Stel: je zet op maandagochtend een export uit je ATS in ChatGPT of Claude. Je vraagt om een overzicht van plaatsingen per consultant. Tien minuten later staat er een strak dashboard op je scherm, met grafieken die je zo in het MT kunt laten zien. Een dashboard maken met AI voelt als pure winst. Maar is dat het ook?
Wat we in de praktijk zien: een bureau stuurde negen maanden lang op een succesratio die volledig verkeerd bleek te zijn. Niemand had het door. Ondertussen werden er keuzes op gebaseerd over recruiters, klanten en budgetten. Pas toen het getal een keer boven de 100% uitkwam, ging er een lampje branden.
In deze blog lopen we 13 risico's langs van zelf dashboards maken met AI, aan de hand van drie vragen. Klopt het? Is het veilig? Houd je het vol? Daarna lees je hoe je AI wél goed inzet. Want AI gebruiken voor je cijfers is prima. Zolang je weet waar het misgaat.
De 13 risico's van dashboard maken met AI op een rij
Geen tijd om alles te lezen? Hier zijn ze alle 13. Herken je er ook maar één in je eigen bureau, lees dan verder.
- Jij hebt niet in de gaten dat je stuurt op foute cijfers. Bij één bureau duurde het negen maanden voordat ze het door hadden.
- Jij hebt geen idee hoe AI jouw cijfers berekent. Hij vertelt je niet welke keuzes hij maakt.
- Jij moet het zelf uitvinden. Maar is dat wel zo slim?
- Jij hebt niet door dat AI een deel van jouw geüploade data afknipt. Dat doet hij zonder het te vermelden.
- Twee collega's komen met twee verschillende cijfers, omdat AI steeds iets anders verzint.
- Na een ATS-wijziging wordt je dashboard niet bijgewerkt, waardoor je gaten in je data krijgt.
- Jouw kandidaatgegevens belanden op Amerikaanse servers, en kandidaten gaan dat straks niet meer accepteren.
- Exports met persoonsgegevens slingeren rond op laptops en in mailboxen. Eén kwijtgeraakte laptop is een datalek.
- Collega's zien cijfers die ze niet mogen zien. AI deelt ze met hen, zonder dat jij het doorhebt.
- Je MT bespreekt cijfers van weken oud, zonder het te weten.
- AI kan goed actuele inzichten leveren, maar historische analyses worden een drama, bijvoorbeeld hoe je pijplijn er vorig kwartaal voor stond.
- Vertrekt jouw AI-mannetje, dan weet niemand meer hoe het werkt. Je leunt te veel op één persoon.
- Niet "gratis" en duurder dan je denkt. Vier uur per week van je controller kost al €10.400 per jaar. Of heeft hij niets beters te doen?
Waarom zoveel bureaus nu dashboards maken met AI
Laten we eerlijk zijn: wat AI kan, is indrukwekkend. Vroeger had je voor een dashboard een BI-specialist nodig. Of een collega die goed was in Excel en een weekend vrij had. Nu typ je een vraag en krijg je een grafiek. Snel, goedkoop, geen IT-afdeling nodig. En je kunt zelf doorvragen.
Zo gaat een dashboard maken met AI meestal:
- Je maakt een export uit je ATS of backoffice, als Excel- of CSV-bestand.
- Je uploadt dat bestand in ChatGPT, Claude of een vergelijkbare tool.
- Je stelt je vraag, bijvoorbeeld: "Maak een dashboard met plaatsingen per consultant per maand."
- AI schrijft op de achtergrond code, rekent alles uit en tekent de grafieken.
- Je deelt het resultaat als link, bestand of screenshot.
Het resultaat ziet er goed uit. Dat is top. Maar juist daardoor ga je ervan uit dat alles eronder net zo professioneel is. De opmaak klopt, dus de cijfers zullen ook wel kloppen. Toch?
Daar zit het probleem.
Je AI-dashboard klopt vaak niet
Het dashboard geeft geen foutmelding. Het laat gewoon een verkeerd getal zien. En dat getal ziet er net zo geloofwaardig uit als het goede. Dat maakt de zes risico's hieronder zo verraderlijk. Je hebt het vaak niet door.
