Van versnipperde info naar slimmere talent matching

Talent matching klinkt op papier vaak eenvoudiger dan het in werkelijkheid is. Je hebt een profiel, een opdracht en een beslissing. In theorie klopt dat. In de praktijk ervaren veel organisaties iets heel anders. Informatie zit verspreid over verschillende tools, gesprekken, mails en documenten. Verwachtingen worden mondeling afgestemd, bijgestuurd in de marge of pas uitgesproken wanneer er al wrijving ontstaat. Feedback komt laat, blijft onvolledig of verdwijnt volledig. En beslissingen worden genomen onder tijdsdruk, vaak met onvolledige context.

Dat maakt talent matching complex. Niet omdat mensen hun werk niet goed doen, maar omdat het proces zelf weinig houvast biedt. Recruiters, hiring managers en kandidaten navigeren door een systeem dat historisch gegroeid is. Elk onderdeel werkt op zich, maar samen vormt het geen helder geheel. Het gevolg is frictie: misverstanden, herwerk, vertraging en soms ook gemiste kansen, aan beide kanten van de tafel.

Tijdens een recente huddle bij Pàu deelden Nils Govaerts en Pauline Verbeke hoe zij, samen met Michiel De Wandelaer tijdens een interne hackathon een conceptuele flow onderzochten rond slimmere talent matching. Het is belangrijk om dat meteen te kaderen: dit was geen afgewerkt product en geen nieuwe tool die ​“gelanceerd” werd. Het was een antwoord op een concrete case en een herkenbare vraag:
hoe kan je matching tussen talent en opdracht beter voorbereiden, consistenter beoordelen en transparanter opvolgen, zonder het menselijke aspect te verliezen?

De hackathon bood een veilige ruimte om dat vraagstuk open te trekken. Niet om snel iets te bouwen, maar om te begrijpen waar het vandaag wringt. Welke stappen zitten er tussen intake en beslissing? Waar gaat informatie verloren? En waarom voelt matching zo vaak subjectief aan, zelfs wanneer ervaren mensen met goede intenties betrokken zijn?

Het resultaat van die oefening was geen oplossing die je kan kopen of implementeren. Het was een denkoefening. Een manier om talent matching te bekijken als een samenhangend proces in plaats van een reeks losse handelingen. En net daarom is deze oefening relevant voor veel organisaties vandaag. Niet omdat ze exact dit concept moeten overnemen, maar omdat ze herkennen waar het schuurt. En omdat betere matching zelden begint bij technologie, maar bij structuur, context en gesprek.

Waarom talent matching zelden een toolingprobleem is

Wanneer organisaties vastlopen op talent matching, gaat de blik vaak snel richting tooling. Nieuwe applicant tracking systems, AI-matching engines of automatisering worden bekeken als mogelijke oplossingen. Dat is begrijpelijk. Tools zijn tastbaar, meetbaar en beloven efficiëntie. Ze geven het gevoel dat het probleem oplosbaar is door iets toe te voegen of te vervangen.

Toch zien we in de praktijk dat dit zelden de kern raakt. De meeste organisaties beschikken vandaag al over een uitgebreid arsenaal aan systemen. Profielen staan ergens geregistreerd, vacatures worden gedeeld via meerdere kanalen en communicatie verloopt via mail, chat of video. En toch blijft matching veel energie vragen. Niet omdat de tools falen, maar omdat ze opereren binnen een proces dat nooit expliciet is ontworpen.

Het echte probleem zit meestal in gebrek aan samenhang. Informatie is verspreid over verschillende plekken. Verwachtingen leven in hoofden, niet in gedeelde kaders. Feedback wordt mondeling gegeven, maar zelden structureel vastgelegd. Daardoor voelt elke nieuwe match opnieuw als een losstaand dossier, losgekoppeld van eerdere ervaringen en learnings.

Voor recruiters en account managers betekent dat continu schakelen tussen contexten. Voor hiring managers betekent het beslissen met onvolledige informatie. En voor kandidaten leidt het vaak tot onduidelijkheid: waarom iets wel of niet doorgaat, of wat precies verwacht wordt in een volgende stap.

Wat hier zichtbaar wordt, is geen tekort aan technologie, maar een tekort aan procesontwerp. Talent matching is historisch gegroeid, niet bewust opgebouwd. En zolang dat zo blijft, zal geen enkele tool het probleem fundamenteel oplossen.

Dat is ook een herkenbaar patroon in consultancy. Wanneer digitale initiatieven vastlopen, ligt de oorzaak zelden bij de technologie zelf. Ze ligt bij onduidelijke flows, impliciete aannames en ontbrekende afspraken. Pas wanneer die scherp zijn, kan technologie haar rol spelen als versterker in plaats van pleister.

