Classificatie is geen eindpunt
Veel organisaties behandelen AI Act-classificatie als een juridische exercitie. Is de tool high-risk of niet? Valt hij onder Bijlage III of niet? Mag hij live of moet hij wachten?
Voor recruitment en personeelsbeheer is dat te beperkt. Classificatie is het begin van het bewijsdossier, niet het einde. Een HR-AI systeem dat sollicitaties filtert, kandidaten evalueert, matching scores geeft of werknemers beoordeelt, vraagt om een praktische vertaling naar processen, documenten en training.
De vraag is dus niet alleen: "onder welke route valt dit?" De betere vraag is: "welk bewijs hebben wij nodig om dit systeem verantwoord te gebruiken, uit te leggen en te verbeteren?"
Stap 1: teken de HR-workflow uit
Begin niet met de software. Begin met de HR-beslissing.
Voor recruitment kan de workflow er zo uitzien:
- vacaturetekst en doelgroep;
- campagne en targeted job advertising;
- sollicitatieformulier;
- cv-parsing en knock-outvragen;
- ranking of matching;
- shortlist;
- interviewselectie;
- eindbeslissing.
Voor personeelsbeheer kan de workflow heel anders zijn:
- planning of taaktoewijzing;
- productiviteits- of prestatieanalyse;
- verzuim- of retentiesignalen;
- promotieadvies;
- verbetertraject;
- contractuele beslissing.
Pas wanneer de workflow zichtbaar is, ziet u waar AI invloed heeft op een persoon. Dat is de plek waar het evidence pack begint.
Stap 2: koppel elk AI-touchpoint aan Annex III punt 4
Bijlage III punt 4 heeft twee routes[1].
Route 4(a) gaat over recruitment en selectie: gerichte vacatures, applicaties analyseren en filteren, kandidaten evalueren.
Route 4(b) gaat over personeelsbeheer en arbeidsrelaties: beslissingen over arbeidsvoorwaarden, promotie, beeindiging, taaktoewijzing, monitoring en beoordeling van prestaties of gedrag.
Veel organisaties hebben beide routes in een pakket zitten. Een ATS kan kandidaatmatching doen, maar dezelfde leverancier kan ook workforce analytics of interne mobiliteit leveren. Daarom hoort classificatie per functie en per workflow te gebeuren.
Een eenvoudige classificatietabel bevat:
- systeemnaam;
- leverancier;
- AI-functionaliteit;
- doelgroep: kandidaat, medewerker, manager of recruiter;
- HR-beslissing die wordt beinvloed;
- mogelijke Annex III route;
- reden voor classificatie;
- eigenaar van het bewijsdossier.
Stap 3: vraag niet om beleid, vraag om bewijs
Een evidence pack is geen map met algemene beleidsdocumenten. Het is een compacte set documenten waarmee u een concrete HR-AI workflow kunt uitleggen.
Voor een eerste HR-AI evidence pack wilt u minimaal:
- use case register;
- Annex III classificatienotitie;
- data- en biascheck;
- human oversight playbook;
- kandidaat- of medewerkernotitie;
- vendor due diligence samenvatting;
- AI-geletterdheid rolmatrix;
- monitoring- en incidentproces.
Dit hoeft niet meteen perfect juridisch proza te zijn. Het moet wel bruikbaar zijn voor legal, privacy, HR, compliance, de OR en de leverancier.
Stap 4: maak menselijk toezicht concreet
Human oversight faalt wanneer het te abstract blijft. Een recruiter die "verantwoordelijk" is, maar niet weet hoe het model tot een score komt, kan niet echt controleren.
Maak daarom per AI-output duidelijk:
- welke informatie de gebruiker ziet;
- welke onzekerheden zichtbaar zijn;
- welke signalen tot extra review leiden;
- wanneer de AI-output niet gebruikt mag worden;
- hoe een override wordt vastgelegd;
- wie periodiek controleert of overrides structurele patronen laten zien.
Dit is geen papieren bijlage. Het is een gebruiksinstructie die in de dagelijkse workflow moet passen.
Stap 5: verbind training aan het systeem
AI-geletterdheid wordt vaak los georganiseerd: een algemene e-learning, een certificaat en klaar. Voor HR-AI is dat onvoldoende.
Een recruiter moet bias-signalen en onlogische rankings herkennen. Een hiring manager moet weten dat een shortlist geen objectieve waarheid is. Een HR business partner moet begrijpen wanneer workforce analytics overgaat in monitoring. Legal en privacy moeten weten welke documentatie zij kunnen opvragen.
Daarom hoort training in het evidence pack:
- welke rollen werken met de tool;
- welke systeemrisico's moeten zij begrijpen;
- welke scenario's hebben zij geoefend;
- welk assessment bewijst dat zij het kunnen toepassen;
- wanneer krijgen zij een refresher.
Voor de trainings- en bewijslaag kunt u de LearnWize-route gebruiken, terwijl Embed AI de governance- en implementatielaag organiseert.
Stap 6: bouw een ritme, geen eenmalige check
Een HR-AI evidence pack is geen eenmalige oplevering. Recruitmentdata veranderen, kandidatenpools veranderen, leveranciers updaten modellen en managers ontwikkelen gewoontes rond AI-output.
Leg daarom vast:
- maandelijkse of kwartaalmonitoring;
- bias- en datakwaliteitschecks;
- vendor update review;
- training refreshers;
- incident- en klachtanalyse;
- jaarlijkse herclassificatie.
De draft guidelines van de Commissie onderstrepen dat classificatie contextueel en documenteerbaar moet zijn[2]. Dat past beter bij een levend bewijsdossier dan bij een statische memo.
De praktische route
Voor veel organisaties is de beste volgorde:
- inventariseer HR-AI systemen;
- classificeer per workflow;
- prioriteer systemen die kandidaten of werknemers direct raken;
- bouw een compact evidence pack;
- train de rollen die het systeem gebruiken;
- monitor bias, overrides en incidenten;
- actualiseer het dossier na vendor updates.
De HR-AI Risk & Evidence Sprint is precies voor deze route gebouwd. Wilt u eerst weten welke use cases in uw organisatie het meest urgent zijn, begin dan met de AI Act Gap Intake.
Slot
Classificatie zonder evidence pack blijft kwetsbaar. U weet dan misschien onder welke juridische route een systeem valt, maar u kunt nog niet laten zien hoe het in de praktijk verantwoord wordt gebruikt.
Voor AI in recruitment is dat verschil cruciaal. Kandidaten en medewerkers worden geraakt door scores, filters, rankings en adviezen. Een goed evidence pack laat zien dat uw organisatie die invloed serieus neemt.
