In hun ESB-artikel wijzen Groenewegen, Van Limbergen en Vrieselaar (2026) op een daling van de werkgelegenheid onder jongeren (15–24 jaar) in beroepen die zijn blootgesteld aan Generatieve AI (GenAI). Dit sluit aan bij recente bevindingen uit Denemarken (Humlum en Vestergaard, 2025) en de VS, waar Brynjolfsson et al. (2025) dergelijke trends betitelden als ‘de kanarie in de kolenmijn’ voor de bredere arbeidsmarktimpact van AI.
Hoewel de gesignaleerde correlatie opvallend is, is voorzichtigheid geboden bij het trekken van causale conclusies. De dalende werkgelegenheid zou ook verklaard kunnen worden door de monetaire verkrapping in diezelfde periode. Met de methode in Groenewegen et al. (2026) is het in ieder geval lastig om het causale effect van GenAI op werkgelegenheid van jongeren te isoleren. De wetenschappelijke literatuur stelt bovendien dat blootstelling aan nieuwe technologie niet automatisch verdringing van werkenden betekent. Wij zien daarom aanleiding om de stelling te nuanceren dat GenAI de laatste jaren grootschalig banen van jongeren verdringt.
Monetair beleid als alternatieve verklaring
Een belangrijke nuance bij de interpretatie van de dalende werkgelegenheid onder jongeren in Groenewegen et al. is de macro-economische context. De introductie van ChatGPT viel nagenoeg samen met een periode van snelle renteverhogingen door centrale banken om inflatie te bestrijden – ook in Nederland zagen we in deze periode een sterke stijging van zakelijke rentes (DNB, 2026).
Het is aannemelijk dat bedrijven door gestegen kapitaalkosten vanwege de renteverhogingen terughoudender zijn geworden met werving: dit is consistent met de vacaturedaling die Groenewegen et al. laten zien. Amerikaans onderzoek toont ook aan dat de daling in vacatures voor jongeren in deze sectoren al inzette voordat ChatGPT werd gelanceerd en correleert met de rentestappen van de Fed (Iscenko en Millet, 2026).
In zo’n klimaat van stijgende kapitaalkosten worden – zeker in Nederland met een sterke ontslagbescherming – startersfuncties vaak als eerste geraakt, ongeacht de technologische component, onder andere omdat het ontslaan van bestaande werknemers duurder is.
Bovendien vertalen vacatureafnames zich sterker naar werkgelegenheid voor jongeren dan voor ouderen: jongeren zijn afhankelijk van nieuwe vacatures om werk te vinden, terwijl ouderen vaak al werk hebben en simpelweg minder van baan wisselen.
Daarnaast bevinden veel aan GenAI blootgestelde beroepen zich in kapitaalintensieve sectoren zoals technologie en zakelijke dienstverlening, die in het bijzonder gevoelig zijn voor financieringskosten en scherper reageren op macro-economische schokken, zoals ook zichtbaar was tijdens de coronacrisis (Iscenko en Millet, 2026).
Andere methodologische uitdagingen
Het rentebeleid kan de werkgelegenheid onder jongeren sinds de introductie van GenAI dus mede beïnvloed hebben. Daarnaast kent de gehanteerde empirische strategie in Groenewegen et al. nog enkele kwetsbaarheden die het isoleren van een causaal GenAI-effect lastig maken.
Ten eerste volgt de studie cohorten (leeftijdsgroepen), en geen individuen. De daling in de groep 15–24 jaar kan daardoor ook deels mechanisch worden verklaard. Zelfs bij een algemene vacaturestop daalt de werkgelegenheid in het jongste cohort het sterkst doordat werkenden ‘uitstromen’ naar de oudere leeftijdsgroep, terwijl instroom door de vacaturestop wegvalt.
Ten tweede vinden Groenewegen et al. geen verandering in werkgelegenheid voor de groep 25–34 jaar. Enkel voor jongeren jonger dan 25 jaar wordt een effect gevonden. De vraag is echter of jongeren jonger dan 25 jaar überhaupt een relevante vertegenwoordiging kennen in aan GenAI blootgestelde beroepen. De betreffende beroepen vereisen namelijk veelal een hogere opleiding. Dit zou kunnen worden onderzocht door de participatiegraad en gewerkte uren in deze banen voor de verschillende leeftijdsgroepen in kaart te brengen.
Overigens leunt de vergelijking op een controlegroep van niet voor GenAI in aanmerking komende beroepen. Deze bevat echter ook juridische en medische functies waarvan bekend is dat zij in de praktijk wel degelijk GenAI toepassen. Als de controlegroep ook wordt beïnvloed, is het echte GenAI-effect hoe dan ook niet goed te bepalen.
Blootstelling aan GenAI betekent niet automatisch verdringing
De wetenschappelijke literatuur ondersteunt de nuance die we willen aanbrengen in de relatie tussen werkgelegenheid en de ‘blootstelling’ aan GenAI. De literatuur maakt namelijk een onderscheid tussen theoretische ‘’blootstelling’ aan technologie en daadwerkelijke arbeidsverdringing. Blootstelling betekent dus niet per definitie banenverlies.
