📈 economics

Who Uses AI? Platform Selection and the Measurement of Occupational AI Exposure

Dit artikel toont aan dat het gebruik van AI-platformlogs om blootstelling aan beroepsmatige AI te meten aanzienlijke selectiebias introduceert als gevolg van niet-representatieve gebruikersgroepen, waardoor schattingen van de werkgelegenheidseffecten sterk variëren tussen platformen en kanalen, wat aanzienlijk kan worden gecorrigeerd door de data te herschalen om overeen te komen met de officiële demografie van de beroepsbevolking.

Oorspronkelijke auteurs: Michelle Yin, Burhan Ogut

Gepubliceerd 2026-05-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Michelle Yin, Burhan Ogut

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 Idee: Het "Echo-kamer"-probleem

Stel je voor dat je wilt weten hoeveel AI de Amerikaanse arbeidsmarkt verandert. Om dit te doen, kijken onderzoekers naar de chatlogs van mensen die AI-tools zoals ChatGPT, Claude of Microsoft Copilot gebruiken. Ze gaan ervan uit: "Als mensen in een bepaald beroep veel chatten met AI, moet dat beroep zwaar blootgesteld zijn aan AI."

Dit artikel betoogt dat deze methode vergelijkbaar is met het proberen de hele bevolking van een stad te begrijpen door alleen mensen te interviewen die in de duurste, high-tech wijk wonen.

De onderzoekers, Michelle Yin en Burhan Ogut, tonen aan dat de mensen die deze AI-platforms gebruiken geen willekeurige steekproef van alle werknemers vormen. Ze zijn een specifieke, vertekende groep. Hierdoor vertelt de data ons meer over wie de app gebruikt dan over welke banen daadwerkelijk door AI worden veranderd.

De Kernanalogie: De "Gourmet Eten"-enquête

Stel je voor dat je wilt weten hoeveel gourmet eten de gemiddelde Amerikaan eet.

De Gebrekkige Methode: Je gaat naar een high-end restaurant met een Michelin-ster en vraagt de gasten: "Hoe vaak eet je gourmetmaaltijden?"
Het Resultaat: Je krijgt een rapport met de tekst: "Wauw, Amerikanen eten elke dag gourmetmaaltijden!"
De Realiteit: Je hebt de miljoenen mensen gemist die bij fastfoodketens eten, thuis koken of geen dure restaurants kunnen betalen. Je data is bevooroordeeld omdat je alleen naar de "gourmet"-menigte keek.

In dit artikel:

De "Gourmet-menigte" = De gebruikers van AI-platforms (voornamelijk computerwetenschappers, kantoorwerkers en tech-savvy professionals).
De "Fastfood-menigte" = Truckbestuurders, voedselbereiders, bouwvakkers en personeel in de dienstverlening.
De Vergissing: Onderzoekers gebruiken de "gourmet"-data om conclusies te trekken over de "hele stad" (de totale arbeidsmarkt).

Wat de Onderzoekers Vonden

De auteurs voerden een reeks tests uit om te zien wat er gebeurt als je de "bron" van je data verandert. Hier zijn hun belangrijkste ontdekkingen:

1. De Resultaten Draaien Om
Als je data van Claude (Consument) gebruikt, zou je kunnen concluderen dat AI de werkgelegenheid in bepaalde beroepen schade toebrengt. Maar als je overschakelt naar data van Claude (Enterprise/Zakelijk) of Microsoft Copilot, kunnen de resultaten volledig omkeren, wat suggereert dat AI helpt of geen effect heeft.

Analogie: Het is alsof je een groep koffieliefhebbers vraagt of koffie goed voor je is (ze zeggen ja), en vervolgens een groep theedrinkers vraagt of koffie goed voor je is (ze zeggen nee). Als je de twee groepen mengt of tussen hen wisselt, verandert je antwoord wild, zelfs al is de "koffie" zelf niet veranderd.

2. De "Wie" Is Belangrijker Dan de "Wat"
Het artikel toont aan dat de grootste factor die de resultaten verandert, niet de capaciteit van de AI is, maar welke beroepen deze gebruiken.

Computer- en wiskundebanen vormen slechts 3,4% van alle banen in de VS, maar ze genereren 32% van alle gesprekken op consument-AI-platforms.
Voedselbereidingsbanen vormen 8,8% van alle banen in de VS, maar ze genereren slechts 0,7% van de gesprekken.
De Les: De data schreeuwt over de banen die al zwaar op technologie zijn gericht, terwijl het fluistert over de banen die dat niet zijn.

