Je eerste AI-hire: wie neem je aan en wanneer

Dit is het ene artikel in deze reeks dat onze recruitmentkant raakt, en het hoort hier omdat de vraag oprecht vanuit de capability-kant opkomt. Een bedrijf wordt serieus over AI, concludeert dat het iemand nodig heeft, en begint een vacature te schrijven. Die volgorde komt vaak voor en is meestal een stap te snel.

Wij bemiddelen AI-professionals. Aanraden om te wachten is tegen ons kortetermijnbelang, en juist daarom is het het opschrijven waard.

Waarom de eerste AI-aanname meestal te vroeg komt

Een vacature is een keuze voor een vorm van het probleem. Zet je "data scientist" neer, dan heb je besloten, vaak zonder het te merken, dat je knelpunt het modelleren is. In de meeste middelgrote bedrijven is dat niet zo. De CBS-cijfers over 2025 laten zien dat de meest genoemde belemmering voor AI-gebruik een gebrek aan relevante eigen ervaring is, in elke grootteklasse, wat klinkt als een argument om meteen iemand aan te nemen. Het is eigenlijk een argument om te weten welke ervaring, voordat je hem koopt.

Aannemen voordat je het weet is dubbel duur. Je betaalt een seniorsalaris, en je krijgt een capabel iemand zonder duidelijk omschreven werk, wat de snelste manier is om een capabel iemand kwijt te raken.

Een aannamegesprek. Neem aan voor de problemen die je hebt, niet voor de problemen die een functietitel suggereert.

Drie signalen dat je er klaar voor bent

Een: er draait al iets dat een persoon onderhoudt. Geen pilot, maar iets in dagelijks gebruik dat een aanwijsbaar persoon in de lucht houdt. Dat is het bewijs dat er echt werk is, en het vertelt je wat voor werk.

Twee: je kunt de eerste zes maanden van de rol in concrete taken beschrijven. Staat er in de functieomschrijving "kansen voor AI binnen de organisatie verkennen", dan neem je iemand aan om het werk te doen dat je voor de aanname had moeten doen.

Drie: er is iemand senior die samen met deze persoon besluiten neemt. Een AI-aanname die aan niemand in het bijzonder rapporteert, zonder route naar een besluit, besteedt een jaar aan interessante analyses die niets veranderen en vertrekt daarna.

Heb je alle drie, neem dan aan. Heb je er geen, dan is de eerlijke eerste stap het werk definieren, en dat kost een fractie van een salaris.

Welke rol eigenlijk

De functietitels worden losjes gebruikt, en de verkeerde kiezen is de meest voorkomende dure fout op dit terrein.

In bedrijven van vijftig tot driehonderdvijftig mensen is de eerste echte behoefte veel vaker de eerste of de laatste regel dan de tweede. De data scientist is de rol waar mensen om vragen en het minst vaak degene die iets losmaakt, want een model is zelden de beperking.

De senioriteitsvraag

Een senior verslaat twee junioren bij een eerste aanname, en het scheelt niet weinig. Een eerste AI-aanname heeft geen bestaand team om van te leren, geen gevestigde werkwijze om te volgen, en zal inschattingen maken zonder dat er iemand senior meekijkt. Dat is een slechte omgeving voor iemand aan het begin van zijn loopbaan en het is niet eerlijk om iemand dat aan te doen.

Het is ook waarom de persoonlijkheidskant van de beoordeling hier zwaarder weegt dan gewoonlijk. Een eerste aanname vraagt iemand die kan werken zonder gevestigde functie om zich heen, zijn werk kan uitleggen aan mensen die zijn vakjargon niet delen, en nee kan zeggen tegen een directeur. Dat zijn geen technische eigenschappen, en het is precies waar het APAC-framework naar kijkt: adaptability, personality, awareness en connection, in plaats van alleen naar wat iemand weet.

Wat je in plaats daarvan doet als je er nog niet klaar voor bent

De nuttige volgorde als de drie signalen ontbreken: draai een ding klein en kijk wat er daadwerkelijk stukgaat, volgens AI-roadmap maken. Koop technisch oordeel per dag in in plaats van per jaar terwijl je dat uitzoekt, zoals beschreven in AI-strategie bepalen zonder eigen CTO. Schrijf daarna de vacature vanuit wat er stukging.

Een vacature geschreven vanuit een echt knelpunt trekt een andere en betere kandidaat dan een vacature geschreven vanuit ambitie, want goede mensen zien dat verschil in een oogopslag.

Over deze pagina

Radical bemiddelt AI-professionals, dus adviseren om te wachten gaat in tegen ons commerciele kortetermijnbelang; dat staat bovenaan in plaats van weggestopt. Het cijfer over de belemmering komt uit CBS StatLine 86119NED over 2025. Het APAC-framework is Radicals eigen selectiemodel en heeft niets met Asia-Pacific te maken. Geschreven door Radicals eigen team; er is geen klantdata gebruikt.