AI Moet Je Data Invullen, Niet Alleen Samenvatten

De samenvatting is pas het begin

Veel AI-tools in recruitment doen eigenlijk maar één ding: ze vatten je gesprek samen. Je voert een intake van 45 minuten, en je krijgt een nette samenvatting van twee pagina’s. Handig? Zeker. Maar het lost je echte probleem niet op.

Want na die samenvatting moet je nog steeds je CRM openen. Je moet het salarisveld invullen. De beschikbaarheidsdatum selecteren. Het ervaringsniveau kiezen uit een dropdown. De branche aanvinken. De reisbereidheid noteren. En nog tien andere velden.

Dat kost je 10-15 minuten per gesprek. Keer 12 gesprekken per dag. Dat is 2-3 uur per dag die je kwijt bent aan het overtypen van informatie die de AI al heeft geëxtraheerd. Het staat in de samenvatting. Maar het staat niet in je CRM.

Dat is alsof je een vertaalmachine hebt die een document vertaalt maar je het daarna zelf nog moet overtypen. Het halveert het werk in plaats van het te elimineren. En het frustrerende is: de informatie is er al. De AI heeft het begrepen. Het staat alleen op de verkeerde plek.

Het verschil tussen samenvatten en data-entry

Laten we het verschil concreet maken. Hier is wat een AI-samenvatting je geeft:

‘De kandidaat heeft aangegeven beschikbaar te zijn per 1 mei 2026. Zijn salarisverwachting ligt tussen de 55.000 en 62.000 euro bruto per jaar. Hij is bereid tot 45 minuten te reizen en heeft een voorkeur voor 32-36 uur per week.’

Prima. Nuttige informatie. Maar nu moet je:

• Het datumveld ‘Beschikbaarheid’ openen en 01-05-2026 invullen
• Het veld ‘Min. salaris’ vullen met 55000 en ‘Max. salaris’ met 62000
• De dropdown ‘Reisbereidheid’ op ‘30-45 min’ zetten
• Het veld ‘Uren per week’ op ‘32-36’ zetten
• En dit alles uit de samenvatting kopiëren, het juiste format zoeken, en plakken

Wat je eigenlijk wilt, is dat de AI dit voor je doet. Dat na het gesprek niet alleen een samenvatting verschijnt, maar dat de velden zelf ingevuld terugkomen. In het juiste format. Met de juiste waarden. Zonder dat jij nog iets hoeft over te tikken.

Dat klinkt als een klein verschil. Maar het is het verschil tussen een tool die de helft van je probleem oplost en een tool die het hele probleem oplost.

Waarom de meeste AI-tools hier stoppen

Het samenvatten van een gesprek is relatief eenvoudig. Elk groot taalmodel kan dat. Maar van dat gesprek ingevulde velden maken is een heel ander verhaal. Want daarvoor moet de AI drie dingen extra kunnen:

1. Weten in welke veldstructuur hij schrijft

Elk systeem is anders ingericht. De veldnamen verschillen, de dropdown-opties verschillen, de types verschillen. De AI moet weten welke velden er zijn, welk type ze hebben (tekst, datum, nummer, dropdown, enum), en welke opties beschikbaar zijn. En niet generiek, maar specifiek voor jouw instantie.

Voor een tool die buiten je system-of-record leeft, is dat een maplaag: een integratie die het schema van een ander reverse-engineert, plus het onderhoud van bijblijven elke keer dat een collega op een dinsdagmiddag een veld toevoegt. Dáár zit de echte reden dat het gat tussen samenvatten en invullen bestaat. Niet omdat een veld vullen moeilijk is, maar omdat andermans veld vullen dat is.

Je kunt dat probleem ook laten verdwijnen in plaats van het op te lossen, en dan haal je het gat weg. Zitten de AI en het record in hetzelfde systeem, dan valt er niets te mappen. Het datamodel van Simply is metadata: objecten, velden en relaties zijn rijen die jij definieert, geen code die een ander heeft uitgerold. Extractie richt zich op de velden die je echt hebt, inclusief het veld dat je vanochtend hebt aangemaakt. Geen formaatvertaling tussen twee schema’s, geen mapping om na te lopen, geen lijst met ondersteunde systemen om op te moeten staan.

