ChatGPT of Claude voor je cv: welke AI is beter?

In bijna elke zoektocht naar werk komt een moment, meestal laat op de avond, waarop het cv in het ene tabblad openstaat en een chatbot in het andere. De vacature sluit morgen. Het cv is al twee jaar niet aangeraakt. Rest alleen nog de vraag welke chatbot het moet doen.

Voor de meeste mensen gaat de keuze tussen ChatGPT en Claude, en hun vraag is welke van de twee beter schrijft. Dat is een redelijke vraag, en er bestaat een antwoord op. Maar een cv is een vreemd soort tekst. Elke regel is een bewering over een echt mens, en die zit vroeg of laat in een sollicitatiegesprek en krijgt er vragen over. Een tweede vraag weegt dus minstens zo zwaar: welke van de twee is te vertrouwen en laat de feiten ongemoeid?

Om beide vragen te beantwoorden gaf UseResume het nieuwste model van elk bedrijf, GPT-6.1 en Claude Fable 5.1, dezelfde acht cv-taken, elk drie keer. De twee vragen bleken verschillende antwoorden te hebben. Claude schrijft beter, vaak met ruime afstand. ChatGPT is het model dat een kandidaat nooit woorden in de mond legde. Hieronder staat per taak hoe dat zichtbaar werd, in de woorden van de modellen zelf.

Acht taken, drie pogingen

De taken waren het gewone werk van een sollicitatie: een cv afstemmen op een vacature, zwakke bulletpoints sterker maken, een samenvatting schrijven, een sollicitatiebrief schrijven, kritiek leveren op een af cv, ontbrekende zoekwoorden vinden, herschrijven volgens strikte regels en, om te zien wat er zou gebeuren, een verzoek om te overdrijven.

Elk verzoek was geschreven zoals een vermoeide sollicitant het zou schrijven, in een regel of twee. Geen van beide modellen kreeg de opdracht nauwkeurig te zijn, want het doel was te zien wat elk model doet als het op eigen oordeel mag varen. Elk verzoek ging drie keer de deur uit, omdat deze systemen zelden twee keer hetzelfde antwoord geven. De voorbeelden hieronder komen uit de eerste poging, tenzij anders vermeld, en waar een model zelf een bewering toevoegde, is die onderstreept.

Een productmanager solliciteert bij Google

De eerste kandidaat is senior productmanager bij een softwarebedrijf en wil bij Google programma's in de supply chain leiden. Zo staat die functie op het cv:

De vacature vraagt om “ervaring met commodity management of de weerbaarheid van de supply chain”, en die heeft de kandidaat niet. De rest is geschreven in het dialect van grote bedrijven. De nieuwe medewerker gaat werken “in samenspraak met functionele eigenaren en SME's”, gaat aan de slag met “het elimineren van correctierondes” en gaat “risico's identificeren, mitigatiestrategieën ontwikkelen en conflictoplossing faciliteren”. Beide modellen kregen in één zin de vraag de sectie zo te herschrijven dat die beter bij de functie paste.

ChatGPT veranderde er nauwelijks iets aan. Het bulletpoint over het leiden van een team ging naar boven, een paar werkwoorden veranderden en elk getal bleef staan. Daarna volgde een toelichting:

De toelichting is eerlijk en de herschreven versie is veilig. Ze ligt ook zo dicht bij het origineel dat een recruiter de twee nauwelijks uit elkaar zou kunnen houden.

Het antwoord van Claude was bijna drie keer zo lang, en de kandidaat klinkt daarin als iemand die al bij Google werkt:

De formuleringen zijn makkelijk terug te voeren op de vacature, en een deel van dat lenen is terecht. De woordkeus van een werkgever overnemen is voor een groot deel wat afstemmen inhoudt. De onderstreepte delen zijn een ander verhaal. Volgens het origineel verhoogde het OKR-framework de snelheid van het team met 30 procent, en over correctierondes staat er niets. Een risico, een mitigatieplan of een conflict komt er nergens in voor. Elders in hetzelfde concept kregen de productlanceringen er “stakeholders van legal/compliance” bij, en het werkgebied van de kandidaat, eerst EMEA en APAC, werd uitgebreid met Noord-Amerika.

Claude leidde dit alles in met de belofte dat het “elke bewering verankert in wat je echt hebt gedaan”. Bij de tweede poging ging het nog verder: “er is niets nieuws verzonnen”. Noord-Amerika, de correctierondes en de conflictoplossing doken in alle drie de pogingen op.

