AI vraagt om herziening van expertiseontwikkeling

• Levels, M. en T. Schokker (2026) ESB, 111(4859), 327-329. Download [385,42 kb]

Met de ongekend snelle adoptie van ChatGPT na de lancering in november 2022 veranderde kunstmatige intelligentie (AI) in korte tijd van vage belofte tot alomtegenwoordige werkelijkheid. Een verkenning van de mogelijke gevolgen voor de arbeidsmarkt en de implicaties voor het onderwijs.

Terwijl AI-toepassingen in hoog tempo worden doorontwikkeld, blijven de effecten op de arbeidsmarkt onzeker. Duidelijk is dat AI de arbeidsmarkt anders treft dan eerdere automatisering: terwijl robotisering vooral laaggeschoolde routinetaken vervangt, raakt AI juist zeer vaardige kenniswerkers en niet-routinematige taken (Özgül et al., 2024). Maar dat die taken geraakt worden, betekent niet in alle gevallen dat de mens erdoor wordt vervangen. Grote taalmodellen (large language models; LLM) ‘hallucineren’ immers (Yao et al., 2023), zijn getraind op data met bias (Zhang et al., 2024) en zijn ondoorzichtig in hun redenering (Brynjolfsson en Mitchel, 2019). Dat maakt substitutie in sommige beroepen risicovol, en soms zelfs onmogelijk. In dit artikel analyseren we op welke manieren AI verschillende typen taken kan beïnvloeden.

Mogelijke effecten op arbeidsmarkt

Geïnspireerd door Crowston en Bolici (2025) en recente empirische studies (Dicks et al., 2024; Brynjolfsson et al., 2025; Klein Teeselink, 2025) onderscheiden we twee dimensies die bepalen hoe AI werk beïnvloedt. Ten eerste de mate van automatiseerbaarheid van taken: volledig te automatiseren zonder menselijke tussenkomst, te automatiseren maar met menselijke validatie, of ongestructureerd waarbij menselijk oordeelvermogen cruciaal blijft.

Ten tweede de dimensie van het type kennis dat nodig is voor de uitvoering van de taak: expliciete, codificeerbare kennis versus op ervaring gebaseerde onbewuste kennis (tacit knowledge) – impliciete kennis die een hoog expertiseniveau vereist en niet eenvoudig in te passen is (tabel 1).

Volledige substitutie

Wanneer taken volledig geautomatiseerd kunnen worden en mensen niet nodig zijn om de taakuitvoering te evalueren en valideren, verdwijnen er banen. Dit geldt voor werk waar expliciete kennis volstaat en AI-output betrouwbaar genoeg is. Hoewel niet iedereen overtuigd is (Salomons en Van den Berge, 2026), suggereren studies dat dit gebeurt: vacatures en werkgelegenheid voor dit type werk dalen meetbaar. Brynjolfsson et al. (2025) en Klein ­Teeselink (2025) tonen dalende instroom in junior techrollen en soms lagere startsalarissen. Ook in Nederland lijkt de werkgelegenheid voor jongeren in AI-­gevoelige beroepen afgenomen (Groenewegen et al., 2026). Zo verdwijnen er door AI waarschijnlijk banen gericht op data-invoer en administratieve verwerking, standaardvertalingen, template-rapportages, basisprogrammeerwerk, code-generatie en klantenservicemedewerkers voor gestructureerde vragen.

In het mbo raakt substitutie opleidingen voor administratief werk, (junior) secretarieel werk, media en ICT-opleidingen. In het hbo en wo betreft dit instapfuncties bij accountantskantoren, advocatenkantoren (legal research assistants, paralegals), mediabedrijven (copy­writers, content producers), en financiële instellingen (junior analisten). Het gaat hierbij niet alleen om laagbetaald werk – ook hoogbetaalde instapposities lijken kwetsbaar.

