Barb Hyman, oprichter en CEO van Sapia.ai – Interviewserie

Barb Hyman, oprichter en CEO van Sapia.ai, is een ervaren bedrijfsleider met een loopbaan in het recht, managementadvies, marketing, leren en ontwikkeling, personeelszaken en technologie. Ze begon haar carrière als advocaat bij Herbert Smith Freehills en stapte daarna over naar consultancy bij Boston Consulting Group. Daar groeide ze door tot projectleider en keerde ze later terug in leidinggevende functies, waarin ze verantwoordelijk was voor leren en ontwikkeling, HR en marketing in heel Australazië. Hyman was ook hoofd Marketing en Sponsoring bij het Museum of Contemporary Art in Sydney en algemeen directeur Personeel en Cultuur bij REA Group. In 2018 richtte ze Sapia.ai op. Daarbij putte ze uit haar ervaring met organisatieleiderschap en talentmanagement om opnieuw na te denken over hoe bedrijven mensen met kunstmatige intelligentie beoordelen en aannemen.

Sapia.ai is een bedrijf voor AI-gestuurde wervingstechnologie dat zich richt op gestructureerde kandidaatbeoordeling via gesprekken. Het platform gebruikt chatinterviews om kandidaten op grote schaal consequent te beoordelen. Het helpt werkgevers vaardigheden en geschiktheid te beoordelen en minder afhankelijk te worden van traditionele cv-selectie en andere signalen die vooroordelen kunnen introduceren. Volgens Sapia.ai heeft zijn technologie meer dan 10 miljoen kandidaten beoordeeld. Het bedrijf combineert wetenschappelijk onderbouwde, gestructureerde beoordelingen met AI-gestuurde talentinzichten, persoonlijke feedback voor kandidaten en koppelingen met bestaande sollicitantenvolg- en HR-systemen. Het benadrukt ook uitlegbaarheid, eerlijkheid en naleving van bedrijfsvereisten. Het bredere platform omvat AI-interviews, functieanalyse, het plannen van sollicitatiegesprekken, talentinzichten en AI-gestuurde loopbaancoaching.

Voordat je Sapia.ai oprichtte, bouwde je een carrière op die consultancy bij Boston Consulting Group, recht, marketing, leren en ontwikkeling en uiteindelijk leidinggeven aan Personeel en Cultuur bij REA Group omvatte. Welke ervaringen onderweg overtuigden je ervan dat werving fundamenteel moest worden heroverwogen, en welk probleem wilde je oorspronkelijk met Sapia.ai oplossen

De huidige manier waarop we mensen beoordelen is gebroken — vooral bij werving.

We vertrouwen op cv’s. We zien niet de hele persoon. We nemen onze meest ingrijpende beslissingen — wie we aannemen, wie we promoveren — op basis van onderbuikgevoel en indirecte maatstaven. Mensen aannemen die op onszelf lijken, is aan de orde van de dag: sinds wanneer is de school of universiteit die iemand heeft bezocht een maatstaf voor intelligentie? Dat is het niet. Het is een maatstaf voor een bevoorrechte positie.

Een deel hiervan heeft te maken met mijn persoonlijke verhaal. Ik ben een immigrant en ik weet dat ik in een gunstige categorie van immigranten ben terechtgekomen: ik ben wit en ik heb een naam die mensen gemakkelijk kunnen uitspreken. Ik kom uit een familie waarin niemand naar de universiteit ging; mijn vader was een winkelier. En toch heb ik buitengewone kansen gekregen en, vijf carrières later, sta ik hier. Als ik denk aan de twee miljard werknemers in de wereld, denk ik aan hoeveel van hen precies het talent, de drive en het kritische denken hebben dat mij wordt toegeschreven, maar die nooit worden gezien omdat we verblind worden door het prisma van onze eigen ervaring. Vooringenomenheid is een handige snelkoppeling om een snelle beslissing te nemen, en precies daarom blijft werving de reeds bevoordeelden belonen. Het voelde nooit eerlijk of rationeel.

De andere helft van het verhaal kwam uit de consultancy. Na mijn MBA stapte ik in een wereld waarin je nooit een bestuurskamer binnenloopt en een aanbeveling doet zonder degelijk onderzoek erachter. En toch wordt de meest cruciale beslissing die een bedrijf neemt (wie wordt aangenomen, wie leidt, wie de cultuur vormgeeft) nog steeds genomen op basis van onderbuikgevoel, of op een proxy zo dun als een universiteitsnaam. Mensen staan niet op de balans, maar in de professionele dienstverlening zijn zij juist het kapitaal. Die discrepantie leek mij absurd.

