Spreek de taal van AI: waarom een ontologie onmisbaar is voor slimme HR
Ontologieën zijn de geheime sleutel tot betere AI-resultaten - ook in HR
Steeds meer HR-professionals werken met AI-tools en grote taalmodellen (LLM's) zoals ChatGPT of Claude. Ze schrijven prompts, vragen om analyses en laten AI helpen bij werving, ontwikkeling en strategische HR-vraagstukken. Maar weinigen realiseren zich dat de kwaliteit van die AI-uitkomsten staat of valt met iets ogenschijnlijk technisch: een ontologie. Dit artikel legt uit wat ontologieën zijn, waarom ze cruciaal zijn voor effectief AI-gebruik, welke soorten er bestaan en hoe HR-professionals er direct mee aan de slag kunnen.
Wat is een ontologie en waarom zou HR er iets mee te maken hebben?
Het woord "ontologie" klinkt filosofisch en abstract. In de praktijk van AI is het iets heel concreets: een gestructureerde, gedeelde woordenschat die precies beschrijft welke begrippen er in een vakgebied bestaan, hoe die begrippen zich tot elkaar verhouden en welke regels daarbinnen gelden. Denk aan een nauwkeurig gedefinieerd HR-woordenboek, maar dan in een formaat dat ook een computer begrijpt.
Ontologieën fungeren als de woordenboeken voor digitale systemen - gedeelde vocabulaires die data omzetten in informatie, en informatie in semantische kennis die gedeeld kan worden. Voor HR betekent dit concreet: als u AI vraagt om "kandidaten te beoordelen op leiderschapspotentieel", moet het systeem begrijpen wat u bedoelt met "leiderschap", welke competenties daartoe horen en hoe die zich verhouden tot functies, niveaus en organisatiewaarden in úw organisatie. Zonder ontologie gokt de AI - en dat leidt tot generieke, soms ronduit verkeerde uitkomsten.
De urgentie neemt snel toe. AI-adoptie in HR stijgt explosief: volgens recent marktonderzoek gebruikt inmiddels meer dan 60% van grote organisaties AI-tools in hun HR-processen. Maar de tevredenheid over de uitkomsten blijft achter. Een van de voornaamste oorzaken? AI-systemen en mensen spreken letterlijk niet dezelfde taal - er ontbreekt een gemeenschappelijk referentiekader.
Waarom een ontologie de kwaliteit van uw AI-prompts radicaal verbetert
Wanneer u een prompt schrijft aan een AI-systeem, is de kwaliteit van het antwoord sterk afhankelijk van de context die u meegeeft. Hoe rijker en preciezer die context, hoe beter de output. Een ontologie levert precies die context - systematisch en herhaalbaar.
Explainability-technieken moeten de communicatiekloof overbruggen tussen het AI-systeem en de gebruikers, waarbij de output wordt afgestemd op verschillende gebruikersgroepen. Als de uitleg niet gemakkelijk te begrijpen is door de gebruikers, kunnen zij gedwongen worden aanvullende kennis te zoeken om betrouwbare inzichten te verkrijgen. Met andere woorden: zonder een gedeeld begrippenkader raken mens en machine elkaar kwijt.
Stel u werkt met een AI-tool voor talentidentificatie. Zonder ontologie zal de AI "potentieel" interpreteren op basis van zijn algemene trainingsdata - veelal westers, veelal op senioriteit gericht. Met een HR-ontologie definieert ú wat potentieel betekent binnen uw organisatie: welke gedragsindicatoren tellen mee, welke competentieniveaus zijn relevant, hoe verhoudt potentieel zich tot performance? Het resultaat: AI-aanbevelingen die aansluiten op uw cultuur en strategie, niet op een generiek gemiddelde.
Onderzoek van de Universiteit Padua en de Universiteit Twente laat zien dat het gebruik van expliciete kennis, zoals ontologieën, kennisgrafen en andere vormen van gestructureerde formele kennis, potentieel kan helpen om deze communicatiekloven te overbruggen. Dat is niet alleen academisch interessant - het heeft directe praktische waarde voor elke HR-professional die vandaag al met AI werkt.
Soort 1: De domeinontologie; jouw HR-vakgebied in kaart
De meest toegankelijke soort is de domeinontologie: een gestructureerde beschrijving van begrippen en relaties binnen één vakgebied. In HR-termen: een model dat beschrijft wat een "functie" is, hoe die zich verhoudt tot een "rol", een "competentie" en een "loopbaanpad". Of wat de relatie is tussen "onboarding", "inwerkperiode" en "productiviteitsdrempel".
Deze aanpak combineert kunstmatige intelligentie en expertkennis om een uitgebreid model te bouwen dat verschillende aspecten van onderzoek, ontwikkeling en innovatie omvat. Voor HR betekent dit: u begint met wat uw eigen HR-experts weten en formaliseren dat - ondersteund door AI die patronen herkent in documenten, functiebeschrijvingen en beleidsstukken.