1. Het klopt niet, en je weet het niet
Terug naar die succesratio. Het bureau wilde weten welk deel van de vacatures werd ingevuld. AI rekende het zo uit: het aantal vacatures dat in een maand werd ingevuld, gedeeld door het aantal vacatures dat in die maand binnenkwam.
Klinkt logisch. Maar een vacature die in maart wordt ingevuld, kwam vaak al in januari of februari binnen. Je deelt dus twee verschillende groepen vacatures door elkaar. In vaktaal heet dat een cohortfout: je volgt niet dezelfde groep vacatures van begin tot eind.
Het getal was niet absurd. In de ene maand wat te hoog, in de andere wat te laag. Pas toen iemand ging filteren en op een succesratio van 110% uitkwam, kwamen de vragen. Meer vacatures invullen dan je hebt, kan niet. Alleen stuurde het bureau er toen al negen maanden op, zelfs in de beoordelingen en bonussen.
Dat is het echte gevaar. Je weet het simpelweg niet. Er gaat geen alarm af en er staat geen rood uitroepteken. Ondertussen neem je beslissingen over recruiters, klanten en marketingbudget. Of zelfs over de beoordeling van je mensen.
Je weet het simpelweg niet. Er gaat geen alarm af en er staat geen rood uitroepteken.
2. AI maakt keuzes die hij niet vertelt
Elke berekening heeft definities nodig. Ben jij niet in de lead, dan vraagt AI niets en kiest hij zelf. En AI zegt er niets over.
Denk aan vragen als:
- Telt een plaatsing op de aanmaakdatum of op de startdatum?
- Is een verlenging een nieuwe plaatsing, of dezelfde?
- Wat gebeurt er met een plaatsing zonder consultant of zonder marge?
- Telt een kandidaat die twee keer bij dezelfde klant is voorgesteld één of twee keer mee?
Op elk van die vragen zijn meerdere goede antwoorden. Het gaat erom dat jij kiest, en dat iedereen in je bureau dezelfde keuze gebruikt. AI vraagt zelden door en zet zijn keuzes niet op het dashboard. Je ziet alleen de uitkomst en hebt geen idee hoe het onder water werkt.
3. Je moet zelf het wiel uitvinden
AI bouwt wat je vraagt. Niet meer en niet minder. Welke KPI's ertoe doen en hoe je ze berekent, moet je dus zelf verzinnen. Fill rate, time-to-fill, marge per uur, conversie van voorstel naar plaatsing: bij elk van die getallen kun je het net verkeerd doen.
Wij weten hoeveel keuzes er in één getal zitten. Al meer dan 6 jaar bouwen wij dashboards voor de recruitmentsector (eerst jarenlang op de 'ouderwetse' manier). Dat betekent veel uitzoekwerk. Doe je het zelf, dan is er een flinke kans dat je fouten maakt die andere bureaus allang hebben gemaakt. Welke dat zijn, lees je in onze blog over de 10 meest gemaakte rekenfouten in dashboards van uitzend- en detacheringsbureaus.
Wil je weten welke kengetallen echt iets zeggen? In onze blog over de 8 belangrijkste KPI's voor bureaus in de arbeidsbemiddeling zetten we ze op een rij.
4. AI rekent met een deel van je data
AI-tools hebben grenzen. Aan de grootte van een bestand, aan het aantal uploads en aan wat ze tegelijk kunnen verwerken. Bij ChatGPT verschillen die grenzen per abonnement en kunnen ze in drukke periodes zelfs omlaag, zo staat in de uitleg van OpenAI over bestanden uploaden.
Met drie maanden data merk je daar niks van. Met vijf jaar historie en honderdduizenden regels wel. Dan kan het gebeuren dat AI maar een deel inleest of met een steekproef verder rekent. Het dashboard laat gewoon cijfers zien. Zonder melding dat er rijen ontbreken.
5. Elke keer een ander antwoord
Stel dezelfde vraag twee keer aan AI en je krijgt niet altijd hetzelfde antwoord terug. Dat komt door hoe deze modellen werken: ze kiezen elke keer opnieuw een aanpak.
