Naar de inhoud
NLEN
Illustratie: Selectieproces voor AI-rollen: van cv tot assessment

Het selectieproces voor AI-rollen als één doorlopende route

Door Ivo Donker — samengesteld met AI-ondersteuning (Claude & Gemini) · 18 augustus 2026

De werving van AI Engineers, Machine Learning Specialisten en Data Scientists verloopt in de praktijk zelden via losse, onsamenhangende stappen. Wie solliciteert op een technische functie in het AI-domein, ontdekt al snel dat het opsturen van een cv, het voeren van een verkennend gesprek en het uitvoeren van een live assessment allemaal onderdelen zijn van één overkoepelende keten. Bedrijven testen gedurende de hele cyclus dezelfde kerncompetenties: probleemoplossend vermogen, beheersing van data-architectuur, realisme omtrent modelgrenzen en de vaardigheid om technische keuzes te verantwoorden. Dit artikel richt zich primair op kandidaten die zich voorbereiden op een selectietraject voor AI-functies, maar biedt tevens inzicht voor wervende teams die consistentie zoeken in hun beoordelingscriteria.

De anatomie van de wervingsketen

Het selectietraject bestaat traditioneel uit vier tot vijf opeenvolgende fasen: de initiële cv- en portfolioscreening, het verkennende gesprek (vaak met een recruiter of engineering manager), het verdiepende technische interview, het technische assessment en de afrondende cultuur- en contractfase. Wanneer we deze stappen als losse eilandjes benaderen, ontstaat het risico dat verhalen niet op elkaar aansluiten of dat beweringen op het cv tijdens het assessment niet waargemaakt worden.

De informatie die in fase één op papier wordt gezet, dient als directe input voor de vragen in fase twee en de casuskeuze in fase vier. Als een kandidaat op het cv vermeldt bedreven te zijn in het reduceren van latency bij inferentie, kan diegene erop rekenen dat de interviewers tijdens het technische gesprek doorvragen op specifieke optimalisatietechnieken zoals kwantisatie, batching of kernel fusion. Een goede voorbereiding start daarom bij de allereerste schriftelijke uiting. Voor wie een gestructureerd overzicht zoekt van de initiële fase, biedt de gids over solliciteren op een AI-functie concrete handvatten om de eerste schifting succesvol door te komen.

Fase Doel van de werkgever Focuspunt van de kandidaat Typische faalfactor
1. Screening & Portfolio Filteren op meetbare impact en relevante tech-stack Concretiseren van bijdragen en meetbare resultaten Generieke buzzwords zonder onderliggende codebase
2. Verkennend interview Toetsen van communicatie en loopbaanmotieven Helder verwoorden van het eigen technische profiel Geen scherpe afbakening van eigen aandeel in projecten
3. Technisch diepte-interview Verifiëren van diepgaande vakkennis en conceptueel inzicht Onderbouwen van architectuur- en modelkeuzes Blijven hangen in theorie zonder operationele context
4. Praktijkassessment Observeren van werkwijze, codekwaliteit en debug-skills Schoon programmeren, testen en omgaan met modelruis Over-engineering of negeren van evaluatiemetrieken
5. Afronding & Match Onderzoeken van teamfit en verwachtingen Vragen stellen over infrastructuur, budget en cultuur Passieve houding ten aanzien van de werkomgeving

Fase 1: Het cv en portfolio als fundament

Het cv en het portfolio vormen het vertrekpunt van de route. In plaats van een uitputtende lijst met bibliotheken en algoritmes verwachten technische beoordelaars bewijs van daadwerkelijk gebouwde en gedraaide systemen. Een model trainen in een afgeschermd Jupyter-notebook is tegenwoordig de minimale basis; aantonen dat een pijplijn stabiel functioneert onder wisselende data-aanvoer maakt het verschil.

Tijdens deze selectiestap kijkt een reviewer naar de complexiteit van de gerealiseerde projecten. Is er nagedacht over data-ingestie, foutafhandeling, rate limits en evaluatiekaders? Wie projecten toont waarin expliciet rekening is gehouden met edge cases, schept een betrouwbaar beeld. Om te begrijpen hoe tastbare projecten het beste vormgegeven kunnen worden, loont het om te lezen over een sterk AI-portfolio bouwen, waar de nadruk ligt op codekwaliteit en traceerbaarheid boven oppervlakkige demonstraties.

