Functioneringsgesprek voorbereiden met AI: feiten verzamelen zonder eenzijdig verhaal

Functioneringsgesprek voorbereiden met AI werkt het best als je AI niet je mening laat vormen, maar je geheugen laat aanvullen: het haalt uit losse Slack-berichten, mails en notities terug wat je zelf allang vergeten was. Dat is ook precies waarom het misgaat. Een leidinggevende die Microsoft 365 gebruikt, wordt volgens Microsofts eigen telemetrie gemiddeld 275 keer per dag onderbroken, dus structureel aantekeningen bijhouden gebeurt in de praktijk bij weinig managers. Hieronder: welk AI-niveau bij jouw situatie past, een geconstrueerd voorbeeld met de fout die je er zelf uit moet halen, en de beslisregel die voorkomt dat één akkefietje het hele gesprek overschaduwt. Twijfel je waar je met AI in je team zou beginnen, in een AI-werksessie bouw je dit soort routines samen met je team.

Wat betekent 'functioneringsgesprek voorbereiden met AI' precies?

Een functioneringsgesprek voorbereiden met AI betekent: je geeft het model je eigen bronnen (notities, mails, chatberichten, eerdere verslagen) en laat het die samenvatten tot een overzicht per onderwerp, met data erbij. Het model verzint niets nieuws over de medewerker. Het ordent wat jij al hebt opgeschreven, maar had je het zelf laten liggen.

Dat is een ander tool-niveau dan je misschien verwacht. Je hebt hier geen AI-agent nodig die zelf actie ondernemt. Een gewone chatprompt (het lichtste niveau uit onze prompt-standaard) is genoeg, zolang je zelf de bronnen verzamelt en aanlevert. Pas bij een heel jaar aan documenten in losse bestanden schakel je naar het niveau "bestand lezen": je upload de documenten in plaats van ze te plakken.

Het grote verschil met zelf lezen: AI heeft geen voorkeur voor wat het zich het makkelijkst herinnert, zoals jij het conflict van vorige week scherper onthoudt dan het rustige project van maart. AI heeft een ander probleem: het weegt mee hoeveel tekst er over iets staat, niet hoe lang geleden het was. Dat is een nieuwe, net zo scheve weging. Daarover meer bij de grootste valkuil.

Een voortgangsgesprek voorbereiden: dezelfde aanpak, vaker herhaald

Een voortgangsgesprek voorbereiden met AI vraagt dezelfde opbouw, alleen vaker: elk kwartaal of elke maand een korte versie van dit proces, met een kortere periode om uit te putten. Omdat de periode korter is, speelt de weging tussen vroeg en laat in de periode meestal minder op: bij vier weken aan notities ligt er simpelweg niet genoeg tekst tussen om één moment te laten domineren. Bij een kwartaalgesprek wel, dus daar geldt de beslisregel hieronder al.

Functioneringsgesprek voorbereiden met AI: welke tool past bij welke situatie?

Drie situaties, drie niveaus. Kies op basis van waar je bronnen al staan.

Losse notities, mails en Slack-berichten. Plak ze in ChatGPT, Claude of Copilot Chat. Dit is het lichtste niveau: jij doet het verzamelwerk, AI alleen het ordenen. Dit past bij de meeste leidinggevenden, want de meesten houden geen apart dossier bij.

Een jaar aan 1:1-verslagen in één document. Upload het bestand in plaats van het te plakken, zodat je niet per ongeluk een stuk overslaat. Claude en ChatGPT verwerken een document van enkele tienduizenden woorden in één keer; bij twijfel split je het toch in kwartalen, net als bij de beslisregel hieronder.

Je bedrijf werkt vooral in Microsoft Teams. Copilot in Teams doorzoekt de chatgeschiedenis met een medewerker zonder dat je eerst alles handmatig verzamelt. Dat scheelt verzamelwerk, maar niet het wegingsprobleem: ook Copilot leest wat er het meest over geschreven is als belangrijker.

Welke functioneringsgesprek vragen stelt AI voor?

Vraag niet om vragen in het algemeen. Geef AI de functie, de twee of drie onderwerpen die uit je notities naar boven kwamen, en laat het per onderwerp één open vraag voorstellen die naar een voorbeeld vraagt, niet naar een oordeel. "Hoe liep het project in maart voor jou?" werkt beter dan "ben je tevreden over je prestaties?", omdat de eerste vraag een concreet antwoord uitlokt en de tweede een ja of nee. Reken op vier tot zes direct bruikbare vragen op elke acht die AI voorstelt; de rest is te algemeen en herschrijf je zelf.

