💻 computer science

Trust at the Core: Unpacking AI Adoption in Talent Acquisition from the Candidate Perspective

Deze studie maakt gebruik van een kandidaat-centraal kader om aan te tonen dat vertrouwen de sterkste voorspeller is van de intentie van sollicitanten om door AI-gestuurde talentacquisitiesystemen te gebruiken, waarbij het de impact van ethische zorgen zoals eerlijkheid, transparantie en privacy binnen de Indiase context significant medieert.

Oorspronkelijke auteurs: Meenu Pachauri, Jamal A. Farooquie

Gepubliceerd 2026-07-07

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Meenu Pachauri, Jamal A. Farooquie

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: De zoektocht naar een baan in het tijdperk van robots

Stel je voor dat je op zoek bent naar een nieuwe baan. In het verleden stuurde je je cv naar een menselijke recruiter die het las, je misschien belde voor een gesprek, en besloot of je een goede match was. Tegenwoordig gebruiken veel bedrijven Artificiële Intelligentie (AI) om de eerste ronde van de selectie te doen. Deze AI-systemen scannen je cv, bekijken je video-interview en beslissen wie een uitnodiging krijgt voor de volgende fase.

Hoewel dit snel en efficiënt klinkt, maakt het werkzoekenden nerveus. De onderzoekers, Meenu Pachauri en Jamal A. Farooquie, wilden begrijpen: Waarom vertrouwen sommige mensen deze robot-recruiters wel, terwijl anderen er bang voor zijn om ze te gebruiken?

Ze richtten zich op werkzoekenden in India om erachter te komen wat een kandidaat doet zeggen: "Ja, ik voel me hier prettig bij," of "Nee, dit ga ik niet doen."

Het Recept voor Vertrouwen: Wat de onderzoekers testten

De auteurs bouwden een "recept" om te zien welke ingrediënten een werkzoekende bereid maken om AI-wervingsinstrumenten te gebruiken. Ze mengden drie hoofdtypen ingrediënten:

De "Is het nuttig?" ingrediënten (De klassieke techniektest):
- Waargenomen nut (Perceived Usefulness): Helpt deze AI mij echt om sneller een baan te vinden of een betere match te maken?
- Waargenomen gebruiksgemak (Perceived Ease of Use): Is het systeem gemakkelijk te navigeren, of is het alsof je probeert een meubelstuk in elkaar te zetten zonder instructies?
- Analogie: Denk hierbij aan het kopen van een nieuwe smartphone. Je wilt weten: "Maakt deze telefoon mijn leven makkelijker?" en "Is het moeilijk om uit te zoeken hoe je hem aanzet?"
De "Is het eerlijk?" ingrediënten (De ethische test):
- Eerlijkheid (Fairness): Behandelt de AI iedereen gelijk, of heeft het een vooroordeel?
- Transparantie (Transparency): Kan ik zien hoe de AI tot een beslissing is gekomen, of is het een "black box" waar ik niet in kan kijken?
- Privacy & Beveiliging: Worden mijn persoonlijke gegevens (zoals mijn adres of telefoonnummer) gestolen of misbruikt?
- Verantwoordelijkheid (Accountability): Als de AI een fout maakt (zoals het afwijzen van een geweldige kandidaat), wie is er dan verantwoordelijk? Kan ik bij iemand klagen?
- Analogie: Stel je een rechter voor in een rechtszaal. Je wilt weten: "Is de rechter eerlijk?" "Kan ik het bewijs zien dat zij hebben gebruikt?" "Is mijn privé-informatie veilig?" en "Als de rechter een fout maakt, kan ik hen dan ter verantwoording roepen?"
Het "Begrijp ik het?" ingrediënt (De kennistest):
- AI-geletterdheid (AI Literacy): Begrijpt de werkzoekende eigenlijk hoe AI werkt? Weten ze dat het slechts een computerprogramma is dat patronen zoekt?
- Analogie: Als je weet hoe een goocheltruc werkt, ben je er minder bang voor. Als je denkt dat de AI een tovenaar is die gedachten kan lezen, ben je misschien doodsbang.

