Productiviteitswinst door AI op microniveau levert nog geen macrowonder op

• Inklaar, R. (2026) ESB, te verschijnen Download [627,71 kb]

Generatieve AI levert in experimenten productiviteitswinsten van vijftien tot veertig procent op, maar in bedrijfsenquêtes en geaggregeerde statistieken is daar nog weinig van te zien. Hoe is die kloof te verklaren, hoe groot kan het macro-effect uiteindelijk worden, en wat bepaalt of Nederland daarvan profiteert?

Robert Solow merkte in 1987 op dat je het computertijdperk overal zag, behalve in de productiviteitsstatistieken (Solow, 1987). Bijna veertig jaar later herhaalt deze Solow-paradox zich. Een grote bedrijfsenquête onder ongeveer 6.000 leidinggevenden in de VS, het VK, Duitsland en Australië laat zien dat bijna zeventig procent van de bedrijven AI gebruikt, maar dat meer dan tachtig procent daarvan géén effect ziet op productiviteit of werkgelegenheid in de afgelopen drie jaar (Yotzov et al., 2026). Toch verwachten diezelfde bedrijven een productiviteitswinst van 1,4 procent in de komende drie jaar. De hoge verwachtingen die leiden tot grote inzet van de technologie die botsen met de voorlopige cijfers vraagt om meer duiding. In dit artikel licht ik toe hoe groot het productiviteitseffect van AI kan worden, en waarom we het nog niet zien in macrostatistieken.

Microbewijs toont potentieel

De afgelopen jaren is een snelgroeiende experimentele literatuur ontstaan die de productiviteitseffecten van generatieve AI op taakniveau meet. Noy en Zhang (2023) laten zien dat ChatGPT de tijd voor professionele schrijftaken met veertig procent vermindert en de kwaliteit met achttien procent verhoogt. Brynjolfsson et al. (2025) vinden dat AI-ondersteuning de productiviteit van medewerkers in callcenters met vijftien procent verhoogt. Voor programmeerwerk rapporteren Cui et al. (2025) een toename van 26 procent in afgeronde taken bij bijna 5.000 softwareontwikkelaars; een intern experiment bij Google vond een afname van 21 procent in de tijd per programmeertaak (Paradis et al., 2024). Buiten deze domeinen verhoogden AI-chatbots de verkoop in e-commerce met zestien procent (Fang et al., 2025). In het algemeen profiteren minder ervaren werknemers het meest: AI comprimeert de productiviteitsverdeling (Brynjolfsson et al. 2025).

Daar staan minder positieve resultaten tegenover. METR (2025) voerde een experiment uit waarin ervaren opensource-ontwikkelaars AI-tools gebruikten bij echte programmeertaken in bestaande codebases en vond dat AI hen juist negentien procent langzamer maakte, terwijl ze zelf dachten sneller te werken. Dell’Acqua et al. (2023) vonden dat BCG-consultants slechter presteerden als ze AI gebruikten voor taken die op dat moment niet zelfstandig door AI-modellen uitgevoerd konden worden. Een meta-analyse van Vaccaro et al. (2024) laat zien dat de prestaties gemiddeld slechter zijn bij samenwerking tussen AI en mens dan wanneer AI of de beste menselijke besluitvormers de taak alleen uitvoeren.

Er is ook een kloof tussen wie AI zou moeten gebruiken en wie het daadwerkelijk doet. Uit de Anthropic Economic Index blijkt dat AI-gebruik geconcentreerd is bij werknemers met midden- tot hogere lonen, niet bij de laaggeschoolde werknemers die in experimenten het meest profiteren. Deze mismatch komt door wat Hassan et al. (2026) beschrijven als het comparatief voordeel dat werknemers met hogere/meer-theoretische opleiding hebben bij het aanleren en toepassen van nieuwe technologie.

Waarom micro niet vanzelf macro wordt

Hoewel er op microniveau dus indicaties zijn dat AI de productiviteit onder de juiste omstandigheden kan verhogen, verwachten de experts veel kleinere effecten op de macro-economische groei. Acemoglu (2024) biedt een helder raamwerk om de macro-effecten van AI in te schatten, gebaseerd op het taakmodel dat hij met Restrepo ontwikkelde (Acemoglu en Restrepo, 2018; 2019). De totale productiviteitswinst wordt bepaald door het aandeel taken dat door AI kan worden uitgevoerd, vermenigvuldigd met de gemiddelde kostenbesparing per taak. Met de beschikbare empirische schattingen komt hij op minder dan 0,07 procentpunt extra groei van de (multifactor)productiviteit per jaar over de komende tien jaar. Hiervoor neemt hij aan dat er in 20 procent van de arbeidstaken AI gebruikt kan worden, dat daarvan 23 procent processen zijn die winstgevend automatiseerbaar zijn, wat voor die selectie een kostenbesparing oplevert van 27 procent per taak.