Het cv zelf is sinds Leonardo da Vinci het formaat uitvond niet fundamenteel veranderd. Wikipedia vermeldt meer dan 180 gedocumenteerde menselijke biases. Een derde van de Noord‑Amerikaanse kandidaten die een sollicitatie afronden, blijft twee maanden later zonder antwoord. Geen van dit alles is een talentprobleem: talent is gelijk verdeeld, maar kansen niet.

Wat ik met Sapia wilde oplossen, was niet alleen een beslissing — het kwam voort uit de ervaring van het zoeken naar een baan. Mijn team lacht me hierom, maar ik heb altijd werving gezien als daten. Het is een relatie. Je brengt meer tijd door met de mensen op je werk dan met je partner. Waarom zou je die beslissing nemen met minder dan dezelfde strengheid — de data — die we eisen voor elke andere belangrijke beslissing?

Je hebt betoogd dat de meeste organisaties AI-adoptie benaderen als een efficiëntieproject, terwijl het als een vertrouwensproject moet beginnen. Hoe ziet “vertrouwen” er in de praktijk uit, en hoe moeten bedrijven het meten naast meer traditionele metrics zoals productiviteit, kostenbesparingen en adoptie?

Ik leerde dit als CHRO: als je niet transparant bent over waarom je een verandering doorvoert, is vertrouwen het eerste slachtoffer. En ik denk dat de meeste bedrijven AI-adoptie achterstevoren benaderen. Ze meten de productiviteitswinst, bijvoorbeeld de bespaarde uren, de kosten per aanname, maar ze nemen nooit de tijd om te meten wat echt bepaalt of het blijft hangen: vertrouwen je medewerkers de manier waarop je AI gebruikt, en waarom?

Vertrouwen is de basis van je cultuur. Het is geen zachte metriek die naast de echte staat — het is waar de echte op zijn gebouwd. Denk erover na zoals je over elke relatie zou denken. Hoog vertrouwen geeft je vrijheidsgraden. Laag vertrouwen maakt alles kleiner, minder veerkrachtig, minder ontspannen. En niemand levert zijn beste werk wanneer hij zich niet veilig voelt. Organisaties zijn niet anders.

Toch is een groot deel van wat met AI op de werkvloer is gedaan, feitelijk de eigen gegevens van mensen tegen hen ingezet, bijvoorbeeld door iemands sociale media te scrapen om te bepalen of die een goede aanwinst, een goed risico of een slecht risico is. Ik kan me echt niet voorstellen hoe de vergadering verliep waarin die beslissing werd genomen, of hoe iemand dacht dat het de cultuur niet zou aantasten zodra mensen het ontdekten.

Als je AI dus serieus wilt invoeren, moet vertrouwen vanaf dag één een maatstaf zijn, naast productiviteit en kostenbesparingen. Vraag mensen rechtstreeks: begrijp je waarom we dit gebruiken? Geloof je dat het eerlijk wordt gebruikt? Als je niet op beide vragen ja kunt antwoorden, financier je de efficiëntiewinst die je viert met een organisatiecultuur die je ondertussen stilletjes uitholt.

Een van de grootste zorgen rond AI bij werving is dat modellen kunnen leren van historische arbeidsgegevens en mogelijk dezelfde menselijke vooroordelen versterken die organisaties proberen te elimineren. Hoe kunnen bedrijven voorkomen dat AI simpelweg bestaande wervingsbiases automatiseert, en welke waarborgen moeten vanaf het begin in deze systemen worden ingebouwd?

Dit is precies de valkuil die de meeste gesprekken over AI bij werving missen, en de reden waarom ik Sapia zo heb gebouwd. Als je een model traint op historische wervingsgegevens — wie werd aangenomen, wie werd gepromoveerd, wie dat eerste gesprek kreeg — verwijder je vooroordelen niet, maar industrialiseer je ze. Je leert een machine elke beslissing om iemand aan te nemen die op jezelf lijkt, elk oordeel over of iemand “bij de cultuur past” en elke op onderbuikgevoel gebaseerde versimpeling na te bootsen die je het huidige personeelsbestand heeft opgeleverd. Dat is geen innovatie. Dat zijn vooroordelen op grote schaal, alleen sneller en met een laagje objectiviteit dat het moeilijker maakt ze aan te vechten.

