Adverse impact meten: de vier-vijfde-regel in de praktijk

29 maart 2026 · James Beard

Bijna elke organisatie zegt inclusief te willen werven. Weinig organisaties kunnen laten zien of dat lukt. Wie wil weten of een groep onevenredig afvalt in het selectieproces, moet het meten, en de eenvoudigste manier is de vier-vijfde-regel. Dit stuk legt uit hoe je hem toepast, per stap in je funnel, en waar je op moet letten met privacy. Het hoort bij de gids Recruitment data, en sluit aan op Inclusief werven.

Wat is adverse impact?

Adverse impact betekent dat een selectiemethode een groep kandidaten vaker afwijst dan een andere groep, ook als niemand dat bedoelt. Een capaciteitentest, een knock-outvraag over rijbewijs, een AI-tool die cv’s rangschikt: allemaal kunnen ze per groep anders uitpakken. Dat hoeft niet onwettig te zijn, maar het is een signaal dat je moet onderzoeken.

De vier-vijfde-regel

De regel komt uit de Amerikaanse Uniform Guidelines on Employee Selection Procedures uit 1978. De tekst is kort: een selectieratio voor een groep die lager is dan vier vijfde (80 procent) van de ratio van de groep met de hoogste selectieratio, geldt in het algemeen als aanwijzing voor adverse impact (29 CFR 1607.4(D)).

Twee kanttekeningen staan in dezelfde bepaling, en die worden vaak vergeten. Kleinere verschillen kunnen ook adverse impact zijn als ze statistisch en praktisch significant zijn. En grotere verschillen tellen soms niet, als ze gebaseerd zijn op kleine aantallen en niet statistisch significant zijn.

Belangrijk voor Nederland: dit is een Amerikaanse richtlijn, geen Nederlandse wet. Hier gelden de Algemene wet gelijke behandeling en verwante wetten, die geen vaste drempel noemen. De vier-vijfde-regel is wel een bruikbare vuistregel om te zien waar je moet kijken. Hij staat ook in onze database als methodiek.

De adverse impact ratio berekenen

De berekening heeft drie stappen. De metric heet de adverse impact ratio.

  1. Bereken per groep de selectieratio: het aantal kandidaten dat doorgaat, gedeeld door het aantal dat aan de stap begon.
  2. Zoek de groep met de hoogste selectieratio.
  3. Deel de selectieratio van elke andere groep door die hoogste ratio.

Komt de uitkomst onder 0,8, dan heb je een signaal.

Rekenvoorbeeld per selectiestap

De cijfers hieronder zijn verzonnen, om de werkwijze te laten zien. Een organisatie werft voor een functie en analyseert de procedure op gender. Er solliciteren 240 mannen en 160 vrouwen.

Stap Mannen in Mannen door Ratio Vrouwen in Vrouwen door Ratio AI-ratio
Cv-screening 240 96 0,40 160 48 0,30 0,75
Interview 96 24 0,25 48 14 0,29 0,86
Aanbod en aanname 24 6 0,25 14 4 0,29 0,88
Totaal 240 6 0,025 160 4 0,025 1,00

In de cv-screening gaat 40 procent van de mannen door en 30 procent van de vrouwen. De ratio is 0,30 gedeeld door 0,40, oftewel 0,75. Dat zit onder de 0,8. In de interviewfase draait het om: vrouwen hebben daar de hoogste selectieratio, dus deel je die van de mannen erdoor. Uitkomst 0,86, boven de grens.

Kijk nu naar de laatste regel. Over de hele procedure is de kans op een aanstelling voor beide groepen precies 2,5 procent. Wie alleen naar het eindresultaat kijkt, ziet geen enkel probleem. Wie per stap kijkt, ziet dat in de screening vrouwen vaker afvallen, en dat dit later in het proces wordt gecompenseerd. Dat is geen geruststelling: het betekent dat er in de screening iets gebeurt wat je wilt begrijpen. Misschien een eis die vrouwen minder vaak op hun cv zetten, misschien een recruiter die op bepaalde opleidingen let. Daarom meet je diversiteit per processtap en niet alleen aan het eind. Hoe je zo’n funnelanalyse opzet, lees je in Funnelanalyse in werving.