Fase 2: Het verkennende interview en de technische intake

Zodra het cv geselecteerd is, volgt meestal een gesprek van dertig tot vijfenveertig minuten. Hoewel dit gesprek vaak informeel oogt, toetst het wervende team hier of de kandidaat in staat is om complexe materie begrijpelijk uit te leggen aan stakeholders met verschillende kennisniveaus. Een AI Engineer moet immers regelmatig schakelen tussen productmanagers, data engineers en het management.

Kandidaten worden tijdens dit gesprek uitgedaagd om hun eerdere projecten te ontleden. Waarom is er gekozen voor een specifiek embedding-model? Wat waren de operationele kosten per duizend aanroepen? Waar liep het systeem vast toen het datavolume toenam? Wie op deze vragen antwoordt met vage containerbegrippen verliest snel terrein. Om inzicht te krijgen in de vragen die recruiters en leads regelmatig hanteren, biedt het overzicht van interviewvragen voor AI-functies waardevolle voorbeelden om antwoorden scherp te formuleren.

Fase 3: Het technische diepte-interview

In het technische diepte-interview verschuift het zwaartepunt van algemene ervaring naar fundamentele principes en systeemontwerp. Hier wordt gekeken of een kandidaat begrijpt wat er onder de motorkap van moderne architecturen gebeurt. Er wordt gesproken over transformatormodellen, aandachtsmechanismen (attention mechanisms), kwantisatiemethoden, vector databases en retrieval-strategieën.

Een veelvoorkomend onderdeel is het ontwerpen van een AI-systeem op een digitaal whiteboard. De opdracht luidt bijvoorbeeld: "Ontwerp een schaalbare klantenservice-assistent die documentatie doorzoekt, rekening houdt met gebruikersrechten en binnen 400 milliseconden een eerste streaming response levert."

Tijdens deze oefening telt niet alleen het uiteindelijke diagram, maar vooral de afwegingen die tijdens het ontwerpproces worden gemaakt:

Fase 4: Het technisch assessment en de evaluatiecultuur

Het technisch assessment is de proef op de som. Werkgevers kiezen doorgaans voor een take-home assignment of een live pair-programming sessie van twee tot drie uur. De opdracht simuleert vaak een reële taak binnen het team, zoals het bouwen van een RAG-pijplijn, het finetunen van een classificatiemodel of het optimaliseren van een data-inlaadproces.

Wat veel kandidaten onderschatten, is dat een werkende oplossing slechts het startpunt is. Beoordelaars kijken kritisch naar de manier waarop de code is gestructureerd, of er unittests aanwezig zijn, hoe configuraties worden beheerd en hoe het systeem omgaat met onverwachte invoer. Wie zich grondig wil voorbereiden op de typische valkuilen tijdens programmeertests, kan de handleiding over een technisch assessment voorbereiden raadplegen om direct inzicht te krijgen in wat examinatoren verwachten.

Een essentieel element in moderne assessments is de evaluatielaag. Een model dat op tien handmatige prompts goed lijkt te reageren, is in productie kwetsbaar. Bedrijven testen of kandidaten geautomatiseerde evaluatiemetrieken kunnen opzetten om regressies te voorkomen. Om te zien welke kwantitatieve methoden en benchmarks gangbaar zijn bij het systematisch meten van AI-gedrag, toont het naslagwerk over hoe je een AI-agent evalueert hoe taaksucces en tussenstappen gestructureerd getoetst worden.

De rode draad: Consistentie van claim tot code

Het grootste gevaar in een selectietraject is een breuk in de consistentie. Wanneer een kandidaat in de motivatiebrief schrijft dat latency-optimalisatie zijn specialisme is, tijdens het diepte-interview aarzelt over caching-mechanismen en in het assessment een blokkerende synchrone loop oplevert, ontstaat er twijfel bij de beoordelaars. Het selectieproces moet daarom gezien worden als één continu betoog.

