📈 economics

Pricing Intelligence: Task-Based Learning and Labor Displacement in the AI Economy

Dit artikel analyseert hoe de wisselwerking tussen winstmaximalisatie en endogeen AI-leren op complexe taken een spanning creëert die bepaalt of arbeidsvervanging een convex pad volgt of een leervalk, waarbij marktconcurrentie fungeert als een belangrijke versneller van dit proces.

Oorspronkelijke auteurs: Carl-Christian Groh

Gepubliceerd 2026-08-12

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Carl-Christian Groh

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 Grote AI-Leercurve

Stel je de economie voor als een gigantische, bruisende keuken waar miljoenen mensen proberen het avondeten klaar te maken. Sommige taken zijn simpel, zoals het snijden van wortels of het koken van water; andere zijn lastig, zoals het bepalen van de perfecte kruidenmix voor een nieuw recept of het omgaan met een klant die woedend is over een verbrand gerecht. Lange tijd waren mensen de enige chefs die in staat waren om de lastige zaken af te handelen, terwijl machines vooral goed waren in het simpele, repetitieve snijwerk. Maar nu is Artificial Intelligence (AI) de keuken binnengekomen. Het wordt ongelooflijk snel in de eenvoudige taken, maar het leert nog steeds hoe het de complexe, oordeelsvormende taken moet aanpakken.

De grote vraag die economen stellen is niet alleen "Kan AI de baan aan?", maar "Hoe snel zal het beter worden?" Dit hangt af van een concept genaamd learning-by-doing (leren door doen). Net zoals een menselijke chef beter wordt in het snijden van uien naarmate hij meer uien snijdt, wordt een AI beter in een specifieke taak naarmate hij die taak vaker uitvoert. Als een AI alleen maar eenvoudige taken uitvoert, zal het nooit leren hoe het de complexe taken moet aanpakken. Dit artikel onderzoekt een fascerende spanning: wie koopt de AI eigenlijk? Als de AI alleen wordt verkocht aan mensen die eenvoudige taken moeten uitvoeren, wordt de AI sneller in eenvoudige taken, maar blijft het onhandig in complexe taken. Maar als het wordt verkocht aan mensen met complexe behoeften, leert het sneller, maar kunnen die klanten moeilijker te overtuigen zijn om te betalen. Het artikel vraagt zich af: hoe veranderen de prijzen die AI-bedrijven vragen en de concurrentie tussen hen de snelheid waarmee AI leert om menselijke banen over te nemen?

De AI-Prijskaart en de Leerval

In deze studie bouwt de auteur, Carl-Christian Groh, een wiskundig model om te zien hoe AI-bedrijven (zoals de giganten die we vandaag de dag kennen) beslissen wie hun technologie mag gebruiken. Het verhaal draait om twee soorten werkers: zij die vooral hulp nodig hebben bij eenvoudige taken (zoals het schrijven van een standaard e-mail) en zij die hulp nodig hebben bij complexe taken (zoals het opstellen van een juridisch pleidooi voor een vreemde nieuwe zaak).

Hier is de twist: in de huidige "low-tech" staat van AI is het een superster in eenvoudige taken, maar nog een beetje onhandig in complexe taken. Hierdoor willen werkers met voornamelijk complexe taken niet veel betalen voor de AI — ze doen het moeilijke denkwerk liever zelf. Werken die vooral eenvoudige taken hebben, zijn echter enthousiast om te betalen omdat de AI al geweldig is in wat zij nodig hebben.

Dit creëert een lastige situatie voor het AI-bedrijf. Als het bedrijf nu het meeste geld wil verdienen, moet het alleen verkopen aan de mensen met eenvoudige taken. Maar als het dat doet, krijgt de AI nooit de data die nodig is om te leren hoe het de complexe taken moet aanpakken. Het is als een kookschool die alleen studenten accepteert die willen leren water koken; de school verdient geld, maar de studenten leren nooit hoe ze een gastronomisch maaltijd moeten koken.

Het artikel stelt vast dat deze spanning leidt tot twee zeer verschillende toekomsten voor de economie:

De Convexe Takeoff (Het Gelukkige Pad): Als de AI heel snel leert van het uitvoeren van complexe taken, realiseert het bedrijf zich uiteindelijk dat het de moeite waard is om de prijzen te verlagen om de complexe-taak-werkers aan te trekken. Naarmate meer van deze werkers zich aansluiten, wordt de AI zelfs sneller beter in complexe taken, wat weer nog meer werkers aantrekt. Dit creëert een "convexe" curve — een langzame start die plotseling omhoog schiet, wat leidt tot snelle banenvervanging naarmate de AI de moeilijke zaken beheerst.
De Leerval (Het Vastgelopen Pad): Als de AI beter leert van eenvoudige taken, of als er zeer weinig mensen met complexe taken zijn, zal het bedrijf de complexe-taak-werkers blijven negeren om de korte-termijnwinsten te maximalen. De AI wordt geweldig in het koken van water, maar leert nooit hoe het een gastronomisch maaltijd moet koken. Het resultaat? De AI-adoptie blijft traag, en mensen blijven de complexe banen nog lange tijd uitvoeren.