Let op kleine aantallen

In de screeningstap gaat het om 400 kandidaten. Een Fisher-toets op die aantallen geeft een p-waarde van ongeveer 0,04: net onder de gangbare grens van 0,05. In de laatste stap gaat het om zes en vier mensen. Daar kun je statistisch niets over zeggen. Eén aanname meer of minder verandert de ratio volledig.

Mijn advies: rapporteer ratio’s niet per vacature, maar per functiegroep en per kwartaal of halfjaar. Dan heb je genoeg aantallen. En reken naast de ratio altijd uit hoe groot het verschil in mensen is: “zestien vrouwen minder door de screening dan je bij gelijke kansen zou verwachten” zegt een hiring manager meer dan “0,75”.

En de AVG?

Gender en leeftijd heb je vaak al in je ATS, of je kunt ze vrijwillig uitvragen. Het zijn gewone persoonsgegevens, al moet je ook daarvoor een grondslag hebben en kandidaten informeren. Lastiger wordt het bij afkomst.

Gegevens waaruit ras of etnische afkomst blijkt, zijn bijzondere persoonsgegevens. Artikel 9 van de AVG verbiedt in beginsel om ze te verwerken. De Nederlandse Uitvoeringswet AVG maakt in artikel 25 een uitzondering: verwerking mag om personen uit een etnische of culturele minderheidsgroep een bevoorrechte positie te geven en zo feitelijke nadelen op te heffen of te verminderen. Dan alleen als de verwerking voor dat doel noodzakelijk is, de gegevens gaan over het geboorteland van de betrokkene, diens ouders of grootouders (of andere bij wet vastgestelde objectieve criteria), en de betrokkene geen schriftelijk bezwaar heeft gemaakt.

Dat is een smalle uitzondering, en of jouw analyse eronder valt, bespreek je met je privacy officer of jurist. In de praktijk komt het op een paar principes neer:

Vrijwillig en gescheiden. Vraag afkomst, als je dat al doet, in een aparte en vrijwillige vragenlijst. Sla de antwoorden op buiten het ATS, zodat recruiters en hiring managers ze nooit zien bij een beslissing.

Alleen geaggregeerd rapporteren. Analyseer op groepsniveau en toon nooit groepen die zo klein zijn dat je individuen kunt herleiden.

Minimaal en tijdelijk. Vraag alleen wat je voor de analyse nodig hebt, en vernietig de koppeling met kandidaatgegevens zodra de analyse klaar is.

Doe een DPIA. Bij een structurele analyse van bijzondere persoonsgegevens is een DPIA op zijn plaats.

Het onderwerp staat ook politiek op de agenda. Op 3 maart 2026 is een nieuw initiatiefwetsvoorstel ingediend voor de Wet toezicht gelijke kansen bij werving en selectie, nadat de Eerste Kamer de eerste versie in 2024 verwierp. Het is nog geen geldend recht, maar wie zijn selectieproces nu al meet en vastlegt, staat sterker.

Wat doe je met een signaal?

Een ratio onder 0,8 bewijst geen discriminatie, maar vraagt om onderzoek. Ga na welke beslissingen in die stap vallen, en wie ze neemt. Gaat het om een test, vraag de leverancier dan om adverse-impactgegevens uit de normgroep; hoe je een AI-tool daarop toetst, staat in AI-tools testen op bias. Gaat het om menselijke screening, kijk dan of de criteria vastliggen en of blind selecteren of een gestructureerde scorekaart helpt.

Checklist: je eerste adverse-impactanalyse

  1. Kies één kenmerk waarvoor je de gegevens rechtmatig hebt, bijvoorbeeld gender.
  2. Kies een functiegroep en een periode met minstens een paar honderd sollicitanten.
  3. Haal per stap de aantallen in en door uit je ATS: screening, eerste gesprek, tweede gesprek, aanbod, aanname.
  4. Bereken per stap de selectieratio per groep en deel door de hoogste ratio.
  5. Markeer elke ratio onder 0,8 en bereken het verschil in aantallen mensen.
  6. Toets bij twijfel de significantie, of verleng de periode tot je genoeg aantallen hebt.
  7. Onderzoek de stap met het laagste getal: welke criteria, wie beslist, welk instrument.
  8. Herhaal elk halfjaar en leg de uitkomsten en maatregelen vast.

Een rekenblad dat de ratio’s per stap voor je uitrekent, vind je bij de templates: de adverse impact calculator in Excel. Meer metrics om je funnel mee te volgen staan in de gids Recruitment data.