💻 computer science

Inteligencia artificial y empleo en España: una aproximación territorial y de género a la exposición laboral

Dit artikel stelt een sectorale methodologische raamwerk voor om de blootstelling van de arbeidsmarkt aan AI in Spanje te beoordelen voor de periode 2021 tot 2023, waaruit blijkt dat metropolitane en dienstgerichte regio's met hogere risico's worden geconfronteerd en dat vrouwelijke werkgelegenheid consequent een grotere blootstelling vertoont in alle gebieden.

Oorspronkelijke auteurs: Antoni Mestre, Xavier Naya, Manoli Albert, Vicente Pelechano

Gepubliceerd 2026-05-06

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Antoni Mestre, Xavier Naya, Manoli Albert, Vicente Pelechano

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Een "Weerkaart" voor Banen

Stel je de Spaanse arbeidsmarkt voor als een uitgestrekt landschap. Jarenlang hebben mensen zich zorgen gemaakt over hoe Kunstmatige Intelligentie (KI) dit landschap zou kunnen veranderen. Zal het op sommige banen regenen en andere droog laten? Zal het bepaalde steden overstromen terwijl andere veilig blijven?

Dit paper, geschreven door een team van onderzoekers, probeert de toekomst niet te voorspellen met een kristallen bol. In plaats daarvan hebben ze een "Weerkaart" (een methodologie) gebouwd om te meten hoeveel van de huidige arbeidsmarkt in Spanje blootgesteld is aan de regen van KI. Ze zeggen niet dat KI deze banen morgen zeker zal vervangen; ze meten simpelweg hoeveel van het werk dat in deze banen wordt gedaan, zou kunnen worden gedaan door KI, gebaseerd op de aard van de taken.

Het Hulpmiddel: Twee Verschillende Talen Overbruggen

De onderzoekers stonden voor een lastig probleem. Internationale studies spreken meestal over banen in termen van specifieke rollen (zoals "Boekhouder" of "Softwareontwikkelaar"). De officiële statistieken in Spanje spreken echter over banen in termen van sectoren (zoals "Detailhandel", "Zorg" of "Bouw").

Het is alsof je probeert een recept voor een taart (de internationale studies) te vergelijken met een lijst van supermarkten (de Spaanse data). Je kunt ze niet zomaar mengen.

Om dit op te lossen, bouwde het team een vertaalbrug (een matrix). Ze namen de internationale data over welke taken KI kan uitvoeren en brachten deze in kaart op de sectoren van Spanje. Nu konden ze naar een provincie kijken (zoals Madrid) en zeggen: "Omdat deze provincie zoveel mensen heeft die werken in de detailhandel en administratie, heeft het een hoge 'KI-blootstellingsscore'."

De Bevindingen: Waar de Regen Het Zwaarst Is

1. De "Stad vs. Platteland" Deling
De kaart toont een duidelijk patroon. De "regen" van KI-blootstelling is het zwaarst in de grote, bruisende steden en kusttoeristische hubs.

Gebieden met Hoge Blootstelling: Madrid, Barcelona, Valencia, Málaga en de eilanden (Balearen en Canarische Eilanden).
Waarom? Deze plaatsen zitten vol met "slimme" banen: kantoren, banken, winkels, hotels en scholen. Deze banen houden veel schrijfwerk, organiseren, praten met klanten en verwerken van data in; dingen waar KI zeer goed in is.
Gebieden met Lage Blootstelling: Plattelandprovincies in het binnenland (zoals Soria, Teruel of Zamora).
Waarom? Deze gebieden vertrouwen meer op landbouw, traditionele productie en bouw. Deze banen houden fysiek werk, het verplaatsen van zware objecten of werken met machines in, op manieren die de huidige KI (die voornamelijk "digitale hersenen"-kracht is) niet makkelijk kan aanraken.

2. Het Geslachtsverschil: Een Structureel Ongelijkgewicht
Een van de meest opvallende bevindingen is dat vrouwen over het hele land consequent meer blootgesteld zijn aan KI dan mannen.