Het Concurrentie-effect: Meer Rivalen, Sneller Leren?

Het artikel vraagt vervolgens: wat gebeurt er als er niet slechts één AI-bedrijf is, maar twee of meer die vechten om klanten?

Je zou kunnen denken dat het verdelen van de klanten over twee bedrijven de boel vertraagt, omdat elk bedrijf minder data krijgt om van te leren. En in sommige gevallen is dat ook zo. Als de concurrentie zwak is (zoals twee bedrijven die niet echt hard vechten op prijs), eindigen ze beide met hoge prijzen. Dit houdt de complexe-taak-werkers weg, en het leren blijft traag.

Echter, het artikel laat zien dat als de concurrentie intens is — wat betekent dat de bedrijven hard vechten om de prijzen te verlagen — het verhaal verandert. Lagere prijzen maken het betaalbaar voor de complexe-taak-werkers om in te stappen. Hoewel elk bedrijf minder totale data krijgt, verandert het type data dat ze krijgen. Ze krijgen een veel groter aandeel in complexe-taak-data. Dit "taak-compositie-effect" kan de AI er zelfs sneller voor zorgen leren dan wanneer er slechts één monopolie was. De felle prijzenstrijd dwingt de bedrijven om juist de gebruikers te bedienen die het meest waardevol zijn voor het onderwijzen van de AI in de moeilijke zaken.

De Specialisatie-Twist

Ten slotte kij{%}t het artikel naar wat er gebeurt als de twee concurrerende bedrijven met verschillende sterktes beginnen. Stel je voor dat Bedrijf A van nature beter is in eenvoudige taken, en Bedrijf B van nature beter is in complexe taken.

Het model suggereert dat deze kleine initiële verschillen kunnen uitgroeien tot een enorme kloof. Bedrijf B, dat iets beter is in complexe taken, zal van nature de complexe-taak-werkers aantrekken. Terwijl het hen bedient, wordt het nog beter in complexe taken, wat weer meer van die werkers aantrekt. Dit wordt endogene specialisatie genoemd. Het is een zelfversterkende lus waarbij het bedrijf dat met een kleine voorsprong in de "moeilijke zaken" begint, uiteindelijk de hele markt domineert, ongelooflijk snel leert en de verdringing van menselijke arbeid in die complexe velden versnelt.

De Kern van het Verhaal

Dit artikel zegt niet alleen "AI zal banen overnemen." Het suggereert dat de snelheid en de richting van die overname sterk afhangen van zakelijke beslissingen.

Monopolie vs. Concurrentie: Een enkel AI-bedrijf kan vast komen te zitten in een "leerval" als het te hebzuchtig is en de complexe taken negeert om winst te maken op eenvoudige taken. Maar als de concurrentie hevig is, kan dit bedrijven dwingen om de complexe-taak-gebruikers te bedienen, wat de evolutie van de AI versnelt.
De Leerval: Als de AI traag leert van complexe taken, of als de markt wordt gedomineerd door gebruikers met eenvoudige taken, zal de AI misschien nooit leren om de moeilijke banen te doen, waardoor mensen de meest uitdagende taken nog lange tijd in handen houden.

De auteur gebruikt simulaties om deze paden aan te tonen. De resultaten zijn geen garantie voor de toekomst, maar ze benadrukken een cruciale afweging: de drang om vandaag geld te verdienen kan soms het leren vertragen dat de AI morgen nuttig zou maken voor de moeilijkste problemen. Of we een snelle, convexe takeoff krijgen of een trage, vastgelopen leerval, hangt af van hoe de markt is gestructureerd en hoe goed de AI leert van de moeilijke taken die het tegenkomt.

Technische Samenvatting: Pricing Intelligence: Taakgebaseerd Leren en Arbeidsverplaatsing in de AI-economie

Probleemstelling
Dit artikel onderzoekt de determinanten van de snelheid en richting van het leren van Kunstmatige Intelligentie (AI), met een specifieke focus op hoe de strategische prijsincentives van AI-aanbieders en marktconcurrentie het traject van AI-capaciteiten en de daaropvolgende arbeidsverplaatsing vormgeven. De centrale economische spanning die wordt geïdentificeerd, is dat gebruikers met een hoog aandeel complexe taken de meest waardevolle zijn voor het bevorderen van de frontier-capaciteiten van AI (via taakspecifieke leersignalen), maar tegelijkertijd het minst bereid zijn om te betalen voor toegang tot AI in de huidige technologische staat, waarin AI een comparatief voordeel heeft bij alleen eenvoudige taken. Omgekeerd hebben gebruikers met voornamelijk eenvoudige taken een hoge bereidheid tot betalen, maar leveren zij minder waardevolle data voor het verbeteren van prestaties bij complexe taken. Het artikel onderzoekt hoe winstmaximaliserende aanbieders deze afweging navigeren en hoe de marktstructuur (monopolie versus concurrentie) de resulterende leerdynamiek beïnvloedt.