Het Geheime Sausje: Vertrouwen

De onderzoekers ontdekten dat al deze ingrediënten niet direct leiden tot een "Ja" van de werkzoekende. In plaats daarvan voeden ze allemaal één grote pot genaamd Vertrouwen.

Vertrouwen is de brug.

Als je denkt dat het systeem nuttig en gemakkelijk is, vertrouw je het meer.
Als je denkt dat het eerlijk, transparant en veilig is, vertrouw je het meer.
Als je begrijpt hoe het werkt (AI-geletterdheid), vertrouw je het meer.

Zodra dat Vertrouwen is opgebouwd, is de werkzoekende daadwerkelijk bereid om het systeem te gebruiken.

Wat de studie daadwerkelijk vond (De resultaten)

De onderzoekers vroegen 432 werkzoekenden om een enquête in te vullen. Dit is wat de data hen vertelde:

Vertrouwen is de MVP (Most Valuable Player): Vertrouwen was de sterkste voorspeller voor de vraag of een kandidaat een AI-wervingssysteem zou gebruiken. Het was zelfs belangrijker dan hoe "nuttig" of "gemakkelijk" het systeem leek.
Kennis is Macht: Mensen die begrepen hoe AI werkte (Hoge AI-geletterdheid) waren veel eerder geneigd het te vertrouwen en te willen gebruiken. Ze zagen het niet als een eng monster, maar als een hulpmiddel.
De "Eerlijkheidsfactor": Kandidaten gaven diep toe dat ze waarde hechtten aan eerlijkheid en transparantie. Als ze het proces als open en eerlijk ervoeren, steeg hun vertrouwen.
Het "Privacy" Veiligheidsnet: Weten dat hun gegevens veilig waren, gaf hen een veiliger gevoel bij het gebruik van het systeem.
Het Verrassende Resultaat (Verantwoordelijkheid): Dit is het vreemde deel. De studie vond dat Verantwoordelijkheid (Accountability) het vertrouwen niet significant verhoogde.
- Waarom? De onderzoekers suggereren dat hoewel kandidaten zeggen dat ze willen weten wie verantwoordelijk is, ze in de echte wereld de mechanismen van verantwoordelijkheid niet kunnen zien. Het is als een passagier in een auto die zich zorgen maakt over wie aansprakelijk is als de auto crasht; ze kunnen het verzekeringsbewijs of het rijbewijs van de bestuurder niet zien, dus verandert dat hun gevoel van veiligheid op dat moment niet echt. Ze willen gewoon dat de auto veilig rijdt (Eerlijkheid/Transparantie) en niet crasht (Privacy).

De Conclusie in Gewone Mensentaal

Het artikel concludeert dat als bedrijven willen dat werkzoekenden AI-wervingsinstrumenten accepteren, ze niet alleen kunnen zeggen: "Het is snel en efficiënt!" (Nuttigheid/Gebruiksgemak).

Ze moeten Vertrouwen opbouwen. Om dat te doen, moeten ze:

Zorgen dat het systeem eerlijk en transparant is (laat zien hoe je tot je resultaten komt).
De privacy beschermen (houd gegevens veilig).
Kandidaten helpen begrijpen hoe de AI werkt (leer ze er een beetje over).

Als je deze dingen doet, groeit het vertrouwen, en zullen kandidaten de AI laten helpen bij het vinden van een baan. Als je deze stappen overslaat, zal zelfs het snelste en makkelijkste AI-systeem worden afgewezen omdat mensen het niet vertrouwen.

Wat de studie Niet zei

Het zei niet dat AI perfect is of dat het mensen volledig moet vervangen.
Het testte niet of AI daadwerkelijk betere mensen aanneemt (het testte alleen of mensen het wilden gebruiken).
Het suggereerde geen specifieke wetten of toekomstige regels, behalve op te merken dat verantwoordelijkheid zichtbaarder moet zijn voor kandidaten.
Het richtte zich specifiek op het standpunt van de kandidaat, niet op dat van het bedrijf.