De Analogie: Stel je twee verschillende soorten boten voor. Mannen werken gemiddeld op boten die zijn gebouwd van hout en staal (bouw, transport, zware industrie) – deze zijn moeilijker voor KI te vervangen. Vrouwen werken gemiddeld op boten gemaakt van papier en glas (onderwijs, zorg, administratie, detailhandel) – deze zijn transparanter en makkelijker voor KI om doorheen te zien en te beïnvloeden.
Het Resultaat: In elke enkele provincie is de "KI-blootstellingsscore" voor vrouwen hoger dan voor mannen. Dit komt niet omdat vrouwen minder bekwaam zijn; het komt omdat ze geconcentreerd zijn in sectoren waar KI momenteel het meest toepasbaar is.

3. Stabiliteit: De Kaart Verandert Niet Veel
De onderzoekers keken naar data uit 2021 en 2022. Ze ontdekten dat de kaart in beide jaren bijna identiek leek.

De Conclusie: Dit is geen plotselinge storm die in één nacht toesloeg. De "blootstelling" zit verankerd in de structuur van de economie zelf. Een provincie wordt niet "hoog risico" door een slechte maand; het is hoog risico omdat de economie daar al decennia zo is opgebouwd. De structuur is stevig en verandert zeer langzaam.

Wat Dit Betekent (en Wat Niet)

De auteurs zijn zeer voorzichtig om te zeggen: "Dit is een kaart van potentieel, geen voorspelling van ondergang."

Blootstelling $\neq$ Vervanging: Alleen omdat een baan "blootgesteld" is aan KI, betekent dit niet dat de persoon zijn baan zal verliezen. Het kan betekenen dat ze een "superkrachtige assistent" krijgen (zoals een zeer slimme copiloot) die hen helpt sneller te werken.
Geen Kristallen Bol: Het paper geeft toe dat het een "voorlopige" studie is. Het is een eerste concept. Het weet niet hoe snel bedrijven KI daadwerkelijk zullen kopen, hoe wetten zullen veranderen of hoe mensen zich zullen aanpassen.

De Kernboodschap

Dit paper biedt een kompas voor Spanje. Het vertelt ons dat:

Geografie telt: Grote steden en dienstencentra zijn het front van de KI-verandering.
Geslacht telt: Vrouwen zijn structureel eerder in rollen die KI kan aanraken, wat speciale aandacht vereist om te voorkomen dat ze achterblijven.
Structuur telt: De economie is gebouwd op diepe fundamenten. We kunnen niet verwachten dat het landschap overnacht verandert, maar we kunnen deze kaart gebruiken om te beginnen met plannen hoe we betere schuilplaatsen (opleiding, beleid en ondersteuning) kunnen bouwen voor de mensen die wonen in de gebieden waar de "KI-regen" het zwaarst is.

Kortom, de onderzoekers hebben ons een zaklamp gegeven om te zien waar de schaduwen zijn, zodat we kunnen beginnen met voorbereiden op het licht van de toekomst.

Technische Samenvatting: Territoriale en Genderperspectieven op Kunstmatige Intelligentie en Werkgelegenheid in Spanje

1. Probleemstelling

De snelle uitbreiding van Generatieve Kunstmatige Intelligentie (KI) heeft de debatten over de toekomst van werk, productiviteit en sociale samenhang fundamenteel herijkt. Hoewel internationale literatuur robuuste methodologieën heeft vastgesteld voor het meten van blootstelling van beroepen aan KI (bijvoorbeeld met behulp van SOC-, ISCO- of ESCO-classificaties), bestaat er een aanzienlijke methodologische lacune voor de Spaanse context. De officiële arbeidsstatistieken in Spanje worden voornamelijk ontleed naar economische activitesectoren (CNAE) op provinciaal en autonoom niveau, en niet naar specifieke beroepen.

Deze misalignering verhindert de directe toepassing van internationale KI-blootstellingsindices op Spaanse regionale data, wat de ontwikkeling van gerichte overheidsbeleid, vakbondstrategieën en territoriale planning belemmert. Bovendien negeert bestaande literatuur vaak de intersectie van territoriale dispariteiten en genderspecifieke kwetsbaarheden, ondanks bewijs dat suggereert dat vrouwen oververtegenwoordigd zijn in administratieve en dienstensectoren die zeer vatbaar zijn voor KI-automatisering. Het artikel adresseert de dringende behoefte aan een objectief, vergelijkbaar instrument om KI-blootstelling in Spanje te meten dat zijn specifieke statistische structuur (CNAE) respecteert en gedetailleerde territoriale en genderanalyses mogelijk maakt.

