Gaat AI ervoor zorgen dat er banen verdwijnen?

We kijken naar vier wijdverbreide misvattingen in de publieke discussie en leggen uit welke effecten daadwerkelijk meetbaar zijn. Alle onderzoeken waarnaar we in de tekst verwijzen, kun je vinden via de links bij dit artikel.

De eerste misvatting is een oude dreiging rond automatisering: machines maken het werk niet alleen makkelijker, maar werknemers meteen ook overbodig.

Sinds ChatGPT eind 2022 op de markt kwam, heeft dat verhaal een nieuwe impuls gekregen. Taalmodellen schrijven teksten, genereren programmacode, beantwoorden vragen van klanten, analyseren documenten en vatten vergaderingen samen. Daaruit volgt de voor de hand liggende, maar voorbarige conclusie: als AI veel taken kan uitvoeren, worden veel werknemers binnenkort overbodig.

De huidige arbeidsmarktcijfers ondersteunen die interpretatie niet. In Denemarken onderzochten Humlum en Vestergaard in een grootschalig onderzoek beroepsgroepen die bij uitstek geschikt zouden zijn voor het gebruik van taalmodellen en daardoor extra kwetsbaar zouden moeten zijn, waaronder journalistiek, softwareontwikkeling, klantenservice, boekhouding, recht, marketing, IT-ondersteuning en onderwijs. Zelfs bij een vroege invoering van LLM’s, intensief gebruik en stimulering door werkgevers waren er tot eind 2024 nauwelijks meetbare effecten op inkomen, werktijd of werkgelegenheid.

Analyses van het Yale Budget Lab en Brookings komen voor de VS tot een vergelijkbare conclusie: tot augustus 2025 veranderde de beroepsstructuur wel, maar niet in een mate die opvalt ten opzichte van eerdere fasen van technische omwentelingen.

Er gebeurt iets anders, zo bleek uit het Stanford-onderzoek Canaries in the Coal Mine?. In beroepen die sterk blootstaan aan AI zagen ze een flinke daling in het aantal nieuwe aanstellingen van werknemers tussen de 22 en 25 jaar – vooral in softwareontwikkeling en klantenservice.

Begin dit jaar bevestigden ook Atkinson en Yamco van de Federal Reserve Bank in Dallas die ontwikkeling op de Amerikaanse markt. Er zijn echter twijfels of de oorzaak van die daling alleen aan het gebruik van AI te wijten is of dat het meer te maken heeft met de economische neergang.

Er zijn aannemelijke redenen voor het verband met de invoering van AI. Veel startersbanen bestaan uit taken die je in code kunt omzetten: onderzoek doen, samenvatten, documenteren, standaardcode schrijven, routinevragen beantwoorden. Juist daarin zijn taalmodellen sterk.

Ervaren medewerkers brengen daarentegen stille kennis mee: inzicht in processen, beoordelingsvermogen, klantenkennis en het vermogen om gevaarlijke onzin te herkennen in ogenschijnlijk bruikbare resultaten.

Bedrijven plaatsen daarom minder vacatures voor juniorfuncties in plaats van hun ervaren personeelsbestand in te krimpen. Op de korte termijn besparen ze daarmee geld, maar op de lange termijn kan dat negatieve gevolgen hebben voor hen of de hele sector. Als bedrijven minder starters aannemen omdat AI routinematig werk overneemt, snijden ze leertrajecten af waarop de nieuwkomers van vandaag zich ontwikkelen tot de experts van morgen.

Als de babyboomers met pensioen gaan, kan er een even ernstige ervaringskloof ontstaan als na he stopzetten van het Apollo-programma: die verhindert tot op de dag van vandaag dat landen en organisaties opnieuw een succesvolle maanlanding kunnen uitvoeren.

Als AI geen banen op grote schaal vernietigt, dan bespaart het in ieder geval werktijd, toch? De eerste bevindingen ondersteunden die aanname.

Een vroeg veldonderzoek van Brynjolfsson, Li en Raymond onderzocht begin 2021 al een op GPT-3 gebaseerde assistent bij de klantenservice van een Fortune 500-bedrijf. Het systeem verving de medewerkers niet, maar stelde antwoorden en helpdocumenten voor. Gemiddeld losten de medewerkers destijds, nog vóór de introductie van ChatGPT, 15 procent meer klantproblemen per uur op. Vooral onervaren en minder ervaren medewerkers profiteerden daar sterk van. Sindsdien zijn de modellen sterk verder ontwikkeld.

