⚡ electrical engineering

Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption

Dit onderzoek introduceert de Agentic Task Exposure (ATE)-score om aan te tonen dat agentic AI-systemen, die volledige workflows kunnen uitvoeren, tegen 2030 93,2% van de onderzochte beroepen in vijf Amerikaanse technologiegebieden een matig tot hoog risico op verdringing blootstellen, terwijl er tegelijkertijd zeventien nieuwe beroepscategorieën ontstaan die profiteren van mens-AI-samenwerking.

Oorspronkelijke auteurs: Ravish Gupta, Saket Kumar

Gepubliceerd 2026-04-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ravish Gupta, Saket Kumar

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

De Opkomst van de "Agent": Waarom je Banen niet Gewoon Wegvallen, maar Veranderen

Stel je voor dat de arbeidsmarkt een enorme, complexe machine is. De afgelopen decennia hebben we gekeken naar hoe robots en software deze machine langzaam overnemen. Maar tot nu toe was het alsof we alleen de schroeven losdraaiden. Een robot pakte één taak over, zoals het typen van een brief of het tellen van geld, en gaf de rest weer terug aan de mens. De mens bleef de "hoofdrolspeler" die de rest van het toneel regisseerde.

Dit nieuwe onderzoek, geschreven door Ravish Gupta en Saket Kumar, zegt: "Nee, de film is veranderd."

We staan nu aan de vooravond van Agentic AI (Agentische AI). Dit zijn geen simpele robots die één ding doen. Dit zijn slimme digitale assistenten die een doel krijgen (bijvoorbeeld: "Maak een financieel plan voor deze klant") en dat doel zelfstandig uitvoeren. Ze denken na, gebruiken tools, maken fouten, corrigeren zichzelf en leveren het eindresultaat op zonder dat een mens er tussendoor hoeft te kijken.

Hier is wat de auteurs hebben ontdekt, vertaald naar alledaags taal:

1. De Nieuwe Maatstaf: De "ATE"-Score

Vroeger keken economen naar taken: "Kan een computer dit doen?" Nu kijken ze naar werkstromen: "Kan een computer dit hele proces van begin tot eind doen?"

De auteurs hebben een nieuwe meetlat bedacht, de ATE-score (Agentic Task Exposure).

De Analogie: Stel je voor dat een baan een recept is voor een complex gerecht.
- Oude AI: Pakt alleen de ui en snijdt die. De kok moet nog steeds het vlees bakken en de saus maken.
- Agente AI: Krijgt het recept, koopt de ingrediënten, kookt het hele gerecht, proeft het, en serveert het. De kok is nu alleen nog nodig om te controleren of het eten niet verbrand is.
De Score: Hoe meer van dit "hele gerecht" de AI zelf kan koken, hoe hoger de risico-score voor die baan.

2. De Grote Verschillen per Stad (De "Tijdsverschil")

Het onderzoek kijkt naar vijf grote steden in de VS: San Francisco, Seattle, Austin, New York en Boston. Ze ontdekten iets fascinerends: Technologie verspreidt zich niet overal tegelijk.

San Francisco (De Voortouwer): Hier is de AI-technologie al zo ver dat hij bijna alles zelf doet. In 2027 zullen hier bijna alle administratieve en financiële banen (zoals creditanalisten en juristen) onder druk staan. Het is alsof de storm hier al losbarst.
Seattle, Austin, Boston (De Volgers): Hier gebeurt hetzelfde, maar met een vertraging van 2 tot 3 jaar. Wat San Francisco in 2027 meemaakt, gebeurt hier pas in 2030.
New York (De Achterblijver): Door de grote diversiteit aan bedrijven en minder focus op pure tech, komt de storm hier later aan, maar hij komt er wel.

De les: Als je in San Francisco werkt, moet je nu al plannen maken. Als je in New York werkt, heb je nog een paar jaar, maar die tijd is niet oneindig.