2. Data correct formatteren

Een kandidaat zegt ‘ik kan starten begin mei’. De AI moet dat vertalen naar een datum: 2026-05-01. Een kandidaat zegt ‘ik denk aan iets rond de vijfenvijftig’. De AI moet weten dat dit 55.000 euro bruto per jaar betekent, en het in een numeriek veld zetten. Niet als tekst ‘55.000’, maar als het getal 55000.

Dit klinkt triviaal, maar het is verrassend complex. Mensen spreken in halfzinnen, omschrijvingen en schattingen. ‘Ik wil eigenlijk wel vierdaags.’ Dat moet vertaald worden naar ‘4 dagen’ of ‘32 uur’ in het juiste veld. De AI moet die menselijke taal vertalen naar gestructureerde, machine-leesbare data.

3. Betrouwbaarheid inschatten

Niet alles is even duidelijk. Soms mompelt een kandidaat een getal. Soms is de context dubbelzinnig. Is ‘ik zou wel 4 dagen willen’ een harde eis of een voorkeur? Zegt de kandidaat ‘55’ als salaris, of is het een leeftijd, een postcode of een telefoonnummer?

Een goed systeem geeft elk datapunt een betrouwbaarheidsscore, en doet daar vervolgens het eerlijke mee: het stelt voor in plaats van te schrijven. Hoge betrouwbaarheid betekent dat je na één blik kunt goedkeuren. Lage betrouwbaarheid betekent: lees eerst de zin waar het uit komt. Dat is het verschil tussen blind automatiseren en slim automatiseren.

De impact op je dagelijks werk

Laten we de cijfers erbij pakken. Een gemiddelde recruiter voert 10-15 gesprekken per dag. Per gesprek zijn er 8-15 relevante datavelden om in te vullen in het CRM.

Handmatig kost dat per gesprek:

• Samenvatting lezen en relevante data identificeren: 2-3 minuten
• CRM openen en navigeren naar het juiste profiel: 1 minuut
• Velden invullen en formatteren: 8-12 minuten
• Dubbelchecken en opslaan: 1-2 minuten
• Totaal: 12-18 minuten per gesprek

Bij 12 gesprekken per dag is dat 2,5 tot 3,5 uur per dag aan puur administratief werk. Per recruiter. Per werkdag. Dat is 30-40% van je productieve uren. Uren die niet naar kandidaten gaan. Niet naar relaties. Niet naar plaatsingen.

Met extractie rechtstreeks naar je eigen velden wordt dit:

• Samenvatting scannen: 1 minuut
• Voorgestelde waarden lezen en goedkeuren, met even nakijken van de twee of drie die minder zeker zijn: 2 minuten
• Totaal: 3 minuten per gesprek

Dat is een besparing van 10-15 minuten per gesprek. Per dag is dat 2-3 uur terug. Per maand is dat 40-60 uur. Per jaar is dat het equivalent van 6-8 volle werkweken. Voor één recruiter.

De kosten van slechte CRM-data

Het gaat niet alleen om tijdsbesparing. Het gaat ook om datakwaliteit. En slechte datakwaliteit kost je geld op manieren die je niet altijd ziet:

• Velden worden overgeslagen. Geen tijd, geen zin, vergeten. Na een drukke dag staan er tien halflege profielen in je CRM. Over drie maanden zoek je naar een kandidaat met een specifieke certificering en vindt je niets, terwijl je die kandidaat wél hebt gesproken.
• Data is inconsistent. De ene recruiter schrijft ‘fulltime’, de andere ‘FT’, een derde ‘40 uur’, een vierde vult niets in. Je CRM wordt een rommeltje dat niet meer doorzoekbaar is.
• Informatie gaat verloren. De kandidaat noemde een specifieke certificering in het gesprek, maar het CRM-veld was te ver scrollen. Niet ingevuld. Die informatie is weg.
• Zoeken wordt onmogelijk. ‘Geef me alle beschikbare Java developers in regio Utrecht met 5+ jaar ervaring.’ Als de helft van de velden leeg is, levert die zoekopdracht de helft van de resultaten op. Je mist kandidaten die perfect passen.

Extractie naar gestructureerde velden lost alle vier de problemen op. Elk gesprek levert dezelfde set datavelden op. In hetzelfde format. Consistent. Compleet. Doorzoekbaar. De investering in goede data betaalt zich terug bij elke zoekopdracht, elke matching, elke rapportage.