Acemoglu is mogelijk te pessimistisch, want zijn raming is gebaseerd op vroege beoordelingen van de set taken die AI kosteneffectief kan doen. METR (2026) rapporteert dat de complexiteit van taken die AI-systemen autonoom aankunnen, elke vier tot zeven maanden verdubbelt; de raming van Acemoglu is daarmee een statisch snapshot dat snel veroudert. Optimistischer schattingen van de OESO komen op 0,25 tot 0,6 procentpunt (Filippucci et al., 2025); Anthropic’s eigen analyse op 1,8 procentpunt arbeidsproductiviteitsgroei als bovengrens (Tamkin en McCrory, 2025) en deze hogere resultaten komen door de hogere verwachte AI-capaciteit.

Maar de voornaamste redenen waarom zelfs grote winsten op taakniveau beperkt doorwerken in de macro-economie zijn structureel. Zelfs als de meeste taken worden geautomatiseerd door snel verbeterend AI-kapitaal, wordt de totale output begrensd door de taken die nog steeds door langzaam verbeterende arbeid worden uitgevoerd. Jones en Tonetti (2026) formaliseren dit als het probleem van ‘zwakke schakels’. Wanneer de substitutie-elasticiteit tussen taken kleiner is dan één (wat de empirie suggereert), zijn alle taken complementair en essentieel voor productie; de nog altijd benodigde arbeidsinzet remt dan de productiviteitsgroei. Hun (voorlopige) kalibratie laat zien dat tegen 2040 de output slechts vier procent hoger is dan zonder groeiversnelling; tegen 2060 is het verschil negentien procent. Stel bijvoorbeeld dat de softwaresector volledig geautomatiseerd zou worden. Dat levert een grote winst op in die sector, maar de sector beslaat slechts ongeveer twee procent van het bruto binnenlands product (bbp). Zelfs volledige automatisering verhoogt de totale output slechts marginaal. Ook hier kunnen andere aannames over AI-capaciteit tot andere puntschattingen leiden, maar zolang er taken zijn die AI niet kan vervullen, zijn de vooruitzichten qua groei eerder het soort effect dat vroegere doorbraaktechnologieën (zoals stoom, elektriciteit en de computer) hadden dan een fundamenteel ander soort groeiproces.

De studie van Demirer et al. (2026) is een concrete test van dit idee. Zij vinden dat AI weliswaar tot veel meer nieuwe softwarecode leidt, maar dat het aantal projecten die worden afgerond en producten die de markt halen veel lager is, wat wijst op het belang van de menselijke bijdrage in het productieproces van nieuwe software. Kording en Marinescu (2025) komen tot een verwant inzicht vanuit een ander perspectief. Zij splitsen de economie in een fysieke en een intelligentiesector. Omdat fysieke capaciteiten niet meeschalen met AI, verzadigen de marginale opbrengsten van intelligentie, ongeacht hoe snel AI verbetert. De logica van de zwakke schakels maakt het onwaarschijnlijk dat automatisering van bestaande taken alleen tot macro-economische transformatie leidt.

Snellere innovatie onzeker

Tegelijk is het mogelijk dat AI niet zomaar een volgende technologie is die bestaande taken automatiseert. Jones (2026) beargumenteert dat eerdere doorbraaktechnologieën (general purpose technologies) productieprocessen efficiënter maakten maar het innovatieproces zelf ongemoeid lieten: de stoommachine maakte textielproductie sneller, maar bedacht geen nieuwe stoffen. AI zou dit kunnen veranderen. Grote taalmodellen worden al ingezet om wetenschappelijke literatuur te synthetiseren en hypothesen te genereren; AlphaFold van DeepMind heeft de eiwitvouwingstructuur van honderden miljoenen eiwitten voorspeld (Varadi et al., 2024). Als AI structureel bijdraagt aan het innovatieproces, kan het de groeivoet zelf verhogen, niet slechts het niveau van het bbp.

Nog speculatiever is de recursieve loop: AI die wordt ingezet om betere AI te maken, zoals AI-bedrijven die hun eigen modellen gebruiken voor het schrijven van code voor de volgende generatie. Dit voegt een extra versnellingsmechanisme toe dat bij eerdere technologieën geen equivalent had.

