Is je baan kwetsbaar voor AI?

Sinds ChatGPT eind 2022 verscheen, woedt er een debat over wat AI met onze banen doet. Met aan de ene kant mensen als Anthropic-topman Dario Amodei, die in 2025 voorspelde dat AI binnen vijf jaar de helft van alle witteboorden-instapbanen zou kunnen wegvagen. Aan de andere kant staan de sceptici, die wijzen op een werkloosheidscijfer dat nog steeds laag blijft.

In de Verenigde Staten liet de Stanford-econoom Erik Brynjolfsson zien dat jonge starters in AI-vatbare beroepen de eerste klappen opvangen: hun werkgelegenheid daalt, terwijl die van oudere collega’s gewoon doorgroeit. Hij noemde die jonge werknemers de kanaries in de kolenmijn: het eerste signaal dat er iets verschuift (en ook de titel van zijn onderzoek). De Rabobank-economen Jesse Groenewegen, Niek van Limbergen en Nic Vrieselaar vonden begin 2026 een vergelijkbaar patroon voor Nederland. Ze kregen daarop meteen stevige, gepubliceerde kritiek terug van de arbeidseconomen Anna Salomons en Wiljan van den Berge, omdat hun resultaten moeilijk los te maken zijn van de gevolgen van COVID op de arbeidsmarkt.

In dit artikel gaan we kijken hoe ver we kunnen komen om de analyse voor Nederland te reproduceren, met uitsluitend openbare data. Dus geen afgeschermde microdata en geen data waarvoor speciale toegang nodig is. We bouwen het verhaal stap voor stap op, en beginnen bij het begin: bij de data zelf. En omdat het openbare data is, kun je alles zelf reproduceren: één Python-script, reproduce.py, downloadt de bronnen en reproduceert elke tabel en grafiek uit dit artikel.

De data verkennen

Om te meten of “AI-vatbare” beroepen anders bewegen dan de rest, heb je twee dingen nodig: een lijst van beroepen, en per beroep een inschatting van hoe blootgesteld elk beroep is aan generatieve AI: welk deel van de taken van een beroep AI in principe zou kunnen overnemen. Zulke beroepen noemen we dan ook wel AI-vatbaar: we gebruiken beide woorden door elkaar. We beginnen bij de beroepenlijst.

De ISCO-beroepenclassificatie

Beroepen worden internationaal geordend volgens de ISCO-08 (International Standard Classification of Occupations) van de Internationale Arbeidsorganisatie (ILO). Het is een hiërarchie: tien brede hoofdgroepen die zich vertakken tot honderden fijnmazige beroepen (van Accountants tot Zuivelbereiders). In totaal telt de classificatie 436 van die viercijferige ISCO-beroepen.

Blader er eens doorheen. Zoek op een beroep dat je kent, of sorteer op hoofdgroep om te zien hoe de classificatie is opgebouwd.

De automatiserings-score

Een lijst van beroepen zegt op zich nog niets over AI. Daarvoor gebruiken we de index van Gmyrek e.a. (2025), een werkdocument van de International Labour Organization (ILO). Hun aanpak werkt op het niveau van afzonderlijke taken: ze schatten per taak hoe goed generatieve AI die kan overnemen, en tellen die scores per beroep bij elkaar op.

Maar hoe weet je welke taken er in een beroep zitten?

Om te bepalen welke taken er in een beroep zitten, gebruiken we een bestaande, door experts onderhouden takenlijst per beroep. Concreet is dit de Poolse nationale beroepenclassificatie (Poolstalig) die wordt beheerd door het Poolse ministerie van werkgelegenheid en gebruikt door het Poolse CBS. De classificatie bevat voor elk beroep de concrete taken waaruit het bestaat — je kunt ze bekijken in de zoekmachine voor beroepsbeschrijvingen. Het is de Europese tegenhanger van de Amerikaanse O*NET-database. In totaal gaat het om zo’n 29.753 taken verdeeld over circa 2.500 beroepen, die via een mapping worden gekoppeld aan de ISCO-08 classificatie.

De volgende stap is om per taak een automatiserings-score tussen de 0 en 1 toe te kennen, waarbij 0 betekent dat een taak niet te automatiseren is, en 1 dat de taak heel goed te automatiseren is. De scores worden toegekend door AI-taalmodellen (GPT-4o en Gemini), en geijkt met een enquête onder 1.640 Poolse werkenden. Door de taakscores binnen een beroep samen te nemen krijg je per beroep twee getallen:

• een gemiddelde score (μ) — hoe automatiseerbaar het beroep gemiddeld is, en
• een spreiding (σ) — hoe sterk de taken binnen één baan verschillen in automatiseerbaarheid.