Een beslisregel: wanneer plak je alles in één keer, en wanneer splits je per maand?

De drempel hieronder volgt uit hoe een taalmodel samenvat: het weegt een onderwerp zwaarder naarmate er meer tekst over staat in de invoer die je geeft, niet naarmate het belangrijker is. Een akkefietje van vorige week dat je uitgebreid per mail besprak, levert daardoor meer gewicht op dan een sterk kwartaal waar je alleen "ging goed" over noteerde.

Bij twijfel geldt de voorzichtige kant: splits eerder dan dat je het laat. Opnieuw samenvoegen kost twee minuten, een scheef beeld in het gesprek kost meer.

Een voorbeeld: de notities, de prompt, en wat AI ervan maakt

Een geconstrueerd voorbeeld, representatief voor wat we in trainingen met leidinggevenden tegenkomen. Dat is hier bewust, niet uit gemak: notities over het functioneren van één medewerker zijn persoonsgegevens, vaak met een gezondheidsaspect erin (zoals de slechte nachtrust hieronder), en die kun je niet publiceren, ook niet geanonimiseerd, zonder het risico dat de medewerker zelf zich herkent. Sanne werkt als projectcoördinator; haar manager heeft losse notities over zes maanden.

De notities die de manager heeft

Januari: Sanne trok het onboardingproject voor nieuwe klanten
helemaal naar zich toe nadat Thijs uitviel. Geen enkele klacht
binnengekomen die maand, wat voor dat proces ongewoon is.

Maart: rapportage voor klant Delfzijl-groep kwam drie dagen te
laat. Sanne gaf aan dat de data van een andere afdeling laat
binnenkwam.

Oktober (vorige week): tijdens de stand-up reageerde Sanne
kortaf op een vraag van een collega over de planning. Collega
voelde zich afgesnauwd. Sanne zelf gaf aan die ochtend slecht
geslapen te hebben.

De prompt

#CONTEXT: Je bent de rechterhand van een leidinggevende die een
functioneringsgesprek voorbereidt met een projectcoördinator.
De leidinggevende leest dit overzicht de avond voor het gesprek
en wil een eerlijk beeld van de hele periode, niet alleen van
wat hem nu het scherpst voor de geest staat.

#DOEL: Een overzicht per maand, met voor elke maand een gelijk
gewicht, dat ik kan nalopen voor het gesprek.

#WERKWIJZE:
1. Vat elke maand apart samen in twee tot drie zinnen, los van
   de andere maanden.
2. Benoem per maand of het een sterk punt, een aandachtspunt of
   een eenmalig incident is.
3. Zet daarna een advies onder: welke twee onderwerpen zijn het
   meest geschikt om in het gesprek te bespreken, en waarom.

#OUTPUT: Een kop per maand, daarna het advies. Geen eindoordeel
over de medewerker als persoon, alleen over de onderwerpen.

#BELANGRIJKE REGELS:
- Geef elke maand hetzelfde gewicht, ongeacht hoeveel tekst ik
  erover heb gegeven.
- Trek geen patroon uit één incident. Eén moment van kortaf
  reageren is een moment, geen eigenschap.
- Controleer voor je antwoordt of je advies minstens één sterk
  punt naast de aandachtspunten zet.

#BEPERKINGEN: Beoordeel niet of Sanne goed functioneert. Zet de
feiten op een rij, het oordeel ligt bij mij.

Wat AI teruggeeft

Januari: Sterk punt. Sanne nam het onboardingproject over en
hield de klanttevredenheid op peil.

Maart: Aandachtspunt. De rapportage voor Delfzijl-groep was
drie dagen te laat, deels door een andere afdeling.

Oktober: Sanne lijkt moeite te hebben met druk. Ze reageerde
kortaf tijdens de stand-up en had die ochtend slecht geslapen,
wat kan wijzen op een bredere belasting.

Advies: bespreek vooral de situatie in oktober, dat is het
meest recente signaal over hoe Sanne nu functioneert.

Leest overtuigend. Er staan twee dingen in die niet kloppen.

