Andrej Karpathy, a co-founder of OpenAI, spent a Saturday morning in March 2026 on a small side project: he had an LLM score how "digitally exposed" a few hundred U.S. occupations are, on a 0-to-10 scale. Software developers landed at 9 out of 10. The story spread fast, and by the next morning Karpathy had taken it down (it has since been restored with added disclaimers). He said it had been "wildly misinterpreted," even though the project notes explicitly warned that a high score did not mean a job would disappear.
Hoe AI-baanrisicoscores worden berekend, doet er meer toe dan het getal in de kop. Het project van Karpathy, Goldman Sachs, het Internationaal Monetair Fonds (IMF) en Anthropic gebruiken allemaal een andere constructie van ‘blootstelling’, dus hun percentages zijn niet uitwisselbaar.
Hetzelfde beroep kan heel verschillende scores krijgen afhankelijk van de methode erachter, en geen van deze maatstaven vertelt je op zichzelf of je je baan gaat verliezen.
TL;DR
- Publieke ‘AI-baanrisico’-cijfers zijn niet één metriek. Veel beginnen bij theoretische blootstelling op basis van vaardigheden of taken van een baan, terwijl Anthropic ook het waargenomen AI-gebruik meet; werkgeversenquêtes zoals die van het World Economic Forum gebruiken weer een ander instrument.
- Theoretische maatstaven en maatstaven op basis van waargenomen gebruik kunnen voor hetzelfde beroep sterk uiteenlopen. In de vergelijking van Anthropic van maart 2026 zette de theoretische maatstaf van Eloundou et al. taken in informatica en wiskunde op 94% blootstelling, terwijl Anthropics maatstaf voor waargenomen blootstelling op 33% uitkwam.
- Een peer-reviewed studie uit 2025 in PNAS Nexus vergeleek twaalf blootstellingsscores met werkloosheidsrisico en vond dat de beste afzonderlijke score op zichzelf 10,7% van de variatie verklaarde; alle twaalf combineren bracht dat op 29,8%.
- Voordat je het volgende ‘AI-baanrisico’-cijfer vertrouwt, is de nuttige vraag welke methode het heeft opgeleverd, niet alleen wat het getal zegt.
Wat dit artikel niet behandelt
Dit artikel legt een mechanisme uit en velt geen oordeel over een specifieke baan, dus een paar aangrenzende vragen vallen buiten het bereik:
- Het rangschikt niet welke beroepen het veiligst zijn of het meeste risico lopen. Dat is een ander soort stuk.
- Het analyseert geen actuele wervingstrends naar leeftijd of senioriteit; die arbeidsmarktuitkomsten vragen een andere bewijsbasis dan blootstellingsscores.
- Het voorspelt niet waar AI-capaciteit naartoe gaat. De methodologische vraag blijft staan, hoe goed toekomstige modellen ook worden.
Hoe theoretische blootstellingsscores werken: O*NET, AIOE, Goldman Sachs en het IMF
De AI Occupational Exposure-index, kortweg AIOE, koppelt tien categorieën AI-toepassingen aan 52 beroepsvaardigheden uit O*NET. Een via crowdsourcing opgestelde matrix beoordeelt hoe sterk elke AI-toepassing samenhangt met elke menselijke vaardigheid, en de score wordt daarna gewogen naar hoe vaak en hoe belangrijk die vaardigheden in een bepaald beroep zijn. De economen Edward Felten, Manav Raj en Robert Seamans publiceerden de methode in het Strategic Management Journal in 2021. Het werd een invloedrijke basis voor latere pogingen om beroepsmatige AI-blootstelling te meten.
Het belangrijkste aan de AIOE is dat het een blootstellingsmaat is, geen adoptiemaat. Hij schat hoe sterk vooruitgang in AI-toepassingen overlapt met de vaardigheden die een beroep vereist; hij zegt niet of werkgevers daar AI gebruiken, of adoptie economisch de moeite waard is, of dat de werkgelegenheid zal dalen.