Technische Samenvatting: Vertrouwen als Kern: Het ontleden van AI-adoptie in Talentacquisitie vanuit het Perspectief van de Kandidaat

1. Probleemstelling

De integratie van Kunstmatige Intelligentie (AI) in talentacquisitie (TA) heeft recruitment getransformeerd van routinematige operationele taken naar strategische besluitvormingsfuncties. Terwijl AI-systemen sourcing, screening en voorspellende selectie automatiseren, roept hun adoptie aanzienlijke ethische en psychologische zorgen op bij sollicitanten. De bestaande literatuur richt zich voornamelijk op organisatorische en manageriale perspectieven, waarbij de nadruk ligt op operationele efficiëntie en het beperken van bias, terwijl het perspectief van de kandidaat grotendeels wordt verwaarloosd.

Huidige kaders voor technologie-adoptie, zoals het Technology Acceptance Model (TAM), leunen zwaar op "Perceived Usefulness" (PU - waargenomen bruikbaarheid) en "Perceived Ease of Use" (PEU - waargenomen gebruiksgemak). Deze constructen zijn echter onvoldoende om adoptie in scenario's met hoge inzet en een gevoelig karakter, zoals werving, te verklaren, waar ethische dimensies (eerlijkheid, verantwoording, transparantie, privacy) en cognitieve factoren (AI-geletterdheid) een cruciale rol spelen. Bovendien blijft de medierende rol van vertrouwen in het verbinden van deze ethische en cognitieve factoren aan de gedragsintentie onderbelicht, met name in ontwikkelingslanden zoals India, waar digitale geletterdheid en institutioneel vertrouwen aanzienlijk variëren.

2. Methodologie

Deze studie maakt gebruik van een kwantitatief, cross-sectioneel onderzoeksontwerp om een uitgebreid Technology Acceptance Model (TAM) empirisch te valideren, dat is afgestemd op AI-gestuurde talentacquisitie vanuit het perspectief van de kandidaat.

Gegevensverzameling: Gegevens werden verzameld via een gestructureerde vragenlijst die via non-probability (convenience) sampling op LinkedIn werd verspreid, gericht op actieve werkzoekenden en professionals. In totaal werden 432 geldige reacties behouden voor analyse.
Instrument: De enquête maakte gebruik van een 5-punts Likert-schaal (1 = Bent het er niet mee eens tot 5 = Ben het er sterk mee eens) bestaande uit 44 items over negen constructen:
- TAM-constructen: Perceived Usefulness (PU), Perceived Ease of Use (PEU).
- Ethische constructen: Perceived Fairness (PF), Perceived Accountability (PA), Perceived Transparency (PTY), Privacy and Data Security (PPD).
- Cognitief construct: AI Literacy (AL).
- Mediator: Trust (PTR).
- Afhankelijke variabele: Behavioral Intention (BIU).
- Noot: Items voor PU, PEU, PF, PTY, PPD en BIU zijn aangepast van gevestigde schalen (bijv. Davis, 1989; Shin et al., 2020), terwijl items voor AI Literacy en Perceived Accountability door de onderzoeker zijn ontwikkeld op basis van literatuur.
Analyse: Statistische analyse werd uitgevoerd met SPSS voor descriptieve statistiek en betrouwbaarheidstesten, en AMOS voor Structural Equation Modeling (SEM). De studie beoordeelde betrouwbaarheid (Cronbach's Alpha, Composite Reliability), validiteit (convergent en discriminant via de Fornell-Larcker criterion) en de geïpothetiseerde relaties. Mediërende effecten werden getest met bootstrapping met 5.000 steekproeven.

3. Belangrijkste Bijdragen

Het artikel draagt op drie manieren bij aan de literatuur over AI-adoptie:

Kandidaat-centraal Kader: Het verschuift de focus van organisatorische efficiëntie naar de ervaring van de sollicitant, door een kader te ontwikkelen dat ethische (FAT-principes, privacy) en cognitieve (AI-geletterdheid) dimensies integreert in het traditionele TAM.
De Rol van Vertrouwen: Het valideert empirisch dat Vertrouwen een cruciale medierende psychologische mechanisme is dat de link vormt tussen ethische percepties en AI-geletterdheid en de gedragsintentie.
Contextuele Relevantie: Het adresseert een gat in de literatuur met betrekking tot AI-adoptie in de Indische context, een ontwikkelingsland waar digitale blootstelling en de dynamiek van institutioneel vertrouwen kunnen verschillen van Westerse contexten.