1. "Sanne lijkt moeite te hebben met druk" is een patroon getrokken uit één moment. De notitie beschrijft één ochtend na een slechte nachtrust, geen terugkerend gedrag. De regel in de prompt ("trek geen patroon uit één incident") werkte hier niet, omdat oktober nu eenmaal de meest gedetailleerde notitie had.
2. Het advies adviseert het incident te bespreken "omdat het het meest recent is", niet omdat het het belangrijkst is. Dat is precies de valkuil: recent en belangrijk worden door elkaar gehaald.

Wat je repareert voor het gesprek

Januari: sterk punt, nog los waarderen in het gesprek.
Maart: aandachtspunt over de afstemming met andere afdelingen,
niet over Sanne's eigen werk.
Oktober: één moment, geen patroon. Vragen hoe het nu met haar
werkdruk gaat, zonder het als "moeite met druk" te framen.

Gesprek bouwt op drie gelijke onderdelen, niet op het laatste
moment.

Dat kostte een minuut aan herlezen tegen het risico van een gesprek dat voor Sanne voelde als "ik werd aangesproken op één vermoeide ochtend".

Beoordelingsgesprek voorbereiden: zelfde aanpak, ander moment

Beoordelingsgesprek voorbereiden met AI gebruikt dezelfde prompt en dezelfde beslisregel, met één verschil: bij een beoordelingsgesprek telt vaak een hele beoordelingsperiode van twaalf maanden, dus splits je bijna altijd in kwartalen in plaats van losse maanden. Vraag AI daarna om per kwartaal een label te zetten (sterk, gemiddeld, aandachtspunt) voordat je de kwartalen samenvoegt tot een eindbeeld. Zo voorkom je dat het vierde kwartaal, met de meeste recente en dus meest gedetailleerde notities, het eindoordeel domineert.

Waar functioneringsgesprek voorbereiden met AI misgaat: het laatste incident telt te zwaar

Het mechanisme achter de valkuil is simpel te volgen. Een taalmodel vat samen op basis van wat er in de invoer staat, en het weegt onderwerpen naar verhouding van hoeveel woorden erover gaan. Iets dat je uitgebreid beschreef (meestal omdat het recent is en je het nog scherp had) krijgt daardoor automatisch meer ruimte dan iets dat je destijds in twee woorden noteerde, ook als dat tweede veel zwaarder woog voor het hele jaar.

Anthropics eigen documentatie over lange prompts bevestigt waar dit vandaan komt, al gaat die tekst over documentstructuur en niet specifiek over functioneringsgesprekken: bij een lange, datarijke invoer raadt Anthropic aan om "put long-form data at the top" en de vraag pas aan het eind te zetten, met als onderbouwing dat "queries at the end can improve response quality by up to 30 percent in tests, especially with complex, multidocument inputs". Vertaald naar jouw notities: hoe je de invoer opbouwt, bepaalt al hoeveel gewicht elk stuk krijgt. Daarom werken losse maandblokken met een vaste kop per maand (zoals <document index="1"><source>januari</source>) beter dan één lange plaktekst: elk blok krijgt een gelijke plek, in plaats van dat het laatste blok de meeste aandacht krijgt omdat het onderaan en het uitgebreidst staat.

Anthropics eigen onderzoek naar het bouwen van agents beschrijft daarnaast een verwant principe voor elke taak waarbij een model een inschatting maakt die gevolgen heeft: agents moeten kunnen stoppen bij een blokkade, "potentially returning to the human for further information or judgement" in plaats van zelf door te beslissen. Bij een functioneringsgesprek is dat moment het advies-blokje in de prompt hierboven: AI mag voorstellen welke onderwerpen relevant zijn, niet welk gewicht een incident verdient.

In de praktijk zie je de weeg-fout vooral bij twee situaties: een conflict of klacht die kort voor het gesprek speelde, en een project dat net is afgerond. Beide zijn vers, beide zijn uitgebreid beschreven, en beide verdringen daardoor stillere, langerlopende patronen uit de rest van de periode.

Dit principe (AI levert het overzicht, de mens het oordeel) geldt breder dan HR. Anthropic noemt verzekeraar AIG als voorbeeld van een bedrijf dat AI inzet voor "providing our underwriters the tools to make better decisions", niet om de beslissing zelf over te nemen. Bij een functioneringsgesprek is de leidinggevende de underwriter: AI levert het dossier aan, het oordeel blijft bij de mens die de context kent die niet is opgeschreven.