3. De "Opnieuw Gewichten"-Oplossing
De auteurs ontwikkelden een wiskundige "correctie" (zoals een filter) om deze vertekening te verhelpen. Ze namen de AI-chatdata en dwongen deze om eruit te zien als de echte Amerikaanse arbeidsmarkt (door het daadwerkelijke aantal truckbestuurders, verpleegkundigen en leraren te matchen).

Het Resultaat: Toen ze deze correctie toepasten, krompen de angstaanjagende voorspellingen dat AI banen zou vernietigen dramatisch (met 42% tot 93%).
Analogie: Het is alsof je een foto maakt van een kamer vol miljardairs en vervolgens digitaal duizenden gewone mensen aan de foto toevoegt. Plotseling daalt het "gemiddelde vermogen" van de kamer naar een realistisch getal.

Waarom Dit Belangrijk Is voor Beleid

Het artikel waarschuwt dat als overheden of bedrijven deze ongecorrigeerde AI-chatlogs gebruiken om te beslissen wie heropleiding of hulp nodig heeft, ze een enorme vergissing zullen maken.

Het Huidige Plan: Als je de ruwe data volgt, zou je miljarden dollars sturen om Computerprogrammeurs en Financiële Analisten te helpen (omdat de data zegt dat zij degenen zijn die het meest AI gebruiken).
De Realiteit: Je zou Kassamedewerkers, Truckbestuurders en Voedselbereiders kunnen negeren. Deze groepen lopen mogelijk een groot risico op verstoring door AI, maar omdat ze nog niet met AI-tools chatten, zegt de data dat ze "veilig" zijn.

De Conclusie

Het artikel zegt niet dat AI banen niet verandert. Het zegt dat onze meetlat kapot is.

Platformdata is geweldig om te zien wat AI kan doen en hoe tech-savvy mensen het gebruiken.
Platformdata is verschrikkelijk om te voorspellen hoe AI de gemiddelde werknemer zal beïnvloeden, omdat het de werknemers mist die de tools nog niet gebruiken.

De Oplossing: Onderzoekers en beleidsmakers moeten stoppen met het behandelen van AI-chatlogs als een perfecte spiegel van de arbeidsmarkt. Ze moeten de data "opnieuw wegen" om de mensen op te nemen die niet op het platform zitten, anders zullen ze de verkeerde problemen oplossen voor de verkeerde mensen.

Technische Samenvatting: Wie gebruikt AI? Platformselectie en de Meting van Beroepsblootstelling aan AI

1. Het Probleem: Niet-Klassieke Meetfout in Platform-afgeleide Blootstelling

De empirische literatuur over kunstmatige intelligentie (AI) en arbeidsmarkten is steeds meer verschoven van het meten van potentiële AI-capaciteit (bijv. expertbeoordelingen, patentmatching) naar het meten van waargenomen AI-gebruik via conversielogboeken van platforms zoals Anthropic's Claude, OpenAI's ChatGPT en Microsoft Copilot. Hoewel dit de meting dichter bij geopenbaard gedrag brengt, betogen de auteurs dat deze logboeken een niet-waarschijnlijkheidssteekproef vormen.

Het kernprobleem is dat platform-afgeleide blootstellingsscores ( $E_{o,p}$ ) twee onderscheiden componenten samenvoegen:

Ware Beroepsblootstelling ( $E_o$ ): Het aandeel van een takenbundel van een beroep waarbij AI de input van werknemers kan vervangen of kan aanvullen.
Platformselectie ( $\psi_{o,p}$ ): De mate waarin een beroep over- of ondervertegenwoordigd is in de gebruikersbasis van het platform ten opzichte van de algemene beroepsbevolking.

Omdat de gebruikersbasis van AI-platforms systematisch is verschoven naar hooggeschoolde, hoogbetaalde beroepen (bijv. Computer en Wiskunde) en weg van dienstverlenende en handarbeidsberoepen, erft de resulterende blootstellingsmaat deze selectiebias. De auteurs formaliseren dit als niet-klassieke meetfout, waarbij de foutterm gecorreleerd is met de ware variabele van belang. Bijgevolg identificeren regressiecoëfficiënten die deze maten gebruiken niet de structurele werkgelegenheidselasticiteit van AI-blootstelling; in plaats daarvan weerspiegelen ze een mengsel van ware blootstelling en de specifieke beroepssamenstelling van de gebruikers van het platform.

