Alle artikelen

Trends

Waarom LLM’s jouw vacatures negeren: de 5 A.I.-beslisfactoren voor employer branding

Nu kandidaten zoeken via LLM's, is het niet meer genoeg dat Google je werkenbij-site weet te vinden. Maar wat moet je doen om door A.I. genoemd te worden als goede werkgever? Bryan Peereboom (AI Rebels) noemt 5 belangrijke factoren.

placeholder Waarom LLM’s jouw vacatures negeren: de 5 A.I.-beslisfactoren voor employer branding

Jarenlang bestond het playbook van recruitment marketing eigenlijk maar uit 1 simpele truc: prop je vacaturetekst vol met de juiste zoekwoorden, optimaliseer je werkenbij-site voor Google, en hoop dat kandidaten je via een traditionele zoekopdracht vinden. In een wereld gedomineerd door Generative AI is die strategie nu echter niet meer genoeg.

Optimaliseren voor Google is in deze wereld niet meer genoeg.

Kandidaten typen geen ‘vacature data engineer Amsterdam‘ meer in hun Google-zoekbalk in. Ze leggen hun situatie voor aan een taalmodel zoals Claude, ChatGPT of Gemini. Een vraag uit onze eigen meting: ‘Ik wil iets met data of software, maar niet bij Big Tech. Welke werkgevers passen bij mij?’ Een LLM scant niet op zoekwoorden om deze kandidaat antwoord te geven. Het model weegt een set van criteria af om tot een aanbeveling te komen.

Wil je als werkgever door de A.I. naar voren worden geschoven? Dan moet je jouw employer brand dus leren optimaliseren. En dat doe je door rekening te houden met deze 5 A.I.-beslissingsfactoren. Het model komt van Opascope™ en Loud & Lexis, die 5 determinants beschreven waarop A.I. zijn aanbevelingen baseert. Wij hebben ze vertaald naar de arbeidsmarkt en getoetst op onze eigen metingen.

Wat wij bij AI Rebels zelf zien

AI Rebels telde van 2 tot en met 17 november 2026 alle 894 antwoorden van ChatGPT op 60 brede vragen over werken in de infrasector. In 467 daarvan, ruim de helft, gaf ChatGPT een eerste lijst met werkgevers en vroeg het de kandidaat daarna door. Samen ging het om 1.651 vragen: 533 keer over het soort werk, 330 keer over de regio, 222 keer over wat je belangrijk vindt, 166 keer over ervaring, 153 keer over opleidingsniveau, 69 keer over salaris en 63 keer over uren.

De eerste lijst is breed, en A.I. kiest pas echt namen van werkgevers als het weet wie ernaar vraagt.

Het is 1 model en de vragenset van 1 werkgever. Maar het patroon was elke dag hetzelfde: de eerste lijst is breed, en A.I. kiest pas echt namen van werkgevers als het weet wie ernaar vraagt. Om welke 5 determinanten ging het daarbij?

#1. Selectiecriteria (harde voorwaarden en specs)

LLM’s filteren genadeloos op harde data. Als de A.I. een afweging maakt, kijkt het naar de feitelijke specificaties van de baan: salarisranges, remote/hybride-beleid, contractvormen, aantal vakantiedagen en de exacte techstack of tools waarmee gewerkt wordt. In onze telling vroeg ChatGPT 330 keer naar de regio, 69 keer naar salaris en 63 keer naar uren.

Zorg dat je ATS-data en vacatures gestructureerd en machine-readable zijn.

De valkuil: werkgevers die salarissen verbergen achter ‘marktconform’ of secundaire voorwaarden verstoppen in een onleesbare pdf, verschijnen minder vaak in het antwoord. Zorg dus dat je ATS-data en vacatures gestructureerd en machine-readable zijn.

#2. Toepassing (de carrière-use case)

In consumentenmarketing draait de use case om het probleem dat een product oplost. In recruitment draait de use case om de carrièrebehoefte van de kandidaat en de bestaande set-up (hun huidige vaardigheden). Zoekt de kandidaat stabiliteit, een leiderschapstraject, of de kans om een nieuwe afdeling vanaf de grond op te bouwen? Het was de meest gestelde wedervraag in onze telling: 533 keer vroeg ChatGPT naar het soort werk of de richting. Die vraag kwam terug in 86% van de formulieren.

De actie: maak expliciet welk ‘probleem’ jouw organisatie voor de kandidaat oplost.

De actie: maak expliciet welk ‘probleem’ jouw organisatie voor de kandidaat oplost. Beschrijf de reële uitdagingen en projecten, niet alleen een generiek takenlijstje.

