💻 computer science

The Jagged Global Economy: Frontier AI Unevenly Exposes National Economies

Dit artikel introduceert een nationale AI-blootstellingsmetriek voor 141 landen, die onthult dat hooginkomen landen en vrouwen aanzienlijk hogere directe blootstelling aan frontier AI ervaren dan lage inkomenslanden en mannen, terwijl het ook een kritiek indirect blootstellingsmechanisme blootlegt via grensoverschrijdende inkomensafhankelijkheden zoals remises, wat op maat gemaakte, niet-generaliseerbare beleidsreacties noodzakelijk maakt.

Oorspronkelijke auteurs: Arul Murugan, Tomás Aguirre, Abhishek Nagaraj, Rishi Bommasani

Gepubliceerd 2026-07-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Arul Murugan, Tomás Aguirre, Abhishek Nagaraj, Rishi Bommasani

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 "Getande" Golf

Stel je een enorme, ongelijkmatige golf van nieuwe technologie (Frontier AI) voor die over de wereld rolt. De auteurs stellen dat deze golf niet elk land met dezelfde kracht raakt. In plaats daarvan is de golf "getand" (jagged).

Denk aan de capaciteiten van AI als een getande bergketen. Sommige pieken zijn erg hoog (AI is erg goed in het schrijven van code of het analyseren van juridische contracten), terwijl sommige dalen erg laag zijn (AI is slecht in het repareren van een lekkende leiding of het oogsten van gewassen).

Omdat verschillende landen verschillende "landschappen" van banen hebben, raakt deze getande golf hen anders:

Rijke landen (zoals de VS of Luxemburg) hebben economieën die gebouwd zijn op "white-collar" banen (kantoren, financiële sector, tech). Deze banen bevinden zich precies op de hoge pieken van de AI-berg. De golf slaat hier hard in.
Armere landen (zoals Burundi of Mozambique) hebben economieën die gebouwd zijn op landbouw en handarbeid. Deze banen bevinden zich in de lage dalen waar de AI-golf nauwelijks bij kan.

Het Belangrijkste Instrument: Het Meten van "Blootstelling"

De onderzoekers hebben een nieuwe liniaal gemaakt genaamd "Nationale AI-blootstelling" (National AI Exposure).

Stel je voor dat je een weerman bent, maar in plaats van regen te voorspellen, voorspel je hoeveel de beroepsbevolking van een land door AI geraakt zal worden. Je hoeft niet te weten of de AI morgen daadwerkelijk gebruikt zal worden; je meet alleen hoeveel van het werk in een land nú door AI zou kunnen worden gedaan.

Hoe ze het deden: Ze bekeken het "banenmenu" van 141 landen. Ze vroegen: "Welk percentage van de mensen in dit land doet banen waar AI momenteel goed in is?"
Het resultaat: Het verschil is enorm. Het meest blootgestelde land (Luxemburg) is 2,6 keer meer blootgesteld dan het minst blootgestelde land (Burundi).

Belangrijkste Bevindingen in Simpele Taal

1. De Rijkere Landen Zijn Meer "Blootgesteld" (Voor Nu)

Er is een sterke link tussen hoe rijk een land is en hoeveel AI de werknemers kan raken.

De analogie: Denk aan AI als een hogesnelheidstrein. Landen met veel kantoormedewerkers (white-collar banen) staan vlak naast de rails. Landen met voornamelijk boeren staan in een veld mijlenver verderop.
De data: Landen met een hoog inkomen zijn veel meer blootgesteld. Europa en Centraal-Azië zijn 50% meer blootgesteld dan Sub-Sahara Afrika.

2. De Genderkloof: Vrouwen Staan Dichter bij de Rails

In 91% van de onderzochte landen zijn vrouwen meer blootgesteld aan AI dan mannen.

Waarom? In veel landen zijn vrouwen geconcentreerd in kantoorbanen, verkoop en servicefuncties—juist de banen waar AI goed in is. Mannen zijn vaak meer geconcentreerd in de landbouw of handarbeid, waar AI minder nuttig is.
De uitzondering: In landen zoals Pakistan of India, waar het werk van vrouwen nog steeds sterk gericht is op landbouw of huishoudelijke ondernemingen, zijn mannen juist méér blootgesteld omdat hun banen vaker kantoorgericht zijn.
De zorg: Omdat vrouwen in veel landen al te maken hebben met barrières bij het vinden van werk en minder verdienen, voegt deze "blootstelling" een extra laag risico toe. Als AI de kantoorbanen die vrouwen bekleden verstoort, kunnen zij minder vangnetten hebben.

3. De "Remittance Ripple" (De Indirecte Klap)

Dit is de meest unieke ontdekking van het paper. Soms is een land niet direct blootgesteld, maar wordt het toch geraakt vanwege zijn buren.