Voorbeeld: de taken van een accountant

Een voorbeeld maakt dit concreet. Neem het beroep accountant. In de Poolse takenlijst bestaat dat uit acht taken; elk daarvan kreeg een automatiserings-score. Hieronder staan ze, van meest naar minst automatiseerbaar:

De scores liggen dicht bij elkaar (tussen 0,42 en 0,65): een accountant doet veel werk dat AI deels kan ondersteunen, maar geen enkele taak is volledig automatiseerbaar — en geen enkele is volledig veilig. Het gemiddelde komt op 0,51, met een lage spreiding. Verderop zien we wat die combinatie betekent.

De automatiserings-score per beroep

Niet elk beroep krijgt zo’n score. Voor negen van de 436 ISCO-beroepen bestaat er geen takenlijst: de drie beroepen bij de strijdkrachten (die Gmyrek e.a. daarom buiten beschouwing laten), en zes restcategorieën van het type “niet elders geclassificeerd” die geen tegenhanger hebben in de Poolse classificatie. Er blijven dus 427 beroepen met een score over. De volledige dataset, inclusief de scores per taak, heeft Gmyrek op GitHub gepubliceerd.

Hieronder staan alle beroepen nog een keer, nu mét de scores. Sorteer op gemiddelde score (standaard van hoog naar laag) en bekijk welke beroepen bovenaan staan: gegevensinvoer, boekhoudkundig en administratief werk, financiële analyse, software- en webontwikkeling. Precies de beroepen waar generatieve AI veel routinematig werk kan overnemen.

De blootstellingsgradiënt

De gemiddelde score en de spreiding zeggen iets over hoe ‘vatbaar’ een baan is voor AI. We kunnen nog een stapje verder gaan en deze getallen in één score samenvatten, de blootstellingsgradiënt. In de bovenstaande tabel staat deze in de laatste kolom, een getal van 1 (laag) tot 4 (hoog). Beroepen die daaronder vallen krijgen geen gradiënt; Gmyrek e.a. splitsen ze nog wel in twee categorieën: minimaal blootgesteld (in de tabel “min”, 84 beroepen) en niet blootgesteld (in de tabel een “–”, 231 beroepen — meer dan de helft van alle beroepen).

Het idee is als volgt: een hoog gemiddelde mét hoge spreiding betekent dat er taken zijn binnen een baan die AI niet kan. Dan is AI eerder een hulpmiddel (complement) dan een vervanger (substituut), en verwacht je minder banenverlies. Pas bij een hoog gemiddelde én lage spreiding is AI een echte potentiële vervanger.

In de grafiek hieronder staat elk van de 427 beroepen als één punt: horizontaal het gemiddelde (μ), verticaal de spreiding (σ), en de kleur is de gradiënt. Banen met gradiënt 4 — de rode zone rechtsonder — hebben een hoog gemiddelde (μ ≥ 0,6) én een lage spreiding (μ − σ ≥ 0,5), oftewel de meeste taken binnen een baan zijn automatiseerbaar. Dat is de vervangings-hoek. Aan de andere kant zitten beroepen met een paar automatiseerbare taken maar verder veel mensenwerk (gradiënt 1). Dat is de aanvullings-hoek. Klik op de knop om alleen gradiënt 4 er uit te lichten.

Van ISCO naar de Nederlandse beroepsindeling

Tijd voor een volgende stap. De blootstellingsscores zitten op ISCO-niveau, maar de Nederlandse werkgelegenheidscijfers komen uit een eigen bron: CBS-tabel 85276NED (“Werkzame beroepsbevolking; beroep”), die we via de open OData-API ophalen. Die tabel telt werkenden per beroep en leeftijdsgroep, en gebruikt daarvoor niet de ISCO classificatie maar de Beroepenindeling ROA-CBS (BRC). Deze indeling is door het CBS afgeleid van de ISCO-08, met Nederlandse beroepsgroepen en eigen codes. Voordat we koppelen, eerst een blik op die beroepenlijst.

Van 427 beroepen naar 12 Nederlandse groepen

Nu maken we de koppeling. We vertalen de ISCO-beroepen naar de Nederlandse BRC via een mapping, en selecteren daarna de beroepen met een blootstellingsgradiënt van 3 en 4, dus de banen die het meest vatbaar zijn voor AI. Die hoog-blootgestelde ISCO-beroepen komen terecht in twaalf Nederlandse beroepsgroepen. Deze 12 beroepsgroepen vormen onze “blootgestelde” groep; de overige ruim honderd beroepsgroepen zijn de vergelijkingsgroep waartegen we straks de werkgelegenheid afzetten. Het zijn dezelfde 12 waar de Rabobank-economen op uitkomen. Dit zijn ze:

In de volgende stap brengen we deze twaalf groepen samen met de werkgelegenheidscijfers van het CBS, en zien we eindelijk wat er met de banen gebeurt.