2. Methodologie

Conceptueel Kader

De auteurs definiëren de platform-afgeleide proxy als:
$E_{o,p} = \psi_{o,p} E_o + \eta_{o,p} + u_{o,p}$
Waarbij:

$\psi_{o,p}$ de tussen-beroeps selectieparameter is (ratio van het aandeel platformconversies tot het aandeel werkgelegenheid in de beroepsbevolking).
$\eta_{o,p}$ de binnen-beroeps taak-selectieresidu is (verschillen in taakuitvoering, gegeven dat men zich op het platform bevindt).
$u_{o,p}$ klassieke ruis is.

Omdat $\psi_{o,p}$ wordt waargenomen (via platformlogboeken en werkgelegenheidsaandelen van het Bureau of Labor Statistics), stellen de auteurs een procedure voor herweging van de beroepsbevolking voor om de tussen-beroepscomponent te verwijderen:
$\tilde{E}_{o,p} = \frac{E_{o,p}}{\psi_{o,p}}$
Onder een gehandhaafde ordeningsvoorwaarde (dat binnen-beroeps selectiecoëfficiënten in dezelfde richting beïnvloedt als tussen-beroeps selectie), definiëren de basisschatting en de hergewogen schatting een partiële-identificatie-interval voor de structurele werkgelegenheidselasticiteit.

Empirisch Ontwerp

De studie hanteert een difference-in-differences (DiD)-specificatie op een paneel van de American Community Survey (ACS) uit 2015–2024 met 13,1 miljoen persoon-jaarobservaties op het niveau van de zes-cijferige Standaard Beroepsclassificatie (SOC).

Behandeling: Interactie van een post-2022 indicator met tien verschillende platform-afgeleide blootstellingsmaten.
Varianten: De tien maten omvatten:
- Drie varianten van de samengestelde maat van Massenkoff en McCrory (2026) (basis, hergewogen naar beroepsbevolking, en Wave 5 AEI-weights).
- Vijf golven van consumentengegevens van Anthropic Claude.ai (dec 2024–feb 2026).
- Twee golven van enterprise-API-gegevens van Anthropic.
- Toepassingscores van Microsoft Copilot (ruw en hergewogen).
Controles: Demografie, staat, jaar en zes-cijferige SOC-vaste effecten.

Diagnostische Tests

Cross-Platform Spreiding: Het schatten van dezelfde DiD-specificatie met verschillende platforminputs om instabiliteit van coëfficiënten waar te nemen.
Substitutie van Kanalen binnen Leverancier: Het vergelijken van consumenten- versus enterprise-kanalen van dezelfde leverancier (Anthropic) om effecten van de samenstelling van de gebruikersbasis te isoleren, waarbij model en rubric constant worden gehouden.
Gebeurtenisanalyses: Testen op pre-trends om meetbias te onderscheiden van echte heterogeniteit in behandelingseffecten.
Cross-Domein Uitkomsten: Het analyseren van correlaties tussen platformranglijsten en niet-arbeidsgerelateerde uitkomsten (bijv. gezondheid, onderwijs) om aan te tonen dat platformzichtbaarheid correleert met sociaaleconomische status.

3. Belangrijkste Resultaten

Instabiliteit van Coëfficiënten

Het wijzigen van slechts de platforminput, terwijl het empirische ontwerp constant wordt gehouden, veroorzaakt aanzienlijke variatie in de geschatte werkgelegenheidseffecten:

Magnitude: De werkgelegenheidscoëfficiënt post-2022 varieert met een factor 1,9 over de tien varianten.
Teksomkering: Binnen dezelfde leverancier (Anthropic) keert het overschakelen van het consumentkanaal naar het enterprisekanaal het teken van de werkgelegenheidscoëfficiënt om bij elke waargenomen release. Het consumentkanaal levert negatieve, significante coëfficiënten op, terwijl het enterprisekanaal positieve, niet-significante coëfficiënten oplevert.
Temporele Instabiliteit: Zelfs binnen hetzelfde kanaal (Claude.ai consument) verandert de grootte van de coëfficiënt aanzienlijk tussen golven (bijv. van -0,12 naar -0,22 procentpunten) naarmate de samenstelling van de gebruikersbasis verschuift door productlanceringen (bijv. Claude Code).