Zo kan technologie menselijke expertise vervangen, maar ook versterken (Autor en Thompson, 2025). Scenarioschrijvers in Hollywood zijn evenzeer ‘blootgesteld’ aan tekstverwerkingssoftware als aan GenAI, maar verzetten zich alleen tegen dat laatste (Hollywood Reporter, 2023). De tekstverwerker versterkte hun expertise, terwijl GenAI deze mogelijk bedreigt. In beide gevallen neemt technologie taken over, maar de impact hangt af van welke specifieke taken in een baan dit zijn – niet alleen de blootstelling.
Daarnaast kan innovatie ook leiden tot nieuwe taken en functies – denk aan installateurs van zonnepanelen en AI-onderzoekers (Autor et al., 2024). Jongeren zijn historisch gezien oververtegenwoordigd in dit soort nieuwe functies (Autor et al., 2025). Maatstaven voor blootstelling nemen deze dynamiek van nieuw werk niet mee omdat ze enkel naar bestaande beroepstaken kijken.
Technologie kan ook toetredingsdrempels voor starters verlagen. Navigatiesoftware maakte bijvoorbeeld gebiedskennis voor taxichauffeurs overbodig, waardoor méér mensen taxi konden rijden (Abraham et al., 2025). GenAI zou een vergelijkbaar effect kunnen hebben: experimentele studies suggereren dat het starters in staat stelt sneller complexe taken uit te voeren (Del Rio-Chanona, 2025), wat de vraag naar hun arbeid zelfs zou kunnen verhogen (Althoff en Reichardt, 2026).
Ten slotte zit er verschil tussen wat technisch mogelijk is en wat bedrijven implementeren (Svanberg et al., 2024). Deens onderzoek (Humlum en Vestergaard, 2025) laat zien dat de banenafname bij jongeren niet sterker is bij bedrijven die GenAI daadwerkelijk hebben geïmplementeerd, wat suggereert dat andere factoren de landelijke trend aanjagen.
Conclusie
GenAI zal de arbeidsmarkt ingrijpend veranderen, ook voor startersfuncties, met negatieve gevolgen voor sommige werkenden – eerdere automatiseringsgolven vereisten ook pijnlijke aanpassingen (Bessen et al., 2025). GenAI stelt echter nieuwe uitdagingen omdat het fundamenteel andere taken kan uitvoeren – zoals programmeren en schrijven – dan eerdere digitale technologie. De trends die Groenewegen et al. en vergelijkbare studies signaleren, zijn dus waardevol en verdienen serieuze aandacht.
Maar de huidige analyses bieden onvoldoende basis om te stellen dat de ‘kanarie in de kolenmijn’ is omgevallen door GenAI, zoals Brynjolfsson et al. (2025) suggereren. Methodologische uitdagingen laten ruimte voor alternatieve verklaringen, waarvan de aanpassing van het monetair beleid de meest plausibele lijkt.
Literatuur
Abraham, K.G., J.C. Haltiwanger, C.Y. Hou et al. (2025) Driving the gig economy. NBER Working Paper, 32766.
Althoff, L. en H. Reichardt (2026) Task-specific technical change and comparative advantage. CESifo Working Paper, 12403.
Autor, D. en N. Thompson (2025) Expertise. Journal of the European Economic Association, 23(4), 1203–1271.
Autor, D., C. Chin, A. Salomons en B. Seegmiller (2024) New frontiers: The origins and content of new work, 1940–2018. The Quarterly Journal of Economics, 139(3), 1399–1465.
Autor, D., C. Chin, A. Salomons en B. Seegmiller (2026) What makes new work different from more work? Annual Review of Economics, te verschijnen.
Bessen, J., M. Goos, A.M. Salomons en W. van den Berge (2025) What happens to workers at firms that automate? The Review of Economics and Statistics, 107(1), 125–141.
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, Paper, 13 november.
Del Rio-Chanona, R.M., E. Ernst, R. Merola et al. (2025) AI and jobs: A review of theory, estimates, and evidence. arXiv:2509.15265.
DNB (2026) Rente – dashboard. De Nederlandsche Bank, Statistiek.
Groenewegen, J., N. van Limbergen en N. Vrieselaar (2026) Dalende werkgelegenheid onder Nederlandse jongeren die concurreren met GenAI. ESB, te verschijnen.
Hollywood Reporter (2023) Hollywood’s AI compromise: Writers get protection, studios aim for copyright. Artikel op www.hollywoodreporter.com, 27 september.
Humlum, A. en E. Vestergaard (2025) Large language models, small labor market effects. NBER Working Paper, 33777.
Iscenko, Z. en F.C. Millet (2026) Looking for the ladder: Is AI impacting entry-level jobs? The American Worker Project. Economic Innovation Group, januari. Te vinden op eig.org.
Svanberg, M., W. Li, M. Fleming et al. (2024) Beyond AI exposure: Which tasks are cost-effective to automate with computer vision? SSRN Working Paper, 8 februari.
Auteurs
Categorieën