Van beide kanalen moet echter niet te veel worden verwacht. Het potentieel is wezenlijk groter dan bij routineautomatisering, maar de onzekerheid ook. Er is vooralsnog weinig indicatie dat huidige AI-systemen tot fundamenteel nieuwe wetenschappelijke inzichten leiden (in plaats van bestaande kennis sneller te combineren). Agrawal et al. (2026) laten bovendien zien dat ook bij AI-augmentatie (waarbij AI de werknemers ondersteunt in plaats van vervangt) de effecten op productiviteit beperkt blijven zolang ze samenhangen met dun bezette, moeilijk automatiseerbare taken (opnieuw de logica van zwakke schakels).

Integreer AI in werkprocessen

Hoewel van AI een positief effect op de productiviteit is te verwachten, lijken meer capabele machines (net als bij eerdere doorbraaktechnologieën) toch vooral een welkom, maar bescheiden groei-effect te kunnen doormaken. Het scenario waarin AI-innovatie zelf versnelt, is spannender, maar ook speculatiever.

Toch kunnen zelfs bescheiden groei-effecten een kloof veroorzaken tussen enerzijds bedrijven in landen waar sneller van deze nieuwe technologie wordt geprofiteerd en anderzijds landen waarin meer obstakels zijn en de adoptie traag verloopt. Zeker tegen het licht van de bredere zorgen over groei in Europa die achterblijft bij Amerikaanse groei (Draghi, 2024; Wennink, 2025), is het belangrijk om de vraag te stellen hoe Nederland (en de rest van Europa) het beste van de nieuwe technologische mogelijkheden kan profiteren.

De les uit de ICT-revolutie was dat trans-Atlantische productiviteitsverschillen niet zozeer voortkwamen uit de productie van ICT (die was ook toen geconcentreerd in de VS) als wel uit de snelheid waarmee bedrijven ICT integreerden in hun werkprocessen (Timmer et al., 2010). Bij AI dreigt een vergelijkbaar patroon. De private AI-investeringen in de VS bedroegen meer dan 100 miljard dollar in 2024, 12 keer die van China en 24 keer die van het Verenigd Koninkrijk (Stanford HAI, 2025). Bick et al. (2026) documenteren dat Amerikaanse werknemers vaker AI gebruiken dan Europese, en dit verschil hangt samen met managementpraktijken en de mate waarin bedrijven actief AI-gebruik aanmoedigen. De EU ontbeert bovendien grote technologiebedrijven als natuurlijk toepassingskanaal: Europa heeft geen equivalent van de Amerikaanse hyperscalers die AI-tools integreren in producten die miljoenen bedrijven gebruiken – in 2025 zetten de Verenigde Staten 59 invloedrijke AI-modellen in de markt en Europa twee (Stanford HAI, 2026).

Het bouwen van eigen AI-modellen is echter geen noodzakelijke voorwaarde om de productiviteitswinst van AI te benutten: AI is meestal als dienst toegankelijk via API’s (application programming interfaces). De echte uitdaging is om de voorwaarden te creëren voor snelle adoptie en effectieve integratie. Een veldexperiment van Kim et al. (2026) onder 515 snelgroeiende start-ups illustreert waar de winst zit. Bedrijven die alleen al informatie kregen over hoe vergelijkbare bedrijven hun productie rond AI hadden georganiseerd, ontdekten 44 procent meer AI-toepassingen en realiseerden een 1,9 keer hogere omzet. De auteurs stellen dat dit het ‘mapping-probleem’ oplost: de frictie zit niet in de toegang tot AI, maar in het ontdekken waar AI waarde toevoegt binnen het eigen productieproces. Ook dit kennen we van eerdere doorbraaktechnologieën. Goede toepassing vergt complementaire investeringen in menselijk kapitaal en organisatievernieuwing (Brynjolfsson et al., 2021). De kennis die nodig is om AI productief in te zetten is lokaal, contextgebonden en niet expliciet (Krier, 2025). Welke werkprocessen lenen zich voor automatisering, wat zijn acceptabele foutmarges, hoe sluit AI aan op bestaande systemen? Die vertaalslag vereist complementaire investeringen in vaardigheden, organisatorische aanpassing en digitale infrastructuur.

In een grootschalige enquête verwachten de meeste economen dan ook dat AI-adoptie traag zal gaan, mede omdat bedrijven in hun organisatiemodel zullen moeten investeren om productiviteitswinst te boeken; zij voorzien dan ook weinig versnelling van de huidige, trendmatige groei van het bbp (Karger et al., 2026).

