Kunstmatige intelligentie kan in theorie de taken van werkenden overnemen, en daarmee de werkgelegenheid beïnvloeden. In Verenigde Staten zijn de eerste arbeidsmarkteffecten al zichtbaar, maar hoe zit dat in Nederland?
In het kort
- Er zijn minder vacatures en werkgelegenheid in beroepsgroepen die vatbaar zijn voor automatisering door GenAI.
- AI raakt vooral jongeren; de werkgelegenheid in beroepen die vatbaar zijn voor GenAI nam voor hen met dertien procent af
- Het is op dit moment te vroeg om te zeggen of, en hoe, GenAI de arbeidsmarkt structureel verandert.
Sinds de introductie van ChatGPT in november 2022 woedt er volop discussie over de gevolgen voor de arbeidsmarkt van generatieve AI (GenAI), zoals ChatGPT. Veel Nederlandse bedrijven zeggen al gebruik te maken van AI (EIB, 2025; Eurostat, 2025), en recente berichtgeving suggereert dat GenAI al de baankansen van startende accountants onder druk zet (Mol en Van der Schoot, 2025). Maar concrete cijfers over de invloed van GenAI op de Nederlandse arbeidsmarkt ontbreken. In de Verenigde Staten zijn die er wel: er is een voorzichtig negatief effect op de baankansen van jonge werkenden (Brynjolfsson et al., 2025).
Om inzicht te krijgen in de Nederlandse situatie inventariseren we in dit artikel welke beroepsgroepen het meest vatbaar zijn voor automatisering door GenAI, en kijken voor die beroepsgroepen naar de ontwikkeling van het aantal vacatures en de werkgelegenheid. Dit is een vergelijkbare insteek als onderzoek naar de Amerikaanse arbeidsmarkt (Brynjolfsson et al., 2025).
GenAI en de arbeidsmarkt
Een beroep kan worden gezien als een bundel van taken (Acemoglu en Autor, 2011). Een groeiende literatuur probeert daarom voor afzonderlijke taken in te schatten in welke mate deze zijn te automatiseren met GenAI, om ze vervolgens te aggregeren naar beroepen. Die inschatting gebeurt op basis van menselijke input (Felten et al., 2023), GenAI-gebruikersdata (Handa et al., 2025; Tomlinson et al., 2025) of een combinatie van menselijke input en GenAI-input (Eloundou et al., 2024; Gmyrek et al., 2025). In dit artikel volgen we Gymrek et al. (2025), zie kader 1.
Kader 1: Het schatten van het automatiserings-potentieel van GenAI
Voor alle 114 beroepsgroepen die het CBS onderscheidt, bekijken we het automatiseringspotentieel van GenAI met behulp van Gmyrek et al. (2025). Zij schatten het automatiseringspotentieel van GenAI op taakniveau binnen het raamwerk van de International Standard Classification of Occupations (ISCO). Hiervoor gebruiken ze een mix van survey-input, expertkennis en GenAI-input. Dit levert per viercijferig ISCO-beroep een verdeling van taakscores op tussen de 0 en de 1, waarmee zij een gemiddelde automatiseringsscore en standaarddeviatie per beroep berekenen. Wij zetten deze scores vervolgens om naar het Nederlandse Beroepsclassificatie zoals gebruikt door het CBS.
De scores geven in eerste instantie een bandbreedte aan van automatiseringspotentieel. Op basis van de literatuur kiezen we ervoor om beroepen met een hoge gemiddelde score (> 0,7) en een lage standaarddeviatie (< 0,2) te bestempelen als potentieel te automatiseren met GenAI. Een beroep met een hoge automatiseringsscore maar ook een hoge standaarddeviatie omvat namelijk bepaalde taken die GenAI niet kan uitvoeren. In zulke beroepen is GenAI daarmee complementair en geen substituut, waardoor er minder werkgelegenheidseffecten op zullen treden.
Als robuustheidscontrole vergelijken we de methode van Gymrek et al. (2025) met Eloundou et al. (2024) en Felten et al. (2023). De correlatie tussen de drie automatiseringsscores is hoog (tussen de 0,8 en 0,9), en de resultaten zijn dan ook vergelijkbaar.
