AI als oplossing voor het productiviteitsprobleem?
De Nederlandse economie staat voor een dubbele uitdaging. Allereerst stagneert de arbeidsproductiviteitsgroei (Janssen en Butler, 2024; SER, 2025) en ten tweede kampt de arbeidsmarkt met krapte (Ebregt, Jongen en Scheer, 2022). Kunstmatige intelligentie (AI) biedt een mogelijke oplossing voor beide uitdagingen. AI wordt vaak gezien als een technologie die zowel productiviteit kan verhogen, doordat zij arbeid in veel taken aanvult, als arbeidsmarktkrapte kan verlichten, doordat zij in andere taken arbeid (gedeeltelijk) vervangt.
Hoewel technologische vooruitgang ook nieuwe taken en beroepen creëert, kunnen de baten zich concentreren bij een beperkte groep bedrijven en hooggekwalificeerde werknemers. Zonder tijdige aanpassing kan dit leiden tot grotere inkomensverschillen.
Tegelijkertijd roept AI zorgen op over verdringing en toenemende ongelijkheid (Autor, 2015). Nieuwe technologie kan bestaande taken en beroepen overbodig maken, waardoor werknemers zich moeten omscholen of hun baan verliezen. Daarnaast verandert AI de vraag naar vaardigheden, wat het risico op mismatches op de arbeidsmarkt vergroot. Hoewel technologische vooruitgang ook nieuwe taken en beroepen creëert, kunnen de baten zich concentreren bij een beperkte groep bedrijven en hooggekwalificeerde werknemers. Zonder tijdige aanpassing kan dit leiden tot grotere inkomensverschillen en een schevere verdeling van kansen op de arbeidsmarkt. Welke van deze effecten overheerst, is uiteindelijk een empirische vraag.
In dit artikel analyseren we wat de opkomst van AI tot nu toe heeft betekend voor werkgelegenheid en het arbeidsinkomen in Nederland. Het gaat daarbij om vroege, kortetermijneffecten van een technologie die zich nog snel ontwikkelt. De relatief recente doorbraak van generatieve AI, zoals ChatGPT en vergelijkbare modellen, valt buiten de analyseperiode, waardoor de resultaten niet zonder meer naar de toekomst kunnen worden doorgetrokken.
Hoe verandert AI het werk?
Om de arbeidsmarkteffecten van AI te begrijpen, hanteren we een taakbenadering uit de economische literatuur (Acemoglu en Autor, 2011). Vanuit dit perspectief kan technologie taken automatiseren, taken binnen beroepen herschikken of nieuwe taken creëren. De impact van AI hangt daarmee niet alleen af van het verdwijnen en ontstaan van banen, maar vooral van de manier waarop de inhoud van werk verandert (zie ook kader 1 over callcentermedewerkers).
|
Kader 1. Hoe AI het werk van callcentermedewerkers verandert.
|
|
Het werk van callcentermedewerkers bestaat traditioneel uit klantcontact, probleemdiagnose en klachtafhandeling. Medewerkers voeren gesprekken met klanten om het probleem te identificeren en zoeken vervolgens in interne systemen naar passende oplossingen. Deze communiceren zij daarna naar de klant. In de praktijk schakelen medewerkers daarbij onder tijdsdruk tussen verschillende systemen, terwijl duidelijke en klantgerichte communicatie vereist blijft.
Door de inzet van AI verandert deze taakverdeling. AI-systemen kunnen tijdens gesprekken in real time suggesties doen voor antwoorden en relevante documentatie aandragen. Daardoor besteden medewerkers minder tijd aan het opzoeken van informatie en verschuift hun rol naar het beoordelen en toepassen van AI-suggesties. Hierdoor worden vaardigheden zoals taalbegrip, beoordelingsvermogen en communicatieve sensitiviteit belangrijker, terwijl gedetailleerde kennis van interne systemen minder cruciaal wordt.
Bron: Brynjolfsson & Raymond (2025)
|
Het prijsmechanisme speelt hierbij een centrale rol. Vanuit werkgeversperspectief is het efficiënt wanneer hoogproductieve, relatief hoogbetaalde werknemers zich concentreren op complexe taken die veel waarde toevoegen. Wanneer zij routinematige of eenvoudige werkzaamheden verrichten, is dat kostbaar. Technologie maakt het mogelijk dergelijke taken te automatiseren of te herschikken, zodat arbeid efficiënter wordt ingezet. De introductie van AI leidt daarmee tot een herschikking van taken binnen bedrijven en potentieel tot een productievere organisatie van werk (Borghans en Ter Weel, 2004).
De gevolgen voor loonverschillen en werkgelegenheid zijn niet eenduidig. Als AI vooral complementair is aan hoogopgeleiden, stijgt hun productiviteit en beloning relatief sterker, wat de ongelijkheid kan vergroten (Tinbergen, 1975; Acemoglu, 2002; Goldin en Katz, 2008). Werkt AI daarentegen ondersteunend voor lagerbetaalde werknemers, dan kan ook hun productiviteit en loon toenemen. Iets vergelijkbaars geldt voor de werkgelegenheid: hogere productiviteit kan arbeid vervangen, maar kan via lagere kosten en hogere vraag ook tot extra banen leiden. Of AI per saldo banen creëert of verdringt, en ongelijkheid vergroot of verkleint, is daarom een empirische vraag.
