Predictive analytics belooft grip op verzuim, demotivatie en ongewenst vertrek. Onderzoek van ILO, TNO en Rathenau laat zien waar de risico’s voor HR zitten.
Predictive analytics belooft grip op verzuim, demotivatie en ongewenst vertrek, maar onderzoek laat zien dat de voorspelling zelf het grootste risico kan zijn
Wat is predictieve HR-analytics precies?
Predictieve HR-analytics gebruikt machine learning-modellen, zoals Random Forest en XGBoost, op data uit HR-systemen om te voorspellen welke medewerkers een verhoogd risico lopen op ziekteverzuim, demotivatie of vertrek, zodat HR eerder kan ingrijpen (Priya et al., 2026).
Hoe betrouwbaar zijn deze voorspellingen in de praktijk?
Leveranciers en onderzoekers claimen nauwkeurigheidspercentages boven de 80 procent voor verloopvoorspelling (Iyer et al., 2026), maar onderzoek van de Internationale Arbeidsorganisatie laat zien dat deze modellen vaak bouwen op te smalle of bevooroordeelde data en op doelstellingen die menselijk gedrag te sterk versimpelen (Berg & Johnston, 2025).
Wat moet HR wettelijk en organisatorisch regelen?
Naast de AVG en de Europese AI-verordening, die HR-toepassingen als hoogrisicosystemen aanmerkt, is instemming van de ondernemingsraad vereist. Het Rathenau Instituut pleit daarnaast voor heldere grenzen aan monitoring en actieve betrokkenheid van medewerkers bij de inrichting van het systeem (Rathenau Instituut, 2020; 2022).
Steeds meer organisaties in Nederland experimenteren met AI die verzuim, demotivatie en ongewenst vertrek probeert te voorspellen voordat het gebeurt. De belofte is aantrekkelijk: eerder ingrijpen, minder verrassingen, lagere kosten van verloop en uitval. Tegelijkertijd groeit het aantal wetenschappelijke publicaties dat waarschuwt voor de keerzijde van deze technologie. Predictieve modellen blijken gevoelig voor bevooroordeelde data, ondoorzichtige besluitvorming en een neiging om complex menselijk gedrag te herleiden tot een enkele risicoscore. Dit artikel bespreekt wat predictieve AI in HR wel en niet kan, welke gevaren onderzoekers signaleren, welke wet- en regelgeving van toepassing is, en welke verantwoordelijkheid dit bij de HR-functie legt.
De aantrekkingskracht van predictieve HR-analytics zit in de cijfers. Onderzoek naar machine learning-toepassingen in talentmanagement meldt nauwkeurigheidspercentages van verloopvoorspelling die de 80 procent overstijgen, ruim boven wat traditionele HR-methoden zouden kunnen (Iyer et al., 2026). Modellen als Random Forest, Decision Trees en XGBoost analyseren daarvoor historische data uit HR-informatiesystemen: verzuimpatronen, functioneringsscores, aanwezigheid, salarisontwikkeling en uitkomsten van medewerkerstevredenheidsonderzoeken (Priya et al., 2026). Een voorgesteld raamwerk combineert deze voorspellingen met sentimentanalyse op open antwoorden uit surveys, om vroege signalen van onvrede of stress te detecteren nog voordat dit zichtbaar wordt in verzuimcijfers (Priya et al., 2026). Op papier ontstaat zo een vroegwaarschuwingssysteem waarmee HR gerichte, individuele interventies kan inzetten voordat een medewerker daadwerkelijk uitvalt of vertrekt. Diezelfde bronnen erkennen echter dat succesvolle implementatie afhangt van datakwaliteit, technische expertise binnen de organisatie en zorgvuldige ethische afwegingen, voorwaarden die in de praktijk lang niet altijd aanwezig zijn (Iyer et al., 2026).
De kern van de kritiek zit niet in de wiskunde van de algoritmes, maar in wat die algoritmes proberen te vangen. Onderzoek van de Internationale Arbeidsorganisatie onderscheidt drie kwetsbare bouwstenen van elk AI-systeem: het gestelde doel, de gebruikte data en de manier waarop het systeem is geprogrammeerd (Berg & Johnston, 2025). Bij verzuim en demotivatie wringt dit direct. Menselijk gedrag laat zich moeilijk vangen in discrete variabelen, en modellen die dat toch proberen, herleiden complexe oorzaken zoals werkdruk, een moeizame relatie met een leidinggevende of privéomstandigheden tot een handjevol meetbare datapunten (Berg & Johnston, 2025). Een treffend voorbeeld uit de Nederlandse praktijk komt van verzekeraar a.s.r., waar TNO onderzocht of klanttevredenheid met AI te voorspellen was op basis van gespreksverslagen. Ondanks meerdere prototypes bleek het niet mogelijk om de menselijke, contextrijke inhoud van gesprekken voldoende nauwkeurig te vertalen naar een betrouwbare voorspelling, en het project werd uiteindelijk stopgezet (TNO, 2026). Als het al lastig is om tevredenheid uit een telefoongesprek te voorspellen, ligt het voor de hand dat het voorspellen van demotivatie of naderend verzuim minstens zo weerbarstig is. Daar komt bij dat modellen die getraind zijn op historische data de vooroordelen uit die data overnemen, en dat de uitkomst van een “risicoscore” een self-fulfilling prophecy kan worden wanneer een leidinggevende een medewerker anders gaat behandelen zodra die als vertrekrisico is gelabeld (Berg & Johnston, 2025).