De waarborg moet dus al vóór het algoritme beginnen. We trainen niet op cv’s, foto’s, namen, universiteiten of andere traditionele indirecte maatstaven die samenhangen met een bevoorrechte positie in plaats van potentieel. Als de invoer de vooroordelen bevat, kan geen enkele slimme modellering verderop in het proces dat oplossen. Het is het probleem van “rommel erin, rommel eruit”, maar dan bestaat die rommel uit decennia aan menselijke vooroordelen, vermomd als een cv.

Het tweede onderdeel is waar je het model daadwerkelijk tegen meet. Het is niet genoeg om te zeggen “de AI werkt”, je moet continu testen op nadelige impact op gender, etniciteit, leeftijd, handicap, elke beschermde eigenschap die je continu kunt meten, niet als een eenmalige audit vóór de lancering. Bias is geen bug die je één keer oplost. Het is iets waar je voortdurend op moet letten, net zoals je elk systeem zou monitoren dat ingrijpende beslissingen over mensenlevens neemt.

En ten derde — dit is wat mensen vaak overslaan — heb je externe ogen nodig. Onafhankelijke, derde‑partij audits van je modellen, gepubliceerde methodologie, echte transparantie over wat het systeem wel en niet doet. Als je alleen bereid bent je AI‑wervingsinstrument te laten controleren door de mensen die het hebben gebouwd en financieel gemotiveerd zijn het te verdedigen, heb je het vertrouwensprobleem niet echt opgelost, maar alleen verplaatst.

“Het algoritme heeft het gedaan” is geen excuus, maar een erkenning dat je de waarborgen niet vanaf het begin hebt ingebouwd. Onthoud, AI haalt de menselijke verantwoordelijkheid voor eerlijkheid niet weg.

Werving is een uitzonderlijk risicovolle toepassing van AI omdat een algoritme direct iemands carrière kan beïnvloeden. Waar moeten organisaties de grens trekken tussen beslissingen die geautomatiseerd kunnen worden en die altijd onder betekenisvolle menselijke supervisie moeten blijven?

De grens die ik trek is deze: AI kan je absoluut helpen een persoon duidelijker te zien, maar het mag nooit de enige zijn die over iemands lot beslist. Er is een duidelijk verschil tussen een beslissing aanvullen en die uitbesteden. Werving is een van de weinige gebieden waar een verkeerde inschatting van dat onderscheid daadwerkelijk iemands leven verandert.

Waar verdient automatisering dan haar plaats? Bij het zichtbaar maken van signalen die mensen moeilijk consequent en eerlijk herkennen. Bijvoorbeeld bij het lezen van duizenden antwoorden uit sollicitatiegesprekken, zonder vermoeid te raken, een slechte dag te hebben of onbewust de kandidaat te bevoordelen die hen doet denken aan zichzelf op hun vijfentwintigste. Dat kan AI beter dan een vermoeide wervingsmanager bij het achtste gesprek van de dag. Echte sociale en persoonlijke vaardigheden herkennen en inzichten zo structureren dat iedere kandidaat op dezelfde criteria wordt beoordeeld: daar voegt de machine echt waarde toe, omdat wij niet zijn gemaakt om zo consequent te zijn.

De uiteindelijke beslissing — wie wordt aangenomen, wie wordt afgewezen, wie krijgt een tweede kans — moet bij een mens liggen die er verantwoording voor kan nemen. Niet als een rubberstempel op wat het model uitspuugt, maar als echte, betekenisvolle supervisie: iemand die begrijpt wat het systeem meet, een resultaat dat verkeerd lijkt kan bevragen, en het kan overrulen. Als een mens de aanbeveling van de AI niet zinvol kan uitdagen, is het geen toezicht maar een menselijke alibi.

Ik zou ook een grens trekken bij alles wat onomkeerbaar of ondoorzichtig is. Als een kandidaat geen begrijpelijke uitleg kan krijgen waarom hij niet is doorgegaan, heeft het systeem gefaald, ongeacht hoe “nauwkeurig” het is. En als het model beslissingen neemt die niemand in het bedrijf echt kan uitleggen — inclusief de mensen die het hebben gebouwd — dan is dat geen wervingsinstrument, maar een black box met iemands carrière erin. De test die ik elke organisatie zou geven is simpel: kun je tegenover een afgewezen kandidaat gaan zitten en in gewone taal uitleggen waarom? Als het eerlijke antwoord is “Ik weet het eigenlijk niet, het model heeft beslist,” dan heb je het verkeerde deel van het proces geautomatiseerd.