Sociologen en economen lopen echter altijd een beetje achter op de stand van de techniek. Ze moeten namelijk de vraag beantwoorden hoe dergelijke productiviteitswinsten zich daadwerkelijk in de praktijk uitwerken. Humlum en Vestergaard gaven daar vorig jaar ook een antwoord op. Ze bevestigden dat medewerkers door AI bij bepaalde taken zeker tijd besparen.

Maar daardoor hadden ze niet meer vrije tijd en werkten ze ook niet minder uren. In plaats daarvan besteedde zo’n 80 procent de bespaarde tijd aan andere taken. Als je met AI sneller een ruwe versie van een rapport kunt maken, ben je niet automatisch eerder klaar met werken. Je bekijkt meer varianten, schrapt meer tekst, controleert meer bronnen of maakt meer formaten.

Bij de klantenservice worden meer zaken per uur afgehandeld. Bij de softwareontwikkeling ontstaat er meer code die getest en geïntegreerd moet worden. AI neemt de knelpunten bij het maken van teksten en afbeeldingen weg en verplaatst de bottleneck naar het controleren en ordenen ervan. Daarbij komen nog nieuwe taken bij het documenteren en verwerken van gegevens.

Juliane Jarke en Stefanie Büchner lieten begin 2024 in casestudies over jeugdhulp en onderwijs al zien dat gegevens niet zomaar vanzelf ontstaan. Iemand moet ze genereren, bijhouden, corrigeren en bruikbaar maken. Juist in zorgberoepen is dat lastig: zorg, onderwijs en maatschappelijk werk worden er niet makkelijker op als er extra bewijsstukken, kwaliteitsgegevens en controleroutines bijkomen.

Als AI afhankelijk is van dergelijke gegevens, komt die onzichtbare inspanning erbij – tijd die uiteindelijk ontbreekt bij de zorg.

Fabrizio Dell’Acqua en zijn collega’s van de Harvard Business School lieten al in 2023 zien waarom je bepaalde problemen niet zomaar aan machine-learning-algoritmen kunt delegeren. Eenvoudige taken voerden consultants van de Boston Consulting Group sneller en beter uit als ze GPT-4 gebruikten, maar complexe managementtaken voerden ze met behulp van AI wel sneller uit, maar de resultaten waren vaker fout dan bij de collega’s die de taken zelf, zonder AI, hadden gedaan.

Als het ingewikkeld wordt, bespaart AI per saldo dus geen tijd, maar veroorzaakt het fouten die iemand moet opsporen en verhelpen. Op operationeel niveau kan AI kennisverschillen wegwerken: minder ervaren medewerkers kunnen sneller bruikbare resultaten opleveren. Op het niveau van het oordeel versterkt AI kennisverschillen echter juist: als je genoeg ervaring hebt, zie je eerder of een AI-voorstel je verder helpt of niet meer dan mooi verpakte onzin is.

AI kan een junior medewerker sneller maken, maar het maakt hem niet automatisch een senior.

Als AI werkstappen versnelt, kan het dan niet het tekort aan vakmensen verlichten? Medewerkers kunnen immers meer taken uitvoeren.

Het probleem is dat die extra belasting de productiviteit verlaagt. Dat constateert zelfs Microsoft in de Work Trend Index 2025, waarin het concern een capacity gap vaststelt: 80 procent van de wereldwijd ondervraagde werknemers en leidinggevenden geeft aan niet genoeg tijd of energie te hebben voor hun werk.

De telemetriegegevens die via het Microsoft 365-platform verzameld werden, lieten bovendien zien hoe versnipperd kenniswerk inmiddels geworden is: werknemers worden volgens die gegevens gemiddeld elke twee minuten onderbroken door vergaderingen, e-mails of chats, en 60 procent van de vergaderingen vindt spontaan plaats, zonder voorafgaande aankondiging.

Chats buiten de reguliere werktijd nemen toe. Maar in plaats van het gebruik van AI te verminderen om de werkdruk te verlagen, moeten er volgens Microsoft in de toekomst juist nog meer AI-agents het extra werk gaan doen.

33 procent van de ondervraagde leidinggevenden overweegt personeelsinkrimping door middel van AI. Werkgevers willen het tekort aan geschoold personeel dus niet oplossen door nieuwe collega’s aan te nemen en op te leiden, maar door het werk van het bestaande personeel zo veel mogelijk te intensiveren.

In plaats van salarissen moeten bedrijven meer tokens voor AI-modellen gaan betalen. Een centraal probleem is echter het personeelstekort. Uit een vakbondsenquête onder bijna 7000 werknemers in loondienst in Duitsland blijkt dat 46 procent in sectoren met een groot personeelstekort werkt. In het onderwijs, de zorg, de ambulancedienst en de jeugdzorg liggen de cijfers deels tussen de 60 en 73 procent.