Eloundou et al. (2024) gebruiken net als Gmyrek et al. (2025) een combinatie van expertschattingen en GenAI-input om tot hun automatiseringsscores te komen voor taken en beroepen. Felten et al. (2023) kiezen voor vaardigheden in plaats van taken als de bouwsteen voor hun aanpak. Voor verschillende AI-toepassingen bepalen zij, met behulp van crowdsourcing en expertkennis, de mate waarin deze toepassingen matchen aan vaardigheden die binnen de Amerikaanse database Occupational Information Network (O*NET) aan beroepen worden toegeschreven.
Met name beroepen die een groter aandeel werkenden kennen met een hbo- of wo-opleiding zijn sterk blootgesteld aan GenAI (figuur 1). In de online appendix is een volledige lijst te vinden met de beroepsgroepen die volgens de literatuur het meest concurreren met GenAI.
We verwachten binnen de beroepen die vatbaar zijn voor AI met name een effect op de werkgelegenheid voor jongvolwassenen. Dit omdat het automatiseringspotentieel van GenAI ook lijkt te gaan over het verschil tussen gecodificeerde en impliciete kennis (Ide, 2025). Gecodificeerde kennis leer je tijdens opleidingen of in trainingen, en is opgeschreven in documenten en handleidingen. Impliciete kennis bestaat juist uit praktische inzichten, die je met ervaring opdoet. GenAI benut gecodificeerde kennis, maar heeft geen impliciete kennis. Daarmee concurreert GenAI in theorie met name met jonge werkenden, die – net uit de schoolbanken – vooral gecodificeerde kennis hebben maar nog weinig praktijkervaring.
Vacatures
Het aantal vacatures voor de beroepsgroepen die het meest in aanmerking komen voor automatisering door GenAI is de laatste jaren gaan achterlopen op de rest van de arbeidsmarkt (figuur 2). Tot 2023, en dus vóór de grootschalige populariteit van ChatGPT, hield het aantal ontstane en openstaande vacatures in de meest voor GenAI vatbare beroepsgroepen ongeveer gelijke tred met andere beroepsgroepen. Maar sindsdien is zowel het aantal ontstane vacatures als het aantal openstaande vacatures aanzienlijk sneller gedaald.
Zo lag het aantal openstaande vacatures in de meest vatbare beroepsgroepen in het tweede kwartaal van 2025 – het jongste kwartaal waarvoor langjarige UWV-cijfers beschikbaar zijn – bijna 25 procent lager dan eind 2022. In de 102 overige beroepsgroepen daalde het aantal vacatures in dezelfde periode met minder dan 10 procent. Bij elkaar gaat het om een daling van ruim 19.000 vacatures in de GenAI-beroepsgroepen.
Werkgelegenheid
De werkgelegenheidscijfers van het Centraal Bureau voor de Statistiek (CBS) laten zien dat de werkgelegenheid voor jongeren tussen de 15 en 25 jaar in voor GenAI in aanmerking komende beroepsgroepen sterk is teruggelopen. In het derde kwartaal van 2025, het meest recent beschikbare kwartaal, werkten ruim dertien procent minder jongeren in de meest vatbare beroepsgroepen dan in het vierde kwartaal van 2022, terwijl de werkgelegenheid in andere beroepsgroepen juist drie procent steeg.
Bij andere leeftijden is deze kloof veel kleiner. Daar lag de werkgelegenheid in de GenAI-beroepsgroepen in het derde kwartaal van 2025 nauwelijks lager dan die in de overige beroepsgroepen – in een enkel geval zelfs hoger. Een uitzondering zijn 45- tot en met 54-jarigen: ook in deze leeftijdsgroep nam de werkgelegenheid in de meest vatbare beroepen relatief sterk af. Maar daar zette de daling al voor het eind van 2022 in. Bovendien is de kloof met de overige beroepsgroepen – waar het aantal werkenden door demografische krimp eveneens is afgenomen – een stuk kleiner dan voor jongeren. Ten slotte stabiliseerde de werkgelegenheid onder 45- tot en met 54-jarigen in de voor GenAI vatbare beroepen de laatste kwartalen, terwijl het onder 15- tot en met 24-jarigen juist verder afnam.