Sapia.ai maakt onderscheid tussen generatieve AI voor gesprekken met een open verloop en meer deterministische systemen voor het toekennen van scores aan kandidaten. Waarom is dat onderscheid belangrijk, vooral wanneer AI-uitkomsten consistent, controleerbaar en verdedigbaar moeten zijn?

Mensen horen “AI” en nemen aan dat het één ding is, maar juist die verwarring leidt bij werving tot problemen. We splitsen het werk bewust in tweeën. Gesprekken met een open verloop en beoordelingen waarbij veel op het spel staat, stellen namelijk totaal verschillende eisen. Doen alsof het dezelfde technologie is, leidt ertoe dat bedrijven systemen krijgen die ze niet kunnen uitleggen, verdedigen of vertrouwen.

Generatieve AI blinkt uit in de gespreklaag — een natuurlijke, menselijk aanvoelende uitwisseling met een kandidaat, goede vervolgvragen stellen, en de ervaring laten aanvoelen als een gesprek in plaats van een formulier. Daar wil je flexibiliteit, nuance, zelfs een beetje onvoorspelbaarheid, want echte gesprekken zijn niet gescript.

Maar op het moment dat je van praten met een kandidaat overgaat naar het scoren van die kandidaat, draait alles wat je van het systeem nodig hebt om. Scoring moet consistent zijn: hetzelfde antwoord moet dezelfde beoordeling krijgen, of het nu kandidaat één of kandidaat duizend is, of het nu een maandagochtend of een vrijdagmiddag is. Het moet controleerbaar zijn, wat betekent dat je precies moet kunnen aantonen waarom een kandidaat de score heeft gekregen, en niet alleen maar vertrouwen op de veronderstelling dat het model het “uitgezocht” heeft. En het moet verdedigbaar zijn, want iemands levensonderhoud hangt af van die score, en “het generatieve model vond dit een goed antwoord” is geen zin die standhoudt bij een toezichthouder, een journalist of een kandidaat die wil weten waarom hij de baan niet heeft gekregen.

Generatieve modellen zijn van nature probabilistisch: stel dezelfde vraag twee keer en je kunt subtiel verschillende antwoorden krijgen. Dat is nuttig voor gesprekken, maar een ernstig risico bij het toekennen van scores. Bij Sapia gebruiken we deterministische systemen voor het deel van het proces dat daadwerkelijk iemands uitkomst bepaalt. We modelleren zo dat dezelfde invoer betrouwbaar dezelfde uitvoer oplevert, we de redenering kunnen volgen en we kunnen bewijzen dat twee vergelijkbare kandidaten gelijkwaardig worden behandeld.

Het is echt een scheiding van verantwoordelijkheden: laat generatieve AI uitstekend menselijk overkomen, en laat deterministische, controleerbare systemen het gewicht dragen van een beslissing die eerlijk, uitlegbaar en verdedigbaar moet zijn onder controle.

Uitlegbaarheid wordt vaak genoemd als een vereiste voor verantwoorde AI, maar veel geavanceerde modellen blijven moeilijk te begrijpen voor gebruikers. Hoeveel uitleg mag een kandidaat of werknemer redelijkerwijs verwachten wanneer AI een wervingsbeslissing heeft beïnvloed?

Ik vind dat kandidaten meer verdienen dan de meeste bedrijven ze nu geven, en eerlijk gezegd meer dan de meeste bedrijven denken dat ze kunnen geven. “Het algoritme heeft beslist” is een erkenning van falen vermomd als verfijning.

Mijn standpunt is dit: een kandidaat moet altijd in gewone taal kunnen begrijpen waarop die is beoordeeld en ongeveer waarom dat tot die uitkomst heeft geleid. Niet de onderliggende wiskunde, geen uitdraai van modelgewichten. Wat kandidaten willen en waar ze recht op hebben, lijkt meer op wat een goede manager hun persoonlijk zou vertellen: dit zijn de eigenschappen die we zochten, hierin was je sterk en op dit punt was je deze keer niet de beste match. Dat is een volkomen redelijke norm. Een systeem dat daar niet aan kan voldoen, zou überhaupt geen beslissingen over iemands levensonderhoud mogen nemen.

