Terwijl veel AI-tools worstelen met het "black box"-probleem - beslissingen die niemand kan verklaren - kiest PageUp een opvallend andere route. Het talentmanagementplatform lanceerde deze week Paige, een conversationele assistent die hiring-data ontsluit én elke inzicht onderbouwt met bronvermelding.
De filosofie: AI moet niet alleen antwoorden geven, maar ook laten zien waaróp die antwoorden gebaseerd zijn. In een tijdperk van aangescherpte regelgeving is uitlegbaarheid geen luxe, maar noodzaak.
Vragen stellen aan je data
Paige werkt conversationeel. In plaats van door dashboards te navigeren, stellen recruiters en HR-managers gewoon vragen: "Hoeveel kandidaten zitten er in de pijplijn voor de salesrol?" of "Wat is onze gemiddelde time-to-hire dit kwartaal?"
Het onderscheidende element is de bronvermelding. Elk antwoord dat Paige geeft, wordt vergezeld van citaties die verwijzen naar de onderliggende data. Zo kan de gebruiker verifiëren waar een inzicht vandaan komt - een cruciaal verschil met tools die simpelweg een antwoord poneren.
Dit sluit aan bij een bredere trend richting "explainable AI" in HR. Waar Greenhouse zijn AI-features rond uitlegbaarheid bouwt, maakt PageUp transparantie tot het kernprincipe van Paige.
Wat betekent dit voor de Nederlandse markt?
Voor Nederlandse organisaties die onder de EU AI Act en de AVG opereren, is uitlegbaarheid direct relevant. De regelgeving eist dat geautomatiseerde beslissingen transparant en verantwoordbaar zijn.
"Een AI die inzichten geeft zonder bronvermelding is een compliance-risico", legt arbeidsrechtadvocaat mr. Patricia Zomer uit. "Als je een beslissing baseert op AI-output, moet je kunnen aantonen waar die output op gebaseerd is. Tools die citaties leveren, maken dat aantoonbaar eenvoudiger."
Tegelijkertijd waarschuwen experts voor een valkuil. "Bronvermelding maakt data traceerbaar, maar garandeert geen validiteit", nuanceert een Nederlandse data-analist. "Als de onderliggende data vertekend is, reproduceert Paige die vertekening - alleen mét voetnoot."
Data-inzicht versus voorspelling
Belangrijk onderscheid: Paige ontsluit bestaande data en genereert inzichten. Het voorspelt niet zelf wie geschikt is voor een functie - dat blijft het domein van gevalideerde assessment.
"Betere toegang tot je hiring-data is waardevol", stelt een woordvoerder van Selection Lab. "Maar data-inzicht en voorspellende selectie zijn twee verschillende dingen. Weten hoeveel kandidaten in je pijplijn zitten is nuttig; weten wie er succesvol wordt, vereist wetenschappelijke meting."
Voor Nederlandse HR-teams biedt Paige een aantrekkelijke manier om grip te krijgen op hun data. De boodschap blijft echter: gebruik het voor inzicht en rapportage, en combineer het met gevalideerde assessment voor de daadwerkelijke selectiebeslissing.
