Over de Candidate Prompt Journey: 'De strijd om talent begint steeds vaker bij A.I.'

Maak kennis met Neem Karim. Hij is 44 jaar oud, heeft mbo-4 en werkt als onderhoudstechnicus bij een installatiebedrijf. Hij wil een vaste baan met meer zekerheid en een beter salaris. Vroeger had hij daarvoor rondgevraagd in zijn omgeving, wat gegoogeld en een paar vacaturesites bekeken. Nu opent hij ChatGPT en typt: ‘Ik ben 44, onderhoudstechnicus en zoek een vaste baan met een goed salaris. Welke grote werkgevers in Nederland passen bij mij?’ Binnen een paar seconden heeft hij een heel lijstje voor zich.

‘Je werkgeversmerk is nu steeds meer afhankelijk van wat een taalmodel ziet, analyseert en begrijpt.’

Karim is een fictieve kandidaat, bedacht door bureau AI Rebels. Hij illustreert wel een echte verschuiving. Een groeiend deel van de candidate journey speelt zich niet meer af op werkenbij-sites en vacatureplatforms, maar in een chatvenster. ‘En dat maakt je werkgeversmerk afhankelijk van wat een taalmodel ziet, analyseert en begrijpt’, zegt Nigaio Wijnen, een van de founders en eigenaren van AI Rebels.

Met naam 77%, zonder naam 24%

Hoe groot het verschil kan zijn, blijkt uit metingen die AI Rebels deed bij een grote technische werkgever. Als kandidaten die werkgever bij naam noemden in hun vraag, kwam hij in 77% van de A.I.-antwoorden goed in beeld. Vroegen ze echter zónder merknaam naar interessante technische werkgevers, dan zakte dat ineens naar 24%. Een verschil dus van 53 procentpunt, oftewel: ruim twee derde van alle aanvankelijke vernoemingen.

‘Dit is een speelveld waarop je niet volledig bepaalt wat er over jouw organisatie wordt verteld.’

De werkgever is dus goed te vinden voor mensen die hem al kennen, maar veel minder zichtbaar voor kandidaten die zich nog breed oriënteren. ‘Juist daar ligt dus een enorme kans voor employer branding‘, zegt Wijnen. ‘Kandidaten gebruiken steeds vaker A.I. om werkgevers te ontdekken, arbeidsvoorwaarden te vergelijken, ervaringen te onderzoeken en hun uiteindelijke keuze te bepalen. Dat is een speelveld waarop je niet volledig bepaalt wat er over jouw organisatie wordt verteld.’

269 zoekopdrachten achter 1 vraag

Hoe zo’n antwoord precies tot stand komt, ziet de kandidaat niet. Taalmodellen putten uit hun trainingsdata en kunnen, afhankelijk van het model, ook actuele informatie online opzoeken. Daarbij voeren ze vaak meerdere zoekopdrachten uit en combineren ze verschillende bronnen. ‘De kandidaat ziet alleen het antwoord’, aldus Wijnen. Maar dat is (meestal) ook het enige dat hem of haar interesseert.

De kandidaat ziet alleen het antwoord. Maar dat is meestal ook het enige dat hem of haar interesseert.

Bij de genoemde technische werkgever leverde de vraag ‘Welke werkgevers hebben op dit moment veel technische en ICT-vacatures in Nederland?’ in 1 maand 269 geregistreerde sub-zoekopdrachten op, zoals ‘bedrijven met veel IT-vacatures Nederland’ en ‘meeste ICT-vacatures werkgevers Nederland’.

Welke sites daarbij bovenkomen, bepaalt mede welke werkgevers in het antwoord belanden. En die informatiebehoefte verschuift tijdens de zoektocht: eerst draait het doorgaans om werkgeversoverzichten, vacatures en rankings, later vaak om salarissen, arbeidsvoorwaarden en reviews.

Van eerste vraag tot sollicitatie

Om de A.I.-zichtbaarheid van werkgevers te kunnen meten, ontwikkelde AI Rebels de zogeheten Candidate Prompt Journey. De methode deelt de zoektocht van een kandidaat op in 5 fasen. In de eerste fase, oriëntatie, vraagt (de denkbeeldige) Karim zonder bedrijfsnamen welke werkgevers in de techniek veel baanzekerheid bieden. Het model moet dan zelf kiezen wie het noemt. ‘De vraag is dan niet of A.I. jouw werkgever kent, maar of A.I. jouw werkgever spontaan aanbeveelt’, zegt Wijnen.