Een domeinontologie voor HR kan bijvoorbeeld vastleggen dat "strategisch HR-management" bestaat uit deelgebieden als workforce planning, talentmanagement en organisatieontwikkeling, en dat deze elk eigen KPI's, verantwoordelijken en processen hebben. Zodra dit model bestaat, kan elke AI-tool die u inzet - van een chatbot tot een analyticsdashboard - op dit gemeenschappelijk begrippenkader werken. Consistentie en vergelijkbaarheid worden daarmee een stuk eenvoudiger te realiseren.
Soort 2: De procesontoologie; jouw HR-werkprocessen als gedeelde taal
Waar de domeinontologie de begrippen beschrijft, legt de procesontologie vast hoe HR-processen verlopen: welke stappen worden genomen, in welke volgorde, door wie en met welk doel. Dit is bijzonder waardevol wanneer u AI wilt inzetten bij gestructureerde processen zoals recruitment, performance management of leer- en ontwikkeltrajecten.
Het ontwikkelen van ontologieën is een langdurig proces, vereist expertkennis op meerdere gebieden en vereist consensus van een groep belanghebbenden. Dat klinkt als nadeel, maar is in feite een kans: het dwingen tot consensus over hoe een proces eruitziet, levert organisaties enorme helderheid op - ook los van AI. HR-teams die hun wervingsproces ontologisch hebben uitgewerkt, ontdekken vrijwel altijd inconsistenties en inefficiënties die hen eerder ontgingen.
Voor de praktijk: als u AI wilt laten helpen bij het screenen van sollicitanten, dan moet het systeem begrijpen hoe uw selectieproces werkt - welke criteria in welke fase gelden, welke uitzonderingen er zijn, hoe beslissingen worden gedocumenteerd. Een procesontologie legt dit vast en zorgt ervoor dat AI niet alleen antwoorden geeft, maar ook antwoorden die passen in uw specifieke context.
Soort 3: De samenwerkingsontologie; AI en mens op één lijn
Een relatief nieuwe, maar voor HR bijzonder relevante soort is de samenwerkingsontologie: een model dat beschrijft hoe mensen en AI-systemen samen kunnen werken aan een taak. Dit gaat verder dan techniek - het raakt aan governance, verantwoordelijkheden en vertrouwen.
Het beoogde ontwerp van een Human-LLM-samenwerkingsraamwerk voor ontologie-uitbreiding is een uitgebreide versie van het huidige proces, waarbij sommige taken worden gefaciliteerd door verschillende typen LLM's, die voortbouwen op hun taalverwerkingscapaciteiten. Vertaald naar HR: u legt niet alleen vast wat AI mag doen, maar ook op welke manier mens en machine elkaars werk aanvullen - en wie eindverantwoordelijk is voor welke beslissing.
Dit is cruciaal in het licht van de Europese AI Act, die organisaties verplicht aantoonbaar te maken dat AI-systemen in HR (zoals cv-screening of potentiaalbeoordeling) eerlijk, transparant en controleerbaar zijn. Een samenwerkingsontologie biedt precies die structuur: het legt vast wie welke rol heeft, welke AI-aanbevelingen altijd door een mens worden getoetst en hoe beslissingen worden uitgelegd aan medewerkers.
Soort 4: De referentieontologie; bouwen op bewezen standaarden
Waarom het wiel opnieuw uitvinden? Referentieontologieën zijn bestaande, breed gevalideerde modellen die organisaties als startpunt kunnen gebruiken. In HR zijn er al enkele volwassen standaarden beschikbaar, zoals het HR Open Standards-framework of competentiemodellen van sectororganisaties.
Ontologieën en kennisgrafen zijn succesvol toegepast in diverse domeinen, waaronder kennisgestuurde nieuwsaanbevelingssystemen, semantisch dataminen en kennisontdekking, evenals het begrijpen van natuurlijke taal. HR-afdelingen die op zulke referentieontologieën bouwen, profiteren van een aanzienlijke versnelling: in plaats van maanden werk kan de basis in weken staan, waarna domeinexperts de vertaalslag maken naar de eigen organisatie.
Praktisch advies: zoek bij de implementatie van een HR-informatiesysteem of AI-platform altijd uit of de leverancier gebruikmaakt van een erkende ontologie of taxonomie. Leveranciers die dat niet kunnen uitleggen, bieden doorgaans systemen die moeilijk te koppelen zijn aan andere tools en waarvan de AI-uitkomsten lastig te verklaren of te auditen zijn.
Soort 5: De neurosymbolische benadering; het beste van twee werelden
De meest geavanceerde ontwikkeling op dit terrein is de neurosymbolische AI: een combinatie van de rekenkundige kracht van grote taalmodellen (het "neuro"-deel) en de gestructureerde logica van ontologieën (het "symbolische" deel). Waar een puur statistisch AI-model patronen herkent zonder te begrijpen, voegt een ontologie het begrip toe.