De banen: wat gebeurt er met de werkgelegenheid?

We hebben nu een blootgestelde groep (de twaalf) en een vergelijkingsgroep (de rest). Tijd voor de eigenlijke vraag: bewegen de banen in AI-vatbare beroepen anders dan in de rest?

CBS-tabel 85276NED bevat naast de beroepenindeling ook de aantallen: hoeveel mensen er in elke beroepsgroep werken, uitgesplitst naar leeftijd en per kwartaal. Precies wat we nodig hebben. Voordat we vergelijken, kijken we eerst even naar de ruwe data en daarna denken we goed na over hoe we eerlijk meten, want dat blijkt nog niet zo eenvoudig.

Voorbeeld: accountants in de CBS-cijfers

Om een gevoel te krijgen voor de ruwe data: zo ziet één beroep eruit. Hieronder de werkgelegenheid van accountants, uitgesplitst naar leeftijd (aantal werkenden ×1000, per kwartaal).

Het valt op dat de aantallen klein zijn: vooral de jongste groep telt maar een paar duizend accountants, en die rij springt dan ook flink op en neer van kwartaal tot kwartaal. Voor één beroep apart is het signaal simpelweg te ruizig. Daarom nemen we alle beroepen in de 12 beroepsgroepen samen, én middelen we over 4 kwartalen.

Hoe meten we dit eerlijk?

De verleiding is groot om simpelweg het aantal werkenden in de vatbare beroepen te volgen. Maar dat aantal wordt door twee dingen vervuild die niets met AI te maken hebben:

• Demografie. De omvang van leeftijdsgroepen verschuift. Nederland heeft een grote geboortegolf uit de vroege jaren zeventig, en die schuift op dit moment van de 45–55-groep door naar 55-plus. Daardoor krimpt de totale werkgelegenheid van 45–55-jarigen met zo’n 7% — in alle beroepen, vatbaar of niet. Wie naar aantallen kijkt, ziet daar een daling die demografie is, geen AI.
• COVID en de banenhausse. Eind 2022 (het ChatGPT-moment) is een verleidelijk ankerpunt, maar het valt precies op de top van de wervingsgolf die na COVID losbarstte. Wie dáárop indexeert, verstopt die hausse en overdrijft de daling erna.

Daarom doen we de berekening zo:

• we berekenen per leeftijdsgroep het aandeel: het deel van alle werkenden in die leeftijdsgroep dat een AI-vatbaar beroep heeft. Teller en noemer schalen dan allebei mee met de omvang van de groep, dus de demografische verschuiving heeft geen effect;
• we indexeren op 2019 = 100, het laatste volledige jaar vóór COVID, en we tonen de reeks vanaf 2018. Zo kunnen we zien of er vóór corona al iets aan de hand was;
• we middelen over 4 kwartalen, omdat de cijfers uit een steekproef komen.

Het aandeel AI-vatbare banen per leeftijdsgroep

Zo ziet dat eruit:

Twee dingen vallen op. Ten eerste de hausse van 2021: het aandeel van jongeren in AI-vatbare beroepen schoot in één jaar bijna 40% omhoog — de periode van lage rente en digitale versnelling, toen tech-, data- en marketingfuncties nauwelijks aan te slepen waren. Geen enkele andere leeftijdsgroep maakte zo’n sprong. Ten tweede de omslag: vanaf eind 2023 daalt het aandeel bij de jongste groep gestaag, terwijl alle andere groepen vlak blijven of doorstijgen.

Sinds het ChatGPT-moment is het aandeel van werkzame jongeren die een AI-vatbare baan hebben met zo’n 16% gedaald (van 8,6% naar 7,3%); de op één na jongste groep bewoog in dezelfde periode nauwelijks (+1%).

Deze grafiek vat het samen, en laat bewust twee ankerpunten zien. Gemeten sinds ChatGPT daalt alleen de jongste groep hard (−16%); alle andere groepen bewegen hooguit een paar procent — óók de 45–55-groep (−4%), waar de demografische krimp nu netjes is weggefilterd. Maar gemeten sinds 2019 staat elke groep hoger dan voor COVID, inclusief de jongeren (+15%). De daling bij jongeren is dus tot nu toe een gedeeltelijke afbouw van een uitzonderlijke piek, geen val onder het oude niveau. Beide perspectieven zijn even waar. Lastig hoor, statistiek.