4. Resultaten

De structural equation modeling leverde de volgende belangrijke bevindingen op:

Directe effecten op Gedragsintentie:
- Vertrouwen bleek de sterkste voorspeller van de gedragsintentie van kandidaten om AI-gestuurde TA-systemen te gebruiken ( $\beta = 0,490, p < 0,001$ ).
- AI-geletterdheid vertoonde ook een significante positieve directe associatie met de gedragsintentie ( $\beta = 0,114, p = 0,013$ ).
- Perceived Usefulness ( $\beta = 0,219$ ) en Perceived Ease of Use ( $\beta = 0,130$ ) vertoonden positieve maar relatief kleinere effecten op de gedragsintentie.
- Perceived Accountability vertoonde geen significante directe relatie met vertrouwen of gedragsintentie ( $p = 0,101$ ).
Mediatiestudie (Indirecte effecten):
- Vertrouwen medieerde significant de relatie tussen Perceived Fairness, Perceived Transparency, Privacy/Data Security en Behavioral Intention.
- AI-geletterdheid vertoonde een significant sequentieel indirect effect op de gedragsintentie via het pad: AI-geletterdheid $\rightarrow$ Perceived Ease of Use $\rightarrow$ Perceived Usefulness $\rightarrow$ Behavioral Intention ( $\beta = 0,182$ ).
- Perceived Accountability vertoonde geen significant indirect effect via vertrouwen (betrouwbaarheidsinterval bevatte nul).
Betrouwbaarheid en Validiteit:
- Alle constructen vertoonden een hoge interne consistentie (Cronbach's Alpha > 0,93) en bevredigende convergente validiteit (AVE > 0,5).
- Discriminante validiteit werd bevestigd omdat de wortel van de AVE voor elk construct groter was dan de inter-construct correlaties.

5. Betekenis en Claims

De auteurs beweren dat deze studie een uitgebreid begrip biedt van de factoren die de acceptatie van AI door kandidaten drijven. De betekenis van de bevindingen ligt in de volgende beweringen:

Vertrouwen is Parametrisch: In scenario's met hoge inzet bij werving is vertrouwen een belangrijkere drijfveer voor adoptie dan traditionele nutscriteria. Kandidaten zijn bereid om met AI-systemen te werken, primair wanneer zij vertrouwen hebben in de eerlijkheid en de gegevensverwerking van het systeem.
Ethische Percepties Drijven Vertrouwen: Perceived fairness, transparantie en privacy/beveiliging zijn niet slechts op zichzelf staande zorgen; ze fungeren als antecedenten die het noodzakelijke vertrouwen opbouwen voor adoptie. Onder deze factoren had perceived fairness de sterkste impact op vertrouwen.
De Rol van Geletterdheid: AI-geletterdheid fungeert als een cruciale cognitieve facilitator. Het vermindert de waargenomen complexiteit van AI-systemen, waardoor de waargenomen bruikbaarheid en het gebruiksgemak toenemen, en daarmee het vertrouwen in de technologie direct een boost geeft.
De "Onzichtbare" Verantwoording: De studie suggereert dat hoewel verantwoording (accountability) theoretisch belangrijk is, het te abstract of te verborgen ("black box") kan zijn voor kandidaten om direct waar te nemen, waardoor het minder invloedrijk is op hun onmiddellijke gedragsintenties vergeleken met tastbare factoren zoals eerlijkheid en transparantie.

Het artikel concludeert dat verantwoord ontwerp en implementatie van AI-gestuurde wervingssystemen de nadruk moeten leggen op vertrouwensopbouwende mechanismen, het waarborgen van ethische transparantie en het bevorderen van AI-geletterdheid onder kandidaten, in plaats van enkel te focussen op operationele efficiëntie.