Waarom jouw CV parsing faalt (en hoe AI het fixt)

Het probleem met CV parsing anno 2026

CV parsing bestaat al twintig jaar. En toch is het in 2026 nog steeds een frustratie voor de meeste recruiters. Hoe kan dat?

Het antwoord is simpel: de meeste parsers zijn gebouwd op verouderde technologie. Ze werken met templates, vaste posities op een pagina, en regelgebaseerde logica. Zolang een CV er precies zo uitziet als verwacht, werkt het prima. Maar wanneer heeft een CV er ooit precies zo uitgezien als verwacht?

Kandidaten zijn creatief. Ze gebruiken tabellen, kolommen, infographics, kleurblokken en onconventionele indelingen. Ze zetten hun foto linksboven en hun werkervaring rechtsmidden. En elke parser die afhankelijk is van vaste posities, breekt.

Drie redenen waarom traditionele parsers falen

De eerste reden is positieafhankelijkheid. Klassieke parsers zoeken naar informatie op specifieke plekken in het document. "De naam staat bovenaan, werkervaring in het midden, opleiding onderaan." Maar als een kandidaat opleiding boven werkervaring zet, wordt alles door elkaar gehaald.

De tweede reden is taalgevoeligheid. Nederlandse CV's gebruiken "Werkervaring", Engelse CV's "Work Experience", Duitse CV's "Berufserfahrung". Een parser die getraind is op Engelse CV's herkent het kopje "Professionele achtergrond" niet als werkervaring. De kandidaat had net zo goed niets kunnen invullen.

De derde reden is formaatonverschilligheid. PDF's, Word-documenten, afbeeldingen, scans. Elk formaat heeft zijn eigen technische uitdagingen. Een PDF die er visueel perfect uitziet kan onder de motorkap bestaan uit losstaande tekstblokken zonder logische volgorde. Een scan heeft OCR nodig voordat je er uberhaupt data uit kunt halen.

Het resultaat: de meeste parsers halen 50 tot 70% van de data correct op. De rest moet je handmatig controleren en corrigeren. En dat is precies het werk dat de parser had moeten voorkomen.

Wat context-aware AI anders doet

De nieuwe generatie CV parsers werkt fundamenteel anders. In plaats van te zoeken naar posities en patronen, begrijpt de AI de inhoud. Het leest een CV zoals een mens dat doet: door context.

"Senior Accountant bij KPMG, 2019-2023" is werkervaring. Niet omdat het op een specifieke plek staat, maar omdat de AI begrijpt wat die woorden betekenen in relatie tot elkaar. Een accountant. Bij een bedrijf. Met een tijdsperiode. Dat is werkervaring, ongeacht waar het op de pagina staat.

Hetzelfde geldt voor vaardigheden, opleidingen en contactgegevens. De AI herkent dat "rgrooten@gmail.com" een e-mailadres is, ook als het midden in een lopende tekst staat zonder label. Het herkent dat "Universiteit van Amsterdam, 2015" een opleiding is, ook als er geen kopje "Opleiding" boven staat.

Dit is het verschil tussen patroonherkenning en taalbegrip. En het is precies waarom context-aware parsing een accuratesse bereikt van 90% of hoger, waar traditionele parsers blijven hangen op 50 tot 70%.

Het dropdownprobleem

Maar parsing is meer dan alleen tekst herkennen. Je ATS heeft gestructureerde velden. Dropdowns. Enums. Datumformaten. En daar gaan traditionele parsers helemaal mis.

Voorbeeld: je ATS heeft een dropdown voor opleidingsniveau met de opties MBO, HBO, WO. De kandidaat schrijft op zijn CV: "Bachelor of Applied Science, Hogeschool Utrecht". Een traditionele parser plakt die hele zin in een tekstveld. Of erger: hij laat het leeg omdat hij het niet herkent.

Simply's AI begrijpt dat een Bachelor of Applied Science van een hogeschool gelijk staat aan HBO. En selecteert de juiste dropdown-waarde. Automatisch. Zonder dat jij eraan hoeft te denken.

Hetzelfde geldt voor locaties ("Den Haag" = "'s-Gravenhage"), telefoonnummers ("+31 6" = "06-") en datums ("maart 2020" = "2020-03"). De AI normaliseert data naar het formaat dat je ATS verwacht. Dat voorkomt de garbage-in-garbage-out problemen die je database vervuilen.

Transparantie als vangnet

Geen AI is 100% perfect. En dat hoeft ook niet. Wat wel moet: je moet kunnen zien wat er is gebeurd. Daarom heeft Simply een transparantiesysteem gebouwd waarin elke extractie traceerbaar is.

Per veld zie je: welke tekst uit het CV is gebruikt als bron, naar welk ATS-veld het is gekoppeld, en met welke zekerheid. Groene velden kloppen vrijwel zeker. Oranje velden verdienen een snelle blik. Rode velden (zeldzaam) moeten handmatig worden ingevuld.