De analogie: Stel je een klein dorp voor (Tadzjikistan) waar veel jonge mensen naar een grote stad (Rusland) zijn verhuisd om te werken. Het dorp is afhankelijk van het geld dat deze werkers naar huis sturen (remittances/geldovermakingen) om te overleven.
Het scenario: De grote stad (Rusland) heeft een hoogtechnologische kantooreconomie. AI komt binnen en verandert hoe die kantoormedewerkers hun werk doen. Zelfs als het kleine dorp geen AI heeft, komt het dorp nu in de problemen omdat het geld dat vanuit de stad naar het dorp stroomt, kan opdrogen of kan veranderen.
De data: Tadzjikistan heeft een lage directe AI-blootstelling, maar omdat 37% van hun BBP afkomst even komt van geld dat door werkers in sterk blootgestelde landen (zoals Rusland) wordt gestuurd, wordt hun "remittance-adjusted" blootstelling zeer hoog. Het paper noemt dit een tweede-orde effect (second-order effect).

Werkt Deze Voorspelling?

De auteurs testten hun "Blootstellingsliniaal" om te zien of deze ook daadwerkelijk voorspelt wat er in de echte wereld gebeurt.

Ze controleerden de data van drie grote AI-bedrijven: Anthropic, Microsoft en OpenAI.
Het resultaat: Hun liniaal werkte perfect. Landen met hoge "Blootstellingsscores" waren de landen die daadwerkelijk de meeste AI-tools gebruikten.
De wiskunde: Een kleine stijging in de blootstellingsscore van een land betekende een enorme sprong in het aantal mensen dat daar AI-chatbots gebruikte.

De Kern van het Verhaal

Het paper concludeert dat één maat voor iedereen niet werkt.
Beleidsmakers in de VS of Europa kunnen niet simpelweg de AI-regels uit de VS kopiëren en plakken en verwachten dat ze overal werken. Het "getande" karakter van AI betekent dat:

Rijke landen te maken krijgen met directe verstoring van hun kantoorpersoneel.
Arme landen indirecte economische schokken kunnen ervaren als hun rijke handelspartners veranderen in hoe zij werken.
Vrouwen in veel landen staan dichter bij de AI-golf dan mannen.

De wereld wordt niet getroffen door een uniforme AI-tsunami; de wereld wordt getroffen door een getande, ongelijkmatige golf die voor elk land een andere overlevingsstrategie vereist.

Technische Samenvatting: De Grillige Mondiale Economie: Frontier AI legt Nationale Economieën Ongelijkmatig Bloot

Probleemstelling
Hoewel de effecten van frontier AI op de arbeidsmarkt een kritieke zorg zijn voor werknemers, bedrijven en beleidsmakers, is het bestaande bewijs sterk vertekend naar een handvol hooginkomen economieën. De capaciteiten van frontier AI zijn "grillig" (jagged), wat betekent dat ze aanzienlijk variëren over verschillende werktaken. Tegelijkertijd divergeren nationale economieën substantieel in de manier waarop zij menselijke arbeid over beroepen verdelen. Een uniforme opvatting van de impact van AI is daarom onvoldoende; er is een behoefte om te kwantificeren hoe de specifieke samenstelling van een nationale arbeidsmarkt aansluit bij de capaciteiten van frontier AI. Huidige beleidsreacties die zijn afgestemd op de Amerikaanse of Europese markten, vertalen zich mogelijk niet naar het diverse mondiale landschap.

Methodologie
De auteurs introduceren een Nationale AI-blootstellingsmetriek die ontworpen is om heterogeniteit over 141 landen te vangen. De methodologie maakt gebruik van twee primaire databronnen:

Beroepsspecifieke Blootstellingsschattingen: De studie maakt gebruik van blootstellingsscores voor de International Standard Classification of Occupations (ISCO-08), ontwikkeld door Gmyrek et al. [2025a]. Deze scores zijn afgeleid door beroepen te koppelen aan taken en te schatten wat de potentie is voor AI om tijd te besparen op die taken met behoud van kwaliteit. De auteurs aggregeren deze scores naar het 2-cijferige ISCO-08 niveau (40 beroepscategorieën).
Internationale Werkgelegenheidsgegevens: De studie combineert deze blootstellingsscores met werkgelegenheidsstatistieken van de International Labour Organization (ILO). Deze gegevens bieden het aandeel van de beroepsbevolking dat in elke 2-cijferige ISCO-08 categorie werkt voor 141 landen.