Zorg dat Nederland meekomt op AI-gebied

Het goede nieuws is dat Nederland het relatief nog niet zo slecht doet: Nederlandse bedrijven zijn snel in de eerste toepassing van AI: volgens Eurostat (2025) gebruikt ongeveer 23 procent minstens één AI-technologie, tegenover een Europees gemiddelde van 20 procent. De uitdaging is om die relatief snelle toepassing te laten landen in aangepaste werkprocessen. Het is de vraag of Nederlandse bedrijven in staat zijn om de benodigde investeringen te doen. De rapporten van Wennink (2025) en Draghi (2024) stellen de nodige obstakels vast: trage vergunningverlening, een tekort aan technisch talent, hoge energieprijzen en netcongestie. Deze knelpunten beperken niet de toegang tot AI als zodanig, maar wel het tempo waarmee de productiviteitswinsten uit experimenten zich vertalen in macro-economische groei. Beleid gericht op het verhogen van de productiviteit, richt zich dus het beste op het faciliteren van de juiste randvoorwaarden om deze investeringen te doen.

Hoewel het bouwen van eigen AI-modellen voor nu geen voorwaarde lijkt voor productiviteitsverbetering, kan de technologische afhankelijkheid van de VS wel een punt van zorg zijn. Nederlandse overheden, zorginstellingen en bedrijven draaien grootschalig op Amerikaanse cloudinfrastructuur; wanneer die dienstverlening een politiek instrument wordt, ontstaan directe operationele risico’s (Mees, 2025). Graef (2025) documenteert hoe de combinatie van netwerkeffecten en schaalvoordelen de afhankelijkheidspositie van zakelijke afnemers structureel versterkt. Vanuit productiviteitsperspectief is de juiste reactie hierop echter niet technologische autarkie. Eigen foundation models bouwen is voor een land als Nederland niet realistisch, en (gegeven de analyse hierboven) niet waar de productiviteitswinst zit. Nu al is te zien dat ‘open weights’-AI-modellen maar een paar maanden achterliggen op de ‘closed weights’-topmodellen van OpenAI en Anthropic (Epoch AI, 2026). Dat suggereert dat zolang de digitale infrastructuur in Europa op orde is, de afhankelijkheid van deze Amerikaanse leveranciers niet cruciaal is.

De les van de ICT-revolutie geldt opnieuw: het verschil ontstond niet door de productie van de technologie, maar door de snelheid van integratie in bedrijfsprocessen (Timmer et al., 2010). De beleidsagenda die het meest bijdraagt aan productiviteitsgroei (investeren in vaardigheden, managementpraktijken, digitale infrastructuur en organisatorische vernieuwing) vermindert tegelijkertijd de kwetsbaarheid. Dit verkleint de afhankelijkheid van één technologie of aanbieder en vergroot het aanpassingsvermogen wanneer geopolitieke omstandigheden veranderen. Soevereiniteit en productiviteit zijn in die zin geen concurrerende beleidsdoelen, maar complementaire.

Tot slot

De Solow-paradox herhaalt zich: het computertijdperk was overal behalve in de statistieken, en hetzelfde geldt voorlopig voor AI. De afstand van microwinst naar macrogroei is reëel. Er zijn forse investeringen nodig in vaardigheden, infrastructuur en organisatorische vernieuwing om die afstand te verkleinen. De mate waarin Nederlandse bedrijven die investeringen doen (vaardigheden, infrastructuur, organisatorische vernieuwing), zijn tegelijk de investeringen die bepalen of de belofte van AI voor Nederland een meetbaar verschil gaat maken.

Literatuur

Acemoglu, D. (2024) The simple macroeconomics of AI. Economic Policy, 40(121), 13–58.

Acemoglu, D. en P. Restrepo (2018) The race between man and machine: Implications of technology for growth, factor shares, and employment. The American Economic Review, 108(6), 1488–1542.

Acemoglu, D. en P. Restrepo (2019) Automation and new tasks: How technology displaces and reinstates labor. The Journal of Economic Perspectives, 33(2), 3–30.

Agrawal, A.K., J. McHale, en A. Oettl (2026) Enhancing worker productivity without automating tasks. NBER Working Paper, 34781.

Bick, A., A. Blandin, D.J. Deming et al. (2026) Mind the gap: AI adoption in Europe and the U.S. NBER Working Paper, 34995.

Brynjolfsson, E., D. Li en L. Raymond (2025) Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942.