2. Methodologie

De studie stelt een voorlopige, reproduceerbare methodologie voor om de kloof tussen internationale KI-maatstaven voor beroepen en Spaanse sectorale data te overbruggen. De aanpak omvat drie hoofdstappen:

2.1. Constructie van de KI–CNAE Incidentiematrix

De auteurs passen de "AI Applicability Score" van Tomlinson et al. (2025) aan, die gebaseerd is op meer dan 200.000 real-world interacties met generatieve KI-tools (bijvoorbeeld Microsoft Copilot). In plaats van beroepscodes direct te gebruiken, construeren de auteurs een toewijzingsmatrix die deze beroepscapaciteiten vertaalt naar de Spaanse CNAE-classificatie (2-cijferig).

Factortoewijzing: Aan elke CNAE-sector wordt een "incidentiefactor" toegewezen die varieert van 0,06 tot 0,30.
Logica: Sectors die worden gedomineerd door handmatige, fysieke of routinematige taken (bijvoorbeeld Landbouw, Bouw) ontvangen lage factoren. Sectors die worden gekenmerkt door administratieve, linguïstische, analytische of synthetiserende taken (bijvoorbeeld Financiën, Professionele Diensten, Informatie & Communicatie) ontvangen hogere factoren.
Synthese: De matrix vormt een gewogen synthese van internationaal bewijs en de specifieke beroepssamenstelling van Spaanse sectoren.

2.2. Data Bronnen en Berekeningsmodel

De studie maakt gebruik van microdata van het Spaanse Nationaal Instituut voor Statistiek (INE) voor de jaren 2021 en 2022, specifiek het Jaarlijkse Cijfer van de Werkende Bevolking, ontleed naar provincie, sector (CNAE) en geslacht.

Sectorale Blootstelling: Voor elke provincie $p$ en sector $c$ wordt de "KI-gecorrigeerde werkgelegenheid" berekend als:
$IA\_employment(p,c) = employment(p,c) \times factor_{IA}(c)$
Territoriale Indicator: De aggregate blootstelling voor een provincie wordt gedefinieerd als de verhouding van totale KI-gecorrigeerde werkgelegenheid tot totale provinciale werkgelegenheid:
$IA\text{-}share(p) = \frac{\sum_{c} IA\_employment(p,c)}{\sum_{c} employment(p,c)}$
Geslachtsontleding: Dezelfde berekening wordt afzonderlijk uitgevoerd voor mannelijke en vrouwelijke werkgelegenheid om genderspecifieke blootstellingsindices af te leiden ( $IA\text{-}share_{female}$ en $IA\text{-}share_{male}$ ).

2.3. Beperkingen

De auteurs stellen expliciet dat dit een voorlopige studie is die potentiële structurele blootstelling meet, en niet daadwerkelijke vervanging of baanverlies. Het model gaat uit van een homogene beroepssamenstelling binnen elke CNAE-sector, wat interne heterogeniteit kan maskeren. Het houdt geen rekening met dynamische effecten zoals het creëren van nieuwe taken, productiviteitswinsten of de snelheid van bedrijfsadoptie.

3. Belangrijkste Bijdragen

Methodologische Aanpassing: Het artikel biedt de eerste systematische vertaling van internationale KI-blootstellingsmetrieken naar het Spaanse CNAE-kader, waardoor analyse op provinciaal niveau mogelijk wordt waarvoor eerder alleen nationale of brede regionale schattingen mogelijk waren.
Territoriale Cartografie: Het genereert een gedetailleerde kaart van KI-blootstelling over alle 52 Spaanse provincies, waarbij structurele kwetsbaarheden worden geïdentificeerd op basis van economische specialisatie.
Genderanalyse: Het kwantificeert een aanhoudende structurele kloof in KI-blootstelling tussen mannen en vrouwen, en onthult dat de vrouwelijke beroepsbevolking systematisch meer blootgesteld is aan KI-gedreven transformatie in alle gebieden.
Beleidsinstrument: Het biedt een transparante, open methodologie voor vakbonden, beleidsmakers en onderzoekers om trends te monitoren en strategieën voor een "rechtvaardige transitie" te ontwerpen die in lijn zijn met de Nationale KI-strategie (ENIA).