Wat kun je verwachten, en wat niet

Uit onze trainingen zien we dat een eerste AI-samenvatting van een half jaar aan notities zes tot acht bruikbare aandachtspunten naar boven haalt die een leidinggevende zelf vergeten was, meestal kleine dingen uit de eerste paar maanden. Gemiddeld één tot twee van die punten krijgen een gewicht dat niet klopt (te zwaar of te licht), totdat je de maand-voor-maand-regel toepast. Na de tweede of derde keer dat je dit proces doorloopt, daalt dat naar ongeveer één op de tien, omdat je zelf sneller ziet welke notitie waarschijnlijk te uitgebreid is beschreven.

Wat niet beter wordt: de toon van het gesprek zelf en hoe je een lastig punt inleidt. Dat blijft oefening, geen AI-taak. En hoe eerlijk de uitkomst is, hangt volledig af van hoe eerlijk je eigen notities door het jaar heen waren. Een AI-samenvatting van een half jaar eenzijdige aantekeningen levert een half jaar eenzijdig advies op.

Hoe je na het gesprek weet of de voorbereiding klopte

Meet dit niet voor het gesprek, maar in de week erna, met drie vragen zonder tooling.

• Herkende de medewerker het beeld dat je schetste? Was er een moment van "dat wist ik niet dat je dat zo zag" bij meer dan één onderwerp, dan was je voorbereiding onvolledig, niet de medewerker lastig.
• Kwam het meest recente incident disproportioneel vaak terug in het gesprek? Tel na afloop hoeveel gesprekstijd elk onderwerp kreeg. Ging meer dan de helft van de tijd naar het meest recente punt, dan werkte de weging toch niet goed, ook al had je de beslisregel toegepast.
• Had je voor elk besproken aandachtspunt ook een concreet voorbeeld paraat? Zo niet, dan leunde dat punt op een algemene indruk in plaats van op iets dat echt gebeurd is, en dat voelt een medewerker direct aan.

De tweede vraag is de belangrijkste. Die meet precies het probleem waar deze aanpak voor bedoeld is.

Functioneringsgesprek voorbereiden met AI en privacy: wat laat je niet meelezen

Notities over een medewerker zijn persoonsgegevens, en bij een functioneringsgesprek komt daar al snel een bijzondere categorie bovenop: gezondheid (ziekmeldingen, "slecht geslapen"), of gegevens die iets zeggen over privéomstandigheden. Laat dat soort regels wel in je eigen aantekeningen staan, maar knip ze eruit voor je iets in een AI-tool plakt. AI heeft die context niet nodig om een werkpatroon samen te vatten, en zodra het in de prompt staat, staat het ook bij de leverancier van die AI-tool.

Gebruik een zakelijk account met een verwerkersovereenkomst, zet modeltraining op je eigen data uit, en bewaar de volledige, ongeknipte notities apart in je eigen, afgeschermde HR-dossier. De AI-samenvatting is een hulpmiddel voor het gesprek, geen vervanging van het dossier. Voor het bredere HR-plaatje rond AI, inclusief werving en onboarding, zie onze gids AI voor HR.

Wat AI hier niet goed kan

Het eindoordeel vormen blijft mensenwerk. AI labelt een onderwerp als "sterk" of "aandachtspunt" op basis van wat er beschreven staat, maar kent de context niet die niet is opgeschreven: een reorganisatie, een persoonlijke situatie die je mondeling hoorde, de toon waarop iets gezegd werd. Vul dat zelf aan voor je de samenvatting als uitgangspunt neemt.

Vergelijken met collega's lukt AI technisch wel, maar doe het niet. Zodra je notities over meerdere medewerkers in één prompt zet om ze te vergelijken, verwerk je persoonsgegevens voor een doel (onderlinge beoordeling) waarvoor de medewerker niet om toestemming is gevraagd. Werk per gesprek met de notities van die ene medewerker.

Doe dit deze week

1. Verzamel je eigen notities over de laatste zes maanden

   Mails, Slack-berichten, eigen aantekeningen van 1:1's. Knip gezondheids- en privé-informatie eruit voor je verder gaat. Dit is de ruwe invoer voor de rest van de stappen.