Voor ons moet uitlegbaarheid vanaf dag één in de architectuur zijn ingebakken, want je kunt niet uitleggen wat je niet kunt traceren.

Waar ik een beetje tegenaan zou duwen, is het idee dat uitlegbaarheid betekent dat kandidaten een technische opleiding nodig hebben over hoe het model werkt. Dat is een valse norm, en wordt vaak als excuus gebruikt terwijl het in werkelijkheid simpelweg niet is ontworpen om uitgelegd te worden. Een goede arts loopt je niet door de biochemie van een diagnose; hij vertelt je wat hij heeft gevonden en wat het voor jou betekent. AI in werving zou zich aan dezelfde standaard van menselijk leesbare eerlijkheid moeten houden.

De echte test is dezelfde die ik voor menselijk toezicht zou gebruiken: kan een kandidaat vragen “waarom ben ik niet door naar de volgende ronde?” en een antwoord krijgen dat specifiek en eerlijk is en werkelijk over die kandidaat gaat? Als je AI dat antwoord niet kan geven, heb je geen uitlegbaar systeem gebouwd. Je hebt er een gebouwd waarvan je hoopt dat niemand er vragen over stelt.

Bedrijven richten zich vaak op de vraag of werknemers en managers een AI‑tool gebruiken, in plaats van of ze de output ervan echt vertrouwen. Welke waarschuwingssignalen duiden erop dat een organisatie AI‑adoptie heeft bereikt zonder daadwerkelijk vertrouwen in de technologie?

Adoptie is de gemakkelijkste metriek om te vervalsen, en dat is precies waarom zoveel bedrijven het verwarren met succes. Als ik je vertel dat iedereen in het bedrijf de AI‑tool “gebruikt”, zegt dat bijna niets over of ze er in geloven — het kan gewoon betekenen dat het verplicht is, of dat het de gemakkelijkste weg is, of dat niemand er nog een manier omheen heeft gevonden.

Het eerste waarschuwingssignaal is omzeilgedrag. Als mensen de AI‑tool gebruiken maar tegelijkertijd stilletjes het oude proces blijven uitvoeren — de output handmatig dubbelchecken, hun eigen notities bijhouden, een schaduwsysteem draaien voor het geval — dan is dat compliance met een bijbehorende verzekering. Het gebruikscijfer ziet er goed uit. De waarheid is dat iedereen denkt dat de tool fout kan zijn.

Het tweede signaal is stilte. In een echt vertrouwende cultuur dagen mensen het systeem uit wanneer iets niet klopt: ze stellen vragen, geven weerstand, markeren resultaten die niet goed aanvoelen. Wanneer adoptie wel echt is maar vertrouwen niet, krijg je het tegenovergestelde. Mensen stoppen met het stellen van vragen omdat ze hebben besloten dat het de moeite niet waard is. Die stilte wordt door het leiderschap vaak verkeerd geïnterpreteerd als tevredenheid. In werkelijkheid is het een berusting.

Het derde waarschuwingssignaal is een kloof tussen wat mensen in een enquête zeggen en wat ze tegen elkaar zeggen. Ik zou me veel meer zorgen maken over een bedrijf waar het officiële adoptiedashboard overal groen aangeeft, maar het echte gesprek in de kantine is “ja, we doen gewoon wat het zegt omdat dat makkelijker is dan discussiëren” — dat is een cultuur die nog niet is omgezet.

En het diepste waarschuwingssignaal, en het voor mij belangrijkste: wanneer mensen helemaal stoppen met hun eigen oordeel in te brengen. Dat is afstand doen. Echt vertrouwen in een tool betekent dat mensen zich nog steeds bevoegd voelen om het oneens te zijn wanneer hun eigen expertise iets anders aangeeft — en zich veilig voelen om dat te doen. Als je managers stil zijn geworden en zich simpelweg neerleggen bij wat de AI zegt, heb je afhankelijkheid gecreëerd.

Dus de echte test is niet “gebruiken ze het” maar “zouden mensen het blijven gebruiken als het optioneel was, en zouden ze je eerlijk vertellen wanneer het iets fout had”. De meeste bedrijven hebben die vragen nog nooit echt gesteld. Dat is meestal de doorslaggevende aanwijzing.

