Kunstmatige intelligentie heeft zich een weg gebaand naar HR-afdelingen over de hele wereld, met de belofte om processen zoals werving en medewerkerstevredenheid te versnellen en objectiveren. Dit rapport onthult echter dat deze belofte niet zonder risico's is. AI-systemen, die vaak zijn getraind op historische data, kunnen bestaande ongelijkheden verergeren en zelfs onzichtbaar maken. Voor organisaties die streven naar diversiteit, gelijkheid en inclusie, biedt AI zowel kansen als gevaren. Het rapport benadrukt dat verantwoord gebruik van AI in de context van DEI afhankelijk is van datakwaliteit, transparantie en menselijk toezicht, en dat de governance rondom deze technologie cruciaal is.
Voor HR-professionals, recruiters en leiders binnen organisaties is het rapport van groot belang, aangezien het niet alleen de potentie van AI voor inclusie belicht, maar ook de noodzakelijke voorwaarden voor verantwoord gebruik. De groeiende inzet van AI-tools in wervingsprocessen vraagt om een kritische blik op de ethische en juridische implicaties, vooral met de komst van de EU AI Act en de AVG. Dit rapport biedt waardevolle inzichten en richtlijnen voor organisaties die AI willen inzetten als een strategisch middel om DEI-doelstellingen te realiseren, zonder de risico's van algoritmische discriminatie te negeren. Door de juiste randvoorwaarden te implementeren, kunnen bedrijven niet alleen voldoen aan regelgeving, maar ook een rechtvaardigere en inclusievere werkplek creëren.
Kunstmatige intelligentie rukt op in HR-afdelingen wereldwijd. Van het screenen van cv's en het analyseren van sollicitatiegesprekken tot het voorspellen van verloop en het monitoren van medewerkerstevredenheid: AI belooft sneller, efficiënter en objectiever te zijn dan de mens. En juist die belofte van objectiviteit maakt AI zo aantrekkelijk voor organisaties die werken aan diversiteit, gelijkheid en inclusie (DEI). Maar is die belofte terecht? Onderzoek laat een genuanceerder — en soms verontrustend — beeld zien. AI-systemen die worden getraind op historische data absorberen ook historische ongelijkheid. Algoritmen die 'neutraal' lijken, kunnen discriminatie systematiseren en onzichtbaar maken. Tegelijkertijd bieden zij, mits goed ingezet, reële kansen om menselijke vooroordelen te doorbreken en organisaties inclusiever te maken. Dit artikel analyseert de kansen, de gevaren en de randvoorwaarden voor verantwoord AI-gebruik in de context van DEI.
Hoe kunstmatige intelligentie gelijkheid en inclusie in organisaties maakt én breekt — en wat HR en leiders daar vandaag al aan kunnen doen
1. De kansen: AI als versneller van inclusie
De potentie van AI voor DEI is aanzienlijk en groeiend. Onderzoek toont aan dat 35% tot 45% van de bedrijven wereldwijd al AI-gedreven tools inzet in hun wervingsprocessen, en de AI-recruitmentsector groeit naar verwachting met 6,17% per jaar tot 2030 (SHRM, 2023, geciteerd in Ahmed, 2025). Die groei is niet voor niets: AI kan taken uitvoeren die voor mensen cognitief belastend en foutgevoelig zijn.
Concreet biedt AI op DEI-vlak drie krachtige toepassingen. Ten eerste kunnen NLP-tools (Natural Language Processing) vacatureteksten automatisch analyseren en neutraliseren: gendergecodeerd taalgebruik zoals "gedreven" of "assertief" — termen die statistisch vaker mannen aanspreken — worden geflagd of vervangen door inclusievere alternatieven. Zo vergroot AI het bereik van vacatures zonder dat HR-professionals elke tekst handmatig hoeven te screenen.
Ten tweede kan AI bij het screenen van kandidaten persoonsgegevens anonimiseren: naam, geslacht, leeftijd en achtergrond worden weggelaten zodat selectie plaatsvindt op basis van competenties en kwalificaties. Ahmed (2025) bevestigt dat dergelijke gestandaardiseerde evaluaties ertoe bijdragen dat alle kandidaten op consistente, objectieve criteria worden beoordeeld.