Daarna volgt de verkenning. Karim wil dan bijvoorbeeld weten wat een storingsmonteur bij een bepaald bedrijf doet, wat hij verdient en hoe de werktijden eruitzien. Dan telt vooral of het beeld klopt: haalt het model zijn informatie van de actuele werkenbij-site, van een externe salarisvergelijker of uit een verouderde vacature? Wijnen: ‘Zichtbaarheid is weinig waard als A.I. onjuiste arbeidsvoorwaarden noemt of een achterhaald beeld van de organisatie geeft.’

‘Zichtbaarheid is weinig waard als A.I. een achterhaald beeld van de organisatie geeft.’

In de derde fase, vergelijking, legt Karim 2 werkgevers naast elkaar en vraagt waar hij het beste salaris, de meeste zekerheid en de beste doorgroeikansen krijgt. De A.I. verandert dan van informatiebron in vergelijkingsinstrument. AI Rebels kijkt naar de winrate: hoe vaak komt een werkgever er op een bepaald onderwerp gunstiger uit dan de concurrent? ‘Niet alleen of je wordt genoemd, maar ook waaróm je wint of verliest’, zegt Wijnen.

Externe bronnen tellen

Fase 4 is verificatie. Karim vraagt of de werkdruk echt zo hoog is en hoe tevreden medewerkers zijn. Dan wegen externe bronnen als Indeed, Glassdoor, Reddit en nieuwsberichten zwaar mee. Een negatieve review of oud nieuwsbericht kan zo in het antwoord belanden, ook als de werkgever zelf een heel ander verhaal vertelt. ‘Employer branding draait niet alleen om wat je zelf vertelt, maar ook om wat anderen over je zeggen. En om wat A.I. daarvan maakt.’

In de laatste fase, de beslissing, vraagt Karim hoe de sollicitatieprocedure verloopt en waar hij kan solliciteren. Dan gaat het erom of het model correcte informatie geeft en doorverwijst naar de juiste vacature of werkenbij-pagina. Op dat moment kan interesse omslaan in een daadwerkelijke sollicitatie.

30 antwoorden per vraag

Een uitdaging bij dit soort metingen: dezelfde vraag levert op verschillende momenten verschillende antwoorden op. AI Rebels trekt daarom geen conclusies uit losse prompts. Het bureau streeft naar minstens 30 geregistreerde antwoorden per prompt, verdeeld over 5 taalmodellen en een periode van een maand, en rapporteert de resultaten per model. Zo worden patronen zichtbaar in plaats van toevallige uitschieters.

Door vaker te meten worden patronen zichtbaar in plaats van toevallige uitschieters.

Elke prompt hoort bij een kandidaatprofiel, een fase en een arbeidsmarktthema. Een thema geldt als voorlopig voldoende sterk als de werkgever 3 maanden achter elkaar in minstens 80% van de relevante antwoorden voorkomt, bij ten minste 3 van de 5 taalmodellen. Daarna verschuift de aandacht naar onderwerpen waarop de werkgever nog onvoldoende zichtbaar is. Per kwartaal wordt ongeveer een derde van de vragen vervangen.

Een extra laag tussen kandidaat en werkgever

Werkgevers investeren al jaren in hun zichtbaarheid op Google, LinkedIn, vacaturesites en hun eigen werkenbij-platforms. Volgens Wijnen moeten organisaties beseffen dat daar nu een (cruciale) laag bijkomt. ‘A.I. selecteert, vat samen, vergelijkt en interpreteert. Het presenteert niet noodzakelijk het werkgeversverhaal dat een organisatie zelf wil vertellen.’ Ontbreekt relevante informatie, dan valt een werkgever weg. Is de informatie verouderd, dan ontstaat een verkeerd beeld. En als externe bronnen domineren, bepalen anderen hoe de werkgever overkomt.

‘A.I. presenteert niet noodzakelijk het werkgeversverhaal dat een organisatie zelf wil vertellen.’

Weten hoeveel mensen je werkenbij-site bezoeken is daarom niet meer genoeg, vindt Wijnen. ‘Je wilt ook begrijpen wat er gebeurt voordat iemand besluit die site te bezoeken. Welke werkgevers beveelt A.I. aan, welke argumenten gebruikt het model, welke twijfels ontstaan er? En op welk moment verdwijnt jouw organisatie uit de overweging?’ De Candidate Prompt Journey kan het in kaart brengen, en zou dus wel eens een begrip kunnen worden waar we de komende jaren nog veel van zullen horen.

Zelf aan de slag met GEO?

Ben je werkgever of recruiter, en wil je jouw werkenbij-site, vacatures en employer branding beter vindbaar maken in antwoorden van LLM’s? Dan kun je binnenkort weer deelnemen aan het Seminar GEO van de Academie voor Arbeidsmarktcommunicatie, met onder meer Bryan Peereboom (AI Rebels) als een van de sprekers.