Hoewel werkgelegenheids- en werkloosheidscijfers niet een-op-een vergelijkbaar zijn, is het niet ondenkbaar dat de vlucht die GenAI afgelopen jaren binnen Nederlandse bedrijven heeft gemaakt, heeft bijgedragen aan de recente heropleving van de (jeugd)werkloosheid in Nederland. In totaal werkten in de geschikte beroepsgroepen in het derde kwartaal van 2025 ongeveer 19.000 minder 15- tot en met 24-jarigen dan in het laatste kwartaal van 2022 (voortschrijdend gemiddelde). Het totale aantal werkloze Nederlanders nam in dezelfde tijd met 38.000 mensen toe, waarvan 25.000 15- tot en met 24-jarigen.
Mogelijke andere verklaringen
Andere trends lijken de recente daling van de werkgelegenheid in GenAI-beroepen onder 15- tot en met 24-jarigen niet goed te kunnen verklaren. Zo zou het mogelijk kunnen zijn dat deze beroepen oververtegenwoordigd zijn in sectoren die het de afgelopen jaren moeilijk hadden. De werkgelegenheid in de vatbare beroepen zou dan niet zijn gedaald vanwege concurrentie met GenAI maar door (bedrijfs)economische ontwikkelingen. Het effect op specifiek jongvolwassenen is dan te verklaren door hun rol als nieuwkomer op de arbeidsmarkt, met vaak minder baanzekerheid.
Hoewel we niet over de data beschikken om de economische ontwikkelingen rond alle beroepen uit te splitsen, zien we wel dat enkele sectoren met een relatief hoog aandeel GenAI-beroepen, de afgelopen jaren juist relatief hard zijn gegroeid. Zo nam de toegevoegde waarde van de sector zakelijke dienstverlening sinds het laatste kwartaal van 2022 toe met 2,6 procent, terwijl het aantal banen onder jonge werkenden met zo’n 8 procent afnam (CBS, 2025). De ICT groeide in dezelfde periode met 6,5 procent, maar zag een daling van de werkgelegenheid van zo’n 11 procent onder 15- tot 24-jarigen. Een conjuncturele verklaring voor de afname in werkgelegenheid onder jongeren in beroepen die concurreren met GenAI ligt daarmee niet voor de hand.
Een andere verklaring zou kunnen zijn dat de afname van de werkgelegenheid onder jongeren in de betreffende beroepen niet door een verschuiving in de vraag maar in het arbeidsaanbod komt. Zo is het mogelijk dat het aandeel 15- tot en met 24-jarigen dat een opleiding volgt – en dus nog niet is begonnen aan een loopbaan – na 2022 is toegenomen. Daarbij kan er sprake zijn van een verschuiving in het opleidingsniveau: terwijl de beroepen die het meest vatbaar zijn voor GenAI relatief veel werkenden met een hbo- of wo-opleiding kennen (figuur 1), zijn 15- tot en met 24-jarigen na 2022 mogelijk minder vaak hogeropgeleid. Dit kan leiden tot een mismatch tussen arbeidsvraag en -aanbod en daarmee tot een dalend aantal jonge werkenden. Hetzelfde geldt wanneer jonge werkenden vaker dan voorheen een opleiding hebben gevolgd in andere studierichtingen.
Maar deze alternatieve verklaring strookt evenmin met de data die we hebben. Zo nam het aantal 15- tot en met 24-jarigen dat géén formeel onderwijs (meer) volgt na 2022 juist toe. En het aantal jongeren met een hbo- of wo-diploma was in 2023 weliswaar lager dan in 2021 en 2022, maar lag in 2024 en 2025 weer net zo hoog – of zelfs hoger. Ook het afstuderen in andere studierichtingen biedt op basis van de meest recent bekende cijfers geen verklaring: CBS-cijfers tot en met studiejaar 2023/2024 tonen wisselende trends.