De hackathon vertrok daarom niet vanuit de vraag ​“welke tool ontbreekt?”, maar vanuit een fundamentelere vraag: welke beslissingen moeten mensen nemen, en welke informatie hebben ze daarvoor nodig? Dat perspectief maakte het mogelijk om talent matching opnieuw te bekijken, los van bestaande systemen.

Een hackathon als denkruimte, niet als productielijn

Hackathons worden vaak geassocieerd met snelheid, prototypes en technische experimenten. Binnen Pàu gebruiken we ze ook op een andere manier: als denkruimte. Een tijdelijke context waarin het expliciet oké is om bestaande processen open te trekken, aannames te benoemen en complexiteit te ontleden, zonder de druk om meteen met een ​“oplossing” te eindigen.

Voor het thema talent matching bleek dat bijzonder waardevol. Het team van Nils Govaerts, Pauline Verbeke en Michiel De Wandelaer startte niet vanuit technologie, maar vanuit observatie. Hoe loopt matching vandaag echt? Welke stappen zijn formeel vastgelegd, en waar gebeurt het echte werk tussen de lijnen? Welke beslissingen zijn cruciaal, en waar wordt informatie onderweg verdund of verloren?

Door het proces samen stap voor stap te doorlopen, werd snel duidelijk hoeveel impliciete kennis een rol speelt. Verwachtingen die ​“iedereen wel kent”, maar nergens expliciet gemaakt worden. Interpretaties van wat een goede match is. Beslissingen die logisch aanvoelen voor wie erbij was, maar moeilijk te verantwoorden zijn voor wie later aansluit.

De hackathoncontext maakte het mogelijk om die impliciete lagen zichtbaar te maken. Niet om ze te standaardiseren of weg te automatiseren, maar om ze bespreekbaar te maken. Dat zorgde voor scherpere vragen: waar zit de echte onzekerheid? Welke informatie missen we telkens opnieuw? En waarom voelt matching zo vaak subjectief aan, zelfs wanneer ervaren mensen betrokken zijn?

Omdat het geen officieel project was, ontstond er ruimte om te vertragen en te reflecteren. Dat is precies wat deze oefening nodig had. Niet meer snelheid, maar meer helderheid. Niet meer tooling, maar beter begrip van het probleem. Die inzichten vormden de basis voor het uitwerken van een samenhangende matching flow in de volgende stap.

Talent matching als flow in plaats van losse stappen

Een van de belangrijkste inzichten uit de hackathon was dat talent matching in veel organisaties bestaat uit een reeks losse stappen die chronologisch volgen, maar inhoudelijk weinig op elkaar voortbouwen. Er is een intake, er wordt een profiel gezocht, er volgt een gesprek en daarna een beslissing. Elk onderdeel op zich is logisch, maar zelden zijn ze ontworpen als één samenhangend geheel.

Dat gebrek aan samenhang zorgt voor frictie. Informatie die in het begin relevant is, verdwijnt onderweg. Verwachtingen die impliciet waren, worden pas zichtbaar wanneer het al schuurt. Feedback wordt gegeven, maar niet gekoppeld aan eerdere aannames. Het resultaat is een proces dat telkens opnieuw moet worden ​“hersteld”, in plaats van gedragen.

Het hackathonteam koos er daarom bewust voor om matching te benaderen als een flow. Niet als checklist van stappen die je moet afwerken, maar als een traject waarin elke fase de volgende voorbereidt. Die flow bestaat uit vijf kernmomenten: context expliciet maken, profielen structureren, verwachtingen zichtbaar maken, feedback capteren en leren voor een volgende match.

Deze stappen zijn op zich niet nieuw. De meeste organisaties doen dit vandaag al, zij het impliciet en versnipperd. Het verschil zit in de volgorde en de samenhang. Wat je in het begin expliciet maakt, vermijdt interpretatie later. Wat je structureert, kan je vergelijken. En wat je vastlegt aan feedback, kan je hergebruiken.

Een belangrijk uitgangspunt bij het uitwerken van deze flow was dat ze niet mocht aanvoelen als extra werk. Integendeel: het doel was net om cognitieve belasting te verlagen. Minder zoeken naar context, minder afstemming achteraf en minder herwerk. Door informatie op het juiste moment vast te leggen, wordt matching lichter in plaats van zwaarder.

Daarnaast werd de flow expliciet ontworpen als mensgericht. Niet elke stap kan of moet geautomatiseerd worden. Sommige beslissingen vragen ervaring, nuance en gesprek. De flow ondersteunt die momenten, maar vervangt ze niet. Dat onderscheid bleek cruciaal om vertrouwen te behouden bij alle betrokkenen.