Nivellering of deskilling

Bij sommige banen kan AI het cognitief zware werk overnemen, maar blijft er menselijke input (evaluatie, validatie) nodig. Mensen met minder expertise kunnen daardoor taken uitvoeren die voorheen hoge expertise vereisten. Dit kan de vaardigheidskloof verkleinen en middenklasse-banen versterken (Autor, 2024). Maar er is een keerzijde: deskilling is een risico wanneer experts AI gaan volgen in plaats van hun eigen oordeel te gebruiken. Dell’Acqua (2024) toont in een veldexperiment bijvoorbeeld aan dat ervaren recruiters beter presteerden met onnauwkeurige AI die zij actief moesten controleren, dan met nauwkeurige AI die zij min of meer blind volgden. Dit wijst op risico’s van cognitieve ontlasting: wanneer AI betrouwbaar lijkt, schakelen mensen hun kritisch denkvermogen uit (Gerlich, 2025). Concrete voorbeelden van nivellering als gevolg van AI zijn de eerstelijnsdiagnostiek in de zorg waar AI diagnoses suggereert, juridische contractanalyse waar AI clausules beoordeelt, financiële analyses waar AI patronen detecteert en HR-selectie waar AI cv’s screent.

Risicovolle nivellering of expertiseversterking

Voor taken waar context en oordeelsvermogen essentieel zijn, hangt de uitkomst af van het expertiseniveau van de gebruiker. Risicovolle nivellering treedt op bij werk dat expliciete regels toepast op variabele, contextafhankelijke situaties. Bij contentmoderatie zijn regels tegen hate speech expliciet, maar het herkennen van satire of context vereist typisch een menselijk oordeel. Beginners kunnen met AI in deze domeinen opereren door expliciete regels te volgen, maar missen het oordeelsvermogen om uitzonderingen te herkennen. Veldonderzoek bevestigt dit patroon: AI helpt beginners bij conceptualisering en analyse, maar ze stuiten op een ‘muur’ zodra uitvoering van taken contextgebonden ervaring vereist (Vendraminelli et al., 2025). Vergelijkbare risico’s spelen bij vergunningverlening, fraudedetectie en medische triage – overal waar regels moeten worden toegepast op unieke situaties.

Wanneer experts met diepe impliciete kennis (tacit knowledge) AI gebruiken als hulpmiddel dat hun capaciteiten vergroot, kan er daarentegen juist sprake zijn van expertiseversterking. Ervaring speelt een grote rol en er is geen vaste handleiding met regels die gevolgd kan worden. Zo kan een huisarts AI gebruiken om diagnose-opties te verkennen, maar beoordeelt hij of zij deze op basis van jarenlange ervaring én kennis van de specifieke patiënt. Een senior advocaat gebruikt AI wellicht voor jurisprudentie-onderzoek maar weegt de relevantie op basis van zaakkennis en zijn professionele ervaring. Een ervaren ingenieur kan AI ontwerpvarianten laten genereren maar selecteert op basis van praktijkinzicht. In dit scenario kunnen experts met AI hun productiviteit verhogen zonder kwaliteitsverlies. In dergelijke gevallen blijft impliciete kennis onmisbaar.

Tegelijk heeft AI de potentie de positie van mbo’ers te versterken door de vaardigheidskloof met experts te verkleinen (Autor, 2024) – mits zij beschikken over AI-­geletterdheid én de bijbehorende kritische denkvaardigheden (Van der Velden et al., 2023).

Ontwikkelen expertise wordt een uitdaging

De effecten van AI op de arbeidsmarkt hebben fundamentele gevolgen voor het leerproces. AI-gebruik verkleint de ‘leerpijn’ – de cognitieve inspanning die nodig is voor diepe leerprocessen (Nelson en Eliasz, 2023). Wanneer AI te vroeg of te gemakkelijk antwoorden biedt, kunnen studenten hun opleiding afronden zonder het oordeelsvermogen te ontwikkelen dat hun diploma veronderstelt. Ook ontwikkelen mensen expertise traditioneel stapsgewijs: ze beginnen met routinetaken, krijgen geleidelijk complexere verantwoordelijkheden, leren door herhaling patronen herkennen en ontwikkelen gaandeweg het oordeelvermogen om uitzonderingen vast te stellen. Als junior posities echter verdwijnen en AI het cognitief zware werk overneemt, komt deze leerladder onder druk te staan.