3. Wie is in Gevaar? (En wie niet?)

Je zou denken dat alleen de "saaiere" kantoorbanen gevaar lopen. Maar dit onderzoek toont het tegenovergestelde.

De Gevarenzone: Banen die veel denken en rekenen vereisen, maar weinig fysiek contact of complexe menselijke onderhandeling. Denk aan:
- Creditanalisten (die leningen beoordelen).
- Rechters (die wetten toepassen op dossiers).
- Duurzaamheidsspecialisten.
- Juristen.
- Waarom? Omdat deze taken vaak gebaseerd zijn op regels en data. Een AI-agent kan die regels sneller en nauwkeuriger toepassen dan een mens.
De Veilige Haven: Banen die veel menselijk contact, fysieke vaardigheid of crisismanagement vereisen.
- Verplegers die een patiënt troosten.
- Loodgieters die een lek oplossen in een kelder.
- Onderhandelaars die een lastige deal sluiten.
- Waarom? AI is nog niet goed in het "voelen" van een situatie of het fysiek aanraken van de wereld.

4. Het Goede Nieuws: De "Reinstateer"-Effecten

Niet alles is somber. Net als toen de stoommachine de handarbeid overnam, creëert deze AI nieuwe banen. Maar deze nieuwe banen zien er anders uit dan je denkt.

De auteurs vinden 17 nieuwe soorten banen die ontstaan door de AI. Maar je hoeft geen programmeur te worden om ze te krijgen!

De Analogie: Als een AI-agent een auto rijdt, heb je geen nieuwe chauffeurs nodig. Je hebt controleurs nodig die weten of de auto veilig rijdt, en ontwerpers die de route plannen.
De Nieuwe Banen:
- AI-toezichthouder: Iemand die kijkt of de AI geen rare fouten maakt.
- Workflow-ontwerper: Iemand die bedenkt hoe de mens en de AI samenwerken.
- Ethiek-adviseur: Iemand die zorgt dat de AI geen onrechtvaardige beslissingen neemt.
- Specialist: Een ervaren jurist die nu niet meer zelf documenten leest, maar de AI instrueert en de resultaten controleert.

De kernboodschap: Je hoeft niet van advocaat naar programmeur te springen. Je moet van "uitvoerder" naar "controleur en leider" groeien binnen je eigen vakgebied.

5. Wat betekent dit voor ons?

Voor Werknemers: Als je werk bestaat uit het verwerken van informatie volgens regels, moet je leren omgaan met AI. Leer hoe je een AI-agent instructies geeft en hoe je zijn werk controleert.
Voor Scholen: Universiteiten moeten stoppen met het alleen maar leren van "hoe je een rapport schrijft" (dat kan de AI al). Ze moeten leren "hoe je controleert of het rapport klopt" en "hoe je complexe situaties oplost".
Voor Overheden: Ze moeten niet wachten tot mensen ontslagen worden. Ze moeten nu al helpen met het omscholen van mensen, vooral in de steden waar de AI het snelst wordt ingezet.

Samenvattend:
De toekomst is niet dat robots ons allemaal vervangen en we allemaal werkloos worden. De toekomst is dat robots de "saaiere" denkwerkjes overnemen. De mens blijft de kapitein op het schip. De vraag is niet of we kunnen varen, maar of we leren hoe we een schip besturen dat zichzelf kan sturen. Degenen die leren hoe ze die AI-agenten moeten aansturen en controleren, zullen de nieuwe sterren van de arbeidsmarkt zijn.

1. Probleemstelling

Bestaande economische modellen voor automatisering (zoals het Autor-Levy-Murnane-raamwerk en de Acemoglu-Restrepo-theorie) gaan ervan uit dat automatisering individuele taken vervangt, terwijl de beroepsgroep als geheel blijft bestaan als een coördinatiehuls om de resterende menselijke taken. Dit artikel betoogt dat deze aanname niet langer geldig is voor agente AI-systemen.

