Waarom Custom AI vaak een dure fout is in recruitment

Het begint altijd met goede bedoelingen

'We bouwen het zelf. Dan hebben we volledige controle.' Het klinkt logisch. Jouw recruitmentproces is uniek. Jouw CRM-structuur is specifiek. Jouw klanten verwachten een bepaald format. Dus waarom zou je niet je eigen AI-oplossing bouwen die precies doet wat jij nodig hebt?

Omdat het bijna altijd fout gaat. Niet door gebrek aan ambitie of talent. Maar door een systematische onderschatting van de complexiteit, de kosten en de doorlooptijd. Het begint als een project van drie maanden en eindigt als een black hole dat talent, tijd en budget opslokt.

In dit artikel leg ik uit waarom custom AI voor recruitment in 95% van de gevallen een dure vergissing is. En in welke 5% het wél zin kan hebben.

De complexiteit die je onderschat

'We pakken een speech-to-text API, hangen er een samenvatting-prompt aan, en koppelen het aan ons CRM.' Zo simpel lijkt het op papier. In een demo van een developer die het in een weekend bouwde, ziet het er indrukwekkend uit. Maar laten we de werkelijke complexiteit eens doorlopen.

Probleem 1: Spraakherkenning is moeilijker dan je denkt

Ja, er zijn speech-to-text API's. Whisper, Google, Azure. Ze werken prima. In het Engels. In een stille omgeving. Met één spreker. Met een goed internetverbinding.

Maar in recruitment:

• Bel je in het Nederlands, Duits, Frans of een mix van talen. Midden in een zin switcht de kandidaat naar Engels. Of de opdrachtgever gooit er een Duits woord tussendoor.
• Bel je via een mobiel in de auto met achtergrondgeluid, windgeruis en tunnels.
• Praten twee mensen door elkaar in een Teams-vergadering. Of de kandidaat heeft kinderen op de achtergrond.
• Spreekt de kandidaat met een accent, dialect of zachte stem.
• Zijn er namen, plaatsnamen en bedrijfsnamen die correct getranscribeerd moeten worden. 'Van der Linden-Pietersen' is niet triviaal voor een AI.

De basisaccuratesse van een speech-to-text API is 85-90%. Voor recruitment heb je 95%+ nodig. Die 5-10% verbetering kost maanden werk aan fine-tuning, domein-specifieke woordenlijsten, en foutcorrectie. En dan heb je nog geen robuust systeem dat consistent werkt over alle kanalen en alle omstandigheden.

Probleem 2: Samenvattingen zijn niet 'even een prompt'

'Maak een samenvatting van dit gesprek.' Die prompt schrijft iedereen. In een demo ziet het er fantastisch uit. Maar een goede recruitmentsamenvattting is veel meer dan dat:

• Het format moet passen bij het gesprekstype. Een intake is niet hetzelfde als een salesgesprek. Een opdrachtgeversgesprek levert andere informatie op dan een vervolggesprek met een kandidaat.
• De samenvatting moet specifieke datavelden herkennen en extraheren. Niet alleen 'de kandidaat wil 55.000 verdienen', maar het getal 55000 in het veld 'salarisverwachting'. Met het juiste datatype.
• Het moet inconsistenties herkennen. De kandidaat zegt eerst '3 jaar ervaring' en later '5 projecten in 4 jaar'. Wat klopt er? De AI moet dit signaleren.
• Het moet omgaan met ruis. Smalltalk over het weer, herhalingen, onderbrekingen, 'sorry, ik was even op mute'. Die moeten eruit gefilterd worden zonder relevante informatie te verliezen.
• En het moet aanpasbaar zijn per klant, per team, per recruiter. Want opdrachtgever X verwacht een ander format dan opdrachtgever Y.

Eén prompt bouwen die dit allemaal kan, kost weken van testen en itereren. Het onderhouden ervan, naarmate klanten veranderen en wensen bijkomen, kost maanden per jaar. En bij elke update van het onderliggende taalmodel moet je opnieuw testen.