Maar dit betekent niet dat expertise-ontwikkeling met AI onmogelijk is – het vraagt om een bewust ontwerp van AI-toepassingen in het onderwijs. AI kan leren ook ondersteunen: gepersonaliseerde feedback op schaal bieden die nu alleen experts kunnen geven, simulaties en oefen­omgevingen creëren waar beginners veilig kunnen falen, en ondersteuning (scaffolding) bieden die geleidelijk wordt afgebouwd naarmate de expertise groeit. Een AI-toepassing die kritisch ondervraagt in plaats van antwoorden geeft, kan kritisch denken versterken (Li et al., 2025).

De vraag is daarom niet of AI in onderwijs moet worden gebruikt, maar hoe. AI die alleen gericht is op productiviteitsverbetering op de korte termijn ondermijnt leren; AI die zegt ‘welke aannames maak je hier?’ kan het leren juist versterken. De belangrijkste vraag is hoe we AI-ondersteunde leertrajecten kunnen ontwerpen waarin lerenden expertise opbouwen. Dit roept concrete vragen op voor specifieke beroepsgroepen die samenwerking vereisen tussen onderwijskundigen, domeinexperts en AI-ontwikkelaars.

Substitutie

Wanneer AI leidt tot substitutie, moet het vervolgonderwijs responsief zijn: opleidingen snel herzien, studenten naar kansrijke sectoren verleiden en stoppen met opleiden voor verdwijnende beroepen. Het risico van substitutie is het grootst voor mbo’ers: vergeleken met hbo- en wo-­opgeleiden sluit de opleiding van mbo’ers relatief goed aan op de arbeidsmarkt. Dit maakt hen echter extra kwetsbaar als die arbeidsmarkt plotseling verandert (Forster et al., 2016). Dit geldt waarschijnlijk het meest voor mbo-opleidingen economie, delen van ICT, en media; opleidingen waar we het risico op substitutie als hoog inschatten.

Voor werkenden die te maken krijgen met substitutie is gerichte omscholing noodzakelijk richting kraptesectoren die minder AI-gevoelig zijn (zorg, techniek, onderwijs). De omscholingsopgave is substantieel, en niet iedereen is even makkelijk om te scholen – ouderen en laaggecijferden hebben extra ondersteuning nodig (Levels, 2020).

Nivellering of deskilling

Als AI werk kan overnemen, maar wel menselijke validatie vereist, is AI-geletterdheid essentieel. Cruciaal daarin is kritisch denken: de vaardigheid om AI-resultaten te beoordelen op betrouwbaarheid en kwaliteit. Kritisch denken vereist domeinkennis – je kunt alleen beoordelen wat je begrijpt. Wie geen expertise heeft, kan AI-fouten niet herkennen. AI-vrije leerperiodes kunnen wellicht nodig zijn om fundamentele expertise en vaardigheden op te bouwen.

Risicovolle nivellering of expertiseversterking

In de gevallen waarin AI wordt gebruikt, maar menselijk beoordelingsvermogen cruciaal blijft voor verantwoorde toepassing, is de uitdaging hoe het menselijk beoordelingsvermogen te blijven opbouwen. Carrièrepaden moeten zo vorm worden geven dat er voldoende mogelijkheden blijven voor expertiseontwikkeling. Dat vraagt bijvoorbeeld om verlengde opleidingen met meer aandacht voor fundamentele vaardigheden, meer nadruk op stages en praktijkleren in contexten waar AI beperkt wordt ingezet, bewuste ‘AI-vrije’ leerperiodes in opleidingen en nieuwe vormen van mentorschap waarbij experts starters begeleiden in het ontwikkelen van oordeelsvermogen. Onderwijs en werkgevers moeten gezamenlijk nieuwe routes naar expertise ontwerpen.