2. Draai de promptopbouw hierboven, gesplitst per maand bij een periode langer dan twee maanden

   Vergelijk het resultaat met je eigen eerste indruk. Welk onderwerp kreeg in de AI-samenvatting meer of minder gewicht dan je zelf zou geven? Dat verschil is precies waar je op moet letten in het gesprek zelf.

3. Leg vooraf schriftelijk vast welk gewicht een eenmalig incident krijgt

   Eén zin volstaat: "een eenmalige situatie bespreek ik als zodanig, niet als patroon, tenzij er meer dan één voorbeeld is." Dat voorkomt dat je daar tijdens het gesprek zelf nog over moet beslissen.

Het recept dat vandaag werkt: plak je notities per maand in een apart gesprek met AI, vraag telkens om dezelfde twee tot drie zinnen samenvatting plus een label, en zet die labels pas aan het eind naast elkaar. Dat duurt tien tot vijftien minuten meer dan alles in één keer plakken, en voorkomt precies de fout uit het voorbeeld hierboven. Wil je dit met je hele managementteam inslijpen tot een vaste routine, een AI-werksessie bouwt dat samen met je team op jullie eigen voorbeelden. Voor een bredere basis in AI-gebruik op de werkvloer, zie onze trainingen.

Bronnen

• Microsoft WorkLab, Breaking down the infinite workday. Onderbrekingen per dag en aandeel ad-hoc vergaderingen, op basis van Microsoft 365-telemetrie tot 15 februari 2025 en een enquête tussen 6 februari en 24 maart 2025.
• Anthropic, Prompt engineering: long context prompting. Advies om lange invoer vooraan te zetten en de vraag achteraan, met het effect daarvan op de kwaliteit van het antwoord bij meerdere documenten.
• Anthropic, Building effective agents. Principe van een terugkeermoment naar de mens bij een inschatting met gevolgen, en het onderscheid tussen een workflow en een agent.
• Anthropic, Claude for Financial Services (15 juli 2025). Voorbeeld van AIG, dat AI inzet om underwriters te ondersteunen zonder de beslissing over te nemen.

Veelgestelde vragen

• Hoe bereid ik een functioneringsgesprek voor met AI?

  Verzamel je eigen notities, mails en chatberichten over de hele periode, knip gezondheids- en privé-informatie eruit, en laat AI ze samenvatten per onderwerp of per maand. Bij meer dan twee maanden aan notities splits je de invoer per maand, anders krijgt de meest recente en meest uitgebreid beschreven periode automatisch het meeste gewicht in de samenvatting.

• Welke functioneringsgesprek vragen stelt AI het beste voor?

  Vragen die naar een concreet voorbeeld vragen in plaats van naar een oordeel, zoals "hoe liep het project in maart voor jou" in plaats van "ben je tevreden over je prestaties". Geef AI de functie en de twee of drie onderwerpen uit je notities mee; zonder die context krijg je algemene vragen die je toch zelf moet herschrijven.

• Mag ik medewerkersnotities in ChatGPT of Claude plakken?

  Alleen als je werkpatronen beschrijft, niet gezondheidsgegevens of privéomstandigheden. Knip ziekmeldingen en persoonlijke situaties uit je notities voor je ze plakt, gebruik een zakelijk account met verwerkersovereenkomst, en zet modeltraining op je data uit. De volledige notities blijven in je eigen, afgeschermde HR-dossier staan; de AI-samenvatting is alleen een hulpmiddel voor het gesprek.

• Wat is het verschil tussen een functioneringsgesprek en een beoordelingsgesprek voorbereiden met AI?

  Dezelfde prompt en dezelfde beslisregel werken voor beide. Het verschil zit in de periode: een functioneringsgesprek kijkt meestal naar de afgelopen maanden, een beoordelingsgesprek vaak naar een heel jaar. Bij een jaar splits je daardoor in kwartalen in plaats van maanden, en label je elk kwartaal apart voor je de kwartalen samenvoegt tot een eindbeeld.

• Hoe voorkom ik dat AI te veel waarde hecht aan het laatste incident bij een voortgangsgesprek?

  Splits je notities op in periodes (maanden of kwartalen) en laat AI elke periode apart samenvatten voordat je de resultaten combineert. Zo krijgt een akkefietje dat je uitgebreid beschreef niet automatisch meer gewicht dan een sterk kwartaal waar je maar twee woorden over opschreef. Benoem een eenmalig incident bovendien altijd apart, en laat AI het nooit automatisch tot een patroon maken.