Je hebt een vacature uitstaan voor een accountmanager. Vijftig sollicitaties binnengekomen. Tijd om te filteren heb je niet, dus je zet een AI-tool in die cv's scant op trefwoorden en de top-5 kandidaten selecteert. Klinkt efficiënt. Maar wat als die AI onbewust kandidaten met een niet-Nederlandse achternaam systematisch lager scoort? Of vrouwen minder geschikt acht voor een technische functie? Precies over dit dilemma publiceerde The Conversation op 12 mei 2026 een genuanceerd artikel: AI creëert geen vooroordelen — het erft ze. En dat is voor MKB-ondernemers misschien wel het belangrijkste AI-inzicht van dit jaar.
Het probleem zit niet in de AI, maar in de data
Laten we helder zijn over hoe AI-vooroordelen ontstaan. Een taalmodel of selectie-algoritme is niet 'kwaadaardig' of 'discriminerend' in menselijke zin. Het leert simpelweg patronen herkennen uit de data waarmee het gevoed is. Als die data uit een verleden komt waarin bepaalde groepen systematisch werden achtergesteld, zal het model die patronen klakkeloos overnemen.
Denk aan een AI die geschikte kandidaten voor een managementfunctie selecteert. Als het getraind is op historische gegevens van succesvolle managers in Nederland — tot voor kort overwegend witte mannen boven de 40 — dan zal het onbewust kandidaten bevoordelen die op dát profiel lijken. Ook al verwoord je de functie-eis neutraal. Ook al heb je de beste intenties. De bias zit in de getallen.
Voor MKB'ers is dit extra gevaarlijk omdat je juist wíl diversifiëren. Je zoekt niet nog een kopie van jezelf — je zoekt iemand met een frisse blik en andere ervaringen. Een bevooroordeelde AI saboteert dat streven zonder dat je het doorhebt.
Dit speelt breder dan werving
Het risico op AI-vooroordelen beperkt zich niet tot HR. Enkele voorbeelden uit de dagelijkse MKB-praktijk:
- Kredietbeoordeling: Steeds meer MKB'ers gebruiken AI-tools die klanten automatisch beoordelen op kredietwaardigheid. Maar algoritmes kunnen onbewust ondernemers in bepaalde postcodegebieden of met een migratieachtergrond strenger beoordelen, puur op basis van historische correlaties.
- Klantenservice-chatbots: Een AI-chatbot die klachten afhandelt, kan onbedoeld formeler of afwijzender reageren op taalgebruik dat afwijkt van standaard Nederlands — en daarmee klanten met een andere taalachtergrond benadelen.
- Marketing en targeting: AI-gestuurde advertentieplatforms tonen vacatures of aanbiedingen soms selectief aan bepaalde demografische groepen door, simpelweg omdat de historische klikdata dat 'optimaal' maakt.
De gemene deler: het voelt niet als discriminatie. Het zijn keurige, datagedreven beslissingen. Maar het resultaat is hetzelfde als ouderwetse vooroordelen: mensen krijgen minder kansen op basis van kenmerken die er niet toe zouden moeten doen.
Hoe jij als MKB'er grip krijgt op AI-eerlijkheid
Het mooie is: je kunt wél iets doen. En anders dan bij grote corporaties hoef je daar geen duur ethisch AI-team voor in te huren. Drie concrete stappen:
-
Stel de controlevraag. Bij elke AI-tool die je inzet op beslissingen die mensen raken, vraag je de leverancier: "Hoe is dit model getraind en getest op vooroordelen?" Een goede aanbieder kan je vertellen welke bias-tests zijn uitgevoerd en wat de uitkomsten waren. Krijg je een vaag antwoord? Dan is dat een rood signaal.
-
Houd een menselijke check. Automatiseer gerust de eerste selectie — dat scheelt enorm veel tijd. Maar zorg dat de uiteindelijke beslissing bij een mens ligt die expliciet op bias let. Bijvoorbeeld: een AI selecteert tien kansrijke cv's; een medewerker kijkt daar kritisch naar vóór de uitnodiging de deur uitgaat.
-
Monitor je uitkomsten. Check elk kwartaal: hebben de AI-beslissingen tot andere uitkomsten geleid dan voorheen? Zie je opeens een ander type kandidaat op gesprek komen? Veranderen je klantbeoordelingen? Afwijkingen zijn niet per se slecht — efficiëntie is ook waardevol — maar je wilt ze wél bewust signaleren.
De wet loopt niet ver achter
Onderschat ook de juridische kant niet. De Europese AI Act, die gefaseerd in werking treedt, classificeert AI-toepassingen in werving en selectie als 'hoog risico'. Dat betekent dat je als werkgever — ook als MKB — verantwoordelijk bent voor non-discriminatie, óók als de beslissing door een algoritme is genomen. "De computer deed het" is juridisch net zo onhoudbaar als "mijn medewerker deed het".
De Autoriteit Persoonsgegevens en het College voor de Rechten van de Mens hebben de afgelopen jaren steeds vaker onderzoek gedaan naar algoritmische discriminatie. De eerste boetes zijn inmiddels uitgedeeld. De boodschap is duidelijk: je kunt je niet verschuilen achter technologie.
Eerlijke automatisering als concurrentievoordeel
Er zit ook een positieve kant aan dit verhaal — eentje die slimme MKB'ers als eerste zullen grijpen. Een AI-systeem dat bewezen eerlijk is, kan juist discriminerende menselijke reflexen corrigeren. Uit onderzoek blijkt dat managers onbewust toch vaak kiezen voor kandidaten die op hen lijken. Een goed gekalibreerd AI-model kan die 'klonen-reflex' juist doorbreken en objectiever selecteren dan een mens.
Kortom: AI hoeft geen discriminatiemotor te zijn. Maar dan moet je er wél actief iets voor doen. De ondernemers die nu bewust investeren in eerlijke algoritmes, bouwen niet alleen een juridisch robuust bedrijf — ze bouwen een bedrijf dat klaar is voor het Nederland van 2030, waarin diversiteit geen modewoord is maar een randvoorwaarde voor groei.
Bronnen:
- https://theconversation.com/ai-doesnt-create-bias-it-inherits-it-how-do-we-ensure-fairness-when-it-comes-to-automated-decisions-280927
- https://www.autoriteitpersoonsgegevens.nl/themas/algoritmes