Technische Samenvatting: Generatieve AI en de Herorganisatie van de Arbeidsvraag

1. Probleemstelling en Motivatie

De snelle verspreiding van Generatieve Kunstmatige Intelligentie (GenAI) heeft de vraag hernieuwd hoe grote technologische verschuivingen de arbeidsvraag herformuleren. Hoewel de bestaande literatuur zich grotendeels heeft gericht op het identificeren van welke beroepen "blootgesteld" zijn aan GenAI en of de werkgelegenheid in die sectoren afneemt, blijft een kritieke kloof bestaan: het is onduidelijk hoe bedrijven de arbeidsvraag herorganiseren naarmate de technologie in organisatorische workflows wordt geïntegreerd.

Vorig onderzoek behandelt blootstelling vaak als een vast kenmerk van een beroep, waarbij wordt vertrouwd op statische taaktaxonomieën (bijv. O*NET). Deze aanpak kan echter niet waarnemen of bedrijven tegelijkertijd veranderen waar ze werven (herverdeling van de vraag over verschillende functiecategorieën) en wat die functies inhouden (herontwerp van taakeisen binnen dezelfde functiecategorieën). Bovendien berust het debat over de "beroeps ladder" – specifiek of GenAI onevenredig veel schade toebrengt aan junior werknemers – vaak op aggregaten op beroepsniveau die heterogeniteit tussen senioriteitsniveaus binnen hetzelfde beroep maskeren.

Dit artikel adresseert deze gaten door drie vragen te stellen:

1. Hoe evolueert de blootstelling aan GenAI in geplaatste vacatures in de tijd?
2. In welke mate weerspiegelen veranderingen in de aggregate blootstelling herverdeling van werving versus herontwerp van functies?
3. Verschillen deze aanpassingsmarges over de beroeps ladder (junior, intermediair, senior)?

2. Data en Methodologie

Data Bron

De studie maakt gebruik van een landelijke dataset van Amerikaanse online vacatures van Lightcast, die alle economische sectoren bestrijkt van januari 2021 tot en met juni 2025. De ruwe dataset bevat meer dan 188 miljoen vacatures.

• Steekproefstrategie: Vanwege de computereisen voor het toepassen van Large Language Models (LLM's) op het volledige corpus, hanteren de auteurs een procedure voor herhaalde willekeurige steekproeven. Zij nemen 5% van de vacatures in cellen die worden gedefinieerd door de doorsnede van Beroep (O*NET-code), Industrie (2-cijferige NAICS) en Senioriteit (Junior, Intermediair, Senior).
• Eindsteekproef: 9.373.092 vacatures. Dit ontwerp behoudt de nodige heterogeniteit om aanpassingen binnen specifieke beroep-industrie-senioriteit cellen in de tijd te analyseren.

Meting: Dynamische Blootstelling op Vacatureniveau

De centrale methodologische bijdrage is de constructie van een dynamische, op vacature gebaseerde maatstaf voor GenAI-blootstelling met behulp van een tweestaps LLM-pijplijn, die voorbijgaat aan statische scores op beroepsniveau.

• Fase 1: Taakextractie: Met behulp van Llama-3.1-8b-instant extrahert de pijplijn 3–10 concrete taken uit elke vacaturetekst en koppelt deze aan de Lightcast-skill-taxonomie (Gespecialiseerde versus Algemene vaardigheden). Taken die gekoppeld zijn aan gespecialiseerde vaardigheden krijgen een hogere weging (gewicht = 2) dan algemene vaardigheden (gewicht = 1).
• Fase 2: Classificatie van Blootstelling: Met behulp van GPT-5-nano wordt elke geëxtraheerde taak ingedeeld in een van drie niveaus, gebaseerd op of huidige kant-en-klare GenAI-tools de voltooingstijd met ≥50% kunnen verminderen bij equivalente kwaliteit:
  • E0 (Geen Blootstelling): AI kan de efficiëntie niet significant verbeteren of zou de kwaliteit verslechteren.
  • E1 (Directe Blootstelling): AI kan de taak direct ondersteunen zonder speciale integratie.
  • E2 (Indirecte Blootstelling): AI vereist een dunne softwarelaag of workflow-integratie om significante efficiëntiewinst te behalen.
• Aggregatie: Een blootstellingsindex op vacatureniveau ($\beta_p$) wordt berekend als een gewogen som: $\beta_p = \text{aandeel}_{E1} + 0.5 \times \text{aandeel}_{E2}$. Hierdoor kan de blootstelling variëren tussen vacatures binnen hetzelfde beroep en in de tijd.

Decompositie Kader

Om de aanpassingsmarges te scheiden, hanteren de auteurs twee complementaire decompositiemethoden:

1. Drie-voudige Kitagawa Decompositie: Deze decomposeert de verandering in aggregate blootstelling ($\Delta \bar{E}_t$) ten opzichte van een basislijn uit 2021 in:
   • Compositie-effect (Herverdeling van Werving): Veranderingen in de mix van vacatures die bedrijven plaatsen (verschuivingen in celgewichten $w_{c,t}$).
   • Effect binnen Cel (Herontwerp van Functies): Veranderingen in de taakinhoud van vergelijkbare functies (verschuivingen in blootstelling op celniveau $E_{c,t}$).
   • Interactie-effect: De gezamenlijke beweging van beide marges.
2. Gewogen Oaxaca–Blinder Decompositie: Een regressie-gebaseerde aanpak die periodes voor en na GPT vergelijkt om te identificeren welke observeerbare vacaturekenmerken (beroep, industrie, senioriteit, status van werken op afstand, enz.) de blootstellingskloof verklaren.

