuit een chatvenster in het systeem dat de dossiers bewaart.

Simply Ask is precies dat. Je typt: “Ik heb net een vacature geüpload, wie is de beste match?” En hij doorzoekt je kandidaten, scoort ze tegen de eisen die de vacature werkelijk stelde, en geeft een gerangschikte lijst terug met de onderbouwing erbij, inclusief het deel dat niet klopt.

Klinkt als science fiction? De reden dat het werkt is saaier dan de belofte. Simply Ask leest geen kopie van je data via een koppeling. Hij leest de workspace waar hij in woont, binnen de rechten van degene die de vraag stelt.

Simply Ask: jouw AI-assistent in je CRM

Het echte verschil tussen Simply Ask en andere AI-tools? Context. Simply Ask kent de exacte velden in jouw workspace, want het datamodel is metadata en geen code en hij leest dat model rechtstreeks. Niet een generiek schema, maar de velden van jouw organisatie. Dus als jij vorige maand een veld hebt aangemaakt voor “beschikbaarheidsdatum” of “gewenste reisafstand”, dan weet Simply Ask dat.

Wat kan het concreet?

• Kandidaten zoeken en matchen op basis van een vacature
• CV’s genereren in jouw huisstijl via cv-opmaak
• Kandidaatintroducties herschrijven zodat ze aansluiten op een specifieke vacature. Relevante ervaring wordt uitgelicht, werkervaring die minder relevant is wordt beknopter getoond, en de formatting past bij wat de klant verwacht
• Taken aanmaken zonder het gesprek te verlaten waar je in zit
• E-maildrafts opstellen voor hiring managers of kandidaten
• Bestanden verwerken zoals CV’s en vacatureteksten via CV parsing
• Data opvragen met natuurlijke taal in plaats van rapportages bouwen
• Bedrijfsonderzoek doen wanneer je context nodig hebt over een potentiële klant

En dan het deel dat hem onderscheidt van een assistent die alleen ophaalt en opstelt: hij kan het product zelf verbouwen. Beschrijf een object of een set velden in gewone taal en Simply Ask genereert de metadata ervoor, waarmee je dus je datamodel verandert door erom te vragen. Beschrijf een doel en hij tekent of bewerkt een complete workflow. Nog vóór je een getekende workflow te zien krijgt, controleert een validatie op de server de soorten stappen, de samenhang, losse verbindingen en of elke verwijzing naar een object of veld echt bestaat. Wat zakt, gaat terug de prompt in en niet naar jou, dus je keurt nooit een workflow goed die niet kan draaien.

En hier ligt de grens, de belangrijkste zin op deze pagina: niets daarvan gaat vanzelf live. Elke schrijfactie, een veld op een kandidaat, een taak, een e-mail, een nieuw object, een workflow, komt binnen als voorstel dat een mens goedkeurt, en die goedkeuring gaat mét naam een auditlog in waar niets uit verdwijnt. Er is geen autonome modus om aan te zetten. Er is ook geen creditsysteem: je koppelt je eigen AI-sleutel, je provider factureert je rechtstreeks, en het kostenoverzicht laat per model en per actie zien wat het kostte, in euro’s.

Hij werkt ook buiten Simply. Er is een MCP-server, zodat Claude Desktop, Cursor of iets anders dat MCP spreekt je workspace kan bevragen onder dezelfde rechten, met een publieke API en met HMAC ondertekende webhooks eronder.

Dit is geen toekomstmuziek. Dit is wat er gebeurt als je AI data-extractie combineert met een AI-engine die dezelfde inrichting leest waar je recruiters in werken.

AI Matching: van duizenden kandidaten naar een gerangschikte shortlist

“AI matching” is een term die iedereen gebruikt. Maar bijna niemand kan uitleggen hoe hun matching werkt. Bij Simply wel, want transparantie is geen marketing maar een vereiste. En precies daarom staat de formule op een webpagina en niet in een verkoopgesprek.

Het systeem werkt als een trechter. Elke stap maakt het veld kleiner, en elke stap is achteraf na te lopen.

Stap 1: de vacature maakt zichzelf tot eisen. Een vacaturetekst is proza, en proza kun je niet scoren. Dus wordt hij eerst uitgelezen tot gestructureerde eisregels. Elke skillregel draagt een eisniveau, een minimumniveau, een minimum aantal jaren en een expliciet gewicht, op een schaal van 0 tot 100: verplicht weegt 100, gewenst 60, pré 25. Niemand hoeft een vacature eerst met de hand te wegen voordat er gematcht kan worden, en een regel waar je het niet mee eens bent, pas je aan.