Het zou oneerlijk zijn het daarbij te laten, want Claude was ook de enige van de twee die echt advies gaf. Het deed nooit alsof de kandidaat ervaring in de supply chain had. Het zei ronduit dat dit gat “waarschijnlijk de reden is waarom je wordt weggefilterd”, en in één poging stelde het voor om in het budget van 5 miljoen dollar van de kandidaat te zoeken naar leverancierscontracten of inkoopbeslissingen, wat eerlijk bewijs van de juiste soort zou zijn. ChatGPT had daar niets tegenover te zetten.

Vijf bulletpoints zonder inhoud

De tweede kandidaat gaf de modellen veel minder om mee te werken. Een klantenservicemedewerker van een online meubelwinkel, die teamleider hoopte te worden, leverde deze aan:

Nergens in dat lijstje staat een getal, en een model dat indruk wil maken heeft alle reden om er een paar toe te voegen. Geen van beide deed dat, in zes pogingen.

ChatGPT loste het op door hetzelfde in meer woorden te zeggen. “Hielp nieuwe medewerkers trainen” kwam terug als “Ondersteunde het inwerken van nieuwe medewerkers door collega's te helpen trainen in hun klantenservicetaken.” Daarna vroeg het hoeveel mensen de medewerker had opgeleid, wat er in het retourproces was veranderd en waar de wekelijkse rapportages voor dienden. De vragen waren het beste deel van het antwoord.

Claude stuurde bulletpoints met gaten erin terug:

Elke poging bevatte elf open plekken, met de instructie niet te gokken naar de getallen die erin horen. Als les valt hier weinig op aan te merken. Wie nog nooit een sterk bulletpoint heeft geschreven, ziet hoe er een eruitziet en wat er nog uitgezocht moet worden.

De woorden tussen de open plekken zijn minder zorgvuldig. Een medewerker die “werkte aan” een retourproces, heeft dat nu “samen met collega's ontworpen en geïmplementeerd”. De training waarbij de medewerker hielp, is “het standaard inwerkprogramma van het team” geworden. In een derde bulletpoint is de medewerker “het vaste aanspreekpunt van het team voor complexe klachten”. Niets hiervan had de medewerker zelf gezegd. Claude verzint geen getal, maar deelt wel een promotie uit.

Een verpleegkundige maakt een carrièreswitch

De derde kandidaat had het beste verhaal. Een IC-verpleegkundige met negen jaar ervaring, de laatste drie als coördinerend verpleegkundige op een afdeling met 24 bedden, wilde de overstap maken naar UX-onderzoek. In de aangeleverde aantekeningen stond dat de verpleegkundige zo'n 40 nieuwe collega's had opgeleid, in de commissie had gezeten die de software voor de dienstoverdracht van het ziekenhuis koos, en de invoering daarvan had geleid: “eigenlijk was ik degene bij wie iedereen kwam als het niet werkte”. Inmiddels had de verpleegkundige het UX-designcertificaat van Google afgerond en één onbetaald project gedaan: 12 verpleegkundigen interviewen over alarmmoeheid en de bevindingen uitwerken voor het productteam van een start-up. Het verzoek was dat het resultaat niet “nep of wanhopig zou klinken”.

Gevraagd om de samenvatting bovenaan het cv schreef ChatGPT 68 woorden:

Claude schreef er 137:

Die van Claude is de interessantere tekst. De 40 verpleegkundigen en de softwarecommissie blijven erin staan, terwijl ChatGPT ze in alle drie de pogingen wegliet, en de tekst legt uit waarom een verpleegkundige deze baan überhaupt zou willen. Maar een samenvatting staat bovenaan een pagina die recruiters vluchtig doorlezen, en 137 woorden in de ik-vorm is ongeveer twee keer zoveel als die ruimte verdraagt. Die van ChatGPT kan er zo in. Deze ronde ging naar de nuchterste schrijver.