Door de sterke punten van statistische analyse - die inzicht geeft in de interne werking van modellen - te combineren met de kracht van symbolische kennis vertegenwoordigd door ontologieën, streven onderzoekers naar een meer uitgebreide en robuuste benadering van verklaarbaarheid. Voor HR-toepassingen betekent dit: AI die niet alleen een patroon herkent ("kandidaten met profiel X presteren gemiddeld goed"), maar ook kan uitleggen waarom, in termen die HR-professionals en medewerkers begrijpen.
Soort 6: De dynamische ontologie; meegroeien met uw organisatie
Ten slotte: ontologieën zijn geen statische documenten. De meest effectieve aanpak is een dynamische ontologie die continu wordt bijgewerkt naarmate uw organisatie, uw HR-beleid en het AI-landschap veranderen.
Het praktische resultaat is een pipeline die kan worden gebruikt op digitale bibliotheken of domeinportals om bestaande kennisgrafen continu en met minimale menselijke inspanning uit te breiden, waardoor de kosten voor onderhoud en verrijking van ontologieën worden verlaagd. Automatisering speelt hier een steeds grotere rol: moderne LLM-tools kunnen helpen bij het uitbreiden en actueel houden van ontologieën, mits er menselijk toezicht blijft op de validatie van nieuwe concepten.
Voor HR betekent dit: uw ontologie groeit mee met nieuwe functies, nieuwe competentieraamwerken en nieuwe organisatiestructuren. Niet als jaarlijks groot project, maar als continu verbeterproces - ingebed in de reguliere HR-cyclus.
Conclusie en advies voor vervolgstappen
Een ontologie is geen luxe voor technische specialisten - het is een strategisch instrument voor elke HR-afdeling die serieus werk wil maken van AI. Zonder gedeeld begrippenkader blijven AI-tools generiek, moeilijk te sturen en lastig te verantwoorden. Mét een ontologie geeft u AI de context die het nodig heeft om uw HR-doelen te ondersteunen: consistent, transparant en in lijn met uw organisatiewaarden.
De zes soorten ontologieën - domein, proces, samenwerking, referentie, neurosymbolisch en dynamisch - bieden elk een ander vertrekpunt, afhankelijk van uw volwassenheidsniveau en ambities.
Concrete vervolgstappen voor senior HR-professionals:
- Auditeer uw huidige AI-gebruik. Welke tools gebruikt uw HR-afdeling al, en op basis van welk begrippenkader werken die? Vraag leveranciers expliciet naar hun ontologische basis.
- Start klein met een domeinontologie. Kies één HR-deelgebied - bijvoorbeeld competentiemanagement of werving - en breng samen met uw team de kernbegrippen en hun onderlinge relaties in kaart.
- Betrek domeinexperts én technische partners. Een effectieve ontologie vereist zowel HR-inhoudelijke kennis als technische implementatie-expertise. Zoek die combinatie actief op.
- Verwerk de AI Act in uw ontologie. Leg vast welke AI-beslissingen mensenwerk blijven, en documenteer dit in uw samenwerkingsontologie. Zo voldoet u aan aankomende Europese verplichtingen.
- Plan voor dynamiek. Stel een halfjaarlijkse review in om uw ontologie actueel te houden. Gebruik daarvoor ook AI-tools die kunnen helpen bij het signaleren van nieuwe begrippen en relaties.
Organisaties die nu investeren in hun HR-ontologie, leggen de basis voor AI-gebruik dat niet alleen snel is, maar ook betrouwbaar, uitlegbaar en duurzaam inzetbaar. Dat is geen technisch project - dat is strategisch HR-leiderschap.
Keywords / tags: ontologie, HR-technologie, AI in HR, prompting, talentmanagement, explainable AI, kennismanagement, Large Language Models
Bronnen
- Confalonieri, R. & Guizzardi, G. (2024). On the Multiple Roles of Ontologies in Explainable AI. Neurosymbolic Artificial Intelligence Journal, IOS Press. https://www.neurosymbolic-ai-journal.com/system/files/nai-paper-683.pdf
- García Fernández, J. (2024). Ontology Engineering with Large Language Models: Unveiling the potential of Human-LLM collaboration in the ontology extension process. MSc Thesis, Delft University of Technology / TNO. https://publications.tno.nl/publication/34643491/wEmGns4K/garcia-2024-ontology.pdf
- Kharbat, F., Al-Shawakbeh, A. & Sharairi, M. (2024). A Research-Based Ontology for Collaborative Innovation: A Methodology Leveraging AI and Domain Expert Knowledge. Jordanian Journal of Computers and Information Technology, 10(1). https://www.researchgate.net/publication/380778249
- Teplyi, Y. & Dosyn, D. (2025). Prompt-guided LLM agent for end-to-end ontology learning. Information Technologies and Computer Engineering, 22(2), 35–47. https://itce.vn.ua/web/uploads/pdf/%D0%86%D0%A2%D0%9A%D0%86_22_2_2025_35-46.pdf
- (2023). From Prompts to Context: An Ontology-Driven Framework for Human-Generative AI Collaboration. ResearchGate. https://www.researchgate.net/publication/405429084