Dat is een bewuste keuze over waar dat gewicht vandaan komt. Genoeg matchingengines leveren een vaste set criteria met vaste percentages, verdedigd met een verwijzing naar selectieonderzoek. Het probleem is dat dat onderzoek een andere vraag beantwoordt: welke voorspellers over hele populaties samenhangen met functioneren, niet wat déze opdrachtgever in déze briefing vroeg. Hier komen de gewichten uit de vacature. Zegt de klant dat het certificaat niet onderhandelbaar is en de opleiding mooi meegenomen, dan is dat wat de som gebruikt, en kun je de regel aanwijzen waar het staat.

Stap 2: ophalen, op betekenis én op woorden. De kandidaten vinden die het scoren waard zijn, is een probleem op zich. Zoeken op trefwoorden vindt de zin die iemand twee jaar geleden in een notitie typte. Semantisch zoeken vergelijkt je vraag met embeddings die in dezelfde database liggen, zodat “projectmanagement in de bouw” bovenkomt bij een vacature voor “coördinatie van civiele projecten”, ook al overlappen de woorden niet. Hybride draait allebei en voegt de twee ranglijsten samen. En het loopt allemaal achter je rechten langs: een dossier dat je niet mag openen, is een dossier dat je niet kunt vinden.

Stap 3: de som. Het cijfer is één deling die je zelf kunt maken. Tel het gewicht op van de eisen waaraan de kandidaat voldoet, deel dat door het gewicht van alles wat de vacature vroeg. “Voldoen” is geen gevoelskwestie: de kandidaat moet de skill hebben én allebei de drempels halen, het minimumniveau en het minimum aantal jaren. Een regel waar hij een half jaar onder blijft, telt voor nul, hoe goed de rest van het cv ook leest. En een ontbrekende must-have komt terug als een apart benoemd gat, in plaats van weg te zakken in een vriendelijker gemiddelde.

Stap 4: welk spoor het cijfer maakte. Twee sporen berekenen een score uit identieke gestructureerde invoer. Een model leest het profiel en de eisregels; het deterministische spoor maakt de deling hierboven. Bij elk resultaat staat welk spoor het maakte, zodat het scherm kan zeggen waar een cijfer vandaan komt in plaats van te suggereren dat er een model aan te pas kwam. Een workspace zonder gekoppelde modelsleutel houdt gewoon echte scores, permanent, en niet als uitgeklede stand waar je uit hoort te groeien.

Het resultaat: een gerangschikte lijst waarin elk getal uit elkaar te halen is. Je ziet precies waarom kandidaat A een 82 scoort en kandidaat B een 74, en welke eisregel het verschil maakt. Dat is waar uitlegbaarheid en audit voor zijn: je ziet niet alleen wie het beste past, je ziet waarom, en je legt het met dezelfde zin uit aan je opdrachtgever en aan een toezichthouder.

EU AI Act: waarom dit nu al belangrijk is

Recruitment-AI valt onder Annex III van de EU AI Act. Dat maakt het hoog risico. Vanaf 2026 moet je als gebruiker van recruitment-AI aan strenge eisen voldoen. Veel tools zijn hier nog niet op voorbereid.

Het antwoord van Simply is geen keurmerk. Het is een reeks ontwerpkeuzes die je kunt controleren.

Uitlegbaarheid. Elke match komt terug als de eisregels eronder, niet als één ondoorzichtig percentage. Welke regels zijn gehaald, welke niet, en hoeveel scheelde het. Met leesbare toelichting erbij.

Transparantie. De scoreformule staat gepubliceerd, op de matchingpagina, als rekensom en niet als bijvoeglijk naamwoord. Geraakt gewicht gedeeld door totaal gewicht, met verplicht op 100, gewenst op 60 en pré op 25. Twee mensen kunnen naar hetzelfde cijfer kijken en er zinnig over discussiëren, en dat is de echte toets.

Menselijk toezicht. De AI rangschikt. Jij beslist. Altijd. Er gaat in Simply niemand op eigen houtje uit een proces, en een lage score wijst niemand af.

Bias. De som draait op eisregels, dus op skill, niveau en jaren, en op niets anders. We beweren niet dat een model geen vooroordeel heeft, want die bewering overleeft geen serieuze audit. We beweren dat je kunt zien waar een cijfer vandaan komt, de regel kunt aanwijzen die het maakte, en er overheen kunt gaan.

Controleerbaarheid. Bij elke score staat welk spoor hem berekende, en elke goedkeuring gaat mét naam het auditlog in, inclusief de pogingen die geweigerd zijn.

Voor veel bureaus voelt dit nog abstract. Maar de deadlines naderen. En als je straks moet aantonen dat je matching-systeem eerlijk en transparant werkt, wil je niet nog beginnen met documentatie. Bij Simply is dat van dag één ingebouwd.

Meer weten over databescherming? Het platform en je kandidaatdata staan in Nederland, op infrastructuur die Simply zelf beheert, met ISO 27001 eronder. Ook de AI-verwerking blijft binnen de EU, of loopt op je eigen sleutel bij je eigen provider. De modellen zelf kopen we in, en dat is een andere vraag dan waar ze draaien — stel hem bij elke leverancier apart, want die ene zin over Europa beantwoordt meestal alleen de eerste.