In tegenstelling tot traditionele AI die één subtaak uitvoert, kunnen agente AI-systemen (autonome agenten) volledige werkstromen van begin tot eind voltooien. Ze voeren multi-stap redenering uit, roepen tools aan en nemen autonome beslissingen zonder menselijke tussenkomst. Hierdoor ontstaat er een risico op volledige vervanging van beroepen, niet alleen van taken. Bestaande analyses onderschatten dit risico omdat ze niet kijken naar de dekking van de volledige workflow, maar alleen naar individuele taak-exposure.

2. Methodologie: De Agente Taak-Exposure (ATE) Score

De auteurs introduceren de Agente Task Exposure (ATE) score, een nieuw meetinstrument dat het Acemoglu-Restrepo-raamwerk uitbreidt om end-to-end workflow-automatisering te kwantificeren. De ATE-score wordt algoritmisch berekend op basis van O*NET-taakdata en is geen regressie-estimatie.

De formule voor de ATE-score voor een beroep $o$ in regio $r$ op tijdstip $\tau$ is:
$ATE_o(r, \tau) = \sum_{t \in T_o} w_{o,t} \cdot CAP(t) \cdot COV(t, o) \cdot V(r, \tau)$

De componenten zijn:

$w_{o,t}$ (Taakgewicht): De genormaliseerde belangrijkheid van taak $t$ binnen beroep $o$ (gebaseerd op O*NET).
$CAP(t)$ (AI-capabiliteit): Een score (0-1) die aangeeft hoe goed huidige agente AI-systemen taak $t$ kunnen uitvoeren volgens professionele standaarden (gebaseerd op benchmarks zoals MMLU, SWE-bench, en bedrijfsrapporten).
$COV(t, o)$ (Workflow-dekkingsfactor): Een kritieke innovatie. Deze factor (0-1) meet in hoeverre een taak binnen de standaard workflow van een beroep volledig door een agent kan worden uitgevoerd zonder menselijke coördinatie.
- Strafmechanismen: De score wordt verlaagd voor taken die menselijke tussenkomst vereisen, zoals interpersoonlijke context (onderhandelen), wettelijke verantwoordelijkheid (diagnose stellen), fysieke aanwezigheid of uitzonderingsbeheer.
$V(r, \tau)$ (Adoptie-velocity): Een logistische S-curve die de snelheid van adoptie van agente AI in een specifieke regio ( $r$ ) en tijd ( $\tau$ ) voorspelt.

Regionale Classificatie:
De studie analyseert vijf Amerikaanse technologie-regio's, ingedeeld in drie adoptie-niveaus:

Tier 1: San Francisco Bay Area (leidend, inflectiepunt Q2 2024).
Tier 2: Seattle, Austin, Boston (6-12 maanden achterstand).
Tier 3: New York (18 maanden achterstand).

Data:

236 beroepscodes (SOC) uit zes informatiedichte groepen (Financieel, Juridisch, Gezondheidszorg, Sales, Administratie).
Databronnen: O*NET 30.2, BLS (OEWS, QCEW), en regionale adoptie-indicatoren (WARN Act, LinkedIn).
Remote Work Correctie: Een index ( $R_o$ ) wordt gebruikt om de adoptiesnelheid aan te passen op basis van telewerkpercentages, omdat werknemers vaak voor bedrijven werken in een andere adoptie-tier dan waar ze fysiek wonen.

3. Belangrijkste Bijdragen

Conceptuele Uitbreiding: De eerste toepassing van een taak-exposure raamwerk specifiek gericht op agente AI (workflow-automatisering) in plaats van enkel taak-automatisering.
Nieuwe Metriek: De ontwikkeling van de ATE-score met de unieke $COV$-factor die menselijke coördinatie en workflow-afhankelijkheid kwantificeert.
Empirische Toepassing: Een multi-regionale analyse over een horizon van 2025-2030, die kwantificeert hoe adoptie-snelheid regionale verschillen in arbeidsmarktontwrichting creëert.
Identificatie van Herstel-effecten: Het in kaart brengen van nieuwe beroepscategorieën die ontstaan door de "reinstatement"-kanaal (mens-AI samenwerking, governance, en toezicht).

