Privacy & Gegevensbescherming

DPIA-samenvatting

Data Protection Impact Assessment

Omdat wij geautomatiseerde matching toepassen op de arbeidsmarkt — een context waarin beslissingen mensen direct raken — voeren wij een DPIA uit conform art. 35 AVG. Hieronder de kernpunten.

Aard van de verwerking

Verzamelen van skills, voorkeuren en werkervaring via AI-intake; matchen op vacatures via semantische scoring. Geen geautomatiseerde besluitvorming met rechtsgevolgen — een mens beslist altijd over uitnodiging of aanname.

Doel & rechtsgrond

Bemiddeling tussen werkzoekenden en werkgevers op basis van toestemming (art. 6 lid 1a AVG) en uitvoering van de overeenkomst (art. 6 lid 1b).

Risico's

Bias in matching, proxy-discriminatie via postcode of opleiding, onbedoelde profilering, datalek bij derden.

Maatregelen

Dataminimalisatie (geen leeftijd, geslacht, etniciteit, foto), pseudonimisering, encryptie at-rest en in-transit, RBAC, audit-logging, periodieke bias-audit, menselijke review bij elke shortlist.

Bewaartermijnen

Actief profiel: zolang account bestaat. Inactief: 12 maanden, daarna automatisch verwijderd. Sollicitatiedata: 4 weken na afronding (art. 6:6 AWGB).

Verwerkers

Hosting binnen de EU, LLM-providers met EU-data-residency en verwerkersovereenkomst. Geen doorgifte naar derde landen zonder passende waarborgen.

AI Act-readiness

EU AI Act — Annex III, hoog-risico systeem

AI-systemen voor werving en selectie vallen onder de hoog-risico categorie van de EU AI Act (Annex III, punt 4). Wij bereiden ons hier nu al op voor:

• Risicomanagementsysteem en technische documentatie per AI-component (art. 9 & 11).
• Data governance: traceerbaarheid van trainings- en evaluatiedata, controle op representativiteit (art. 10).
• Logging van iedere matchbeslissing met inputkenmerken, modelversie en uitkomst (art. 12).
• Transparantie naar gebruikers: kandidaten zien welke factoren bijdroegen aan hun match (art. 13).
• Human oversight: een recruiter beoordeelt altijd voordat een match wordt gedeeld (art. 14).
• Accuratesse, robuustheid en cybersecurity worden periodiek getest en gerapporteerd (art. 15).

Bias-audit methodiek

Elke kwartaal voeren wij een onafhankelijke audit uit op het matching-model. Onze methodiek volgt de NIST AI RMF en de IEEE 7003-standaard voor algoritmische bias:

1. Feature-inventaris: we documenteren welke inputs het model gebruikt en welke expliciet zijn uitgesloten (leeftijd, geslacht, etniciteit, religie, postcode-proxy, naamherkomst).
2. Proxy-detectie: correlatie-analyse tussen toegestane features (opleiding, werkervaring) en beschermde kenmerken om indirecte discriminatie te onderscheppen.
3. Fairness-metrics: we meten Demographic Parity, Equal Opportunity en Disparate Impact (drempel: 0,8-1,25) op gesynthetiseerde testpopulaties.
4. Counterfactual testing: we wijzigen één kenmerk in een profiel (bijv. naam of woonplaats) en controleren of de matchscore stabiel blijft.
5. Externe review: een onafhankelijke ethicus en een ervaringsdeskundige (herintreder, statushouder) beoordelen de uitkomsten jaarlijks.
6. Publicatie: samenvattingen van de audit worden openbaar gemaakt in ons transparency report.