#3. Doelgroep (kandidaatprofiel)

Een LLM segmenteert en kwalificeert gebruikers aan de hand van hun prompts. Het model weet of het praat met een startende hbo’er of een doorgewinterde specialist. En weet het dat niet, dan vraagt het ernaar: 166 keer naar ervaring en 153 keer naar opleidingsniveau.

Vacatures die schreeuwen om een ‘dynamische duizendpoot’ zijn onmogelijk te classificeren voor een A.I.

De valkuil: vacatures die schreeuwen om een ‘dynamische duizendpoot’ zijn onmogelijk te classificeren voor een A.I. Als je content voor iedereen is geschreven, beveelt de A.I. je bij niemand aan. Wees dus chirurgisch precies in wie je zoekt qua senioriteit, mindset en ervaring.

4. Geloofwaardigheid (externe validatie)

A.I. zoekt naar bewijs buiten jouw eigen werkenbij-ecosysteem. Wat je over jezelf zegt, weegt minder zwaar dan wat de rest van het web over je zegt. Het model kijkt dus bijvoorbeeld naar Glassdoor-reviews, onafhankelijke techblogs, publicaties van jouw medewerkers, en whitepapers waarin jouw experts worden geciteerd. Bij dezelfde werkgever waren de 5 meest gebruikte bronnen op brede vragen ranglijsten van derden.

Bij dezelfde werkgever waren de 5 meest gebruikte bronnen op brede vragen ranglijsten van derden.

De actie: geloofwaardigheid kun je niet faken met een paar blije quotes op je eigen domein. Je employer branding moet verder reiken dan je eigen website via een robuuste PR- en contentstrategie.

5. Merkassociatie (de trainingsdata-voetafdruk)

Hoe sterk is jouw werkgeversmerk in het brein van het LLM gekoppeld aan een specifieke niche? Als een model de vraag krijgt: ‘Wat zijn de beste werkgevers voor logistieke innovatie in Nederland?’, leunt het op de opgeslagen associaties uit miljarden datapunten.

De actie: zorg voor structurele zichtbaarheid in jouw domein.

De actie: zorg voor structurele zichtbaarheid in jouw domein. Dit vereist langetermijndenken en een strakke integratie van je merknaam met de expertises die je in huis wilt halen.

De Candidate Prompt Journey (CPJ) is de nieuwe funnel

De Candidate Prompt Journey is de route van vragen die een kandidaat aan een taalmodel stelt, van de eerste oriëntatie tot de beslissing om te solliciteren. Wij verdelen die route in 5 fasen: oriëntatie, verkenning, vergelijking, verificatie en beslissing. We zien ook dat A.I. recruitmentafdelingen dwingt tot empirische, datagedreven transparantie. Werkgevers die de Candidate Prompt Journey in kaart brengen en hun data-infrastructuur daarop inrichten, winnen de aanbeveling. De rest wordt onzichtbaar.

Over de auteur

Bryan Peereboom is een van de initiatiefnemers van AI Rebels, een bureau dat werkgevers wil helpen voor kandidaten zichtbaar te worden in LLM’s.

Gerelateerde berichten

Alle artikelen
placeholder Welke invloed heeft politieke voorkeur op je selectie? Meer dan je misschien denkt…

Duurzaamheid in je cv na de winst van Biden, en er weer uit na die van Trump. Amerikaanse werknemers passen hun profiel massaal aan de politieke wind aan. En werkgevers belonen dat, zelfs ten koste van kwaliteit. Wat zegt onderzoek over politieke voorkeur bij werving?

Peter Boerman Peter Boerman Lees artikel
placeholder Hoe het praktijklokaal steeds vaker de oplossing voor het personeelstekort wordt

Gisteren ging er in Tilburg weer een groot praktijklokaal open, waar de installateurs van morgen worden opgeleid. Steeds vaker grijpen organisaties naar hun eigen praktijkscholen. Gaat het lukken om daarmee de tekorten te pareren?

Peter Boerman Peter Boerman Lees artikel
placeholder Hoe de gluurbril ook je sollicitatieprocessen kan binnendringen

Over 'slimme camerabrillen' is wereldwijd veel te doen. Oók,of liever gezegd: steeds vaker, in recruitment. Want wie geeft nu eigenlijk het antwoord op jouw vragen? En wat kun je ertegen doen?

Peter Boerman Peter Boerman Lees artikel

Altijd op de hoogte van de ontwikkelingen op de arbeidsmarkt?

Meld je aan voor onze nieuwsbrief en ontvang de laatste updates, nieuws en uitnodigingen voor onze evenementen.