Waarom zou AI eigenlijk überhaupt de jongsten raken? Een plausibele verklaring is dat AI vooral de routineuze, goed vast te leggen taken overneemt — precies het soort werk dat doorgaans aan starters wordt gegeven. Oudere werknemers leunen meer op ervaring en impliciete kennis, die zich lastiger laat automatiseren.

Is dit niet gewoon de tech-hausse die leegloopt?

De bovengenoemde kritiek van Salomons en Van den Berge gaat precies hier over: de rente steeg in 2022–2023, de tech-sector kromp, en de AI-vatbare beroepen zíjn grotendeels de rentegevoelige tech- en kantoorberoepen. Hoe onderscheid je AI van een leeglopende wervingsgolf? Eén ding kunnen we met deze data wél controleren: is dit een algemeen jongeren-verschijnsel, of iets specifieks van de vatbare beroepen? Daarvoor vergelijken we, binnen de groep 15–25-jarigen, de werkgelegenheid in vatbare en niet-vatbare beroepen. Let op: hier tellen we weer gewoon aantallen werkenden, geen aandelen — binnen één leeftijdsgroep treft demografie beide lijnen precies even hard, dus in deze vergelijking valt ze vanzelf weg:

Het is nogal een contrast. Jongeren in niet-vatbare beroepen kenden geen hausse en geen terugval: hun lijn stijgt rustig en gestaag. Jongeren in vatbare beroepen maakten een flinke boog: van 97 duizend werkenden in 2019, via een piek van 145 duizend medio 2023, terug naar 120 duizend nu — nog altijd 23% meer dan in 2019.

Dit vertelt ons dat er onder jongeren echt iets bijzonders gebeurt in de AI-vatbare beroepen: alleen dáár zit de hausse én de terugval. Wat nog steeds kan, is dat die lijn na een uitzonderlijke piek gewoon terugzakt naar normaal. De komende kwartalen zullen dat uitwijzen: zakt de vatbare lijn onder de niet-vatbare, dan houdt “normaliseren” als verklaring op. Blijft ze erboven hangen, dan werken er per saldo nog steeds méér jongeren in deze beroepen dan vóór COVID.

Eén vraag kan deze data hoe dan ook niet beantwoorden: komt de terugval door AI, of door de gestegen rente die vanaf 2022 de tech-sector liet krimpen? Beide voorspellen precies hetzelfde beeld — eerst een hausse en dan een terugval bij starters in tech- en kantoorberoepen. Om ze uit elkaar te halen heb je gegevens op bedrijfsniveau nodig, zoals Brynjolfsson die had.

Wat overblijft is een beschrijvende conclusie: de omslag is reëel, en hij zit specifiek bij jongeren in AI-vatbare beroepen. Demografie, COVID of de brede conjunctuur kunnen de omslag niet verklaren, en hij volgt precies het patroon dat Brynjolfsson in de VS vond. Maar of AI de oorzaak is, kan deze openbare data niet bewijzen.

Maar waar zijn die banen precies gebleven? Dat is de volgende vraag.

Waar zijn de banen gebleven? Flex en zzp

“Minder banen” kan van alles betekenen: ontslagen, minder verlengde tijdelijke contracten, of een verschuiving naar zelfstandigheid als zzp’er. In Nederland werken veel bedrijven met een vaste kern en daarnaast een flexibele schil bestaande uit tijdelijke en oproepcontracten, en veel zzp’ers. Jongeren zijn daarin oververtegenwoordigd. Kunnen we zien hoe dit verschuift?

Tabel 85276NED bevat naast leeftijd ook de contractvorm, dus we kunnen dit bekijken, maar wel met één belangrijke beperking. In de tabel zitten beide in dezelfde dimensie; je kunt dus wel “15–25 jaar” óf “flexibel contract” kiezen, maar niet allebei. Onderstaande cijfers gelden daarom voor alle leeftijden samen.

We zien het volgende. Ook hier duikt de zelfde boog op, en opnieuw op één specifieke plek: de flexibele schil van de vatbare beroepen steeg tijdens de hausse tot zo’n 30% boven 2019, en is sinds eind 2022 met zo’n 15% gekrompen. Het vaste werk groeide in diezelfde periode gewoon door (+5%) en het aantal zzp’ers steeg zelfs (+12%). In de overige beroepen bleef flex juist op peil. De aanpassing - of die nu door AI komt of door de conjuctuur - verloopt dus niet door het ontslag van vaste krachten, maar in minder tijdelijke contracten, en deels in een vlucht naar zelfstandigheid.