Twee vestigingsmanagers maken elk hun eigen dashboard. Ze komen in het MT met verschillende omzetcijfers voor hetzelfde kwartaal. Allebei hebben ze AI gebruikt. Allebei zijn ze ervan overtuigd dat hun getal klopt.
Dan gaat het overleg over welk getal klopt, en niet over welke actie je neemt om je organisatie en je winst te verbeteren. Gewoon omdat je er niet op kunt bouwen. Zo verlies je snel het vertrouwen in de datagedreven cultuur die je wilt opbouwen.
6. Je hebt niet door als het kapot gaat
Je ATS krijgt een update. Een veld krijgt een andere naam. Je opent een nieuwe vestiging of voegt een status toe in je funnel. Allemaal heel normaal in een bureau dat groeit.
Een zelfgebouwd AI-dashboard rekent dan gewoon door. Met een gat erin. De nieuwe vestiging telt niet mee, of de nieuwe status valt buiten de berekening. Een foutmelding krijg je niet.
Zo kan een fout maanden onopgemerkt blijven. Net als bij de succesratio hierboven.
Is het veilig? Wat er met je data gebeurt
Bureaus werken de hele dag met persoonsgegevens van kandidaten, flexkrachten en contactpersonen bij klanten. Wat je in een AI-tool zet, komt vaak op ongewenste plekken terecht. En als je dat zelf geen probleem vindt, gaan jouw kandidaten en klanten er wel iets van vinden.
7. Je data gaat naar Amerikaanse partijen
De bekendste AI-tools zijn van Amerikaanse bedrijven. Upload je een export, dan gaat die naar hun servers. Dan is de vraag: wat gebeurt er met dat bestand? Waar wordt het opgeslagen, hoe lang, en wordt het gebruikt om het model te trainen?
Het antwoord hangt af van je account. Neem Anthropic, het bedrijf achter Claude. Sinds 2025 kan het gesprekken van persoonlijke accounts gebruiken om zijn modellen te trainen, als je daar toestemming voor geeft. Je data kan dan tot vijf jaar bewaard blijven. Geef je geen toestemming, dan is dat 30 dagen. Voor zakelijke abonnementen gelden deze regels niet, staat in de aankondiging van Anthropic uit 2025. Ook bij ChatGPT hangt de bewaartermijn van geüploade bestanden af van je abonnement.
Voor een bureau doet dat ertoe. Onder de AVG ben jij verantwoordelijk voor de persoonsgegevens van je kandidaten. De Autoriteit Persoonsgegevens waarschuwde in 2024 al dat je met persoonsgegevens in een AI-chatbot een datalek kunt veroorzaken. Een van de meldingen kwam van een telecombedrijf, meldt Computable: een medewerker had een bestand met klantadressen in een chatbot gezet. Volgens Accountant.nl ontving de AP in 2024 en 2025 tientallen meldingen van dit soort incidenten.
Maar wat doen goede BI-partijen dan anders? Die werken toch ook met dezelfde modellen? Dat klopt, maar zij gaan heel bewust om met de data die ze naar de taalmodellen sturen. In plaats van lukraak hele datasets, met naam en toenaam, in de AI te gooien.
En dan is er nog een vraag die in geen enkele wet staat: wat zouden je kandidaten en klanten ervan vinden?
8. Exports zwerven rond in je eigen organisatie
Dit risico zit dichter bij huis. Om AI te voeden, maak je exports. Die belanden in downloadmappen en mailboxen. En daar blijven ze staan.
Denk aan de export van vorig kwartaal, met namen, telefoonnummers en uurtarieven van al je flexkrachten. Die staat nog op de laptop van een vestigingsmanager die net uit dienst is. Of op een laptop die in de trein blijft liggen.
Een kwijtgeraakte laptop met zo'n bestand is een datalek. Dat moet je binnen 72 uur melden bij de AP.
Met de opkomst van AI zie je nu al dat datalekken steeds vaker voorkomen. Dat zal alleen maar toenemen, en de publieke opinie erover wordt ook steeds scherper. In onze branche gaat dat betekenen dat kandidaten het meewegen in hun beslissing om ergens wel of niet te solliciteren.