Wat verandert er concreet in je dagelijkse werk?

Laten we eerlijk zijn. De meeste recruiters besteden het grootste deel van hun dag aan administratie. CRM-velden invullen, CV’s opmaken, zoeken in het ATS, e-mails typen. Het echte werk (gesprekken voeren, relaties bouwen) komt op de tweede plaats.

Met Simply Ask draai je dat om.

Scenario 1: Nieuwe vacature binnengekregen.

Je typt: “Match kandidaten voor vacature Senior Java Developer Amsterdam.” Simply haalt op uit je database binnen jouw rechten, scoort wat hij vindt tegen de eisregels van de vacature, en geeft een gerangschikte lijst terug met de gehaalde eisen én de gaten erbij. In seconden, niet uren.

Scenario 2: CV nodig voor een klant.

“Genereer een CV voor kandidaat Jan de Vries in onze huisstijl.” Simply pakt het profiel, formatteert het in jouw template via CV formatting, en de output is klaar om te versturen.

Scenario 3: Introductie schrijven.

“Schrijf een introductie voor deze kandidaat, afgestemd op de vacature bij TechCorp.” Simply analyseert het kandidaatprofiel en de vacature, licht relevante ervaring uit, en genereert een op maat gemaakte introductietekst. De werkervaring blijft intact, maar wat relevant is voor deze vacature wordt prominenter neergezet.

Scenario 4: E-mail naar hiring manager.

“Stel een e-mail op naar de hiring manager van TechCorp met de introductie van deze drie kandidaten.” Klaar. Aanpassen waar nodig, versturen.

Dit is het verschil tussen een tool die informatie geeft en een tool die werk overneemt. Combineer AI-samenvattingen van je gesprekken met een agent die acties kan uitvoeren, en je dag ziet er heel anders uit.

Waarom dit anders is dan ChatGPT

Iedere recruiter heeft inmiddels met ChatGPT gespeeld. Misschien een vacaturetekst laten schrijven of een e-mail laten opstellen. Maar dat is iets fundamenteel anders.

ChatGPT kent je ATS niet. Het weet niet welke velden je hebt, welke kandidaten in je database zitten, of hoe je CV-template eruitziet. Het is een generalist. Simply Ask is een specialist die in je systeem leeft.

Het verschil? Context. Simply Ask weet dat “beschikbaar” in jouw workspace een dropdown is met drie opties. Het weet dat je 12.000 kandidaten hebt in de regio Utrecht. Het weet hoe jouw huisstijl-CV eruitziet. Contextuele recruitment maakt antwoorden niet alleen sneller, maar ook beter. De AI maakt minder fouten omdat het de constraints kent.

Er is een tweede verschil dat in een compliance-review zwaarder weegt dan in een demo. Het ophalen is rechten-gefilterd voordat er tekst naar een model gaat, en je bevoegdheid wordt per verzoek opnieuw bepaald in plaats van uit een sessie overgenomen. Een recruiter en zijn manager kunnen dezelfde vraag stellen en een ander antwoord krijgen; dat hoort zo. Zie je de salarisverwachting niet op het dossier, dan krijg je hem er ook niet uit door het vriendelijk te vragen.

En die transparantie is niet optioneel. Elke actie die Simply Ask uitvoert is traceerbaar. Elke AI-conclusie is terug te voeren naar de brondata. Dat is niet alleen fijn voor jou. Het is een vereiste onder de EU AI Act.

En meteen een eerlijke grens: Simply Ask weet niets wat de workspace nooit heeft bereikt. Een gesprek dat niemand opnam, een mail in een privépostvak, een besluit dat op de gang viel. Hij verzint het er ook niet bij. De kwaliteit van de antwoorden loopt recht mee met hoeveel van je werk daadwerkelijk in het systeem landt.

Benieuwd hoe andere teams AI inzetten? Lees 11 praktische toepassingen van AI in recruitment of waarom AI geen bedreiging is voor recruiters.

De recruiter blijft aan het stuur

Simply Ask en AI Matching zijn gereedschap. Ze maken je sneller en geven je betere informatie. Maar de beslissing? Die blijft bij jou.

De AI rankt kandidaten. Jij kiest wie je belt. De AI schrijft een introductie. Jij past hem aan en verstuurt hem. De AI suggereert een taak. Jij bevestigt.

Dat is geen beperking. Dat is het hele punt. De beste recruiters worden niet vervangen door AI. Ze worden versterkt. Minder tijd aan administratie, meer tijd aan wat ze goed doen: mensen verbinden met de juiste kansen.

Wil je het zien op je eigen vacatures? Vraag een demo aan en neem een rol mee die je vorig kwartaal sloot. De matching op je eigen database richten en kijken of degene die je plaatste bovenin terugkomt, is een nuttiger half uur dan welke featuretour ook.