Methode: Patentdata om AI-gebruik in beeld te brengen
Het gebruik van AI binnen bedrijven is niet direct waarneembaar, omdat technologische toepassingen zich grotendeels intern afspelen. We gebruiken daarom patentdata om de toepassing van AI-kennis te meten. Patenten geven inzicht in technologische kennis die commercieel wordt toegepast en maken het mogelijk sectoren te onderscheiden naar de mate van toepassing van AI-kennis.
We gebruiken hiervoor de patentdata van Gathmann et al. (2024), die inzicht geven in de toepassing van robotisering en AI-kennis in verschillende sectoren. Deze maatstaf is gebaseerd op in Duitsland ontwikkelde en gepatenteerde technologische kennis. Omdat gepatenteerde kennis internationaal toepasbaar is en technologische toepassingen in vergelijkbare economieën niet wezenlijk verschillen, kan deze indicator ook worden gebruikt om AI-blootstelling in Nederlandse sectoren te benaderen. De constructie van deze patentmaatstaf en de koppeling aan Nederlandse sectoren worden nader toegelicht in Rutten, Bussink en Ter Weel (2026).
De data laten zien dat het aantal AI-gerelateerde patenten sinds het midden van de jaren negentig sterk is toegenomen (zie Figuur 1). Waar de ontwikkeling van AI- en robotiseringspatenten aanvankelijk gelijk opging, versnelt de groei van AI-patenten vanaf circa 1996, samenhangend met de digitale revolutie en de opkomst van machine learning. Sindsdien is de toepassing van AI in uiteenlopende domeinen verder verbreed.
Figuur 1. AI patenten zijn over de periode 1990-2018 sterk gestegen.
Bron: Patentdata van Gathmann, et al. (2024), bewerking SEO Economisch Onderzoek (2025).
We combineren de patentdata met gegevens uit de National Skills Survey (NSS). Dit is een representatieve enquête onder de beroepsbevolking die inmiddels al meer dan tien jaar afgenomen wordt. De NSS bevat informatie over het belang van acht typen werktaken (zie tabel 1). Respondenten geven op een vijfpuntschaal aan hoe belangrijk deze vaardigheden zijn in hun beroep. Door beroepen te koppelen aan sectoren kunnen we het belang van verschillende taken op sectorniveau volgen en analyseren welke vaardigheden in de tijd aan gewicht winnen of verliezen. De gehanteerde methode wordt uitgebreider beschreven in Rutten, Bussink en Ter Weel (2026).
Tabel 1. Werktaken gemeten in de National Skills Survey (NSS).
Bron: Rutten, Bussink, en Ter Weel (2026).
Daarnaast koppelen we de patentmaatstaf aan CBS-microdata om de effecten van AI op het arbeidsinkomen en de werkgelegenheid te schatten. We gebruiken hiervoor gegevens uit de Enquête Beroepsbevolking, die informatie bevat over individuele kenmerken (zoals leeftijd, geslacht en opleidingsniveau) en baankenmerken (zoals loon, beroep en sector).
Kader 2. Schattingsmethode.
|
| We schatten het effect van AI op werkgelegenheid en arbeidsinkomen met behulp van regressieanalyse. Daarbij relateren we sectorale AI-blootstelling aan de ontwikkeling van de loonsom en het aantal banen op sectorniveau over de periode 2006-2018. In de specificatie controleren we voor sectorspecifieke kenmerken (sectordummies), conjuncturele ontwikkelingen (tijdsdummies), sectorspecifieke tijdtrends en voor de mate van robotisering. Dit laatste doen we om het effect van AI zo goed mogelijk te isoleren. Een technische toelichting op de schattingsmethode is te vinden in Rutten, Bussink en Ter Weel (2026). |
Resultaten
We vinden een klein maar positief effect van AI op zowel werkgelegenheid als arbeidsinkomen (zie figuur 2). Een grotere AI-blootstelling hangt samen met een toename van de werkgelegenheid met 0,2 procent. Dit staat gelijk aan circa 14.000 banen. Het totale arbeidsinkomen voor de hele populatie stijgt met gemiddeld 0,4 procent, oftewel gemiddeld 2.300 euro per jaar.
Deze effecten concentreren zich bij theoretisch opgeleiden: voor hen nemen zowel de werkgelegenheid als het arbeidsinkomen toe [...] De ongelijke verdeling van baten wijst op een potentieel risico voor de arbeidsmarkt.
Deze effecten concentreren zich bij theoretisch opgeleiden: voor deze groep neemt de werkgelegenheid met 0,3 procent toe en het arbeidsinkomen met 0,7 procent. Voor praktisch geschoolden en werkenden zonder startkwalificatie vinden we geen significant effect.