Onderstaande pseudocode illustreert hoe een robuuste evaluatiestructuur eruitziet in een assessment. In plaats van te vertrouwen op één generieke modelaanroep, toont deze opzet expliciet hoe validatie, tokenbewaking en gestructureerde foutafhandeling worden ingebouwd.

import time
from typing import Dict, Any, Optional

class ResilientAIService:
  def __init__(self, client: Any, model_name: str, max_retries: int = 3):
    self.client = client
    self.model_name = model_name
    self.max_retries = max_retries

  def generate_with_fallback(self, prompt: str, schema: Dict[str, Any]) -> Optional[Dict[str, Any]]:
    payload = {
      "model": self.model_name,
      "messages": [{"role": "user", "content": prompt}],
      "response_format": {"type": "json_object"},
      "temperature": 0.1
    }
    
    for attempt in range(1, self.max_retries + 1):
      try:
        start_time = time.perf_counter()
        response = self.client.chat.completions.create(**payload)
        latency = time.perf_counter() - start_time
        
        content = response.choices[0].message.content
        parsed = self._validate_schema(content, schema)
        
        # Log latency en tokenverbruik voor reproduceerbaarheid
        self._record_metrics(latency, response.usage.total_tokens)
        return parsed
      except Exception as err:
        if attempt == self.max_retries:
          raise RuntimeError(f"Faal na {attempt} pogingen: {str(err)}")
        time.sleep(2 ** attempt)
    return None

  def _validate_schema(self, raw_json: str, schema: Dict[str, Any]) -> Dict[str, Any]:
    # Placeholder voor robuuste parsering zoals Pydantic validatie
    import json
    return json.loads(raw_json)

  def _record_metrics(self, latency: float, tokens: int) -> None:
    pass

De rol van de kandidaat als kritische beoordelaar

Een sollicitatieprocedure is geen eenrichtingsverkeer. Terwijl het bedrijf onderzoekt of de kandidaat over de juiste vaardigheden beschikt, moet de kandidaat toetsen of de organisatie een volwassen AI-visie heeft. Veel bedrijven verkeren nog in een verkennende fase waarin use-cases niet helder zijn gedefinieerd of waar noodzakelijke data-infrastructuur ontbreekt.

Tijdens de laatste gespreksrondes is het verstandig om gerichte vragen te stellen over de dagelijkse praktijk:

De antwoorden op deze vragen onthullen vaak of een team al gestructureerd werkt met continue integratie en evaluatie, of dat men nog worstelt met ongecontroleerde notebooks die handmatig worden overgezet naar servers.

Veelgemaakte fouten per processtap

In de praktijk vallen kandidaten vaak af op vermijdbare struikelblokken die eenvoudig gecorrigeerd kunnen worden wanneer men het hele proces overziet:

1. Blind staren op modelgrootte

Veel sollicitanten proberen indruk te maken met de zwaarste modellen, terwijl werkgevers juist zoeken naar kostenefficiënte en schaalbare oplossingen. Wie kan aantonen dat een taak betrouwbaar kan worden opgelost met een kleiner, gekwantiseerd model of een goed ontworpen zoeksysteem, toont meer vakvolwassenheid dan iemand die voor elk vraagstuk blind een extern topmodel aanroept.

2. Het ontbreken van foutafhandeling

Tijdens live-coding sessies schrijven kandidaten regelmatig 'happy path'-code. In het AI-domein is invoer echter inherent onvoorspelbaar: API's haperen, embeddings vertonen drifting en modellen kunnen weigeren gestructureerde JSON terug te geven. Code die rekening houdt met deze onzekerheden en fallbacks bevat, scoort aanzienlijk hoger.

3. Onduidelijkheid over de eigen rol

Wanneer een kandidaat spreekt over een vorig teamproject, moet duidelijk zijn wat de individuele bijdrage was. Zinnen als "wij hebben toen een RAG-systeem gebouwd" roepen bij technische interviewers direct de vraag op wie de architectuur heeft ontworpen en wie slechts de prompts heeft geschreven. Wees exact in de toelichting: geef precies aan welke modules door wie zijn ontwikkeld.

Conclusie en checklist voor het complete traject

Wie het selectieproces benadert als één samenhangend systeem, vergroot de kans op een succesvolle afronding aanzienlijk. Door vanaf het eerste cv-contact duidelijke claims te formuleren, deze in gesprekken overtuigend toe te lichten en in het assessment met geteste code te onderbouwen, ontstaat een robuust en betrouwbaar profiel.

Voordat je het volgende traject ingaat, is het nuttig om de onderstaande controlepunten door te lopen: