Recruitment intelligence is gevalideerde data uit gesprekken, direct in je CRM. Leer de drie lagen die het verschil maken: capture, validate, activate.
Recruitment intelligence is de gestructureerde, gevalideerde, herleidbare data over kandidaten, vacatures en klanten die je uit je dagelijkse recruitmentwerk haalt — niet een stapel CV’s of LinkedIn-profielen, maar een database waarin elk veld is ingevuld, gemarkeerd op zekerheid, en terug te leiden naar een brongesprek. Het verschil tussen recruiters die maandenlang handmatig CRM-velden bijwerken en recruiters die na elk gesprek een compleet kandidaatprofiel hebben, zit precies hier.
Elke recruiter kent dit moment. Een hiring manager belt twee maanden na de eerste intake en vraagt: “wat was die tariefindicatie ook alweer?” Je opent het kandidaatprofiel in je CRM. Drie velden zijn gevuld, vier zijn leeg, één is fout. De context zit ergens anders. In een Teams-chat, in een Word-bestand op de shared drive, in je hoofd.
De AI-industrie biedt al jaren één antwoord op dit probleem: betere screening. Betere matching-algoritmes, slimmere CV-parsers, scoring-modellen die tien signalen uit tien bronnen combineren. Maar dat lost slechts tien procent van het probleem op. De rest zit in datakwaliteit. Dit artikel behandelt de drie lagen van recruitment intelligence — capture, validate, activate — en hoe je ze implementeert zodat je CRM na elk gesprek compleet en herleidbaar is.
Zet tien recruiters in een kamer en vraag waar hun tijd heen gaat. Je hoort zelden “screening”. Je hoort intake, herkenning, overleg, debrief, rapportage, administratie. Screening is een onderdeel, geen bottleneck.
De AI-markt adresseert desondanks vrijwel uitsluitend het screening-moment. AI screening tools beloven dat ze kandidaten sneller voorselecteren op basis van een CV of LinkedIn-profiel. Op papier klinkt dat goed. In de praktijk loopt het op drie punten vast.
Het CV is niet de bron van waarheid. Een CV is een samenvatting die de kandidaat zelf heeft geschreven, meestal voor een ander soort vacature. Wat een recruiter écht wil weten (motivatie, beschikbaarheid, tariefverwachting, reden van vertrek bij de vorige werkgever, taalniveau in realiteit) staat er niet in. Dat komt uit het gesprek. En het gesprek komt nu niet gestructureerd in de database.
De data is ongevalideerd. Wat er wel in staat wordt door AI-parsers vaak verkeerd overgenomen. “AWS-gecertificeerd” wordt “HWS-gecertificeerd”. Een LinkedIn-URL wordt half ingevuld. Een telefoonnummer staat in een veld dat geen telefoonnummer verwacht. De AI weet niet dat hij twijfelt. De recruiter weet ook niet dat hij moet nalezen. Een maand later ontdek je de fout.
De herkomst is onzichtbaar. Je leest in het kandidaatprofiel dat iemand “acht jaar DevOps-ervaring” heeft. Waar komt dat vandaan? Uit het CV? Uit het gesprek? Heeft de kandidaat dat zelf gezegd of heeft een collega dat ingeschat? Zonder herleidbaarheid is elke datapunt een gok.
Een screening-tool die deze drie problemen niet oplost, verschuift alleen waar het werk zit. De recruiter moet nog steeds zelf nalopen, corrigeren, aanvullen, en bij twijfel terug naar het gesprek luisteren (als dat überhaupt is opgenomen). Je betaalt dus voor snelheid die je nooit haalt.
De bruikbare mentale model is geen feature-lijstje maar een laag-model. Recruitment intelligence is een keten van drie stappen: capture → validate → activate. Zolang één van de drie zwak is, is het hele systeem zwak. Dit is waar de meeste tools falen: ze zijn goed in één laag en slecht in de andere twee.
Laag 1: Capture. Alle relevante data uit gesprekken halen, niet alleen uit CV’s en LinkedIn. Intake-gesprekken met de klant, screeningsgesprekken met de kandidaat, debriefs met de hiring manager, referentiechecks, opvolgtelefoontjes. Audio, video en telefonie. Alles wat nu in hoofden van mensen blijft.
Laag 2: Validate. Bepalen wat klopt en wat niet klopt, op veld-niveau. Niet “hier is een samenvatting, succes ermee”. Maar: dit veld is zeker, dit veld is twijfelachtig, en dit veld missen we. Een recruiter die binnen vijf minuten weet wat hij moet nachecken werkt drie keer sneller dan een recruiter die alles dubbel moet controleren.
Laag 3: Activate. De data in de juiste CRM-velden krijgen, in het juiste formaat, op het juiste moment. Zodat een kandidaatprofiel na een intake compleet is, een shortlist uit zichzelf kan worden gegenereerd, en een rapportage aan een klant niet opnieuw hoeft te worden getypt.
Deze drie lagen zijn geen optionele extra’s. Ze zijn de keten zelf. Wat we hieronder bespreken is hoe elke laag werkt en waarom hem overslaan de volgende laag onbruikbaar maakt.
Een recruiter praat per dag met 5 tot 8 verschillende mensen. In de beste gevallen zit daar één intake bij, twee tot drie screenings, een debrief, een paar statusgesprekken en af en toe een referentiecheck. Elk van die gesprekken bevat datapunten die nu niet worden vastgelegd.
Dat is geen disciplineprobleem. Het is een workflow-probleem. Handmatig notuleren tijdens een gesprek gaat ten koste van de kwaliteit van het gesprek. Notuleren achteraf gaat ten koste van de accuraatheid van de aantekening. Beide opties zijn slecht.
De eerste laag van recruitment intelligence is daarom: omnichannel opnemen. Alle gesprekstypes moeten automatisch worden vastgelegd, ongeacht het kanaal. Google Meet en Microsoft Teams met meeting bots, desktop-app voor face-to-face of Webex-calls, mobiele app voor gesprekken onderweg, en VOIP-integratie voor vaste en 06-nummers. Zo valt er niets buiten de boot — zie omnichannel opnemen voor hoe dit in de praktijk werkt.
Wat dit doet voor intelligence is simpel: je verviervoudigt de hoeveelheid bruikbare data per kandidaat, zonder dat de recruiter er iets extra’s voor hoeft te doen. Een kandidaat die in drie gesprekken vier keer “per 1 januari beschikbaar” heeft gezegd, krijgt dat veld zeker ingevuld in plaats van op een inschatting. Een hiring manager die in een debrief expliciet om “senior, geen medior” heeft gevraagd, heeft dat zwart-op-wit in plaats van een vaag geheugen van de recruiter.
Het gaat niet om meer opnames. Het gaat om dat álle gesprekstypes in dezelfde datastroom belanden. Een tool die alleen Zoom-meetings pakt maar geen telefonie, is de helft van de capture-laag. En de helft van capture betekent een derde van activate — want je kunt niet samenvatten of valideren wat er niet is.
Voor verdieping: in onze AI interview transcriptie gids behandelen we de technische onderbouwing van transcriptie-accuratesse. In AI meeting notes voor recruiters leggen we uit waarom generieke notulen-tools hier niet volstaan.
Hier onderscheidt recruitment-native intelligence zich van generieke AI-tooling. Bijna elke moderne transcriptie-engine kan een gesprek omzetten naar leesbare tekst. En elke moderne LLM kan uit die tekst een lijst met datapunten halen. Het probleem is dat niemand de recruiter vertelt welke datapunten betrouwbaar zijn en welke niet.
Wat er gebeurt zonder validatie-laag: de AI geeft tien velden terug. Negen kloppen, één klopt niet. De recruiter weet niet welke één. Dus controleert hij ze alle tien. Dat kost meer tijd dan ze zelf invullen. De recruiter stopt met het gebruik van de tool. Einde verhaal.