Effect van Herweging

Herweging van de beroepsbevolking verzwakt de geschatte effecten aanzienlijk, wat bevestigt dat de basisschattingen grotendeels worden gedreven door platformselectie:

Anthropic Samengesteld: Herweging verzwakt de werkgelegenheidscoëfficiënt met 93%, waardoor deze statistisch niet onderscheidbaar is van nul.
Microsoft Copilot: Omdat de gebruikersbasis van Copilot dichter bij de demografie van de beroepsbevolking ligt, verzwakt herweging de coëfficiënt met 42%, hoewel deze significant blijft.
Cross-Beroeps Regressie: In de specificatie van Massenkoff en McCrory (2026) die blootstelling koppelt aan werkgelegenheidsprojecties van het BLS, vermindert herweging de geschatte negatieve associatie van -0,70 naar -0,38 procentpunten, wat impliceert dat 45% van de gepubliceerde magnitude verdwijnt wanneer de platformsamenstelling wordt vervangen door de beroepsbevolkingssamenstelling.

Partiële Identificatiegrenzen

Met behulp van de basis- en hergewogen schattingen als eindpunten construeren de auteurs een partiële-identificatie-interval voor de structurele werkgelegenheidselasticiteit. Voor de samengestelde maat van Massenkoff en McCrory suggereert het interval dat een toename van één standaardafwijking in blootstelling geassocieerd is met een projectie van een daling van de werkgelegenheidsgroei over een decennium tussen 0,38 en 0,70 procentpunten. De breedte van dit interval (0,32 procentpunten) vertegenwoordigt de bijdrage van waarneembare tussen-beroeps platformselectie.

Distributieve Incidentie

Platformzichtbaarheid correleert sterk met sociaaleconomisch voordeel:

Beroepen die op platforms oververtegenwoordigd zijn (bijv. Computer en Wiskunde) hebben hogere lonen en opleidingsniveaus.
Beroepen die ondervertegenwoordigd zijn (bijv. Voedselbereiding, Vervoer) hebben lagere lonen en hogere rates van arbeidsongeschiktheid.
Beleidssimulatie: Een hypothetisch fonds voor omscholing van 10 miljard dollar, toegewezen op basis van platformblootstelling, zou 39% van de fondsen richten op hoogbetaalde, hoogopgeleide beroepen die een toewijzing gewogen naar de beroepsbevolking niet als blootgesteld zou identificeren.

4. Bijdragen en Betekenis

Het artikel levert vier primaire bijdragen aan de literatuur:

Identificatie van een Specifieke Meetfout: Het formaliseert de niet-klassieke meetfout die inherent is aan platform-afgeleide AI-blootstelling, en laat zien dat de fout is geselecteerd op dezelfde taakstructuur op beroepsniveau die de maat probeert te vangen.
Empirische Diagnostiek: Het levert bewijs dat platformbron, productkanaal en release-golf fundamenteel downstream coëfficiënten veranderen, zelfs wanneer regressieontwerpen vastgehouden worden.
Correctieprocedure: Het introduceert een procedure voor herweging van de beroepsbevolking en partiële-identificatiegrenzen die deze instabiliteit omzetten in een schatbaar component, waardoor onderzoekers de structurele elasticiteit kunnen begrenzen.
Distributieve Analyse: Het toont aan dat platformselectie correleert met lonen, onderwijs en beroepsmatig voordeel, wat impliceert dat blootstellingsranglijsten gebaseerd op logboeken systematisch economisch kwetsbare populaties kunnen onderschatten waar het risico minder zichtbaar is in platformgegevens.

Claims over Betekenis

De auteurs claimen niet dat platformlogboeken oninformatief zijn. In plaats daarvan betogen ze dat platformgegevens zeer informatief zijn over taakintensiteit onder actieve gebruikers, maar minder informatief over niet-gebruikers, werknemers die zwak vertegenwoordigd zijn op het platform, en taken die zijn verplaatst uit het waargenomen beroep-platformpaar.

Het artikel concludeert dat op gebruik gebaseerde maten versterking onder waargenomen gebruikers directer herstellen dan vervanging in de beroepsbevolking. Voor beleidsapplicaties (bijv. omscholing, loopbaanadvisering) is het relevante object blootstelling onder de beroepsbevolking die risico loopt, niet blootstelling onder huidige platformgebruikers. De auteurs bepleiten dat toegepast werk dat platform-afgeleide blootstelling gebruikt, dient te:

Hergewogen tegenhangers rapporteren die zijn gewogen naar de beroepsbevolking.
De gevoeligheid testen voor de platformbron.
Onderscheid maken tussen taakcapaciteit, werknemersadoptie en gebruik onder voorwaarde van adoptie.

Zonder deze onderscheidingen kan variatie in gemeten blootstelling platformadoptiepatronen tussen beroepen weerspiegelen in plaats van variatie in onderliggende AI-toepasbaarheid.