Onderzoeksprioriteiten

We weten heel veel nog niet, maar we stellen hier vier prioriteiten vast. Ten eerste: monitor arbeidsmarkteffecten systematisch. AI kan grote gevolgen hebben voor werkgelegenheid, taakinhoud, ongelijkheid en arbeidsverhoudingen. Door systematisch te volgen hoe AI op deze dimensies ingrijpt – per sector, opleidingsniveau en beroepsgroep – kunnen effecten tijdig in beeld komen. Hoewel er verschillende monitoren lopen, ontbreekt op dit moment een totaalbeeld waarbij de hele waaier aan effecten (van baanvernietiging tot expertiseversterking) goed in beeld wordt gebracht.

Ten tweede: onderzoek leren met én zonder AI (OESO, 2026). Onder welke omstandigheden bevordert AI diep leren en expertise-ontwikkeling en wanneer leidt het tot ‘cognitieve offloading’ of de ‘illusie van beheersing’? Experimenteel onderzoek naar de effecten van AI-gebruik op leeruitkomsten is cruciaal. Specifieke vragen zijn: maakt het uit in welke fase van het leerproces AI wordt geïntroduceerd? Is het bijvoorbeeld nodig dat men eerst zelf leert denken, voordat men AI gaat gebruiken? Wat is de optimale balans tussen AI-ondersteund leren en ‘AI-vrije’ periodes om afhankelijkheid van AI-tools (crutch effect) te voorkomen? Onder welke condities leidt AI-gebruik tot ‘metacognitieve luiheid’ (Fan et al., 2025) en wanneer bevordert het juist kritisch denken? En hoe kunnen docenten, bijvoorbeeld door middel van procesgerichte assessments, onderscheid maken tussen oppervlakkig leren en diep begrip?

Ten derde: onderzoek nieuwe vormen van expertiseontwikkeling. Als traditionele leerroutes via junior posities worden afgesneden, welke alternatieven zijn dan effectief? Dit vraagt om onderzoek naar nieuwe vormen van leren en de rol van ‘deliberate practice’ (Ericsson en Pool, 2017) in een AI-rijke omgeving. Sectorspecifiek onderzoek is nodig: hoe kunnen bijvoorbeeld toekomstige artsen diagnostisch vermogen ontwikkelen wanneer AI de eerste analyse doet? Hoe bouwen advocaten juridisch oordeelsvermogen op? Hoe ontwikkelen journalisten bronkritiek? De antwoorden zullen per domein verschillen, maar de vraag hoe expertise te blijven ontwikkelen dringt zich in alle domeinen op.

Ten vierde is er structurele samenwerking tussen wetenschap en beleid nodig. De onzekerheid rondom het tempo en de implementatie van AI stelt beleidsmakers voor uitdagingen – we weten niet hoe de technologie zich verder zal ontwikkelen en hoe snel organisaties AI adopteren, wat onder meer afhangt van de implementatiecapaciteit van organisaties, de kosten van AI-toepassingen en van beleid (Khanfar et al., 2025). De coronapandemie toonde dat effectief beleid onder onzekerheid mogelijk is, mits wetenschap en beleid structureel samenwerken en er een snelle terugkoppeling van onderzoeksresultaten naar beleid plaatsvindt. Door wetenschappelijke kennis te laten botsen op beleidsoverwegingen ontstaat gezamenlijke duiding van de vraagstukken en mogelijk effectieve beleidsinterventies. De dialoog tussen wetenschap en beleid moet daarbij ook gaan over waarden. De toepassing van AI in onderwijs en werk gaat immers niet alleen over efficiëntie, maar raakt ook aan fundamentele waarden als autonomie, rechtvaardigheid, privacy en solidariteit.

Hoewel de literatuur nog niet convergeert naar precieze voorspellingen, is wel duidelijk dat AI de mismatch van kennis en vaardigheden op de arbeidsmarkt zal doen toenemen. Dat heeft economische consequenties – een gebrek aan juist opgeleid personeel kan productiviteitswinst belemmeren – en brengt maatschappelijke risico’s met zich mee wanneer mensen onvoldoende worden voorbereid op het werken met AI. Het onderwijs zal zich dus moeten aanpassen, net als bij eerdere technologische transities, opdat de arbeidsmarkt veerkrachtig en toekomstbestendig blijft.

Literatuur

Autor, D. (2024) Applying AI to rebuild middle class jobs. NBER Working Paper, 32140.