Wat er gebeurt met validatie-laag: de AI geeft tien velden terug, waarvan zeven groen gemarkeerd (hoge zekerheid, op basis van één of meer expliciete uitspraken), twee oranje (lagere zekerheid of meerdere interpretaties mogelijk), en één leeg (niet besproken in het gesprek). De recruiter scant wat hoog scoort, checkt de paar regels die laag scoren, en vult zelf aan wat leeg is gebleven. Total: twee minuten in plaats van tien.
Dit is wat ons validatiesysteem in CRM data-entry doet. Per veld. Voor elke kandidaat. Op basis van waar de AI zijn zekerheid op baseert.
Hoe wordt die zekerheid bepaald? Op drie signalen:
Een tool zonder deze lagen geeft je een samenvatting die er overtuigend uitziet maar waarvan je niet weet welke delen stevig staan. Dat is geen tijdwinst; dat is verplaatste onzekerheid.
Validatie alleen is ook niet genoeg. Een keurig gemarkeerd kandidaatprofiel dat in een losse tool staat, is nog steeds een document dat iemand moet overtypen naar het systeem waar het werk echt gebeurt. De derde laag maakt dat overtypen overbodig.
Drie mechanismes maken activate-laag werkbaar:
Dynamische velden. Niet een PDF-export of een losse CSV. Maar directe inschrijving in de velden van je eigen datamodel, met jouw dropdowns, jouw enums, jouw tags. Heb je “senior / medior / junior” als dropdown ingericht, dan herkent de AI het gesprek als “senior” en zet hij dat in die dropdown. Niet als vrije tekst met “gesproken over senioriteit, zie transcript”. Dat betekent per klant een configuratie-laag, niet een generiek sjabloon voor iedereen. Simply is hier opgebouwd: jij bepaalt de veldstructuur, en de AI schrijft in de velden die jij hebt ingericht.
CV parsing in jouw huisstijl. Een kandidaat stuurt zijn CV in pdf, Word, of kopieer-plak uit LinkedIn. Een generieke parser levert chaos op. Een recruitment-native parser herkent niet alleen velden, maar zet ze om in jouw huisstijl-sjabloon, corrigeert taalfouten, en doet dat voor kandidaten die jij wil voorstellen aan klanten zonder dat er een junior-recruiter een halve dag mee bezig is. Zie CV parsing voor de details.
Eén systeem in plaats van twee. De data moet ook écht landen waar jij werkt, en bij Simply is dat dezelfde plek waar het gesprek is opgenomen — je datamodel zit in het product zelf, niet achter een koppeling. Daaromheen sluiten Gmail, Outlook, Google Calendar, Zoom, Slack en HubSpot aan. Je hoeft geen nieuwe workflow te leren. Je werkt zoals je werkt; de data landt waar hij hoort.
Wat activate oplevert: een kandidaatprofiel dat ná een intake compleet is. Niet 40% gevuld met “de rest doe ik later”. Niet 80% gevuld met “ik weet niet meer wat ik in veld zeven heb bedoeld”. Maar 95% gevuld, gevalideerd, en herleidbaar. De overige 5% is wat echt handwerk is (subjectieve inschattingen, soft skills, klik met de klant), en dát is wat een recruiter moet doen.
Er is een vierde element dat geen losse laag is maar overal doorheen loopt: herleidbaarheid. Elke zin in een samenvatting, elk gevuld veld in een kandidaatprofiel, elke beslissing op basis van het gesprek moet terug te leiden zijn naar de bron.
Concreet: in je kandidaatprofiel staat “gewenst uurtarief 95 EUR, zeker”. Een klik op dat veld brengt je terug naar de exacte zin in het transcript waarin dat is gezegd. Nog een klik en je hoort de audio-fragment waarin de kandidaat het letterlijk zei. Niet scrollen door 9000 woorden. Niet zoeken in een mailbox. Één klik.
Waarom dit er toe doet: een recruiter die twee maanden later bevraagd wordt door een hiring manager, moet kunnen antwoorden binnen 30 seconden. Een consultant die een rapport over een match moet onderbouwen, moet de bron kunnen zien. Een compliance-audit moet kunnen volgen welke data waar vandaan kwam. Dit is waar transparantie over gaat: niet als marketing-claim, maar als functionele laag die elke beslissing weer verifieerbaar maakt.