3. Belangrijkste Resultaten

A. Dynamische Aard van Blootstelling

GenAI-blootstelling is geen vast kenmerk. De aggregate blootstelling steeg tot begin 2022, daalde door 2023 en herstelde zich daarna gedeeltelijk. Dit patroon weerlegt het idee dat blootstelling statisch is. De blootstelling varieert aanzienlijk per sector (hoogst in Financiën/Professionele Diensten, laagst in Accommodatie/Detailhandel) en senioriteit (Senior > Junior > Intermediair).

B. Dubbele Marges van Aanpassing

Vanaf het derde kwartaal van 2023 wordt de daling in aggregate blootstelling gedreven door twee distincte mechanismen:

• Herverdeling van Werving (52,01%): Bedrijven verschuiven hun wervingsvraag weg van vacaturecellen die een hoge basisblootstelling hadden.
• Herontwerp van Functies (39,46%): Bedrijven herschrijven actief de taakinhoud van de functies die ze blijven plaatsen, waardoor de blootstelling van die specifieke rollen afneemt.
• Interactie (8,54%): Het gezamenlijke effect van deze verschuivingen.

Deze bevinding geeft aan dat de reductie in blootstelling niet louter een verhaal is van minder vacatures in blootgestelde beroepen; een aanzienlijk deel weerspiegelt een fundamentele herconfiguratie van de taken die zijn ingebed in voortbestaande functiecategorieën.

C. Heterogeniteit over de Beroeps Ladder

Aanpassingsmechanismen verschillen aanzienlijk per senioriteit:

• Senior Functies: Passen zich vroeger aan (beginnend Q2 2022) en voornamelijk via herverdeling (70,80% van de daling). Herontwerp speelt een secundaire rol.
• Junior Functies: Passen zich aan via een breder mengsel van herverdeling (60,15%), herontwerp (18,22%) en interactie (21,63%). Het significante interactie-effect suggereert dat voor instapfuncties bedrijven tegelijkertijd werving herverdelen en taken binnen die rollen herorganiseren.
• Intermediaire Functies: Volgen het aggregate patroon, waarbij herverdeling en herontwerp bijna evenveel bijdragen.

D. Observeerbare Drijfveren (Oaxaca–Blinder)

De Oaxaca–Blinder decompositie onthult dat beroepsmatige verschuivingen ongeveer 90% van de daling in blootstelling verklaren die toe te schrijven is aan observeerbare vacaturekenmerken. Andere variabelen op vacatureniveau dragen echter ook bij:

• Werken op Afstand: Een verschuiving weg van vacatures voor werken op afstand (die een hogere basisblootstelling hebben) draagt bij aan de daling.
• Industrie: Een beweging naar sectoren met lagere blootstelling speelt een rol.
• Senioriteitsspecifieke Details: Voor senior functies verminderen verschuivingen in werkafstandsarrangementen en employmenttypes (weg van fulltime) de blootstelling verder, terwijl voor junior functies een toename van stagevacatures (die sterk blootgesteld zijn) de daling gedeeltelijk compenseert.

4. Betekenis en Claims

Het artikel claimt drie primaire bijdragen aan de literatuur over technologie en arbeidsmarkten:

1. Dynamische Meting: Het ontwikkelt een dynamische, op vacature gebaseerde maatstaf voor blootstelling die variatie binnen beroepen en in de tijd vastlegt. Dit daagt de aanname uit dat blootstelling een vast eigenschap van een beroep is, en toont aan dat bedrijven taakinhoud updaten naarmate technologie zich verspreidt.
2. Verschuiving van Verdringing naar Herorganisatie: De studie verlegt de empirische focus van "neemen blootgestelde functies af?" naar "hoe wordt de arbeidsvraag herorganiseerd?". Het biedt kwantitatief bewijs dat bedrijven zich aanpassen door zowel wervingsvraag te herverdelen als de taakarchitectuur te herontwerpen, wat suggereert dat aanpassing op de arbeidsmarkt een proces is van organisatorische herconfiguratie en niet van eenvoudige substitutie.
3. Genuanceerde Inzichten over de Beroeps Ladder: Het verfijnt het debat over de impact van GenAI op junior werknemers. Het artikel betoogt dat de relevante heterogeniteit niet alleen ligt in de grootte van de aanpassing, maar in het mechanisme. Junior en senior rollen passen zich aan via verschillende combinaties van herverdeling en herontwerp, wat impliceert dat instapwerknemers niet alleen te maken krijgen met minder kansen in bepaalde categorieën, maar ook met een veranderende set taken binnen de kansen die overblijven.

De auteurs concluderen dat deze bevindingen suggereren dat maatstaven voor blootstelling als dynamische objecten moeten worden behandeld. Voor onderzoekers impliceert dit dat statische maatstaven op beroepsniveau de heterogeniteit kunnen onderschatten; voor bedrijven suggereert het dat personeelsplanning rekening moet houden met taakontwerp, niet alleen met het aantal hoofden; en voor beleidsmakers benadrukt het de noodzaak om te monitoren hoe instapmogelijkheden in professioneel werk evolueren.