Brynjolfsson, E. en T. Mitchel (2019) What can machine learning do? Workforce implications. Science, 358(6370), 1530–1534.

Brynjolfsson, E., B. Chandar en R. Chen (2025) Canaries in the coal mine? Six facts about the recent employment effects of AI. Stanford Digital Economy Lab, 13 november. Te vinden op digitaleconomy.stanford.edu.

Crowston, K. en F. Bolici (2025) Impacts of generative AI on knowledge work. Information Research: An International Electronic Journal, 30(iConf), 1009–1023.

Dell’Acqua, F. (2024) Falling asleep at the wheel: Human/AI collaboration in a field experiment on HR recruiters. Harvard Business School.

Dicks, M. et al. (2024) AI exposure and labor market transitions. Working Paper.

Ericsson, A. en R. Pool (2017) Peak: Secrets from the new science of expertise. Boston, MA: Eamon Dolan/Houghton Mifflin Harcourt.

Fan, Y., L. Tang, H. Le et al. (2025) Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56, 489–530.

Forster, A.G., T. Bol en H.G. van de Werfhorst (2016) Vocational education and employment over the life cycle. Sociological Science, 3(21), 473-494.

Gerlich, M. (2025) AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), 6.

Groenewegen, J., N. van Limbergen en N. Vrieselaar (2026) Dalende werkgelegenheid onder Nederlandse jongeren die concurreren met GenAI. ESB, te verschijnen.

Heald, S., A. Smith en D. Fouarge (2019) Labour market forecasting scenarios for automation risks: Approach and outcomes. Technequality Paper, 2019/3. Te vinden op technequality-project.eu.

Hötte, K., M. Somers en A. Theodorakopoulos (2023) Technology and jobs: A systematic literature review. Technological Forecasting and Social Change, 194, 122750.

Khanfar, A.A., R. Kiani Mavi, M. Iranmanesh en D. Gengatharen (2025) Factors influencing the adoption of artificial intelligence systems: a systematic literature review. Management Decision, 63(10), 3727–3755.

Klein Teeselink, B. (2025) Generative AI and labor market outcomes: Evidence from the United Kingdom. SSRN Working Paper, 21 december.Levels, M. (2020) Herscholing waarschijnlijk voor velen te hoog gegrepen. Kort op esb.nu, 6 februari.

Li, C.-J., G.-J. Hwang, C.-Y. Chang en H.-C. Su (2025) Generative AI-supported progressive prompting for professional training. British Journal of Educational Technology, 56(6), 2550–2572.

Nelson, A. en K.L. Eliasz (2023) Desirable difficulty: Theory and application of intentionally challenging learning. Medical Education, 57(2), 123–130.

OESO (2026) OECD Digital Education Outlook 2026: Exploring effective uses of generative AI in education. OECD Rapport, 19 januari.

Özgül, P., M.-C. Fregin, M. Stops et al. (2024) High-skilled workers in non-routine jobs are susceptible to AI automation but wage benefits differ between occupations. Paper. Te vinden op arxiv.org.

Velden, R. van der, I. Bijlsma, M.C. Fregin en M. Levels. (2023) Are general skills important for vocationally educated? Acta Sociologica, 67(3), 387–405.

Vendraminelli, L., M.D. DiSorbo, A. Hildebrandt et al. (2025) The GenAI wall effect: Examining the limits to horizontal expertise transfer between occupational insiders and outsiders. Harvard Business School Working Paper, 26-011.

Weel, B. ter, J. Zwetsloot en P. Bisschop (2021) Technologie verslechtert arbeidsmarktkansen van mbo’ers. ESB, 106(4797), 226–229.

Yao, J.-Y., K.-P. Ning, Z.-H. Liu et al. (2023) LLM lies: Hallucinations are not bugs, but features as adversarial examples. Paper. Te vinden op arxiv.org.

Zhang, P., J. Shi en M.N. Kamel Boulos (2024) Generative AI in medicine and healthcare: Moving beyond the ‘peak of inflated expections’. Future Internet, 16(12), 462.