Waar het echt misloopt: context, verwachtingen en feedback

Wanneer een match achteraf niet blijkt te werken, wordt dat vaak toegeschreven aan een gebrek aan skills of ervaring. In de praktijk zien we iets anders. Mismatches ontstaan zelden omdat iemand ​“niet goed genoeg” is, maar omdat context, verwachtingen en feedback onvoldoende expliciet zijn gemaakt doorheen het proces.

Context is vaak het eerste pijnpunt. Rollen worden beschreven in termen van vaardigheden, maar zonder voldoende aandacht voor de omgeving waarin iemand terechtkomt. Wat betekent ​“senior” in deze context? Hoeveel autonomie is er echt? Hoe complex is de stakeholderomgeving? Wanneer die vragen niet expliciet beantwoord worden, lezen verschillende mensen hetzelfde profiel op een andere manier. Matching wordt dan een interpretatie-oefening.

Verwachtingen vormen het tweede knelpunt. Veel aannames blijven onuitgesproken: over tempo, verantwoordelijkheid, communicatie of samenwerking. Die aannames komen pas naar boven wanneer er wrijving ontstaat. Tegen dan is het vaak te laat, en voelt een mismatch onvermijdelijk, terwijl ze perfect vermeden had kunnen worden.

Feedback is het derde structurele probleem. Ze wordt meestal wel gegeven, maar zelden goed vastgelegd. Gesprekken leveren waardevolle inzichten op, maar die verdwijnen in hoofden, mails of losse notities. Daardoor start elke nieuwe match opnieuw van nul, zonder te leren uit vorige beslissingen.

In de hackathon werd daarom bewust ingezet op het expliciet maken van deze drie elementen. Niet als administratieve oefening, maar als vast onderdeel van het proces. Context wordt vooraf scherp gesteld, verwachtingen worden uitgesproken en feedback wordt gekoppeld aan die verwachtingen. Zo wordt feedback concreter en beter herbruikbaar.

Dat heeft een merkbaar effect op de kwaliteit van beslissingen. Gesprekken verschuiven van overtuigen naar aftoetsen. Twijfels worden sneller benoemd. En beslissingen worden beter uitlegbaar, zowel intern als naar kandidaten toe.

In consultancy zien we dit patroon voortdurend terugkomen. Projecten lopen zelden vast door gebrek aan expertise, maar door onduidelijke verwachtingen en onvoldoende terugkoppeling. Door die expliciet te maken, ontstaat ruimte om bij te sturen zonder drama.

Voor talent matching geldt hetzelfde. Wie context, verwachtingen en feedback serieus neemt, haalt een groot deel van de complexiteit uit het proces. Niet door het te vereenvoudigen, maar door het beter te structureren.

Profielen vergelijken zonder mensen te reduceren tot scores

Zodra context en verwachtingen explicieter worden, komt een volgende uitdaging naar voren: vergelijkbaarheid. In veel matchingprocessen is dat een struikelblok. Profielen verschillen sterk in structuur, detail en taal. De ene kandidaat benoemt elk project, de andere vat jaren ervaring samen in enkele regels. Skills worden anders verwoord, afhankelijk van rol, achtergrond of sector. En zachte vaardigheden, die vaak doorslaggevend zijn, blijven meestal impliciet.

Veel systemen proberen dit op te lossen met scoring. Criteria krijgen een gewicht, profielen worden gerangschikt en er ontstaat een lijst. Dat kan helpen om overzicht te creëren, maar het risico is groot dat nuance verloren gaat. Mensen worden herleid tot cijfers, terwijl de context net zo bepalend is voor een goede match.

In het hackathonconcept werd daarom gekozen voor een andere benadering. Niet: wie scoort het hoogst?, maar: hoe kunnen we profielen op een consistente manier beschrijven, zodat gesprekken inhoudelijker worden? Het vertrekpunt is geen eindscore, maar een gedeelde structuur.

Die structuur kijkt onder meer naar kernskills, relevante ervaring in context, leervermogen en randvoorwaarden zoals beschikbaarheid of samenwerkingstype. Door profielen langs dezelfde dimensies te bekijken, wordt het eenvoudiger om verschillen te duiden zonder ze te versimpelen.

AI kan hier ondersteunend werken door profielen te analyseren en te vertalen naar diezelfde structuur. Niet om beslissingen te nemen, maar om patronen zichtbaar te maken. Zo wordt duidelijk waarom iemand als sterke match wordt gezien, en waar mogelijke aandachtspunten zitten.

Het voordeel van deze aanpak is transparantie. Beslissingen worden beter onderbouwd en zijn makkelijker uit te leggen, zowel intern als naar kandidaten toe. Het menselijke oordeel blijft centraal, maar krijgt betere ondersteuning.