De gevolgen: 76 procent van de betrokkenen neemt extra taken op zich, 60 procent werkt sneller en 57 procent maakt overuren of past zijn werktijden aan – met als bijeffect: 36 procent slaat pauzes over, terwijl 30 procent taken op zich neemt waarvoor ze niet voldoende gekwalificeerd zijn.

Dat beschrijft hetzelfde als bij als Microsoft, maar met andere conclusies. Wat Microsoft een capaciteitstekort noemt, lijkt meer een gevolg van slechte arbeidsomstandigheden. Als het werk blijvend zwaarder wordt, verlaten werknemers de sector of verminderen ze hun uren.

Van de ondervraagden die in sectoren met een groot personeelstekort werken, geeft 72 procent aan dat collega’s de sector daardoor hebben verlaten. Van de deeltijdwerkers werkt 39 procent minder uren omdat de werkdruk bij een fulltime baan te hoog zou zijn. Bij leraren is dat zelfs 80 procent.

AI kan routinetaken versnellen, kennis toegankelijk maken en werknemers ondersteunen. Maar het lost het tekort aan geschoold personeel alleen op als dat het werk daadwerkelijk beter maakt: minder druk, betere bijscholing, meer speelruimte, betrouwbare vooruitzichten.

Als het wordt gebruikt om een wervingsstop, hogere werkritmes en kleiner personeelsbestand te rechtvaardigen, kan dat het tekort verergeren omdat de goede vakmensen als eerste vertrekken.

De vierde misvatting schuift de verantwoordelijkheid voor de ellende af op de technologie. Als AI niet de verwachte productiviteitsstijging oplevert, waren de modellen zogenaamd nog niet krachtig genoeg. Dus wacht men op grotere contextvensters en betere agents.

Maar uit onderzoek komt een ander beeld naar voren: vaak faalt AI niet door te hoge foutpercentages, maar doordat bedrijven het slecht in echte werkprocessen integreren. Michael Weber en collega’s van de TU München lieten dat in 2023 al zien, toen ChatGPT nog in de kinderschoenen stond. De vanuit hedendaags perspectief beperkte mogelijkheden van de taalmodellen waren helemaal niet het probleem, maar de organisaties wisten gewoon nog niet hoe ze die productief moesten inzetten.

Realistische projectplanningen en gezamenlijke ontwikkeling met vakafdelingen en gebruikers kosten nu eenmaal tijd, totdat je de tools goed kunt inschatten en er daadwerkelijk winstgevend gebruik van kunt maken. AI moet worden gepland, uitgelegd, gecontroleerd, van gegevens voorzien, aangepast aan nieuwe omgevingen en steeds weer worden bijgesteld. En met elk nieuw model begint de evaluatie weer van voren af aan. Daardoor wordt automatisering zelf een continu proces.

Als je AI productief wilt inzetten, moet je medewerkers opleiden, processen aanpassen, verantwoordelijkheden verduidelijken en resultaten controleren. Daarbij komen nog de gegevensbescherming, bedrijfsafspraken, IT-beveiliging en aansprakelijkheidskwesties.

In opgepoetste berekeningen wordt vaak aangetoond hoeveel sneller een enkele werkstap wordt. Maar in de praktijk telt het netto-effect na de implementatie, controle, communicatie, gegevensonderhoud en nabewerking.

De NANDA-studie The GenAI Divide bevestigde dat halverwege 2025. Veel bedrijven testen AI, maar slechts een klein deel boekt meetbare zakelijke resultaten. De auteurs van het MIT zagen de oorzaak niet in de eerste plaats in de kwaliteit van de modellen, regelgeving of een gebrek aan talent, maar in slechte integratie. Veel AI-systemen leren niet van feedback, vergeten de context, passen niet in bestaande workflows of bestaan als starre proefprojecten naast het eigenlijke werk.

De misvatting zit hem dus niet in het overschatten van de technische prestaties van AI, maar in het idee dat modelprestaties direct kunnen worden vertaald naar bedrijfsproductiviteit. Daar tussenin zit echter de nodige organisatieaspecten: gegevens verwerken, routines opzetten, verantwoordelijkheden herverdelen, kwaliteitscontroles, trainingen en zo verder. Als je dat werk niet meerekent, verwar je bruto- met nettowinst.

Hoe bedrijven AI zinvol in processen kunnen integreren in plaats van alleen maar de volgende tool op oude werkwijzen te gooien, staat in het artikel Waar helpt AI en waar zijn andere tools handiger?.

Het sterkste argument tegen de bevindingen tot nu toe: AI staat nog in de kinderschoenen, de daadwerkelijke productiviteitswinsten zie je pas over een paar jaar in de economie terug.