9. Mensen zien meer dan je denkt
Een filter verbergt wat je ziet, niet wat er in het bestand zit. Dat is misschien een beetje technisch, dus hier een voorbeeld.
Je laat AI een dashboard maken voor vestiging Breda en deelt het met de vestigingsmanager. Op het scherm ziet hij alleen Breda. Maar in het bestand onder dat dashboard zitten de marges en salarissen van alle vestigingen. Wie een beetje handig is (en met AI wordt die groep steeds groter), haalt die er zo uit.
Daar komt bij dat gedeelde links worden doorgestuurd. Naar een collega, een oud-collega of zelfs een klant. Je weet dan niet meer wie het dashboard opent.
En dan denk je slim te zijn: ik vertel AI gewoon dat een bepaald stuk data nooit gebruikt mag worden. Maar na tientallen aanpassingen aan je dashboard zie je dat AI die eerste instructies steeds vaker links laat liggen. Het resultaat? Na verloop van tijd zit die gevoelige data ongemerkt tóch erin. Het is net als AI vragen om één onderdeel van een afbeelding aan te passen, waarna hij toch ook andere dingen verandert.
Een filter verbergt wat je ziet, niet wat er in het bestand zit.
Is je AI-dashboard op de lange termijn houdbaar?
Een dashboard bouwen is één keer werk. Het actueel en betrouwbaar houden is een doorlopende klus en kost je elke week tijd. Dat tweede deel wordt vaak over het hoofd gezien.
10. Je moet het steeds zelf verversen
In veel setups betekent nieuwe cijfers: opnieuw exporteren, opnieuw uploaden, opnieuw laten maken. Elke week. Of elke dag, als je echt bij wilt blijven.
Zo kijkt iedereen in het maandagoverleg ineens naar cijfers van drie weken oud, omdat de export er even bij is ingeschoten. Niemand heeft het door, want op het dashboard staat niet van wanneer de data is.
Gebeurt dat een paar keer, dan zakt het vertrouwen. Je team laat het dashboard links liggen en valt terug op gevoel. En dan verlies je het draagvlak om écht datagedreven te gaan werken. Hoe vaak je data eigenlijk ververst moet worden, lees je in onze blog Hoe vaak moet de data op mijn dashboard ververst worden?
11. Je kunt niet terugkijken
Een export is een momentopname. Wat er gisteren in je ATS stond, is vandaag misschien al overschreven. Een vacature die van status verandert, onthoudt zijn oude status niet.
Probeer maar eens: hoeveel vacatures stonden er op 1 januari open? Hoe zag je pijplijn er aan het begin van vorig kwartaal uit? Zonder vastgelegde historie kun je dat niet meer terugzien.
Het gevolg is dat je geen trends ziet. En zonder trends mis je ook de vroege signalen, zoals een pijplijn die al weken langzaam leegloopt.
12. Alles hangt aan één persoon
De collega die het dashboard bouwde, weet hoe het werkt. Hij weet welke export hij moet draaien en welke vraag hij aan AI stelt. Gaat hij weg, wordt hij ziek of heeft hij het te druk, dan staat alles stil.
Vaak durft dan niemand de berekening nog aan te passen, want je wilt voorkomen dat het helemaal niet meer werkt. Niemand weet meer welke vraag er destijds aan AI is gesteld. Het dashboard blijft bestaan, maar wordt elke maand een beetje minder gebruikt.
13. Het is niet gratis
Een AI-abonnement lijkt goedkoop. De echte kosten zitten ergens anders: in uren. En vaak in de uren van je duurste mensen, zoals de directeur, de controller of een vestigingsmanager.
Een rekenvoorbeeld. Stel, je controller is elke week 4 uur bezig met exporteren, uploaden, controleren en bijwerken. Tegen een kostprijs van €50 per uur:
- 4 uur × €50 = €200 per week
- €200 × 52 weken = €10.400 per jaar
En dan reken je nog niet mee wat een verkeerde beslissing kost. Zoals negen maanden sturen op een succesratio die niet klopt.