Ten derde kan AI op grotere schaal data analyseren dan menselijke HR-teams ooit zouden kunnen. Patronen in doorstroom, beloningsverschillen en vertrekredenen per demografische groep worden zichtbaar, waardoor organisaties gericht kunnen ingrijpen. Diverse teams presteren aantoonbaar beter: zij nemen betere beslissingen, stimuleren innovatie en verbeteren financiële resultaten (Hunt, 2015; Gomez, 2019, geciteerd in Ahmed, 2025). AI kan helpen die diversiteit daadwerkelijk te realiseren — mits het juist wordt ingezet.
2. De gevaren: wanneer algoritmen discrimineren
Hier ligt het fundamentele probleem. AI leert van historische data, en historische data spiegelt historische ongelijkheid. Het meest geciteerde voorbeeld is Amazon: het techbedrijf moest in 2018 zijn AI-gedreven cv-screeningstool afschaffen nadat bleek dat het systeem vrouwelijke kandidaten systematisch lager scoorde. De oorzaak: het model was getraind op data van eerdere succesvolle aanwervingen, die overwegend mannelijk waren (ENAR, 2020; Ahmed, 2025). De technologie versterkte daarmee niet alleen bestaande ongelijkheid — ze maakte die ook onzichtbaar en moeilijk aanvechtbaar.
Dit is geen geïsoleerd incident. De European Network Against Racism (ENAR) stelt in haar onderzoeksrapport uit 2020 dat algoritmen biases reproduceren en versterken wanneer zij focussen op eigenschappen die exclusief zijn gelinkt aan al dominante groepen. Opvallend is daarbij de rol van *proxy-discriminatie*: ook wanneer beschermde kenmerken als ras of geslacht niet expliciet in het model zitten, kunnen variabelen zoals postcode, onderwijsinstelling of schrijfstijl fungeren als vervangers die hetzelfde discriminerende effect produceren. ENAR waarschuwt expliciet dat het gebrek aan rassendiversiteit in Europese werkplekken markers van raciale bias moeilijk herkenbaar maakt in algoritmen — wat de kans vergroot dat zulke bias over het hoofd wordt gezien.
Daar komt bij dat veel AI-modellen zogeheten 'black boxes' zijn: zelfs de ontwikkelaars kunnen niet altijd volledig verklaren waarom een systeem tot een bepaalde beslissing komt (Von Eschenbach, 2021, geciteerd in Ahmed, 2025). Dit maakt het voor sollicitanten, medewerkers en zelfs HR-professionals vrijwel onmogelijk om uitkomsten te betwisten. Gebrek aan transparantie is daarmee niet alleen een technisch probleem, maar een fundamenteel rechtvaardigheidsrisico: wie kan aantonen dat hij of zij onterecht werd afgewezen door een algoritme?
3. Randvoorwaarden: wanneer is AI-gebruik verantwoord?
Verantwoord AI-gebruik voor DEI vereist meer dan goede intenties of een goed geselecteerde tool. Ahmed (2025) identificeert op basis van kwalitatief onderzoek onder HR-professionals, recruiters en DEI-managers vier essentiële randvoorwaarden:
Datakwaliteit en representativiteit. Trainingsdata moeten worden gecontroleerd op historische vertekening. Als een model wordt getraind op data uit een homogene organisatie of sector, leert het de structurele uitsluitingspatronen van die context. Regelmatige audits op bias — bij voorkeur door onafhankelijke externe partijen — zijn geen optie maar noodzaak.
Transparantie en uitlegbaarheid. Explainable AI (XAI) is een cruciale ontwikkeling: technieken die inzichtelijk maken welke factoren een beslissing hebben beïnvloed, stellen HR-professionals in staat om te controleren of een uitkomst in lijn is met organisatiewaarden en -beleid. Onderzoek bevestigt dat wanneer beslissingen transparant en uitlegbaar zijn, medewerkers ze als eerlijker en betrouwbaarder ervaren, wat de acceptatie van AI-gedreven systemen vergroot (Rai, 2020; Lee, 2018, geciteerd in Ahmed, 2025).
