Je hebt de vacature eindelijk ingevuld. De hiring manager is opgelucht, het team kijkt uit naar versterking en HR heeft de onboarding strak gepland. Maar na drie weken blijft het stil: de nieuwe collega stelt veel basisvragen, levert nog weinig output en lijkt onzeker over prioriteiten. Niemand twijfelt aan de motivatie—maar de “time-to-productivity” blijkt veel langer dan verwacht. En precies daar ontstaat het echte risico van een mis-hire: niet pas bij een exit, maar al in de maanden waarin de rol niet (of te laat) rendeert.

Time-to-productivity: de blinde vlek in veel hiring decisions

In recruitment sturen we vaak op wat gemakkelijk meetbaar is: time-to-hire, cost-per-hire, aantal sollicitaties, en een ‘goed gevoel’ in het gesprek. Maar time-to-productivity—de periode tot iemand zelfstandig waarde toevoegt—blijft meestal een aanname. Terwijl juist die aanname bepaalt of een hire zakelijk gezien “werkt”.

De paradox: twee kandidaten kunnen dezelfde ervaring hebben, dezelfde testscores, en toch een totaal andere productiviteitstijd laten zien. Niet omdat de één “beter” is, maar omdat de match met rol, context en team verschilt. Denk aan:

• de mate waarin iemand past bij de werkstijl (veel autonomie vs. veel afstemming)
• de aansluiting tussen competenties en de realiteit van de rol
• de leercurve die ontstaat door systemen, stakeholders en organisatiecomplexiteit
• teamdynamiek: wie neemt initiatief, wie wacht op richting?

Time-to-productivity is daarmee geen onboardingprobleem alleen, maar een selection vraagstuk.

Waarom de productiviteitstijd vaak verkeerd wordt ingeschat

De meeste misinschattingen komen voort uit een te smalle definitie van “geschikt”. We selecteren nog vaak op zichtbare kwalificaties (cv, sectorervaring, opleiding), terwijl productiviteit in de eerste 60–120 dagen juist afhangt van minder zichtbare factoren: gedrag onder druk, leervermogen in een specifieke omgeving, en hoe iemand beslissingen neemt.

Daarbovenop komt rolverwarring. Functies worden in vacatureteksten vaak breder en optimistischer beschreven dan ze in de praktijk zijn. Een kandidaat die perfect lijkt voor “strategische groei” kan in werkelijkheid starten in een rol met veel operationele afstemming, legacy tooling en interne stakeholdermanagement. De productiviteitstijd loopt dan op—niet door gebrek aan talent, maar door mismatch in verwachtingen en werkvoorkeuren.

De zakelijke impact: verborgen kosten en vertraagde waarde

Een langere time-to-productivity is meer dan wat extra begeleiding. Het drukt op capaciteit, teamenergie en planning. Zeker in sleutelrollen kan het effect zich als een domino verspreiden: projecten schuiven door, collega’s compenseren, en managers besteden disproportioneel veel tijd aan bijsturen.

Belangrijker: een vertraagde productiviteitstijd vervaagt het beeld van de hire. Was dit een goede keuze? Heeft de onboarding gefaald? Of is de rol anders dan gedacht? Zonder expliciet zicht op time-to-productivity ga je dit achteraf rationaliseren—en dat maakt structurele verbetering lastig.

Een betere aanpak: productiviteit als match-vraagstuk

Als je time-to-productivity serieus neemt, verschuift de focus van “kan deze persoon het?” naar “hoe snel kan deze persoon het in ónze context?”. Dat vraagt om selectie die verder gaat dan skills alleen.

In plaats van algemene competenties te bespreken (“proactief”, “communicatief”), wil je begrijpen welke gedragskenmerken en werkvoorkeuren aansluiten bij de eerste maanden van de rol. Bijvoorbeeld: is het een omgeving met onduidelijke processen waar initiatief cruciaal is, of juist een gereguleerde setting waar precisie en afstemming de sleutel zijn?

Daarnaast helpt het om role fit expliciet te maken: welke taken leveren in de eerste 30–60 dagen waarde op, welke afhankelijkheden vertragen iemand, en welke teaminteracties zijn bepalend? Als je dat vertaalt naar meetbare gedrags- en competentie-indicatoren, ontstaat een realistischer beeld van de te verwachten leercurve.

Van onderbuik naar inzicht: wat assessments en matching kunnen toevoegen

Hier komt datagedreven inzicht in beeld—niet als vervanging van het gesprek, maar als aanvulling op wat je met interviews moeilijk objectief krijgt. Assessments kunnen helpen om competenties, persoonlijkheidskenmerken en werkvoorkeuren gestructureerd in kaart te brengen. Matching kan vervolgens verbanden zichtbaar maken tussen profiel, rolvereisten, cultuur en teamcompositie.

Softmatch.ai ondersteunt dit proces door assessments en AI-gedreven matching te combineren. Het platform brengt competenties, skills, persoonlijkheidskenmerken en werkvoorkeuren in kaart en koppelt die aan rolvereisten en teamcontext. Zo kun je relevantere patronen identificeren die samenhangen met een snellere “startbekwaamheid” in een specifieke omgeving—zonder te claimen dat je uitkomst of performance kunt garanderen.

De praktische winst? Je voert betere gesprekken met hiring managers (“welke context vraagt deze rol echt?”), je stelt gerichtere vragen aan kandidaten (“waarom werkte jouw zelfstandigheid goed in je vorige setting?”) en je kunt onboarding gerichter ontwerpen op basis van het profiel dat je hebt aangenomen.

De nieuwe standaard in predictive hiring: niet ‘wie is de beste’, maar ‘wie is het snelst waardevol’

Predictive hiring gaat niet over het voorspellen van succes als eindpunt. Het gaat over het reduceren van onzekerheid in de vroege fase: hoe snel kan iemand bijdragen, en wat heeft die persoon nodig om dat waar te maken? Organisaties die time-to-productivity expliciet meenemen, maken minder aannames, herkennen mismatch eerder en bouwen aan een selectieproces dat beter aansluit op de realiteit van het werk.

Ontdek hoe Softmatch.ai helpt om betere talentbeslissingen te nemen met assessments en datagedreven matching op competenties, gedrag en teamfit. Vraag een demo aan voor meer informatie over hoe ons product werkt.