4. Resultaten

Hoge Risico's in Tier 1: In de San Francisco Bay Area (Tier 1) overschrijdt 93,2% van de 236 onderzochte beroepen de "moderate-risk" drempel (ATE $\ge$ 0,35) tegen 2030. In 2027 overschrijdt al 70,8% van de beroepen deze drempel.
Top-Risicoberoepen: Beroepen zoals Kredietanalisten, Rechters en Duurzaamheidsspecialisten bereiken ATE-scores van 0,43–0,47 tegen 2030. Dit is opmerkelijk omdat deze beroepen eerder als "automatiseringsveilig" werden beschouwd vanwege hun cognitieve complexiteit.
Regionale Convergentie: Er is een tijdsvertraging van 2-3 jaar tussen regio's. Tier 2-regio's (Seattle, Austin, Boston) bereiken tegen 2030 dezelfde ontvankelijkheidsniveaus als Tier 1 in 2027. Tier 3 (New York) loopt achter, maar convergeert ook.
Remote Work Effect: Remote werk verkleint de geografische kloof. Werknemers in Tier 3-regio's die voor Tier 1-bedrijven werken, ondervinden een hogere adoptiedruk dan hun lokale omgeving suggereert.
Validatie: De ATE-scores tonen een sterke correlatie met bestaande indices (AIOE: $\rho=0,84$ ; GPT-exposure: $\rho=0,72$ ), maar voegen nu de workflow-dimensie toe. Empirische validatie met BLS-gegevens toont een toenemende negatieve correlatie tussen hoge ATE-scores en werkgelegenheidsgroei in 2025, wat de voorspellende kracht van het model ondersteunt.
Geen Catastrofale Vervanging: Hoewel het risico breed is, bereikt geen enkel beroep de "high-risk" drempel (ATE $\ge$ 0,65) volledig, wat wijst op een geleidelijke herschikking van de arbeidsmarkt in plaats van massale ontslagen van specifieke beroepen.

5. Significantie en Implicaties

Beleid en Arbeidsmarkt: De bevindingen suggereren dat arbeidsmarktinterventies regionaal gestaffeld moeten zijn. Tier 1-regio's hebben nu actie nodig, terwijl Tier 2-regio's zich moeten voorbereiden voor 2028-2029.
Opleiding en Reskilling: De "reinstatement"-effecten (nieuwe banen) vereisen geen programmeerkennis, maar domeinexpertise. De nieuwe rollen (bijv. AI-Workflow Ontwerper, AI Compliance Officer) vereisen dat mensen AI-outputs kunnen auditeren, uitzonderingen kunnen beheren en ethische richtlijnen kunnen toepassen. Opleidingen moeten verschuiven van kennisoverdracht naar het trainen van AI-gestuurde oordeelsvorming en hallucinatie-detectie.
Werkgeversverantwoordelijkheid: Traditionele wetgeving (zoals de WARN Act) is niet toereikend voor de geleidelijke vervanging door AI. Er is behoefte aan nieuwe disclosure-eisen voor AI-adoptieplannen om werknemers tijdig te waarschuwen.
Toekomstig Onderzoek: De auteurs benadrukken de noodzaak van longitudinale tracking van daadwerkelijke AI-implantaties en de uitbreiding van het model naar internationale laboratoria (bijv. EU), rekening houdend met verschillende regelgevingen en collectieve arbeidsovereenkomsten.

Conclusie:
Agente AI verandert de aard van automatiseringsrisico's fundamenteel. Het dreigt niet alleen taken over te nemen, maar volledige beroepsfuncties te vervangen door autonome workflows. De ATE-score biedt een robuust, reproduceerbaar instrument om deze risico's regionaal en sectoraal te monitoren, waardoor beleidsmakers en onderwijsinstellingen proactief kunnen reageren op een arbeidsmarkt die zich in een snelle transitie bevindt.