En omdat jongeren oververtegenwoordigd zijn in flexwerk, is het aannemelijk dat de jongeren-daling (−16%) en de flex-daling (−15%) dezelfde onderliggende beweging zijn. Met deze publieke data is dat niet hard te maken, maar het is wél het Nederlandse aanpassingspatroon dat je zou verwachten.

Een slag om de arm

Hieronder noemen we vier kanttekeningen, die je bij elke grafiek hierboven in je achterhoofd moet houden:

• Correlatie, geen causaliteit. Het patroon past bij AI, maar — zoals we zagen — net zo goed bij het leeglopen van de wervingsgolf na de renteverhogingen van 2022–2023. Met openbare data zijn die twee niet uit elkaar te halen; daarvoor is data op bedrijfsniveau nodig. Dit is de kern van de kritiek van Salomons en Van den Berge op het Rabobank-artikel, en die staat nog steeds overeind.
• Een daling vanaf een piek, geen instorting. Het aandeel van jongeren in AI-vatbare beroepen ligt ondanks de daling nog altijd boven het niveau van vóór COVID. Zolang dat zo is, blijft “normalisatie na een uitzonderlijke hausse” een mogelijke verklaring. De komende kwartalen zullen dit uitwijzen.
• Een enquête, geen telling. De CBS cijfers komen uit de EBB-steekproef. Voor losse beroepen × leeftijd × kwartaal zijn de aantallen klein en grillig; pas door de twaalf groepen samen te nemen en te middelen ontstaat een stabiel beeld.
• “Blootstelling” is een theoretische maatstaf, geen gemeten gebruik. De Gmyrek-scores zeggen wat AI in theorie kan overnemen, niet hoeveel een bedrijf het daadwerkelijk inzet. En het meest interessante verband (jong × contractvorm) was met de publieke data niet te maken.

Wat deze reproductie wél laat zien: het patroon van de Rabobank-economen is navolgbaar met alleen openbare data, de blootstellingsclassificatie is onafhankelijk te reproduceren, de demografische vertekening is te ondervangen door in aandelen te meten, en de krimp concentreert zich in de flexibele schil — het typisch Nederlandse aanpassingskanaal.

Tot slot

We zagen het Amerikaanse patroon terug in Nederland: een daling, vanaf een piek, van de werkgelegenheid voor jonge starters in AI-vatbare beroepen, die zich hier vooral via de flexibele schil lijkt te voltrekken. Geen sluitend bewijs, maar wel een duidelijk signaal.

Nog even terug naar Amerika. Brynjolfsson waarschuwde dat we “blind vliegen door een van de meest ingrijpende periodes uit de wereldgeschiedenis”. Dit type analyse speelt een belangrijke rol om te zorgen dat we beter kunnen zien wat er aan de hand is. Het kan natuurlijk beter: je kunt microdata analyseren en daarmee de patronen scherper in kaart brengen, maar dat soort data is niet voor iedereen toegankelijk. Het mooie van open data is dat iedereen, op elk moment, de analyse opnieuw kan doen zodra er nieuwe data beschikbaar is.

Bronnen

• Erik Brynjolfsson, Bharat Chandar & Ruyu Chen (2025), Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, Stanford Digital Economy Lab.
• Jesse Groenewegen, Niek van Limbergen & Nic Vrieselaar (2026), Dalende werkgelegenheid onder Nederlandse jongeren die concurreren met GenAI, ESB.
• Anna Salomons & Wiljan van den Berge (2026), Niet zeker dat werkgelegenheid onder Nederlandse jongeren daalt door GenAI, ESB.
• Pawel Gmyrek e.a. (2025), Generative AI and Jobs: A Refined Global Index of Occupational Exposure, ILO Working Paper 140. De scores per beroep en per taak staan op GitHub (direct bestand, .xlsx).
• Klasyfikacja zawodów i specjalności (KZiS), Ministerie van Familie, Werk en Sociaal Beleid (Polen) — de takenlijst per beroep, met een doorzoekbare database van beroepsbeschrijvingen (Poolstalig).
• CBS StatLine, tabel 85276NED — Werkzame beroepsbevolking; beroep (open data).
• CBS, Codelijsten ISCO-08 — Nederlandstalige beroepsnamen (directe download, .xls).
• reproduce.py — standalone Python-script dat alle bovenstaande bronnen downloadt en de volledige analyse reproduceert: elke tabel en grafiek uit dit artikel, als CSV en PNG. Benodigd: pip install cbsodata pandas numpy openpyxl xlrd matplotlib.