Het validatiesysteem: vertrouwen maar verifiëren

De terechte vraag: maar hoe weet ik dat de AI het goed doet? Wat als er fouten insluipen?

Het antwoord is dat er niets bij je data komt zonder jou. In Simply is elke AI-schrijfactie een voorstel en geen wijziging. Je ziet het veld, de waarde die het wil wegschrijven, de waarde die er nu staat, en de zin uit het gesprek waar het vandaan komt. Je keurt goed, je corrigeert, of je wijst af — en afwijzen kost één klik en laat het record precies zoals het was.

De betrouwbaarheidsscore vertelt je waar je je aandacht aan besteedt:

• Hoge betrouwbaarheid: de kandidaat zei het klip en klaar en er was één manier om het te lezen. Blik erop, goedkeuren, door.
• Lage betrouwbaarheid: er is iets geëxtraheerd, maar de formulering was los. Klik door naar het fragment voordat je het accepteert.
• Helemaal niets: het kwam niet langs, of het was te vaag om voor te stellen. Een leeg veld is eerlijker dan een gegokt veld.

Er is geen automatische schrijfmodus om aan te zetten, op geen enkel pakket. Dat klinkt als wrijving, precies tot een opdrachtgever in maart vraagt waarom de beschikbaarheid van een kandidaat is veranderd, en het antwoord een query is in plaats van een opgraving: de waarde, de goedkeuring en de persoon die goedkeurde landen in dezelfde transactie.

Wat je inruilt is tikken voor lezen, en lezen is veruit de goedkopere handeling. Een veld dat je in vier seconden had ingetikt, keur je in één klik goed. En de velden waar je anders nooit aan toe was gekomen, zijn waar de echte winst zit. Vergelijk dat met 12-18 minuten alles handmatig invullen. Het verschil is enorm.

Hoe Simply dit oplost

Simply doet precies wat dit artikel beschrijft, en het doet dat van binnenuit. Het ís het ATS, geen laag erbovenop. Data-extractie haalt specifieke datapunten uit gesprekken en documenten. CRM data-entry maakt daar voorgestelde wijzigingen van op het record waar ze horen.

En het gaat verder dan simpele tekstvelden:

• Dropdowns worden gematcht met de juiste optie in jouw model, niet als vrije tekst gedumpt
• Datumvelden worden correct geformateerd, ongeacht hoe de kandidaat de datum uitsprak
• Numerieke velden worden gevuld met getallen, niet met tekst
• Enum-velden worden gematcht met de exacte opties die jij hebt gedefinieerd

Er is hier geen integratie te onderhouden, want er valt niets te integreren. Het gesprek, de extractie en het veld zitten in één systeem. Geen export, geen tussenlaag, geen formaatvertaling tussen andermans schema en dat van jou. Waar Simply wél mee koppelt, is de rest van je werkdag: Gmail, Outlook, Google Calendar, Zoom, Slack en HubSpot. Zes koppelingen, en dat is de hele lijst. Het synchroniseert niet met Bullhorn, Carerix of een ander ATS — kom je daarvandaan, dan is dat een eenrichtingsmigratie van ongeveer vier weken, waarna er nog één plek is waar een kandidaat staat.

En alles is transparant. Elk datapunt is klikbaar. Je klikt op het salarisveld en hoort het exacte moment in het gesprek waar de kandidaat zijn verwachting uitsprak. Zodat je altijd kunt verifiëren en nooit hoeft te twijfelen.

De toekomst: van reactief naar proactief

Gestructureerde extractie is stap één. De volgende stap is AI die vooruitdenkt. Dat het na een gesprek niet alleen data voorstelt, maar ook zegt: ‘Op basis van dit gesprek sluit deze kandidaat aan op drie openstaande vacatures in je workspace, en dit is de onderbouwing.’

Of: ‘De kandidaat noemde een certificering die relevant is voor klant X. Wil je dat ik de voordracht opstel?’

Let op de vorm van beide zinnen. Ze eindigen in een vraag, niet in een handeling — dezelfde regel als overal elders in het systeem. Dat is de richting van contextueel recruitment. AI die niet alleen verwerkt maar meedenkt, terwijl het oordeel blijft waar het hoort. En het begint allemaal bij goede, gestructureerde data in je eigen model. Zonder die basis is contextuele AI gokwerk met een mooiere interface.