De Nationale AI-blootstelling ( $n_i$ ) voor een land $i$ wordt berekend als het gewogen gemiddelde van de werkgelegenheidsaandelen voor de blootstellingsscores ( $e_j$ ) van elk beroep $j$ :
$n_i = \frac{\sum_j c_{i,j} e_j}{\sum_j c_{i,j}}$
waarbij $c_{i,j}$ het aantal werkzame personen in beroep $j$ voor natie $i$ vertegenwoordigt.

De studie valideert deze schattingen verder door geobserveerde nationale AI-adoptiestatistieken te voorspellen met behulp van gegevens van Anthropic (Claude-gebruik), OpenAI (ChatGPT-gebruik ranglijsten) en Microsoft (generatieve AI-adoptiegraad). Daarnaast modelleren de auteurs een nieuw mechanisme voor indirecte blootstelling via remittances (geldovermakingen), waarbij gebruik wordt gemaakt van de World Bank KNOMAD bilaterale remittance-matrices om te berekenen hoe blootstelling in een bronland (bijv. Rusland of de VS) zich naar een ontvangend land (bijv. Tadzjikistan of Honduras) verspreidt via inkomensafhankelijkheden.

Belangrijkste Resultaten

Substantiële Cross-Nationale Variatie: De nationale AI-blootstelling varieert sterk. Het meest blootgestelde land, Luxemburg ( $n=0,37$ ), is 2,6 keer meer blootgesteld dan het minst blootgestelde land, Burundi ( $n=0,14$ ).
Regionale en Inkomensverschillen: Hooginkomen landen zijn aanzienlijk meer blootgesteld dan laaginkomen landen. De regio's Noord-Amerika en Europa & Centraal-Azië zijn ongeveer 50% meer blootgesteld dan Sub-Sahara Afrika.
Voorspellende Factoren: Het "white-collar aandeel" van de beroepsbevolking van een land is de sterkste voorspeller van de nationale AI-blootstelling ( $R^2 = 0,91$ ). Het Bruto Nationaal Inkomen (BNI) is ook voorspellend, maar minder zo dan de beroepssamenstelling ( $R^2 = 0,77$ ).
Genderkloof: In 91% van de bestudeerde landen (126 van de 138) zijn vrouwen meer blootgesteld aan frontier AI dan mannen. Dit wordt gedreven door de concentratie van vrouwen in white-collar en verkoopberoepen. In landen waar de werkgelegenheid van vrouwen nog steeds geconcentreerd is in de landbouw en huishoudelijke ondernemingen (bijv. Pakistan, India), keert dit verschil om of wordt het kleiner.
Validatie: De blootstellingsmetriek voorspelt de geobserveerde AI-adoptie sterk. Een toename van 0,10 in nationale AI-blootstelling correleert met een 12-voudige toename in per capita Claude-gebruik en een toename van 19 procentpunt in de nationale generatieve AI-adoptiegraad. Echter, zodra het white-collar aandeel en BNI worden gecontroleerd, voegt de AI-blootstellingsmetriek weinig extra verklarende kracht toe, wat suggereert dat blootstelling dient als een structurele samenvatting van deze bredere economische factoren.
Indirecte Blootstelling via Remittances: De studie identificeert een tweede-orde blootstellingskanaal. Voor landen die zwaar afhankelijk zijn van remittances, heeft de AI-blootstelling van het bronland een significante impact op het ontvangende land. Bijvoorbeeld: Tadzjikistan heeft een beneden gemiddelde directe blootstelling, maar omdat 37% van het BBP van het land afkomstig is uit remittances (voornamelijk uit het zeer blootgestelde Rusland), stijgt de "remittance-gecorrigeerde blootstelling" naar boven het gemiddelde.

Betekenis en Claims
Het artikel claimt de eerste uitgebreide, vergelijkbare maatstaf te bieden voor de nationale frontier AI-blootstelling voor een brede set van 141 landen. De primaire bijdrage is het aantonen dat de economische impact van frontier AI niet uniform is, maar "grillig" en sterk afhankelijk van lokale arbeidsmarkten.

De auteurs stellen dat beleidsreacties rekening moeten houden met deze heterogeniteit. Beleid ontworpen voor geavanceerde economieën met hoge white-collar aandelen kan irrelevant of zelfs schadelijk zijn voor economieën waar arbeid geconcentreerd is in de landbouw of waar het inkomen sterk afhankelijk is van remittances uit adopterende landen. Door vast te stellen dat vrouwen in de meeste landen onevenredig blootgesteld zijn vanwege beroepssegregatie, benadrukt het artikel een specifiek distributief risico dat aandacht verdient, gezien de bestaande barrières op de arbeidsmarkt voor vrouwen. Ten slotte suggereert de identificatie van indirecte blootstellingskanalen dat nationale economische planning rekening moet houden met de manier waarop AI-adoptie in buitenlandse arbeidsmarkten zal doorwerken via mondiale inkomensafhankelijkheden.