MIT‑studie: algoritmische monocultuur vergroot onderhandelingsmacht van kandidaten

Onderzoekers Brian Hedden en Manish Raghavan van het Massachusetts Institute of Technology hebben een kwantitatieve analyse gepubliceerd die een gangbare veronderstelling tegenspreekt: de brede adoptie van één rekruteringsalgoritme schaadt werkzoekenden niet onvermijdelijk.

Hun studie, gepost als pre‑print op arXiv (v3, 26 september 2026), bouwt een formeel model van “algoritmische monocultuur” – een situatie waarin veel bedrijven dezelfde besluitvormingsmotor gebruiken om sollicitanten te rangschikken.

Hoe monocultuur de informatiestroom beïnvloedt

De auteurs bewijzen wiskundig dat een monocultuur informatieve echo‑kamers creëert. Wanneer elk bedrijf dezelfde gefilterde weergave van kandidaten ziet, krimpt de diversiteit van profielverkenning, waardoor de kans daalt dat het absoluut beste talent voor een specifieke vacature naar voren komt.

Tegelijkertijd onthult dezelfde wiskunde een contra‑intuitief effect: als de individuele bedrijfsalgoritmen worden samengevoegd tot een “ensemble‑algoritme” dat scores over bedrijven heen gemiddeld, kan de algehele wervingsprestatie gelijk aan of zelfs beter dan die van een polycultuur, waar elk bedrijf een eigen model hanteert.

Systemische uitsluiting verlaagt niet het totale aantal aanwervingen

Een van de luidste kritieken op monocultuur is het risico van systemische uitsluiting – een kandidaat die door één algoritme wordt afgewezen, wordt door alle afgewezen. Hedden en Raghavan tonen aan dat dit fenomeen het totale aantal aanwervingen niet vermindert. Integendeel, het kan de onderhandelingsmacht van kandidaten vergroten omdat hetzelfde afwijzingssignaal naar meerdere werkgevers wordt uitgezonden, waardoor zij hun aanbiedingen verbeteren om interesse te behouden.

De onderzoekers betogen dat deze dynamiek salarissen kan opdrijven, aangezien bedrijven gaan concurreren om de weinige kandidaten die de gedeelde filter overleven aan te trekken.

De theoretische onderbouwing die in de studie wordt gepresenteerd, legt de nadruk op de mechanismen die ten grondslag liggen aan de dynamiek van een algoritmische monocultuur. Het model gaat uit van een markt waarin een groot aantal werkgevers identieke beoordelingsfuncties toepast op een gemeenschappelijke pool van sollicitanten. Door deze uniforme filtermechanismen ontstaat een homogenisatie van de signalen die kandidaten ontvangen, wat leidt tot een verminderde variatie in de informatie die elke werkgever over de kandidaten heeft. Deze homogenisatie wordt wiskundig gekarakteriseerd als een reductie van de entropie in de distributie van kandidaatprofielen, waardoor de kans op het identificeren van niche‑talenten die buiten de standaardcriteria vallen aanzienlijk afneemt. Het model maakt duidelijk dat dit fenomeen niet per se een negatieve impact heeft op de macro‑economische indicatoren van werkgelegenheid, maar wel een verschuiving veroorzaakt in de manier waarop individuele kandidaten hun onderhandelingspositie kunnen benutten. De nadruk ligt hierbij op de structurele eigenschappen van de algoritmen, zoals hun sensitiviteit voor bepaalde kenmerken en de manier waarop ze scores normaliseren, wat de basis vormt voor de latere empirische observaties over onderhandelingsmacht.