AI‑wervingsinstrumenten kunnen kandidaten evalueren op een schaal en consistentie die menselijke recruiters niet kunnen, maar werving omvat ook context en nuance. Waar denk jij dat AI vandaag de mens kan overtreffen, en waar zijn mensen nog onmisbaar?

AI kan een uitstekend hulpmiddel zijn bij het beoordelen van een grote pool kandidaten, ongeacht hun achtergrond en ervaring, terwijl het toch een op maat gemaakte beoordeling biedt voor kandidaten met specifieke behoeften. Een menselijke recruiter zou eerder geneigd kunnen zijn om kandidaten van een topuniversiteit of zonder eerdere gezondheidsproblemen te bevoordelen. AI voert een eerlijke, gelijke beoordeling van alle kandidaten uit op een manier die mensen niet kunnen wanneer ze honderden sollicitaties moeten doorlopen. Dat gezegd hebbende, blijft menselijk oordeel essentieel om te bepalen of een kandidaat past binnen de bedrijfscultuur of voldoet aan de eisen van klanten.

Naarmate AI dieper wordt geïntegreerd in werving, coaching, prestatiemanagement en andere personeelsbeslissingen, hoe moet verantwoordelijkheid worden gestructureerd wanneer een AI‑ondersteunde beslissing een oneerlijke of onjuiste uitkomst oplevert?

Verantwoordelijkheid in AI blijft bestaan wanneer mensen de uiteindelijke beslissingen nemen, terwijl de wervingsworkflow transparantie, verklaarbaarheid en rigoureuze bias‑tests omvat. We hebben het FAIR™‑model gelanceerd om verantwoorde AI‑praktijken te stimuleren. Het beveelt het volgende aan:

• Onpartijdig: Test op bias en gebruik de juiste statistische maten — zoals de 4/5‑regel, foutpercentage‑pariteit en andere relevante bias‑tests — om te controleren of de uitkomsten eerlijk zijn.
• Validiteit: AI‑gedreven bewijs is gebaseerd op daadwerkelijke data en gekoppeld aan de uitkomst die het beoogt te voorspellen.
• Verklaarbaarheid: Zorg voor duidelijke documentatie en tools om resultaten te interpreteren, wat de AI over een kandidaat heeft geïdentificeerd en hoe dat heeft bijgedragen aan hun score.
• Inclusiviteit: Dit betekent dat kandidaten eerlijk worden behandeld gedurende het hele proces, van sollicitatie tot besluitvorming. Het is een end‑to‑end‑visie op de wervingservaring — inclusief de mensen, processen, technologie en AI die samenwerken.

Kijkend naar de toekomst, verwacht je dat AI voornamelijk een besluitvormingslaag binnen HR‑systemen wordt, of zal de belangrijkere rol conversatiegericht zijn, waarbij kandidaten en medewerkers beter inzicht krijgen in kansen, vaardigheden ontwikkelen en hun loopbaan navigeren?

Zelfs de meest geavanceerde technologieën vereisen een menselijke benadering, menselijk oordeel en menselijk toezicht. AI is er om het proces te ondersteunen en ervoor te zorgen dat iedere kandidaat een eerlijke, gelijke kans krijgt om voor een functie in aanmerking te komen. Bij Sapia noemen we dit graag een “aanpak waarbij de mens betrokken blijft”: we combineren menselijke en machine-intelligentie om slimme chatervaringen te creëren die voorspellend, verantwoord en persoonlijk zijn. Daarvoor betrekken we onze klanten bij het proces. Zo toetsen we voortdurend op nauwkeurigheid en eerlijkheid, terwijl we onze AI-modellen leren zich in de loop van de tijd verder te ontwikkelen.

Onze menselijke benadering zie je ook terug in wat we kandidaten bieden. We hebben onlangs Phai gelanceerd, een loopbaancoach die als mentor optreedt. Die biedt werkzoekenden persoonlijke begeleiding, brengt hun sterke punten in kaart en helpt hen zich op sollicitatiegesprekken voor te bereiden, zodat ze hun volgende kans met vertrouwen tegemoet kunnen zien. Het is een positief hulpmiddel om een kandidaat ook na de uitkomst van het gesprek gemotiveerd te houden.

Bedankt voor het geweldige interview. Lezers die meer willen weten, kunnen terecht op Sapia.ai.