Menselijk toezicht. AI moet worden gezien als een beslissingsondersteunend instrument, niet als een beslisser. Finale selectie- en beoordelingsbeslissingen dienen altijd te worden genomen — en betwistbaar te zijn — door mensen. Dit is ook een wettelijke eis: de EU AI Act (gefaseerd van kracht van 2024–2026) verplicht organisaties die 'high-risk AI'-systemen inzetten in HR-processen tot aantoonbaar menselijk toezicht en logboekbijhouding.
AI-geletterdheid en training. Het Technology Acceptance Model (TAM) laat zien dat medewerkers AI eerder accepteren en effectief inzetten wanneer zij het als nuttig én begrijpelijk ervaren (Na, 2022, geciteerd in Ahmed, 2025). Organisaties die investeren in brede AI-geletterdheid — niet alleen bij IT, maar ook bij HR, leidinggevenden en werknemers — vergroten zowel de kwaliteit van het gebruik als het vertrouwen erin.
4. Cultuur, perceptie en de menselijke factor
Technologie is nooit neutraal, en AI al helemaal niet. De effectiviteit van AI voor DEI wordt sterk bepaald door de organisatiecultuur waarin het wordt ingezet. Ahmed (2025) toont aan dat employee perceptions — vertrouwen, eerlijkheidsbeleving, culturele context — een doorslaggevende rol spelen in of AI-gedreven HR-tools daadwerkelijk bijdragen aan inclusie of juist weerstand opwekken.
In cultureel diverse organisaties worden percepties van AI verder gecompliceerd door regionale waarden, sociale normen en eerdere ervaringen met technologie. Wat in de ene cultuur als efficiënt en objectief wordt gezien, wordt elders als kil en ontmenselijkend ervaren. ENAR (2020) signaleert daarbij een zorgwekkende informatieasymmetrie: organisaties en aanbieders van AI hebben doorgaans veel meer kennis over de werking van algoritmen dan de sollicitanten en medewerkers die erdoor worden beoordeeld. Dit maakt geïnformeerde toestemming — een basisprincipe van eerlijk gebruik — in de praktijk problematisch.
Een bijkomend risico is overmatige afhankelijkheid van generieke tools. Veel beschikbare AI-oplossingen voor recruitment en HR zijn ontwikkeld voor de Angelsaksische arbeidsmarkt, met trainingsdata die Europese diversiteitsdimensies — zoals etniciteit in de Europese context, of de betekenis van bepaalde opleidingspaden — onvoldoende weerspiegelen. Organisaties die kritiekloos standaardoplossingen implementeren, lopen het risico een bias-probleem in te kopen dat zij dachten op te lossen.
5. Governance en de EU AI Act: het wettelijk kader
De Europese Unie heeft als eerste wereldmacht een bindend juridisch kader voor AI vastgelegd: de EU AI Act. Voor DEI-toepassingen is dit kader van directe betekenis. AI-systemen die worden ingezet voor werving en selectie, beoordeling van medewerkers, promotie of ontslag, vallen expliciet in de categorie 'hoog risico'. Dit betekent dat organisaties verplicht zijn tot:
- Transparante werking en uitlegbare uitkomsten
- Aantoonbaar menselijk toezicht op alle beslissingen
- Bijhouden van logbestanden
- Het uitvoeren van conformiteitsbeoordelingen vóór inzet
- Registratie in de EU-databank voor hoog-risico AI-systemen
Tegelijkertijd geldt de Algemene Verordening Gegevensbescherming (AVG/GDPR). Bijzondere persoonsgegevens — waaronder ras, etnische afkomst, religie en gezondheid — mogen in principe niet worden verwerkt, tenzij er een expliciete wettelijke grondslag bestaat. Dit raakt direct aan DEI-monitoring: organisaties die met AI diversiteitsdata willen analyseren, moeten een zorgvuldig juridisch en ethisch fundament leggen, met dataminimalisatie, doelbinding en expliciete toestemming als vertrekpunt.