4. Resultaten

De analyse van de data van 2021–2022 onthult enkele consistente patronen:

4.1. Aggregate Blootstelling

Spanje vertoont een matige tot hoge aggregate blootstelling aan KI, waarbij het "IA-share" oscilleert tussen 18% en 22% van de totale werkgelegenheid. Dit geeft aan dat een aanzienlijk deel van de Spaanse arbeidsmarkt betrokken is bij taken waar generatieve KI een hoge toepasbaarheid heeft.

4.2. Territoriale Polarisatie

Een duidelijk "centrum-mediterraan corridor" van hoge blootstelling wordt geïdentificeerd, waaronder Madrid, Barcelona, Valencia, Alicante, Málaga en de Canarische Eilanden (Las Palmas en Santa Cruz de Tenerife). Deze provincies overschrijden een blootstelling van 21%.

Drijvers: Hoge blootstelling correleert met een concentratie van geavanceerde diensten, financiën, professioneel advies, informatie/telecommunicatie en detailhandel/commercie.
Lage Blootstelling: Provincies in het binnenland (bijvoorbeeld Soria, Teruel, Zamora, Palencia) en die met een sterke landbouw- of traditionele productiebasis vertonen lagere blootstelling (ongeveer 17,5%–18,5%).
Stabiliteit: De rangschikking van provincies bleef opmerkelijk stabiel tussen 2021 en 2022, wat bevestigt dat blootstelling wordt gedreven door diepgewortelde structurele economische factoren en niet door kortetermijn cyclische schommelingen.

4.3. Genderkloof

In elke enkele provincie vertoont vrouwelijke werkgelegenheid een hogere blootstelling aan KI dan mannelijke werkgelegenheid.

Grootte: De kloof varieert doorgaans van 1,5 tot 3 procentpunten, hoewel deze breder is in sterk getertiairiseerde regio's.
Oorzaken: Vrouwen zijn disproportioneel geconcentreerd in sectoren met hoge KI-toepasbaarheid, zoals onderwijs, gezondheidszorg, administratie en sociale diensten. Omgekeerd zijn mannen meer vertegenwoordigd in bouw, transport en ontginning, die lagere KI-toepassingsfactoren hebben.
Implicatie: Dit vormt een structurele kwetsbaarheid voor de vrouwelijke beroepsbevolking, wat suggereert dat KI-adoptie de patronen van vrouwelijke werkgelegenheid onevenredig zou kunnen beïnvloeden, tenzij dit wordt gematigd door specifiek beleid.

5. Betekenis en Claims

Het artikel positioneert zich niet als een definitieve voorspelling van baanverlies, maar als een diagnostisch instrument voor strategische planning. De primaire betekenis ligt in:

Overbruggen van de Datakloof: Het mogelijk maken van het gebruik van standaard Spaanse statistische data (INE/CNAE) om vragen over KI-impact te beantwoorden die eerder onbeantwoordbaar waren op subnationaal niveau.
Benadrukken van Structurele Ongelijkheden: Aantonen dat KI-blootstelling niet willekeurig is, maar volgt langs bestaande lijnen van territoriale specialisatie en geslachtssegregatie op de arbeidsmarkt.
Informeren van de "Rechtvaardige Transitie": Het bieden van een basislijn voor de Spaanse overheid en sociale partners om trainings-, omscholings- en beschermingsbeleid te ontwerpen dat geografisch en demografisch is gericht.

De auteurs concluderen dat, hoewel de directe impact van KI waarschijnlijk complementair is (verhoging van productiviteit), de structurele blootstelling geïdentificeerd in deze studie aangeeft waar de risico's van verdringing en de behoefte aan aanpassing het grootst zijn. Zij benadrukken dat toekomstig werk het model moet verfijnen met gedetailleerdere beroepsdata en dynamische adoptiesnelheden moet incorporeren, maar dat het huidige kader een noodzakelijke eerste stap biedt voor inclusief en eerlijk technologisch bestuur in Spanje.