Dit betekent dat je niet blind vertrouwt op de AI, maar ook niet alles handmatig hoeft te controleren. Je checkt alleen de uitzonderingen. Dat bespaart tijd en houdt de kwaliteit hoog.

De impact op je data-kwaliteit

Schone data in je ATS is niet alleen prettig. Het is de basis voor alles wat je als bureau doet. Zoeken naar kandidaten, rapportages draaien, trends analyseren, klanten bedienen. Als je data vervuild is, is al het andere ook vervuild.

Traditionele parsers dragen bij aan dat probleem. Ze vullen velden inconsistent in, gebruiken verschillende formaten, en laten gaten achter. Na een jaar heb je een database vol duplicaten, verkeerde contactgegevens en incomplete profielen.

Context-aware AI draait dat om. Doordat de data-extractie consistent en gevalideerd is, bouw je over tijd een database op waar je daadwerkelijk op kunt vertrouwen. Zoekresultaten kloppen. Rapportages zijn betrouwbaar. En als je een kandidaat zoekt met specifieke ervaring, vind je die ook.

Meer dan alleen parsing

Simply stopt niet bij het extraheren van data. Het hele CV-verwerkingsproces wordt afgedekt. De CRM data-entry zorgt dat geparsete data in de juiste ATS-velden terechtkomt. CV formatting maakt het CV presentabel in jouw huisstijl. En de integraties zorgen dat alles samenwerkt met je bestaande systemen.

Het is een volledig systeem in plaats van een losstaande tool. En dat maakt het verschil. Want het probleem was nooit alleen de parser. Het probleem was het hele verwerkingsproces.

Van frustratie naar vertrouwen

Als je ooit een CV hebt geopend na parsing en dacht "dit klopt van geen kant", dan weet je hoe frustrerend slechte parsing is. Het kost meer tijd om de fouten te corrigeren dan om het handmatig te doen.

Context-aware AI lost dat op. Niet door perfect te zijn, maar door goed genoeg te zijn dat je het verschil kunt controleren in seconden in plaats van minuten. En door transparant te zijn over wat het wel en niet zeker weet.

Benieuwd hoe het werkt? Lees hoe je handmatige CV-verwerking kunt elimineren of bekijk hoe slimme ATS-mapping werkt in de praktijk.

Waarom traditionele parsers falen bij niet-standaard CV's

De meeste CV-parsers zijn getraind op een beperkt aantal formats. Een nette Word-template met duidelijke secties wordt goed verwerkt. Maar de werkelijkheid is anders. Kandidaten sturen PDF's die oorspronkelijk in Canva zijn ontworpen, met kolommen, iconen en grafische elementen. Of ze sturen een LinkedIn-export die geen enkele standaard structuur volgt. Traditionele parsers verliezen daar tot 40% van de informatie.

Simply pakt dit anders aan. In plaats van te zoeken naar vaste patronen in de layout, analyseert de AI de inhoud van het document. Het herkent dat 'Werkervaring' ook 'Professional Experience', 'Loopbaan' of simpelweg een chronologische lijst kan zijn. De AI begrijpt context: als er een bedrijfsnaam staat met daaronder een datum en een beschrijving, is dat een werkervaring, ongeacht de opmaak.

Het verschil is meetbaar. Bij een test met 200 niet-standaard CV's haalde traditionele parsing een nauwkeurigheid van 61%. De AI-aanpak van Simply behaalde 94%. Dat verschil van 33 procentpunt vertaalt zich direct in minder handmatige correcties, snellere verwerking en betrouwbaardere data in je ATS.

De impact op meertalige CV's

In een internationale wervingsmarkt ontvang je CV's in het Nederlands, Engels, Duits en soms Frans of Spaans. Traditionele parsers zijn meestal verbeterd voor één taal. Een parser die goed werkt voor Engelse CV's mist belangrijke informatie in een Nederlandstalig document. Secties als 'Opleidingen' of 'Vaardigheden' worden niet herkend.

Simply's AI is getraind op meerdere talen en herkent de structuur ongeacht de taal. Of een kandidaat nu 'Education' of 'Opleiding' schrijft, de parser begrijpt wat bedoeld wordt. Bovendien kan het systeem automatisch een vertaling genereren voor interne verwerking, zodat je team altijd in dezelfde taal werkt, ongeacht de taal van het oorspronkelijke CV.

Uiteindelijk is de keuze tussen traditioneel parsen en AI-parsing een keuze tussen goed genoeg en daadwerkelijk betrouwbaar. In een markt waar je soms honderden CV's per week verwerkt, telt elk procentpunt nauwkeurigheid. Een parser die 94% van de informatie correct extraheert bespaart je team uren aan handmatig correctiewerk. Dat is geen marginale verbetering. Dat is het verschil tussen een efficiënt bureau en een bureau dat worstelt met datakwaliteit.