ENAR (2020) benadrukt dat effectief tegengaan van algoritmische discriminatie méér vraagt dan technische fixes. Structurele en institutionele oorzaken — de historische uitsluiting van bepaalde groepen van bepaalde sectoren en functies — moeten worden geadresseerd. Technologie kan die structuren versterken of doorbreken; de keuze ligt bij de organisatie die de tool inzet en de randvoorwaarden bepaalt.
Conclusie: verantwoord gebruik als strategische keuze
AI biedt organisaties reële kansen om diversiteit, gelijkheid en inclusie te versnellen. Anonimisering van sollicitatieprocedures, detectie van ongelijkheid in doorstroom en beloning, inclusieve taalanalyse — het zijn concrete instrumenten met aantoonbaar effect. Tegelijkertijd is de risicokant even reëel: algoritmen die leren van historische data perpetueren historische ongelijkheid, en het gebrek aan transparantie maakt die effecten moeilijk zichtbaar en aanvechtbaar.
De sleutel ligt niet in de technologie zelf, maar in de governance eromheen. Datakwaliteit, uitlegbaarheid, menselijk toezicht, AI-geletterdheid en naleving van Europese regelgeving zijn geen bijzaken, maar fundamentele randvoorwaarden. Organisaties die AI inzetten als een quick fix voor DEI-uitdagingen zonder die randvoorwaarden te vervullen, riskeren het tegenovergestelde van wat zij beogen: een wetenschappelijk ogende legitimatie van uitsluiting.
De EU AI Act en de AVG bieden een stevig Europees kader. Maar wet- en regelgeving zijn een minimum, geen ambitie. Organisaties die DEI serieus nemen, zullen AI niet alleen compliance-conform moeten inzetten, maar vanuit een heldere visie op rechtvaardigheid, transparantie en menselijke waardigheid. Niet de technologie bepaalt of AI bijdraagt aan een eerlijkere werkvloer — dat doen de mensen en organisaties die haar inzetten.
Bronnen en Inpsiratie
1. Ahmed, F. (2025). The Role of Artificial Intelligence (AI) in Promoting Diversity, Equity, and Inclusion (DEI) in Multinational Organizations. Masterscriptie, Tilburg University (Tilburg School of Economics and Management).
[https://arno.uvt.nl/show.cgi?fid=185629]
2. European Network Against Racism (ENAR) / Michael, L. & Waterhouse-Bradley, B. (2020). Artificial Intelligence in HR: How to Address Racial Biases and Algorithmic Discrimination in HR? ENAR Equal@Work Toolkit. [https://enarfoundation.eu/uploads/attachments/clid73er70pmj1ev915bg8yiy-2020-equal-work-ai-in-hr.pdf]
3. Nyathani, S. et al. (2023). AI in HR: Transforming Diversity, Equity and Inclusion for the Workforce of the Future — A Bibliographic Review. ResearchGate. (https://www.researchgate.net/publication/401891117_AI_in_HR_Transforming_diversity_equity_and_inclusion_for_the_workforce_of_the_future_A_bibliographic_review)
4. Marcelino, D. et al. (2024). The Impact of Artificial Intelligence on Workforce Diversity and Inclusion: An HR Perspective. ResearchGate. (https://www.researchgate.net/publication/385227854_The_Impact_Of_Artificial_Intelligence_On_Workforce_Diversity_And_Inclusion_An_HR_Perspective)
5. OECD (2024). The Potential Impact of Artificial Intelligence on Equity and Inclusion in Education. OECD Publishing. [https://www.oecd.org/content/dam/oecd/en/publications/reports/2024/08/the-potential-impact-of-artificial-intelligence-on-equity-and-inclusion-in-education_0d7e9e00/15df715b-en.pdf]
* geschreven met hulp van Claude