In de tweede fase van de analyse wordt een contraproductief effect van de monocultuur geanalyseerd: de aggregatie van scores over meerdere werkgevers via een ensemble‑benadering. Deze benadering bestaat uit het nemen van een gewogen gemiddelde van de individuele scores die elk bedrijf aan een kandidaat toekent, waardoor een collectieve evaluatie ontstaat die minder gevoelig is voor de bias van een enkel algoritme. Het model toont aan dat, onder bepaalde veronderstellingen over de correlatie tussen bedrijfsvoorkeuren, de ensemble‑score een hogere voorspellende nauwkeurigheid kan bereiken dan een verzameling heterogene modellen die elk op een eigen dataset zijn getraind. Dit resultaat suggereert dat de vermeende voordelen van een polycultuur – diversiteit in besluitvormingsprocessen – niet automatisch leiden tot betere uitkomsten, mits de aggregatie‑mechanismen zorgvuldig worden ontworpen en geoptimaliseerd. De implicatie is dat beleidsmakers en technologische ontwikkelaars moeten overwegen hoe ze de voordelen van collectieve intelligentie kunnen benutten zonder de risico’s van homogenisatie te versterken.

Een centraal argument in de discussie over systemische uitsluiting betreft de perceptie dat een uniforme afwijzing van een kandidaat door één algoritme leidt tot een algeheel verlies van kansen op de arbeidsmarkt. De studie weerlegt dit door te laten zien dat het signaal van afwijzing, wanneer het door meerdere werkgevers wordt gedeeld, een strategisch instrument kan worden voor kandidaten. Werkgevers die een potentiële waarde in een kandidaat zien, maar geconfronteerd worden met een negatieve score, kunnen ervoor kiezen hun aanbod te verbeteren om de kandidaat toch te behouden. Dit gedrag wordt in het model gemodelleerd als een speltheoretisch evenwicht waarbij de kosten van een verhoogd salaris worden afgewogen tegen de verwachte winst uit het aantrekken van een schaars talent. De dynamiek leidt tot een situatie waarin de onderhandelingsmacht van de kandidaat toeneemt, omdat de marktcollectieve afwijzingssignalen een vorm van onderhandelingstool vormen die de kandidaat kan inzetten om betere arbeidsvoorwaarden te verkrijgen.

De praktische consequenties van deze theoretische bevindingen hebben een aantal impliciete beleidsimplicaties. Ten eerste wijst het onderzoek op de noodzaak om transparantie in de algoritmische besluitvorming te waarborgen, zodat kandidaten inzicht krijgen in de aard van de signalen die zij ontvangen. Transparantie maakt het mogelijk om de afwijzingsfeedback te interpreteren en strategisch te gebruiken in vervolggesprekken met andere potentiële werkgevers. Ten tweede benadrukt het belang van feedback‑mechanismen waarbij kandidaten hun cv‑ of profielinformatie kunnen aanpassen op basis van de ontvangen signalen, waardoor een iteratief proces van zelf‑optimalisatie ontstaat. Deze iteraties kunnen de initiële homogeniserende werking van de monocultuur deels compenseren, omdat kandidaten leren welke kenmerken de algoritmen waarderen en hun presentatie daarop kunnen afstemmen.

Tot slot moet men de bredere impact van een algoritmische monocultuur op de arbeidsmarkt in een holistisch perspectief plaatsen. Hoewel de studie aantoont dat onder bepaalde voorwaarden kandidaten hun onderhandelingspositie kunnen versterken, blijft er een risico bestaan dat de homogenisatie van beoordelingscriteria de diversiteit van talenten op lange termijn ondermijnt. De mogelijke marginalisering van niet‑conforme profielen kan op termijn leiden tot een verkleining van de pool van innovatieve en creatieve geesten die traditioneel buiten de standaardcriteria vallen. Daarom is het cruciaal om naast de technische optimalisatie van ensemble‑modellen ook institutionele waarborgen te creëren die de inclusiviteit bevorderen, bijvoorbeeld door het instellen van quota of door het verplichten van periodieke audits van de algoritmen om bias te detecteren en te corrigeren. Deze combinatie van technische, organisatorische en regulatoire maatregelen vormt volgens het model de enige manier om de voordelen van een algoritmische monocultuur te benutten zonder de structurele risico’s voor arbeidsmarktdiversiteit te vergroten.

• Echo‑kamer effect vermindert profieldiversiteit
• Ensemble‑averaging kan polycultuurprestaties evenaren of overtreffen
• Systemische uitsluiting kan onderhandelingsmacht van kandidaten verhogen
• Toestaan van cv‑revisies herstelt kandidaat‑agency