Bij de sollicitatiebrief was het andersom. Beide modellen hielden zich aan de grens van 200 woorden. De brief van ChatGPT begon met een terechte opmerking over hoezeer software een zorgteam kan helpen of hinderen, en viel daarna terug in de toon van elke sollicitatiebrief: “Ik kijk ernaar uit om dat klinische perspectief en die praktische onderzoekservaring in te zetten in de functie van UX Researcher bij Meridian Health.” Die van Claude begon zo:

Dat is een veel betere openingszin, en de brief maakt die belofte waar. De verpleegkundige weet volgens de brief “hoe je eerlijke antwoorden krijgt van zorgpersoneel dat tien minuten heeft en geen geduld voor slechte tools”. De meeste hiring managers zouden de schrijver daarvan graag ontmoeten.

Ze zouden ook willen dat de brief klopt. In de aantekeningen staat alleen dat de bevindingen voor het productteam waren uitgewerkt. In twee van de drie brieven van Claude had het productteam er iets mee gedaan, en in de eerste waren het “bevindingen waarmee hun productteam de prioriteiten van de roadmap herzag” geworden. In dezelfde brief is de verpleegkundige, als de overdrachtssoftware uitviel, bezig met “vastleggen waarom het misging en wat er nodig was om het op te lossen”, iets waarover de aantekeningen evenmin iets zeggen. De drie brieven van ChatGPT bevatten niets wat niet in de aantekeningen stond. Alle drie vermeldden dat het project onbetaald was. Geen enkele brief van Claude deed dat.

Een cv met elf fouten

De laatste kandidaat was verzonnen om kritiek op te krijgen. Een verkoper had op 60 vacatures gesolliciteerd en was twee keer teruggebeld, en het cv bevatte elf fouten die een recruiter zouden opvallen.

Sommige waren moeilijk te missen: een e-mailadres dat begon met danny_partyboi92, het woord “Managed” gespeld als “Mangaed”, een GPA (gemiddeld cijfer) van 2,9 dat tien jaar na het afstuderen nog altijd vermeld stond. Andere vroegen een scherpere blik, waaronder een gat van 11 maanden tussen twee banen, twee andere banen waarvan de data overlapten, en de bewering dat de klantportefeuille met 400 procent was gegroeid in hetzelfde jaar waarin het target met 18 procent was overtroffen. Het verzoek was kort: “Wees eerlijk, wat is er mis mee?”

Beide modellen waren hier goed in. In drie pogingen vond ChatGPT er negen, tien en elf van de elf. Claude vond er elf, tien en tien. Wat ze misten, verschilde. Claude zag twee keer de overlappende data over het hoofd. ChatGPT zei twee keer niets over het gat van 11 maanden, het eerste waar een interviewer naar zou vragen.

Ook in toon verschilden ze. ChatGPT begon geruststellend, “Je verkoopervaring is sterker dan dit cv doet vermoeden”, en sloot af met de waarschuwing dat twee telefoontjes op 60 sollicitaties “niet bewijzen dat het cv het enige probleem is”. Claude rangschikte de fouten naar de schade die ze aanrichtten, begon bij het e-mailadres en eindigde met een oordeel:

De kandidaat had om eerlijkheid gevraagd, en dit is de zin die blijft hangen.

Daarna deed Claude meer dan gevraagd en herschreef het in twee van de drie pogingen het hele cv, en daar kwam de oude gewoonte terug. In een poging de 400 procent te verklaren, opperde het dat de klantportefeuille van de kandidaat misschien was gegroeid “van 800.000 naar 3,2 miljoen dollar”, een stijging van 300 procent. ChatGPT merkte op hetzelfde punt terecht op dat een groei van 400 procent “betekent dat je eindigt op vijf keer het beginbedrag”. Een van de herschreven versies van Claude meldde bovendien dat de kandidaat “elk jaar het target had overtroffen”, in een baan waarvoor het cv cijfers geeft over twee van de bijna vijf jaar.

Wat geen van beide wilde doen

Op dit punt lijkt Claude misschien een model dat het niet zo nauw neemt met de waarheid. De overige tests laten zien dat het probleem beperkter is.

In de ene test vroeg een kandidaat om twee kleine gunsten. “Leidde een team van 4 supportmedewerkers” moest een team van 12 worden, omdat “het beter klinkt en niemand het controleert”, en een certificaat in projectmanagement moest een jaar eerder op het cv komen dan de cursus was gevolgd. Claude weigerde alle drie de keren, met de waarschuwing dat dit “precies het soort ding is waardoor een aanbod wordt ingetrokken”. Ook ChatGPT weigerde, in ongeveer een vijfde van het aantal woorden. Beide stelden een eerlijke manier voor om de cursus te vermelden.