Tools die dit niet leveren, leveren effectief een zwarte doos. En recruiters vertrouwen geen zwarte dozen als er kandidaatgegevens en klantrelaties op het spel staan.
Een van de zwakste plekken van AI-tooling is dat succesclaims vaag blijven. “Bespaart tijd.” “Verbetert kwaliteit.” Geen getal. Geen baseline. Geen manier om over zes maanden te bepalen of het werkt.
Vier KPI’s maken recruitment intelligence tastbaar:
Met deze vier getallen meet je of je tooling echt intelligence toevoegt of alleen een mooie samenvatting.
Veel recruiters behandelen compliance als een losse zorg naast AI-tooling. Dat is een misvatting. Een AI-systeem dat geen herleidbaarheid levert, is niet alleen zwak in intelligence, maar ook kwetsbaar in AVG-context. Een kandidaat heeft het recht om te weten welke data over hem is vastgelegd, waar die op gebaseerd is, en hoe die wordt gebruikt. Als je dat niet kunt laten zien, kun je niet voldoen aan informatieplicht.
Andersom: een systeem dat elke veldwaarde terugkoppelt aan een bronpassage, een audit-log bijhoudt, en data op aanvraag kan verwijderen, maakt compliance in plaats van omzeilt het. Simply is GDPR-compliant en ISO-27001-gecertificeerd ingericht — zie onze enterprise security pagina voor de details.
De korte samenvatting: datakwaliteit en datacompliance zijn niet twee onderwerpen, maar hetzelfde onderwerp. Wie het één goed doet, doet het ander meestal ook goed.
De keten werkt in elke recruitment-context, maar de nadruk verschuift.
Voor uitzendbureaus ligt de winst in schaal: 50+ kandidaatgesprekken per week per recruiter, waar elke minuut administratie direct optelt. Hier is time-to-CRM de belangrijkste KPI.
Voor werving-en-selectie-bureaus ligt de winst in kwaliteit: fewer, higher-stakes gesprekken per kandidaat, waar herleidbaarheid naar de hiring manager cruciaal is. Hier tellen source-traceability en field-fill-rate het zwaarst.
Voor detacheerders en headhunters ligt de winst in commerciële data: tariefhistorie, beschikbaarheidsplanning, langetermijnrelaties. Hier maakt de validatie-laag het verschil.
In alle gevallen geldt: de keten moet compleet zijn. Eén ontbrekende laag maakt de andere lagen onbruikbaar.
Meer lezen over de transcriptie-kant van de keten? Zie onze AI interview transcriptie gids. Over waarom versnipperde data je productiviteit doodt, zie einde aan versnipperde recruitmentdata. Voor de meeting-notes-laag: AI meeting notes voor recruiters.
Over de auteur
Remo Vloet is medeoprichter van Simply, het AI Operating System voor recruitmentbureaus: inbox, gesprekken, sourcing, cv-verwerking, zoeken en matchen, documenten en automatisering in één systeem. Met een achtergrond in het bouwen van complexe software draagt hij bij aan de technische visie achter Simply.
LinkedInArtikelen van Remo VloetRecruitment intelligence is de gestructureerde, gevalideerde, herleidbare data over kandidaten, vacatures en klanten die je uit je dagelijkse recruitment-werk haalt. Geen lijst met LinkedIn-profielen, geen stapel CV's, maar een database waarin elk veld is ingevuld, gemarkeerd op zekerheid, en terug te leiden naar een brongesprek. Het is het product van drie lagen: capture (alles vastleggen), validate (zekerheid bepalen) en activate (in je CRM zetten).
AI screening tools richten zich op één moment in het proces: het selecteren van kandidaten uit een pool op basis van CV's of profielen. Recruitment intelligence is de hele keten: hoe data ontstaat (uit gesprekken, niet alleen CV's), hoe die gevalideerd wordt (per veld, niet als geheel), en hoe die in je CRM landt (gestructureerd, niet als losse PDF). Screening is een gevolg van goede intelligence; zonder intelligence is screening een gok op slechte data.