Brynjolfsson, E., D. Rock en C. Syverson (2021) The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372.

Cui, K.Z., M. Demirer, S. Jaffe et al. (2025) The effects of generative AI on high-skilled work: Evidence from three field experiments with software developers. Working Paper, juni. Te vinden op demirermert.github.io.

Dell’Acqua, F., E. McFowland III, E. Mollick et al. (2023) Navigating the jagged technological frontier. Harvard Business School, Working Paper, 24-013.

Demirer, E., L. Musolff en L. Yang (2026) Writing code vs. shipping code: Productivity effects across generations of AI coding tools. NBER Working Paper, 35275.

Draghi, M. (2024) The future of European competitiveness: A competitiveness strategy for Europe. Europese Commissie Rapport, september. Te vinden op commission.europa.eu.

Epoch AI (2026) Open models lag state-of-the-art closed models by 4 months. Data Insights op www.epoch.ai, 29 mei.

Eurostat (2025) Use of artificial intelligence in enterprises. Eurostat, december. Te vinden op ec.europa.eu.

Fang, L., Z. Yuan, K. Zhang et al. (2025) Generative AI and sales productivity: Field experiments in online retail. Arxiv Paper, 2510.12049.

Filippucci, F., P. Gal en C. Schief (2025) Miracle or myth? Assessing the macroeconomic productivity gains from artificial intelligence. OECD AI Paper, 29.

Graef, I. (2025) Hoe maken we Nederland minder afhankelijk van de big tech? In: R. de Haas, M. Timmer en B. Rijkers (red.), Openheid in tijden van geopolitieke fragmentatie: Preadviezen 2025. Amsterdam: Koninklijke Vereniging voor de Staathuishoudkunde, p. 78–87.

Hassan, T.A., A. Kalyani en P. Restrepo (2026) The skill premium in times of rapid technological change. NBER Working Paper, 34939.

Jones, C.I. (2026) A.I. and our economic future. NBER Working Paper, 34779.

Jones, C.I. en C. Tonetti (2026) Past automation and future A.I.: How weak links tame the growth explosion. Stanford University, Working Paper, mei.

Karger, E., O. Kuusela, J. Abaluck et al. (2026) Forecasting the economic effects of AI. NBER Working Paper, 35046.

Kim, H., D. Kim en R. Koning (2026) Mapping AI into production: A field experiment on firm performance. Harvard Business School, Working Paper, 2026/20/STR.

Kording, K. en I. Marinescu (2025) (Artificial) intelligence saturation and the future of work. Brookings Center on Regulation and Markets, Working Paper, 10 november.

Krier, S. [@sebkrier] (2025, december 14) (I know I’m a stuck record) An important assumption in the AI discourse is that sufficiently capable generalist [Post]. X. Te vinden op www.x.com.

Mees, H. (2025) De internationale afhankelijkheid van Nederland is een chefsache. Blog op esb.nu, 9 juli.

METR (2025) Measuring the impact of early-2025 AI on experienced open-source developer productivity. METR, Technical report, 10 juli.

METR (2026) Time horizon 1.1. METR, Informatie, 29 januari.

Noy, S. en W. Zhang (2023) Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192.

Paradis, E., K. Grey, Q. Madison et al. (2024) How much does AI impact development speed? An enterprise-based randomized controlled trial. Arxiv Paper, 2410.12944.

Solow, R. (1987) We’d better watch out. New York Times Book Review, 12 juli.

Stanford HAI (2025) The 2025 AI Index Report. Stanford University.

Stanford HAI (2026) The 2026 AI Index Report. Stanford University.

Tamkin, A. en P. McCrory (2025) Estimating AI productivity gains from Claude conversations. Anthropic Research Note, 5 november.

Timmer, M., R. Inklaar, M. O’Mahony en B. van Ark (2010) Economic growth in Europe: A comparative industry perspective. Cambridge, VK: Cambridge University Press.

Vaccaro, M., A. Almaatouq en T. Malone (2024) When combinations of humans and AI are useful: A systematic review and meta-analysis. Arxiv Paper, 2405.06087.

Varadi, M., D. Bertoni, P. Magana et al. (2024) AlphaFold protein structure database in 2024: providing structure coverage for over 214 million protein sequences. Nucleic Acids Research, 52(D1), D368–D375

Wennink (2025) De route naar toekomstige welvaart: Een sterk Nederland in een relevant Europa. Rapport Wennink, december.

Yotzov, I., J.M. Barrero, N. Bloom et al. (2026) Firm data on AI. NBER Working Paper, 34836.