Daar zijn voorbeelden uit de geschiedenis van te vinden: toen fabrieken overstapten op elektromotoren, steeg de productiviteit niet meteen. Pas toen men de nieuwe machines niet meer rond een centrale stoommachine hoefde op te stellen, maar fabrieken, werkprocessen en productiestappen opnieuw organiseerde, wierp de elektrificatie zijn vruchten af.

De introductie van computers verliep op een vergelijkbare manier. De econoom Robert Solow merkte in 1987 spottend op dat je het computertijdperk overal zag, behalve in de productiviteitsstatistieken. De verklaring kwam drie jaar later van de economisch historicus Paul A. David. In zijn artikel The Dynamo and the Computer stelde hij vast dat nieuwe basistechnieken pas rendement opleveren als organisaties leren ze productief in te zetten.

Erik Brynjolfsson, Daniel Rock en Chad Syverson ontwikkelden daaruit zo’n 30 jaar later het model van de Productivity J-Curve. De curve beschrijft het fenomeen dat bij het invoeren van basistechnologieën zoals AI in eerste instantie onzichtbare extra investeringen nodig zijn – nieuwe processen, opleidingen, databestanden, software, ervaring.

Die immateriële investeringen verlagen of verhullen op korte termijn de gemeten productiviteit. Pas later, als alle componenten en processen goed op elkaar zijn afgestemd, kan de trend omslaan – dan gaat de curve omhoog.

Hun observaties komen overeen met de recente studies en de hierboven beschreven misvattingen. AI kan afzonderlijke taken versnellen, maar brengt op dit moment enorme implementatiekosten, testwerk, dataverwerking en technische en personele herstructureringen met zich mee. De winst-verliesrekening kan echter, zoals je bij softwareontwikkeling ziet, binnen korte tijd heel anders uitvallen.

Halverwege 2025 ontdekten de onderzoekers van de METR-studie dat ervaren opensourceontwikkelaars met AI bij echte taken zo’n 19 tot 20 procent langzamer waren. De Vibe-code zorgde namelijk voor extra controle-, integratie- en correctiewerk in bestaande codebases.

In februari 2026 relativeerde METR de proefopzet: ondanks de eerste studieresultaten, waaruit bleek dat het werken met AI langer duurde, wilden veel ontwikkelaars niet meer meedoen aan verdere experimenten waarin ze de helft van hun taken zonder AI hadden moeten uitvoeren.

Het handmatig coderen van routinetaken was voor hen in ieder geval de moeite niet meer waard omdat AI dat proces inmiddels naar tevredenheid beheerst. De onderzoekers vermoeden dat AI het hele programmeerwerk inmiddels sterker versnelt. Ze hebben echter een nieuwe onderzoeksopzet nodig om de effecten nauwkeurig te meten.

De J-curve is geen natuurwet. Na een dal gaat het niet automatisch steil omhoog. Daarvoor moeten bedrijven processen aanpassen, medewerkers opleiden, gegevenswerk organiseren en rebound-effecten beperken. Als dat niet gebeurt, blijft de productiviteitscurve laag.

Arbeidssociologen zien wel tijdwinst, maar nauwelijks ontlasting. Ze zijn het erover eens dat er van de beloofde productiviteitswinsten na invoering, training, controle, gegevensonderhoud en aanpassingen aan de workflow aanzienlijk minder overblijft dan de AI-producenten beloven.

AI bespaart je dus niet automatisch werk en lost het tekort aan geschoold personeel ook niet vanzelf op. Juist in de maatschappelijk belangrijke beroepen met een tekort aan personeel – zorg, opvoeding, onderwijs, maatschappelijk werk – moet je er zelfs op letten dat de technologie het probleem niet verergert. Als het gebruik van AI daar vooral extra documentatie, controle en het verzamelen van steeds meer statistieken met zich meebrengt, zullen de toch al overbelaste vakmensen des te meer de benen nemen.

Dat heeft gevolgen voor andere sectoren, als werknemers hun werktijd moeten inkorten om voor kinderen of familieleden te zorgen.

Dan blijft de J-curve over: misschien zitten we nu op het dieptepunt en schiet de productiviteit binnenkort omhoog. Dat is mogelijk, maar valt niet af te leiden uit de gegevens tot nu toe. Tot die tijd moeten bedrijven AI niet zien als vervanging voor personeelsbeleid, bijscholing en een goede werkorganisatie.

Als je op aanvankelijke aanloopproblemen reageert met nog meer druk, verandert de rationalisatiemachine in een personeelsverloopmachine, oftewel: je jaagt goede medewerkers weg en schaadt je eigen economisch succes.

(Hartmut Gieselmann en Noud van Kruysbergen)