In consultancy zien we een gelijkaardig spanningsveld. Modellen en scores zijn nuttig om complexiteit hanteerbaar te maken, zolang ze het gesprek niet vervangen. Ze moeten inzicht geven, geen eindpunt zijn. Door profielen vergelijkbaar te maken zonder ze te reduceren, ontstaat precies dat: ruimte voor betere afwegingen.

Leren als hefboom voor betere matching

In veel organisaties wordt talent matching nog steeds gezien als een eindpunt. Er is een beslissing genomen, iemand wordt geselecteerd of niet, en daarmee is het proces afgerond. Maar precies daar gaat veel potentiële waarde verloren. Elke match, en zeker elke mismatch, bevat inzichten die relevant zijn voor de toekomst.

Tijdens de hackathon werd matching daarom expliciet bekeken als een leerproces, niet alleen als een selectiemoment. Wat vertelt een beslissing over de skills die vandaag gevraagd worden? Welke verwachtingen keren telkens terug? En waar zien we structurele gaps ontstaan tussen wat organisaties nodig hebben en wat profielen vandaag aanbieden?

Door feedback en verwachtingen te capteren, ontstaat na verloop van tijd een rijker beeld. Niet alleen van individuele profielen, maar van het bredere landschap. Welke competenties blijken schaars? Welke vaardigheden zijn sterk contextafhankelijk? En waar zit potentieel dat vandaag nog onvoldoende benut wordt?

Dat opent de deur naar een andere benadering van talent. In plaats van telkens extern te zoeken naar het ​“perfecte profiel”, ontstaat er ruimte om intern te kijken naar groei en ontwikkeling. Matching wordt zo niet alleen een manier om de juiste persoon te vinden, maar ook een manier om mensen gerichter te ondersteunen in hun volgende stappen.

Technologie kan hier opnieuw een ondersteunende rol spelen, bijvoorbeeld door patronen zichtbaar te maken en suggesties te doen. Niet als verplichting, maar als input voor gesprek. Zo wordt leren geen los HR-traject, maar een logisch vervolg op concrete vragen uit de praktijk.

In consultancy zien we dit principe vaker terugkomen. Projectervaringen leveren inzichten op die, mits goed benut, richting geven aan verdere ontwikkeling. Door matching te koppelen aan leren, ontstaat er een continuüm in plaats van losse momenten. Dat maakt organisaties veerkrachtiger en talent duurzamer inzetbaar.

De rol van AI: ondersteunen zonder te beslissen

AI speelde een duidelijke rol in het hackathonconcept, maar nooit als eindbeslisser. Dat was een bewuste keuze. Talent matching blijft mensenwerk. Context, nuance en vertrouwen laten zich niet volledig vangen in modellen of scores.

Waar AI wel waarde toevoegt, is in het ondersteunen van menselijk oordeel. Door informatie samen te brengen die vandaag versnipperd zit, door patronen zichtbaar te maken en door structuur aan te brengen in profielen, verwachtingen en feedback. Niet om beslissingen te automatiseren, maar om gesprekken beter te voeden.

Cruciaal daarbij is transparantie. Wanneer AI samenvat, vergelijkt of suggesties doet, moet duidelijk zijn waarop dat gebaseerd is. Zo blijft de mens in controle en ontstaat er geen schijn van objectiviteit. AI wordt geen scheidsrechter, maar een assistent die helpt om sneller tot de kern te komen.

In consultancy zien we dat net daar de grootste meerwaarde zit. Niet in het vervangen van beslissingen, maar in het creëren van ruimte. Ruimte voor betere vragen, scherpere afwegingen en meer focus op wat echt telt. In talent matching betekent dat: minder tijd verliezen aan zoeken en interpreteren, en meer tijd besteden aan dialoog en keuze.

Wat deze huddle zegt over hoe wij bij Pàu werken

Deze hackathon leverde geen product op, maar wel iets waardevollers: een scherper begrip van het probleem. En dat typeert hoe wij bij Pàu naar digitale vraagstukken kijken.

We starten niet bij technologie, maar bij mensen en processen. We vertragen om te begrijpen, zodat wat we later bouwen ook echt waarde toevoegt. Hackathons gebruiken we daarbij als methode om aannames te testen, inzichten te delen en complexiteit hanteerbaar te maken.

Voor organisaties die worstelen met talent matching, maar ook met andere complexe processen, zit hier een bredere les in. Vooruitgang begint niet bij automatiseren, maar bij structureren. Niet bij versnellen, maar bij verduidelijken.

Talent matching zal altijd mensenwerk blijven. Maar mensenwerk kan ondersteund worden door betere flows, scherpere voorbereiding en bewuste keuzes. Dat is wat deze huddle ons geleerd heeft. En dat is hoe wij bij Pàu blijven kijken naar digitale verandering.