Rutten, Bussink en Ter Weel (2026) laten verder zien dat deze verschillen samenhangen met verschuivingen in het belang van specifieke werktaken. Vooral interpersoonlijke vaardigheden, leesvaardigheid, kennis van de organisatie en plannen en organiseren winnen aan belang in sectoren met meer AI-toepassing. Voor probleemoplossend vermogen, rekenvaardigheden en fysieke behendigheid vinden we geen significant effect op 5 procentniveau. Dit suggereert dat AI samenhangt met een grotere vraag naar taken die complementair zijn aan sociale en organisatorische vaardigheden.
Figuur 2. De toepassing van AI heeft een positief effect op de werkgelegenheid (links) en de loonsom (rechts) voor theoretisch opgeleiden.
Noot: De figuren tonen regressieschattingen van het effect van AI-blootstelling op werkgelegenheid (links) en arbeidsinkomen (rechts), gecontroleerd voor sectorale kenmerken, conjunctuur en robotisering. Een uitgebreide methodologische toelichting is te vinden in Rutten, Bussink en Ter Weel (2026). Bron:CBS Microdata, bewerking SEO Economisch Onderzoek (2026)
Conclusie
Onze analyse relateert de ontwikkeling van AI aan veranderingen in het belang van werktaken en de ontwikkeling van werkgelegenheid en het arbeidsinkomen op sectorniveau. Voor de periode 2006 tot en met 2018 vinden we geringe, positieve effecten. Deze effecten concentreren zich bij theoretisch opgeleiden: voor hen nemen zowel de werkgelegenheid als het arbeidsinkomen toe. De omvang is vooralsnog beperkt, maar de richting is duidelijk.
Ons laatste datapunt ligt in 2018 – dus vóór de recente versnelling in generatieve AI. Het is daarom mogelijk dat de effecten zich inmiddels sterker of anders manifesteren. Tegelijkertijd laat eerdere technologische vooruitgang zien dat impact zich vaak geleidelijk ontvouwt (Wet van Amara). Onze bevindingen passen in dat patroon: AI lijkt vooral complementair aan taken waarin theoretisch opgeleiden relatief sterk zijn, waardoor hun productiviteit en beloning toenemen. Een vergelijkbare dynamiek was zichtbaar bij de introductie van computertechnologie in de jaren tachtig (Borghans en Ter Weel, 2004).
De ongelijke verdeling van baten wijst op een potentieel risico voor de arbeidsmarkt. Als vooral hogeropgeleiden profiteren van AI, zorgt dit mogelijk voor een toename van de inkomensongelijkheid. Dat houdt verband met het feit dat AI vooral taken versterkt die lastig te automatiseren zijn, zoals interpersoonlijke en organisatorische werkzaamheden. Werknemers die minder actief zijn in dit type taken, profiteren daardoor minder van technologische vooruitgang en lopen een groter risico op achterblijvende inkomens- en baankansen.
Beleid kan deze divergentie beperken door te investeren in brede inzetbaarheid. Omdat AI de inhoud van beroepen verandert, moeten werkenden zich aanpassen aan nieuwe taakcombinaties – bijvoorbeeld door effectief samen te werken met AI en zich te richten op vaardigheden die technologie aanvullen in plaats van vervangen. Dit geldt voor alle werkenden, ongeacht hun opleidingsniveau. Sectorale opleidingsfondsen kunnen hierbij een belangrijke rol spelen, bijvoorbeeld door bij- en omscholing te faciliteren en beroepsprofielen te actualiseren. De uiteindelijke impact van AI op werk en ongelijkheid hangt daarmee niet alleen af van de technologie zelf, maar ook van de mate waarin de arbeidsmarkt en het beleid zich tijdig weten aan te passen.
Dit onderzoek is gefinancierd door de LLO-Katalysator.
Referenties
Acemoglu, D. (2002). Technical change, inequality, and the labor market. Journal of economic literature, 40(1), 7-72.
Acemoglu, D., & Autor, D. (2011). Skills, tasks and technologies: Implications for employment and earnings. In Handbook of labor economics (Vol. 4, pp. 1043-1171). Elsevier.
Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of economic perspectives, 29(3), 3-30.
Borghans, L., & Ter Weel, B. (2004). What happens when agent T gets a computer?: The labor market impact of cost efficient computer adoption. Journal of Economic Behavior & Organization, 54(2), 137-151.
Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889-942
Ebregt, J., Jongen, E., Scheer, B. (2022). Groei beroepsbevolking gaat sterk afvlakken. ESB.
Gathmann, C., Grimm, F., & Winkler, E. (2024). AI, Task Changes in Jobs, and Worker Reallocation (No. 11585). CESifo Working Paper.
Goldin, C. D., & Katz, L. F. (2008). The race between education and technology. Harvard university press.
Janssen, H., Butler, B. (2024). Arbeidsproductiviteitsgroei in Nederland fors lager dan in de VS. ESB.
Rutten, A., Bussink, H., Ter Weel, B. (2026). Mens en machine. De toekomst van werk in een tijdperk van AI en Robotisering. SEO-rapport 2026-25. SEO: Amsterdam.
SER (2025). Samenwerken voor productiviteitsgroei.
Tinbergen, J. (1975). Income distribution: Analysis and policies. New York: North-Holland Publishing Company.