Predictieve HR-analytics opereert niet in een juridisch vacuüm. De Europese AI-verordening merkt AI-systemen die worden ingezet voor werving, functioneringsbeoordeling of het monitoren en evalueren van prestaties en gedrag van werknemers aan als hoogrisicosystemen, met verplichtingen op het gebied van risicobeoordeling, transparantie en menselijk toezicht. De AVG stelt daarnaast grenzen aan geautomatiseerde profilering: medewerkers hebben recht op uitleg wanneer een besluit over hen (mede) op basis van een algoritme wordt genomen. In Nederland is bovendien instemming van de ondernemingsraad wettelijk verplicht bij de invoering van systemen die geschikt zijn om het gedrag of de prestaties van medewerkers te volgen of te beoordelen.
Het Rathenau Instituut onderzocht in opdracht van de Tweede Kamercommissie voor Sociale Zaken en Werkgelegenheid welke grenzen nodig zijn aan digitale monitoring op de werkvloer, en concludeerde dat algoritmes matig overweg kunnen met specifieke omstandigheden en menselijke factoren (Rathenau Instituut, 2020). In vervolgonderzoek naar algoritmische profilering formuleerde het instituut zeven concrete aanbevelingen, waaronder het versterken van biastoetsing, het investeren in actieve informatievoorziening richting betrokkenen en het voorkomen van verkokering tussen de afdelingen die een systeem ontwikkelen en beoordelen (Rathenau Instituut, 2022). Voor predictieve HR-analytics betekent dit dat organisaties niet kunnen volstaan met een technische implementatie: de bias-, privacy- en medezeggenschapstoets hoort vooraf te gaan aan de uitrol.
De onderzoeken zijn eensluidend over waar de verantwoordelijkheid ligt: bij de mensen die het systeem gebruiken, niet alleen bij de leverancier die het bouwt. Onderzoek onder HR-professionals laat zien dat vertrouwen in AI-gedreven talentmanagement geleidelijk wordt opgebouwd, vaak door klein te beginnen met laagdrempelige toepassingen waarbij de meerwaarde duidelijk is zonder dat het banen of individuele beoordelingen direct raakt (Iyer et al., 2026). Diezelfde studie signaleert dat organisaties zelden systematisch controleren op algoritmische bias, en dat HR-professionals vaak vertrouwen op garanties van de leverancier zonder onafhankelijke verificatie (Iyer et al., 2026). De Internationale Arbeidsorganisatie pleit daarom voor een participatieve aanpak, waarbij HR-professionals en medewerkers zelf betrokken zijn bij het ontwerp van een systeem in plaats van pas bij de uitrol.
Een voorbeeld van deze aanpak leverde bij een Britse organisatie een meetbaar effect op: door veldtechnici te betrekken bij een AI-gestuurd planningssysteem nam de productiviteit met 10 procent toe, terwijl verzuim wegens mentale gezondheidsklachten met meer dan een derde daalde (Berg & Johnston, 2025). Dat resultaat onderstreept dat de winst niet primair in de technologie zit, maar in de manier waarop die technologie wordt ingebed: met transparantie over wat het systeem wel en niet meet, met menselijke tussenkomst voordat een risicosignaal tot actie leidt, en met de erkenning dat een voorspelling een startpunt voor een gesprek is, geen eindoordeel over een medewerker.
De cijfers rond predictieve HR-analytics laten twee gezichten zien. Aan de ene kant claimen modellen voor verloopvoorspelling nauwkeurigheden boven de 80 procent (Iyer et al., 2026). Aan de andere kant realiseerde, volgens cijfers die de Internationale Arbeidsorganisatie aanhaalt, minder dan de helft van de organisaties die investeerden in AI en analytics daadwerkelijk bedrijfswaarde uit die investering (Berg & Johnston, 2025). Die kloof tussen belofte en praktijk ontstaat niet door gebrekkige techniek, maar door onvoldoende aandacht voor databasis, juridische kaders en de rol van de mens in de besluitketen.
Voor de HR-functie betekent dit concreet: toets de kwaliteit en representativiteit van de onderliggende data voordat een voorspelmodel in gebruik wordt genomen, betrek de ondernemingsraad tijdig, borg menselijke tussenkomst bij elk signaal dat een individuele medewerker raakt, en behandel elke risicoscore als aanleiding voor een gesprek, niet als een vastgesteld feit. Wie deze stappen overslaat, loopt niet alleen het risico op een onbetrouwbaar systeem, maar ook op precies het effect dat het systeem had moeten voorkomen: gedemotiveerde medewerkers die zich gereduceerd voelen tot een getal.
WORD LID
Met HRcommunity maken we het werkveld iedere dag een stukje beter en mooier. Meld je gratis aan als lid, maak verbinding, haal én breng kennis, maak je eigen ledenprofiel, connect met andere leden en meer.
PUBLICEER
Heb je een uniek en interessant artikel geschreven en denk je dat deze interessant kan zijn voor de leden van HRcommunity? Stuur deze dan in via het formulier en wij gaan er mee aan de slag.