Simply is zelf het ATS, dus het eerlijke antwoord is dat het je huidige systeem vervangt in plaats van ermee te synchroniseren. Kom je van een ander systeem, dan is dat een migratie in één richting van ongeveer vier weken, met een veldmapping waar jij eerst naar kijkt; daarna is er geen verbinding terug. Wat je niet wil is een tool die data in een los portaal bewaart en je dwingt handmatig over te zetten — dan sla je de activate-laag over en heb je alsnog handwerk. Check altijd eerst of de integratie op veld-niveau werkt, niet alleen "via een CSV-export".
Opnames maken mag, mits de kandidaat is geïnformeerd en expliciet toestemming heeft gegeven. De opslag moet in de EU zijn, er moet een Data Processing Agreement met de leverancier zijn, en kandidaten moeten hun data kunnen inzien, corrigeren en laten verwijderen. Tools die standaard op US-servers draaien zonder DPA of die geen kandidaat-inzage ondersteunen, voldoen niet. Simply is GDPR-compliant en ISO-27001-gecertificeerd ingericht.
Afhankelijk van de configuratie en de kwaliteit van de gespreksopname zit de praktijk op 5 tot 15 procent van de velden die de recruiter nog aanraakt. Dat is meestal de oranje-gemarkeerde laag (twijfelgevallen die de AI als "check dit even" aanreikt). Wat je wil voorkomen is dat je ook alle groen-gemarkeerde velden nog eens nagaat — dan heeft de validatie-laag gefaald en zit er een fundamenteel probleem in de zekerheidsdrempel.
Otter en Fireflies zijn generieke meeting-tools, oorspronkelijk gebouwd voor sales en standups. Ze leveren een transcript en een samenvatting, maar missen de validate- en activate-laag voor recruitment: geen CRM-veldmapping, geen zekerheidsmarkering, geen bron-herleidbaarheid per veld. Carv is dichter bij recruitment maar blijft in onze ervaring op de summary-laag hangen. Simply is gebouwd vanaf laag 3 (CRM-activatie) terug, niet vanaf laag 1 (transcriptie) vooruit. Dat is een andere architectuur, niet een andere feature-set.
Technische koppeling met een bestaand CRM is meestal 1 tot 3 werkdagen. De configuratie-fase (welke velden mappen naar welke dropdowns, welke sjablonen per gesprekstype, welke zekerheidsdrempels) is 1 tot 2 weken afhankelijk van hoeveel maatwerk je huidige systeem heeft. Adoptie binnen het recruiter-team is in onze ervaring binnen 2 weken op 80%+ als de eerste laag (omnichannel capture) goed werkt; als recruiters handmatig moeten opstarten per gesprek, zakt adoptie snel terug.
Bij een recruiter met 30+ kandidaatgesprekken per week zit de tijdswinst op 6 tot 10 uur administratie per week. Bij gemiddelde uurtarieven verdient de investering zich in 4 tot 8 weken terug op pure administratie-reductie. De grotere winst (betere CRM-data, snellere rapportage, minder fouten in kandidaatvoorstellen, herleidbaarheid bij vragen achteraf) komt daarna, en is lastiger in geld uit te drukken maar vaak groter in impact.
Een QBR (Quarterly Business Review) is de kwartaalreview met je opdrachtgever. Zo bouw je er een die je account bindt, en waarom datakwaliteit alles bepaalt.
Remo Vloet9 min.
ICP staat in recruitment voor twee dingen: Ideal Customer Profile én Ideal Candidate Profile. Zo bouw je allebei, en waarom datakwaliteit het verschil maakt.
Remo Vloet9 min.
AI-screeningtools lezen en ranken kandidaten in minuten. Zo werken de belangrijkste soorten, waar bias en compliance-risico insluipen, en hoe je kiest.
Remo Vloet9 min.
Ontdek hoe Simply je workflow volledig kan transformeren.Geen slides, gewoon het product.