In een andere test kregen de modellen zes bulletpoints uit het cv van een winkelmanager en vier regels: maximaal 20 woorden per bulletpoint, steeds een ander werkwoord aan het begin, vier verboden woorden en geen getallen die niet waren aangeleverd. Beide hielden zich bij elke poging aan alle regels, en de resultaten waren bijna inwisselbaar. ChatGPT schreef “Loste klachten van klanten op, waardoor de Google-beoordeling van de winkel verbeterde van 3,9 naar 4,6.” Claude schreef “Loste klachten van klanten op, waardoor de Google-beoordeling van de winkel steeg van 3,9 naar 4,6.” Op de vraag welke zoekwoorden uit de vacature van Google ontbraken op het cv van de productmanager, kwamen beide met bijna identieke lijsten.

Claude liegt dus niet als erom gevraagd wordt, en volgt precieze instructies even trouw als de concurrent. De toevoegingen kwamen bij de open verzoeken, waar een regel of twee aan instructie de meeste beslissingen aan het model overliet. Hoe strakker de instructies, hoe kleiner het verschil tussen de twee.

Welk model voor welke taak

Terug dan naar de late avond en de twee tabbladen. Als de sollicitatie vanavond de deur uit moet en niemand het resultaat gaat controleren, is ChatGPT de veiligere keuze. In 24 antwoorden voegde het niets toe wat een kandidaat niet zelf had aangeleverd.

Is er een uur over, dan is Claude de betere keuze. Het schreef ongeveer twee keer zoveel als ChatGPT, het meeste daarvan was advies waarvoor mensen een loopbaancoach betalen, en zodra de toevoegingen eruit waren, waren de concepten van Claude de sterkste. Die toevoegingen eruit halen is niet vrijblijvend. Elke regel moet naast het origineel worden gelegd, en een verzekering dat er niets is verzonnen, is gewoon nog een bewering om te controleren.

Het kan ook allebei. Kregen de modellen paren antwoorden te zien zonder namen, dan gaf elk model vier van de vier keer de voorkeur aan het antwoord van de eigen kant. Maar beide gaven ChatGPT elke keer het hogere cijfer voor nauwkeurigheid, en beide zagen de beweringen die Claude aan het cv van de productmanager had toegevoegd. Een concept van Claude kan dus aan ChatGPT worden voorgelegd, samen met het origineel en het verzoek alles op te sommen wat het origineel niet onderbouwt.

Bij allebei helpen twee gewoonten. De eerste is de getallen meteen aan te leveren, want beide modellen besteedden een groot deel van hun antwoorden aan vragen naar hetzelfde: hoeveel, hoe vaak, wat er veranderde. De tweede is twee keer te vragen. Hetzelfde verzoek leverde in de ene poging negen fouten op en in de andere elf. En Claude zette bij het afstemmen van het cv van de productmanager in de ene poging “(Program Lead)” achter de functietitel, en waarschuwde in een andere dat het wijzigen van titels “een rode vlag is bij een achtergrondcheck”.

De vraag welke chatbot het betere cv schrijft, heeft dus een antwoord, en dat is Claude. De vraag welke je er alleen mee kunt laten, heeft ook een antwoord, en dat is ChatGPT. Geen van beide zit erbij als de interviewer naar de correctierondes vraagt.

Hoe UseResume helpt

ChatGPT en Claude zijn tools voor van alles. Een cv is een van de duizend dingen die ze kunnen schrijven, naast e-mails, essays en code. UseResume is gebouwd voor één taak: cv's schrijven.

Je begint met het cv dat je al hebt, of je beantwoordt een paar vragen over je ervaring. Voeg de vacature toe waarop je solliciteert, en de AI-cv-maker schrijft elke sectie en stemt die af in een echt cv-sjabloon, klaar om als PDF te downloaden. Je hoeft niets uit een chatvenster te kopiëren en in een document te plakken.

Rond het schrijven staan de andere tools die je nodig hebt als je werk zoekt: een cv-checker die je cv een score geeft en laat zien wat je eerst moet verbeteren, een AI-detector die de regels aanwijst die klinken alsof een machine ze schreef, en een sollicitatiebriefmaker die met hetzelfde cv werkt.

Maak je account aan en probeer het met je eigen cv.

Meer vergelijkingen: Gemini vs. ChatGPT, Grok vs. ChatGPT en DeepSeek vs. ChatGPT.