Probleem 3: CRM-integratie is een beest

Dit is waar de meeste custom projecten stranden. Want data naar je CRM sturen is niet 'een API-call maken'. Het is een complex integratieproject:

• De veldstructuur lezen van het CRM. Welke velden bestaan? Welk type zijn ze? Welke opties zitten in dropdowns? Welke validatieregels gelden?
• Data matchen met het juiste veld. 'Fulltime' matchen met de waarde 'FT' in de dropdown. 'Beschikbaar per mei' matchen met datumformat 2026-05-01.
• Omgaan met veld-validatieregels. Datumformats die per CRM-instantie verschillen. Numerieke velden die geen tekst accepteren. Verplichte velden die niet altijd beschikbaar zijn.
• Error handling. Wat als een veld niet bestaat? Wat als de API een fout teruggeeft? Wat als het CRM offline is? Wat als er een conflict is met een bestaande waarde?
• Meerdere CRM-systemen ondersteunen. Bullhorn werkt fundamenteel anders dan Salesforce. Mysolution heeft een andere API dan Byner. Elke integratie is een apart project.

Een native integratie bouwen met één CRM kost al 3-6 maanden. Met vijf CRM's? Reken op 18+ maanden. En dan moet je ze ook onderhouden, want CRM's updaten hun API's. Velden veranderen. Nieuwe versies komen uit. Het is geen eenmalig project, het is een doorlopende verplichting.

Probleem 4: Multi-channel opname

Omnichannel opnemen betekent dat je niet alleen Teams en Meet ondersteunt, maar ook telefoon, mobiel en VOIP. Elk kanaal heeft zijn eigen technische uitdagingen:

• Meeting bots voor Teams/Meet moeten voldoen aan de API-vereisten van Microsoft en Google. Die veranderen regelmatig. Een update aan de Teams API kan je bot breken.
• Telefoon-opname vereist telecomintegratie. SIP-trunking, opname-wetgeving per land, audio-kwaliteit, echo-cancellation.
• Mobiele apps moeten werken op iOS en Android, op de achtergrond draaien, batterij-efficiënt zijn en werken bij slechte verbinding.
• VOIP-integratie met Nederlandse 06-nummers vraagt om een telecom-licentie en SIP-provider. Dat is een wereld op zichzelf.

Dit is geen 'weekend project'. Dit is een heel product op zichzelf. Met eigen compliance-eisen, eigen onderhoud en eigen expertise.

De werkelijke kosten

Laten we realistisch zijn over de kosten. Een custom AI-oplossing voor recruitment bouwen vereist minimaal:

• 2-3 AI/ML engineers (minimaal 18 maanden): €300.000 - €600.000 per jaar
• 1-2 backend developers voor integraties: €150.000 - €250.000 per jaar
• 1 product manager die het project stuurt: €100.000 - €150.000 per jaar
• Cloud infrastructuur (GPU's voor AI-modellen, opslag voor audio): €30.000 - €80.000 per jaar
• Speech-to-text API kosten: €20.000 - €50.000 per jaar (afhankelijk van gespreksvolume)
• LLM API kosten (GPT-4/Claude): €10.000 - €40.000 per jaar
• QA en testing: €50.000 - €100.000 per jaar

Totaal eerste jaar: €660.000 - €1.270.000. En dat is een conservatieve schatting. De meeste projecten gaan 30-50% over budget en 6-12 maanden over tijd. Dat is geen pessimisme, dat is de realiteit van softwareontwikkeling.

Vergelijk dat met een SaaS-oplossing die per gebruiker per maand kost. Bij een team van 20 recruiters betaal je een fractie van wat custom bouwen kost. En je hebt het morgen draaien, niet over 18 maanden. En iemand anders onderhoudt het, update het, en verbetert het continu.

De verborgen kosten die niemand noemt

Naast de directe kosten zijn er verborgen kosten die zelden in de businesscase staan:

• Afhankelijkheid van individuen. Als je lead AI-engineer vertrekt (en dat gebeurt), sta je met een systeem dat niemand anders begrijpt.
• Technische schuld. Snelle fixes tijdens de bouw worden permanente problemen. Na een jaar zit je vast in een codebase die moeilijk te onderhouden is.
• Trainingskosten. Je moet je eigen team trainen op het systeem. Documentatie schrijven. Support bieden. Dat kost tijd.
• Beveiliging. ISO 27001 certificering haal je niet als bijproduct. Dat is een apart traject dat maanden en tienduizenden euro's kost.