Het IMF nam de blootstellingsmaat van Felten, Raj en Seamans over in een staff discussion note van januari 2024 en combineerde die met een aparte complementariteitsindex, die vastlegt in hoeverre een beroep tegen volledige vervanging beschermd is door factoren als menselijk oordeel, sociale context en fysieke aanwezigheid. Met dat kader schatte het IMF dat bijna 40% van de wereldwijde werkgelegenheid in beroepen met hoge blootstelling zit, oplopend tot zo'n 60% in ontwikkelde economieën.
De analyse van Goldman Sachs van april 2026 zet een vergelijkbare volgende stap: ze combineert een eerdere AI-verdringingsscore met de complementariteitsindex van de IMF-economen om waarschijnlijke vervanging te scheiden van versterking. Goldman schat een netto rem van ruwweg 16.000 banen per maand op de Amerikaanse banengroei in het afgelopen jaar, terwijl beroepen met AI-versterkingspotentieel er zo'n 9.000 banen per maand bij kregen.
Opmerking: Het Future of Jobs Report van het World Economic Forum voorspelt 92 miljoen verdrongen en 170 miljoen nieuwe banen tegen 2030, maar is totaal anders opgebouwd. Het komt uit een enquête onder meer dan 1.000 werkgevers die aangeven welke personeelsveranderingen ze verwachten: een zelfrapportage van werkgevers, geen score op basis van taakontleding. Twee structureel verschillende instrumenten belanden zo in dezelfde zin over ‘X miljoen banen’.
Hoe Anthropic ‘waargenomen blootstelling’ anders meet
Anthropics Economic Index, voor het eerst gepubliceerd in februari 2025, vertrekt vanuit een compleet ander soort data: ongeveer een miljoen echte Claude.ai-gesprekken, verwerkt door een intern hulpmiddel genaamd Clio dat elk gesprek koppelt aan een specifieke taak in dezelfde O*NET-database waaruit de taakontledingsscores putten, zonder dat een onderzoeker de onderliggende chat leest. Waar de AIOE vraagt of AI een taak plausibel zou kunnen doen, vraagt de Index wat mensen er daadwerkelijk aan vragen. Dat eerste rapport verdeelde gesprekken in 57,4% versterking, waarbij Claude helpt terwijl een mens het werk blijft sturen, tegenover 42,6% automatisering, waarbij Claude de taak in feite van begin tot eind uitvoert.
In zijn vervolgonderzoek van maart 2026 zette Anthropic die gebruiksdata om in een nieuwe maatstaf voor ‘waargenomen blootstelling’. Die begint met O*NET-taken en de theoretische taakblootstellingsschattingen van Eloundou et al. (2023) en telt een taak alleen als gedekt wanneer die vaak genoeg voorkomt in werkgerelateerd Claude-gebruik. Volledig geautomatiseerd gebruik krijgt het volle gewicht, versterkend gebruik het halve gewicht, en de taakdekking wordt gewogen naar het aandeel van de tijd dat werknemers aan elke taak besteden. In beroepen in informatica en wiskunde bereikt de theoretische β-maat van Eloundou et al. 94% van de taken, terwijl Anthropics maatstaf voor waargenomen blootstelling 33% bereikt. De kloof is geen tegenspraak: de ene meet technische haalbaarheid, de andere voegt waargenomen adoptie en gebruik toe.
Niet iedereen die Anthropics eigen rapporten leest, heeft de vergelijking zomaar aangenomen. In reactie op een verwant rapport van januari 2026 schreef een commentator op Hacker News het volgende: ‘Ik verwachtte metingen te zien van de economische productiviteit die het gebruik van kunstmatige intelligentie oplevert. In plaats daarvan zie ik metingen van het gebruik van kunstmatige intelligentie.’ Dat onderscheid is de moeite waard om vast te houden: gebruiksvolume en economische productiviteit zijn niet hetzelfde, en geen van beide is hetzelfde als baanverlies.