Checklist: 7 vragen voordat je op een AI-dashboard gaat sturen
Twijfel je of je dashboard betrouwbaar genoeg is? Loop deze vragen langs. Heb je op een van de vragen geen goed antwoord, dan weet je waar je moet beginnen.
- Weet je van elk getal hoe het berekend is?
- Heb je een paar cijfers met de hand nagerekend in je ATS?
- Rekent het dashboard met al je data, of met een deel?
- Staat erop van wanneer de data is?
- Weet je waar je data staat, en heb je daar afspraken over?
- Weet je wie het dashboard kan zien, en wat er verder in het bestand zit?
- Kan een collega het overnemen als de maker er niet is?
Ons advies: bouw het wel op een solide fundering
Na 13 risico's zou je bijna denken dat we tegen AI zijn. Integendeel. Dashboards maken met AI is top. Je kunt sneller iets uit je data halen dan ooit. De risico's zitten alleen niet in AI zelf. Ze zitten in wat eronder ligt.
Denk aan een huis. AI is de verbouwing: snel en direct zichtbaar. De fundering is wat ervoor zorgt dat het blijft staan. Een mooie verbouwing op een slechte fundering gaat vroeg of laat scheuren.
De fundering is wat ervoor zorgt dat het blijft staan en dat je in de toekomst door kunt blijven bouwen.
Hier werkt AI ook zonder fundering
Er zijn situaties waarin je prima zonder kunt. Voorwaarde: je werkt met fictieve data. Dus geen echte kandidaten, klanten of cijfers.
- Een prototype om te ontdekken wat je wilt zien. Laat AI met verzonnen data een paar dashboards schetsen. Puur voor de beeldvorming: welke grafieken helpen je, en welke niet? Wat wil je nou eigenlijk echt zien?
- Sparren over KPI's. Welke kengetallen passen bij een detacheerder met 40 consultants? Wat is het verschil tussen fill rate en succesratio? Ook hier: met fictieve voorbeelden.
Zodra er echte data in moet en je er beslissingen op gaat nemen, heb je een fundering nodig.
Zo ziet een solide fundering eruit
| Onderdeel van de fundering | Wat het betekent | Lost risico op |
|---|---|---|
| Automatische koppeling met je ATS en backoffice | Data wordt elke dag zelf ververst, zonder losse exports | 4, 6, 8, 10 |
| Vaste definities | Eén afgesproken manier van rekenen voor iedereen | 1, 2, 3, 5 |
| Bewaarde historie | Elke dag wordt vastgelegd hoe de stand was | 11 |
| Rechten per persoon en vestiging | Iedereen ziet alleen zijn eigen data, ook in het bestand | 9 |
| Data in Europa, met afspraken | Opslag en verwerking volgens de AVG, met een verwerkersovereenkomst | 7 |
| Beheer buiten één persoon | Een team of partner beheert het, niet één collega | 12, 13 |
AI bovenop de fundering
Staat die fundering, dan wordt AI pas echt sterk. Je stelt je vragen dan aan data die klopt, die elke dag ververst wordt en die veilig staat. Twee collega's die dezelfde vraag stellen, krijgen hetzelfde antwoord. Omdat er één telling onder ligt.
Bij RecBi bouwen we die fundering voor meer dan 70 bureaus, met een AI-assistent erbovenop. Waarom AI pas werkt met één telling, lees je op onze pagina over Full Picture Recruitment.
Begin morgen met de checklist. Loop hem met je team langs en kijk bij welke vraag het eerste "weet ik niet" valt. Daar zit je startpunt. Wil je eens sparren over hoe dat bij jouw bureau zit, plan dan gerust een gesprek.
Veelgestelde vragen
Mag ik kandidaatgegevens uploaden in ChatGPT of Claude?