Wanneer custom AI wél zin heeft

Er zijn uitzonderingen. Custom AI kan zinvol zijn als:

• Je een zeer specifieke use case hebt die geen enkele bestaande tool dekt en die niet met API-configuratie op te lossen is.
• Je een team van 500+ recruiters hebt waardoor de schaalvoordelen van custom bouwen opwegen tegen de kosten.
• Je AI als core business ziet en er een apart product van wilt maken dat je aan anderen verkoopt.
• Je al een AI-team van 5+ engineers hebt dat de expertise in huis heeft.

Voor 95% van de recruitmentbedrijven geldt geen van deze punten. En zelfs dan is het vaak slimmer om een bestaande oplossing te nemen en die via een API of maatwerk-integratie aan te passen aan je specifieke behoeften. Waarom het wiel opnieuw uitvinden als iemand het al voor je heeft gedaan?

Het alternatief: kopen en configureren

De slimste aanpak voor de meeste bedrijven is: koop een bewezen oplossing en configureer die naar je behoeften. Niet bouwen, maar configureren.

Met Simply betekent dat concreet:

• Samenvattingsformats instellen die passen bij jouw gesprekstypen en klanten. Geen code, gewoon configuratie.
• CRM-veldmapping configureren zodat de juiste data in de juiste velden terechtkomt. Visueel, niet technisch.
• De integratie met je specifieke CRM activeren. Salesforce, Bullhorn, Mysolution, Byner, Tigris. Klik, verbind, klaar.
• Via de API custom workflows bouwen als dat echt nodig is. Voor de 5% die standaard niet dekt.

Dat kost geen 18 maanden en geen miljoen euro. Dat kost een dag setup en een uur configuratie per aanpassing. En je hebt een team dat het voor je onderhoudt, bijwerkt en verbetert. Zonder dat jij developers hoeft in te huren.

De opportuniteitskost

Het meest onderschatte argument tegen custom bouwen is de opportuniteitskost. Elke euro en elk uur dat je besteedt aan het bouwen van AI, besteed je niet aan:

• Het werven van meer kandidaten. Meer gesprekken, meer plaatsingen, meer omzet.
• Het verbeteren van je dienstverlening naar klanten. Betere service, hogere klanttevredenheid, meer herhaalopdrachten.
• Het trainen van je recruiters. Betere gesprekstechnieken, meer plaatsingen per recruiter.
• Het groeien van je bedrijf. Nieuwe markten, nieuwe klanten, nieuwe diensten.

De vraag is niet: 'Kunnen we dit bouwen?' De vraag is: 'Is dit de beste besteding van onze tijd en geld?' Voor recruitmentbedrijven is het antwoord bijna altijd nee. Je bent een recruitmentbedrijf, geen techbedrijf. Focus op wat je goed kunt.

Het 'we willen controle' argument

Het meest gehoorde argument voor custom bouwen is controle. 'We willen niet afhankelijk zijn van een externe leverancier.' Begrijpelijk. Maar bedenk:

• Je bent ook afhankelijk van je CRM-leverancier. Van je telecomprovider. Van Microsoft of Google voor je e-mail. Afhankelijkheid is onvermijdelijk in technologie.
• Custom bouwen creëert andere afhankelijkheden. Van je development team. Van specifieke engineers. Van een codebase die alleen jij begrijpt.
• De controle die je wint door custom te bouwen (aanpasbare code) verlies je aan complexiteit (moeilijker te onderhouden, langzamere updates, hogere kosten).

Echte controle zit niet in het bezitten van de code. Het zit in het kiezen van een betrouwbare partner die je data respecteert, je processen begrijpt, en je niet vastketent met lock-in.

Hoe Simply past in jouw tech stack

Simply is gebouwd om te passen in je bestaande werkwijze. Niet om die te vervangen. Integraties met Salesforce, Bullhorn, Mysolution, Byner en Tigris zijn native. Enterprise security met ISO 27001 en GDPR compliance is standaard. Transparantie over hoe AI tot conclusies komt is ingebakken.

Wil je weten hoe Simply in jouw omgeving past? Lees hoe AI integreren in je ATS werkt, of neem contact op voor een concrete demo met jouw systeem.