Bovendien strookt geen van deze verklaringen met de afname van vacatures in deze beroepsgroepen. Als de werkgelegenheidsdaling inderdaad door minder arbeidsaanbod komt en niet door minder arbeidsvraag, dan zou het aantal onvervulde, openstaande vacatures juist moeten stijgen.
Conclusie
Er zijn aanwijzingen dat GenAI impact heeft op de Nederlandse arbeidsmarkt. Het aantal vacatures daalt harder voor de beroepsgroepen die het meest gevoelig zijn voor concurrentie van GenAI dan voor andere beroepen. En onder jongeren is de werkgelegenheid in de GenAI-beroepen het sterkst gedaald. Dit komt overeen met de resultaten van Brynjolfsson et al. (2025) voor de Verenigde Staten. De werkgelegenheidsdaling onder 15- tot en met 24-jarigen is in de betreffende beroepen in Nederland bovendien zodanig groot dat we niet uitsluiten dat de opkomst van GenAI heeft bijgedragen aan de recente stijging van het algehele werkloosheidscijfer. Dat wil niet zeggen dat GenAI een blijvend negatief effect zal hebben op de werkgelegenheid. Het is bijvoorbeeld denkbaar dat andere sectoren, waar het personeelstekort knelt, profiteren van het ruimere arbeidsaanbod.
Daarnaast is het mogelijk dat, als GenAI de productiviteit inderdaad verhoogt, zij bepaalde producten of diensten minder arbeidsintensief en dus goedkoper maakt. Dit kan de vraag naar deze producten/diensten aanjagen, wat de werkgelegenheid in de blootgestelde beroepen ondersteunt (Autor, 2015). Bovendien zorgen nieuwe technologieën vaak ook weer voor nieuwe banen, die we nu nog niet kennen.
Daarom is het lastig te zeggen of de recente daling van de werkgelegenheid in blootgestelde beroepsgroepen onder jongeren onderdeel is van een tijdelijk aanpassingsproces of het begin van een langere neerwaartse trend. Maar onze aanpak staat het toe om de ontwikkeling van werk in blootgestelde beroepen doorlopend in de gaten te houden.
Literatuur
Acemoglu, D. en D.H. Autor (2011) Skills, tasks and technologies: Implications for employment and earnings. In: O. Ashenfelter en D. Card (red.), Handbook of Labor Economics, deel 4B. Amsterdam: Elsevier, p. 1043–1171.
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.
Brynjolfsson, E., B. Chandar en R. Chen (2025) Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence. Stanford Digital Economy Lab, 13 november.
CBS (2025) Bbp, productie en bestedingen; kwartalen, waarden, nationale rekeningen. CBS Statistiek, 24 december.
EIB (2025) EIB Investment Survey 2025. European Investment Bank, 14 oktober.
Eloundou, T., S. Manning, P. Mishkin en D. Rock (2024) GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306–1308.
Eurostat (2025) Use of artificial intelligence in enterprises. Eurostat, december. Te vinden op ec.europa.eu.
Felten, E.W., M. Raj en R. Seamans (2023) Occupational heterogeneity in exposure to generative AI. SSRN Working Paper, 10 april.
Gmyrek, P., J. Berg, K. Kamiński et al. (2025) Generative AI and jobs: A refined global index of occupational exposure. ILO Working Paper, 140.
Handa, K., A. Tamkin, M. McCain et al. (2025) Which economic tasks are performed with ai? evidence from millions of claude conversations. arXiv preprint arXiv:2503.04761.
Ide, E. (2025) Automation, AI, and the intergenerational transmission of knowledge. arXiv preprint arXiv:2507.16078.
Mol, J. en E. van der Schoot (2025) PwC ziet arbeidsmarkt veranderen en neemt minder nieuwe mensen aan. Het Financieele Dagblad, 25 oktober.
Tomlinson, K., S. Jaffe, W. Wang et al. (2025) Working with AI: Measuring the occupational implications of generative AI. arXiv preprint arXiv:2507.07935.
Auteurs
Categorieën