Dat rapport van januari 2026, Anthropics eigen update over economische primitieven, laat zien dat de verhouding versterking-automatisering opnieuw was verschoven: versterking voorop met 52% van de gesprekken tegenover 45% automatisering, naast een nieuw vijfdelig kader dat taakcomplexiteit, vaardigheden, gebruikssituatie, AI-autonomie en taaksucces volgt. Zie dit als een nieuwe momentopname van een evoluerende index, niet als een tegenspraak van de cijfers van februari 2025. Gebruikspatronen verschuiven naarmate mensen nieuwe dingen vinden die het waard zijn om te delegeren.
Een theoretische blootstelling van 94% en een waargenomen blootstelling van 33% kunnen dezelfde beroepscategorie beschrijven zonder elkaar tegen te spreken, omdat ze verschillende dingen meten.
Waarom ‘blootstelling’ niet hetzelfde is als ‘baanverlies’
‘Blootstellingsindicatoren tonen technologische gevoeligheid, geen arbeidsmarktuitkomsten.’
Internationale Arbeidsorganisatie, april 2026
Een theoretische en een waargenomen blootstellingsscore vangen allebei iets echts over de relatie van een baan tot AI-capaciteit. Geen van beide vertelt je of die baan volgend jaar nog bestaat.
In 2025 toetsten Morgan Frank, Yong-Yeol Ahn en Esteban Moro die kloof aan Amerikaanse werkloosheidsdata. Ze vergeleken twaalf gepubliceerde blootstellingsscores met het maandelijkse werkloosheidsrisico per beroep en staat, opgebouwd uit de gegevens van de werkloosheidsverzekeringen van de staten. De beste afzonderlijke score verklaarde 10,7% van de variatie in werkloosheidsrisico over beroepen, staten en maanden; het ensemble van twaalf scores verklaarde 29,8%. Een basismodel met vaardigheidseisen van het beroep, opleiding, staat, jaar en seizoensinvloeden verklaarde 57,4%, en het toevoegen van het ensemble van blootstellingsscores bracht dat op 75,5%.
Simpel gezegd is een enkele blootstellingsscore een zwakke voorspeller van werkloosheidsrisico op zichzelf. Een veel groter deel van de variatie hangt samen met arbeidsmarktstructuur die de score niet bevat, waaronder vaardigheidseisen, opleiding, geografie en seizoensinvloeden.
| Dimensie | Theoretische / taakgebaseerde blootstelling | Waargenomen blootstelling (Anthropic) |
|---|---|---|
| Wat het meet | Hoeveel van een baan AI mogelijk kan beïnvloeden of versnellen | Welke theoretisch haalbare taken voorkomen in werkgerelateerd Claude-gebruik |
| Wie het gebruikt | Gebruikt in verschillende academische en institutionele blootstellingskaders | Anthropic, voor het gebruik van zijn eigen Claude.ai |
| Databron | O*NET-baancomponenten plus methodespecifieke beoordelingen van AI-capaciteit | Claude-gebruik plus O*NET-taken en theoretische haalbaarheid |
| Wat het goed vangt | Waar AI-capaciteit werk mogelijk kan beïnvloeden | Waargenomen adoptie en hoe werk aan Claude wordt gedelegeerd |
| Wat het mist | Vraag, kosten, regelgeving en of iemand er überhaupt moeite voor doet | Gebruik buiten Claude; weerspiegelt de gebruikers van één product |
| Voorbeeldcijfer | Informatica & wiskunde: 94% theoretisch (Eloundou et al.) | Informatica & wiskunde: 33% waargenomen |
Het in april 2026 gepubliceerde AI Jobs Transition Framework van OpenAI maakt hetzelfde punt vanuit een andere hoek. In plaats van technische blootstelling als verdringingsvoorspelling te behandelen, stelt het drie vragen: kan AI een betekenisvol deel van de taken van een beroep uitvoeren, blijft een mens centraal in het leveren of begeleiden van het werk, en kunnen lagere kosten de vraag genoeg vergroten om de productiviteitswinst op te vangen? Toegepast op 921 beroepen die ruwweg 148 miljoen Amerikaanse banen dekken, plaatst het kader ongeveer 18% van de banen in de categorie met hoger automatiseringsrisico, 24% in banen die waarschijnlijk worden gereorganiseerd, 12% in banen die met AI kunnen groeien en 46% in banen waarvoor minder directe verandering wordt verwacht.
