Daarom deel ik in deze blog waarom je inrichting in AFAS op orde moet zijn vóórdat je AI inzet en welke 5 stappen je vandaag al kunt nemen.
Stel je voor: je zet Jonas in om een vacaturetekst te genereren. De tekst leest goed, de toon klopt, de structuur is duidelijk. Maar de functiebeschrijving waarop de AI zich baseert, dateert uit 2021, de competenties sluiten niet meer aan op wat het team nodig heeft, en de salarisschaal klopt niet meer.
Het resultaat? Een vacature die er misschien wel professioneel en strak uitziet, maar de verkeerde kandidaten aantrekt.
Dat is wat ik bedoel met de paradox van AI in HR: hoe slimmer de tool, hoe groter de schade als de basis niet klopt.
Wat levert AI op voor HR-afdelingen die hun data wél op orde hebben?
Toen ik deze blog ging schrijven, kwam ik het Bullhorn GRID Industry Trends Report 2026 tegen. Uit onderzoek naar 230 Benelux-professionals blijkt dat organisaties met schone data en structurele AI-inzet 3 tot 9 keer sneller groeien in omzet.
Wat dat concreet oplevert voor jou?
- AI-gebruikers met schone data screenen kandidaten 50 tot 75% sneller
- Skills-driven matching leidt tot 20 tot 30% minder verloop
- 63% van de best presterende organisaties neemt de kandidaat binnen 10 werkdagen aan
- KPI's verbeteren met 26 tot 50% bij hoge datakwaliteit
Goede cijfers, maar deze resultaten gelden natuurlijk alleen als de basis klopt. En bij veel maatschappelijke organisaties is dat precies waar het misgaat.
Waarom datakwaliteit de blinde vlek van AI in HR is
AI maakt geen onderscheid tussen actuele en verouderde data. Jonas toetst ehct niet of een functieprofiel nog klopt, maar verwerkt wat er staat en genereert output op basis van die informatie, ongeacht de kwaliteit ervan.
Dat heeft flinke gevolgen, want uit onderzoek door bijvoorbeeld digitalImpact.nl (2026) blijkt dat slechte datakwaliteit 30 tot 50% meer bias veroorzaakt in het beoordelen van cv’s en de fit op de bedrijfcultuur.
Wat mij betreft kun je dan ook wel zeggen dat datakwaliteit daarom de nummer 1 blokkade is voor het opschalen van AI in HR.
Vier dingen die misgaan als je AI loslaat op een vervuild functiehuis
Laten we concreet worden. Wat gebeurt er als je Jonas inzet terwijl je functiehuis niet op orde is?
- Je trekt verkeerde kandidaten aan
De AI genereert een vacaturetekst op basis van een functiebeschrijving die niet meer klopt, sollicitanten herkennen zich niet in de functie zodra ze in gesprek gaan, en jij verliest tijd, geld en geloofwaardigheid. - Je vergroot de vooroordelen
Verouderde competentieprofielen bevatten vaak vooroordelen. AI neemt die over en past ze consequent toe op elke vacature, elke screening, elke match. - Je onderbouwt beleid met foute data|
Rapportages over verloop, ziekteverzuim of vaardigheden die ontbreken, baseren zich op een functiehuis dat niet klopt. De conclusies lijken overtuigend, maar de basis is dus echt onbetrouwbaar. - Je verliest het vertrouwen van je organisatie
Medewerkers en managers merken dat de output niet aansluit op de werkelijkheid waardoor ze het niet meer gaan gebruiken. Sterker nog, om er maar weer een onderzoek bij te pakken, uit onderzoek van AG Connect (2026) blijkt dat 40% van AI-implementaties faalt door adoptie-problemen, niet door gebrekkige technologie.
Bij maatschappelijke organisaties weegt dit extra zwaar. Elke euro en elke minuut moet bijdragen aan de maatschappelijke missie. Beleid dat je bouwt op vervuilde data ondermijnt die missie.
Vijf signalen dat jouw functiehuis niet klaar is voor AI
Een vervuild functiehuis valt helaas niet altijd op. AFAS draait namelijk gewoon door, processen blijven toch wel lopen, en rapportages blijven toch wel verschijnen.
Maar onder de oppervlakte stapelen de uitdagingen zich op. Herken je drie of meer van deze signalen? Dan moet je aan de slag:
- Dubbele of overlappende functieprofielen
Dezelfde functie bestaat onder twee of meer namen. AFAS behandelt ze als aparte functies. AI doet dat ook. - Functiebeschrijvingen zonder recente bijwerkdatum
Heeft niemand de beschrijvingen in de afgelopen twee jaar bijgewerkt? Dan sluiten ze waarschijnlijk niet meer aan op de werkelijkheid. - Competenties die afwijken van de dagelijkse gang van zaken
Vraag een manager of de competenties in functiehuis overeenkomen met wat het team daadwerkelijk doet en het antwoord is vaak: nee. - Inconsistente salarisschalen
Wanneer schalen niet meegroeien met functie-ontwikkeling, krijgt AI een vertekend beeld van de organisatiestructuur. - Geen eigenaar van het functiehuis
Als niemand verantwoordelijk is voor het onderhoud van de functieprofielen in AFAS, is vervuiling gegarandeerd.
De oplossing: data governance
De oplossing is niet om te wachten met AI, maar je data op orde brengen voordat je AI inzet.
Veel organisaties slaan deze stap over, omdat die nieuwe technologie zo verleidelijk is. Ik snap dat, maar het is toch wel riskant.
Daarom kun je deze 5 stappen doorlopen om je data op orde te gaan krijgen:
- Wijs een eigenaar aan voor het functiehuis
Iemand die verantwoordelijk is voor de actualiteit, consistentie en volledigheid van alle profielen in het functiehuis. Zonder eigenaarschap vervuilt AFAS of ieder ander systeem. - Voer een nulmeting uit
Breng in kaart welke functiebeschrijvingen actueel zijn, welke verouderd zijn en welke ontbreken. - Stel een cyclus in om alles bij te werken
Minimaal jaarlijks (koppel dit bijvoorbeeld aan beoordelingscycli of strategische personeelsplanning), want zo voorkom je dat je functiehuis opnieuw veroudert. - Standaardiseer naamgevingen
Zorg dat de hele organisatie dezelfde taal spreekt in het functiehuis, van directie tot werkvloer. - Betrek de organisatie
Het opschonen van die data is niet alleen een verantwoordelijkheid van de ICT afdeling. Het is een samenwerking tussen HR, management en de mensen die dagelijks met AFAS werken.