In een persoonlijk account niet: zet daar nooit herleidbare persoonsgegevens van kandidaten in. Je bent onder de AVG verantwoordelijk voor die gegevens. De Autoriteit Persoonsgegevens waarschuwt dat je ermee een datalek kunt veroorzaken. Wil je AI met echte data gebruiken, kies dan een zakelijke versie met een verwerkersovereenkomst en heldere afspraken over opslag en training. Vergeet daarbij niet de vraag die los staat van de wet: wat zouden je klanten en kandidaten ervan vinden? Daarnaast is het een glijdende schaal. Iets wat je de eerste keer niet uploadt, vind je na dertig uploads ineens wel kunnen. Dat is gewoon menselijk gedrag.
Verandert de AI Act iets aan dashboard maken met AI?
Voor een gewoon dashboard verandert de AI Act weinig: de AVG blijft de belangrijkste regel voor je kandidaatgegevens. Wel vraagt de wet sinds 2 februari 2025 dat je mensen genoeg weten van de AI die ze gebruiken. Laat je AI zelf kandidaten selecteren of medewerkers beoordelen, dan geldt dat als hoog risico. De zwaarste verplichtingen daarvoor gaan door de Digital Omnibus in op 2 december 2027.
Hoe weet ik of mijn AI-dashboard klopt?
Tel een paar getallen met de hand na in je ATS, voordat je erop gaat sturen. Kies bijvoorbeeld één consultant en één maand, en vergelijk het aantal plaatsingen en de marge met wat het dashboard laat zien. Vraag AI daarnaast om per getal uit te leggen hoe het berekend is en hoeveel rijen hij heeft ingelezen. Klopt een getal niet, pas dan eerst de definitie aan.
Is een zakelijke versie van ChatGPT of Claude veiliger?
Voor je data meestal wel. Zakelijke abonnementen hebben vaak strengere afspraken over opslag, en bij Claude gelden de trainingsregels voor persoonlijke accounts niet voor zakelijke abonnementen. Wat niet verandert, zijn de risico's rond juistheid, verversen en rechten. Een zakelijk account rekent net zo makkelijk met een verkeerde definitie, en een export op een laptop blijft een risico.
Kan ik met AI een dashboard rechtstreeks koppelen aan mijn ATS?
Technisch kan dat soms, maar dan bouw en onderhoud je zelf een koppeling. De data moet elke dag verversen, de historie moet bewaard blijven, de definities moeten vastliggen en iedereen mag alleen zijn eigen data zien. Dat is een flink IT-project, en eerlijk gezegd moet je dat als bureau niet zelf willen bouwen. Wat wel steeds vaker kan, is AI laten werken via een recruitment MCP. MCP staat voor Model Context Protocol: een open standaard waarmee AI-tools als Claude en ChatGPT veilig gegevens kunnen opvragen bij een ander systeem. Een recruitment MCP-server zit tussen de AI en je recruitmentdata in. Je stelt je vraag gewoon in je AI-tool en de MCP-server haalt het antwoord uit je eigen data. Zo slingeren er geen exports meer rond en krijgt AI alleen de cijfers die de vrager mag zien. Een recruitment MCP is wel zo betrouwbaar als de data eronder: kloppen de definities, de historie en de rechten niet, dan krijg je ook via een MCP een verkeerd antwoord.
Wat kost een zelfgebouwd AI-dashboard echt?
Vooral tijd, en dat loopt sneller op dan je denkt. Een rekenvoorbeeld: je controller is elke week 4 uur kwijt aan exporteren, uploaden, controleren en bijwerken. Tegen een kostprijs van €50 per uur kost dat €10.400 per jaar. Daar komen het AI-abonnement en de kosten van een beslissing op een verkeerd getal nog bij. Want als een getal niet klopt, gaat iedereen zich ermee bemoeien, en dat zijn veel niet-productieve uren.
Wanneer is dashboard maken met AI wel slim?
Als je met fictieve data werkt, of als er een solide fundering onder ligt. Met verzonnen data kun je prima een prototype maken of sparren over welke KPI's bij je bureau passen. Wil je sturen op echte cijfers, zorg dan eerst voor automatisch ververste data, vaste definities, bewaarde historie en rechten per persoon. Daarbovenop is AI juist heel waardevol.
Vragen over dit artikel of over de cijfers van jouw bureau? Plan een demo, dan kijken we er samen naar.