In de PNAS Nexus-studie verklaarde de sterkste afzonderlijke blootstellingsscore op zichzelf 10,7% van de variatie in werkloosheidsrisico.
Dus wanneer het volgende ‘AI-baanrisico’-cijfer door je feed komt, is de nuttige stap uitzoeken welke van deze methoden het heeft opgeleverd voordat je besluit of je je zorgen moet maken. Een theoretische blootstellingsscore vertelt je waar AI-capaciteit overlapt met de onderdelen van een baan. Een waargenomen blootstellingsscore voegt bewijs toe over waar mensen AI in de praktijk al gebruiken. Geen van beide vertelt je op zichzelf of de werkgelegenheid in dat beroep zal stijgen of dalen; daarvoor is arbeidsmarktbewijs nodig over werving, vraag, lonen en personeelsaantallen.
Veelgestelde vragen
Is AI-blootstelling van een baan hetzelfde als baanverlies?
Nee. Theoretische blootstelling beschrijft waar AI-capaciteit overlapt met het werk van een baan, terwijl waargenomen blootstelling bewijs toevoegt over waar AI in de praktijk wordt gebruikt. Geen van beide is een directe maat voor baanverlies. Een peer-reviewed studie uit 2025 toetste dit rechtstreeks door twaalf blootstellingsscores te vergelijken met echte Amerikaanse gegevens over werkloosheidsuitkeringen: de best presterende afzonderlijke score verklaarde op zichzelf 10,7% van de variatie in werkloosheidsrisico.
Hoe wordt AI-baanrisico echt berekend?
Achter cijfers met het label ‘AI-baanrisico’ zitten verschillende methoden. Theoretische blootstellingsmethoden ontleden beroepen in O*NET-vaardigheden of -taken en scoren hoe sterk AI-capaciteiten daarmee overlappen; de exacte scoringsmethode verschilt per studie. Anthropics benadering van waargenomen blootstelling combineert theoretische taakhaalbaarheid met echt Claude-gebruik, werkcontext en de mate van automatisering. De resulterende cijfers verschillen omdat ze verschillende stadia meten tussen technische mogelijkheid en adoptie in de praktijk.
Waarom spreken verschillende AI-baanrisicoranglijsten elkaar tegen over dezelfde baan?
Deels omdat ze op structureel verschillende methoden zijn gebouwd (taakontleding, werkgeversenquête en waargenomen gebruik beantwoorden elk een andere vraag), en deels omdat zelfs één methode in de loop van de tijd verschuift. Anthropics eigen Economic Index zette versterking in februari 2025 op 57,4% van de Claude-gesprekken en in het rapport van januari 2026 op 52%, waarbij automatisering navenant meebewoog. Een momentopname van één datum is geen vaste wet.
Betekent een hoge AI-blootstellingsscore dat mijn baan verdwijnt?
Niet op zichzelf. Andrej Karpathy, die zijn eigen virale AI-blootstellingsproject in maart 2026 offline haalde, schreef rechtstreeks in de eigen README van het project dat de scores ‘ruwe LLM-schattingen… geen rigoureuze voorspellingen’ zijn en dat banen met hoge blootstelling vaker ‘hervormd, niet vervangen’ zullen worden. Anthropics vergelijking maakt het onderscheid zichtbaar: in informatica en wiskunde bereikt de theoretische maat van Eloundou et al. 94%, terwijl Anthropics maatstaf voor waargenomen blootstelling 33% bereikt. Een hoog cijfer op een capaciteitsschaal is niet hetzelfde als een baan die wordt overgenomen.
Discussie
Reacties
Log in om mee te praten.