Methodologie
De auteur hanteert een dynamisch micro-economisch model van taakgebaseerde arbeidsverplaatsing, waarbij het raamwerk van Acemoglu & Restrepo (2018) wordt uitgebreid. Het model bevat:

Agenten: Een eenheidsmassa aan gebruikers met private informatie over hun aandeel in complexe taken ( $\theta \in [0,1]$ ) en een AI-aanbieder (of aanbieders in duopolie-settings).
Taken: Taken zijn binair (eenvoudig of complex). Gebruikers voltooien taken met behulp van ofwel arbeid, ofwel AI.
Technologie & Leren: AI-capaciteiten ( $b_{e,t}$ voor eenvoudige, $b_{d,t}$ voor complexe taken) evolueren endogeen. Leren is taakspecifiek: de AI verbetert in een categorie taak proportioneel aan het volume van dat specifieke type taak dat door de gebruikersbasis wordt voltooid. De efficiëntie van het leren wordt beheerst door parameters $\rho_e$ en $\rho_d$ .
Prijsstelling: Aanbieders stellen toegangsprijzen (of cutoffs) vast om statische, myope winsten te maximaliseren. Gebruikers selecteren zichzelf op basis van bereidheid tot betalen, die afneemt naarmate $\theta$ stijgt onder de aanname dat AI momenteel superieur is bij eenvoudige taken maar inferieur bij complexe taken.
Marktstructuren: De analyse verloopt via drie benchmarks:
1. Monopolie: Een enkele aanbieder stelt prijzen vast.
2. Symmetrische Concurrentie: Twee identieke aanbieders concurreren met overstapkosten.
3. Asymmetrische Concurrentie: Twee aanbieders met initiële comparatieve voordelen in verschillende taalcategorieën.

Kernbijdragen
Het artikel draagt bij aan de literatuur over de economische effecten van AI door strategische prijsstelling te integreren met endogeen, taakspecifiek leren. In tegenstelling tot eerdere werken die AI-capaciteiten als exogeen behandelen of zich uitsluitend richten op screening en welvaart, koppelt dit model expliciet de prijsbeslissingen van de aanbieder aan de samenstelling van de datapool, waardoor de richting van het AI-leren wordt bepaend. Het contrasteert met consumptiegebaseerde leermodellen waarbij leren enkel afhangt van transactievolume, en niet van de heterogeniteit van de consumentenbasis.

Belangrijkste Resultaten

Monopolie Benchmark: Convexe Takeoff versus Leertraps
In een monopolistische setting genereert de spanning tussen statische winstmaximalisatie en complexe-taak-leren twee verschillende dynamische paden:

Convexe Arbeidsverplaatsing: Als de efficiëntie van complex-taak-leren ( $\rho_d$ ) voldoende hoog is ten opzichte van eenvoudig-taak-leren ( $\rho_e$ ), breidt de AI-aanbieder de toegang uiteindelijk uit naar gebruikers met een hoge concentratie complexe taken. Naarmate de AI beter wordt in complexe taken, neemt de bereidheid tot betalen van deze gebruikers toe, wat een positieve feedbackloop creëert die adoptie en arbeidsverplaatsing op convexe wijze versnelt.
Leertraps (Learning Traps): Als eenvoudig-taak-leren relatief efficiënt is of de distributie van gebruikers van het type is sterk rechts-scheef (weinig complexe-taak gebruikers), rantsooneert de aanbieder de toegang optimaal om rentes te extraheren van gebruikers met eenvoudige taken. Dit sluit de zeer gebruikers uit die noodzakelijk zijn voor complex-taak-leren, waardoor het comparatieve voordeel van AI bij eenvoudige taken verder wordt vergroot. Dit resulteert in een "leertrap" waarbij complex-taak-leren en arbeidsverplaatsing traag blijven of stagneren.

Symmetrische Concurrentie: Datafragmentatie versus Taakcompositie
De overgang van monopolie naar symmetrische concurrentie introduceert twee tegenwerkende effecten:

Datafragmentatie: Elke aanbieder ontvangt minder totale data, wat het algehele leren vertraagt.
Taakcompositie: Concurrentie verlaagt de prijzen, waardoor de gebruikersbasis wordt uitgebreid naar meer complexe-taak-intensieve gebruikers. Dit verschuift de compositie van de data naar complexe taken.
Netto Effect: Als de concurrentie voldoende intens is (lage overstapkosten), domineert het taakcompositie-effect. De verhoogde relatieve snelheid van complex-taak-leren versnelt de algehele snelheid van AI-adoptie en arbeidsverplaatsing vergeleken met de monopolie-benchmark. Als de concurrentie zwak is, kan het datafragmentatie-effect domineren, wat de adoptie vertraagt.

Asymmetrische Concurrentie: Endogene Specialisatie
Wanneer aanbieders over initiële asymmetrische capaciteiten beschikken (de een beter in eenvoudige taken, de ander in complexe taken), kunnen kleine initiële verschillen zich in de loop van de tijd versterken. De aanbieder met een initieel voordeel in complexe taken trekt een disproportioneel aandeel aan complexe-taak-intensieve gebruikers aan. Dit genereert een feedbackloop waarbij de aanbieder sneller leert bij complexe taken, wat de aantrekkingskracht voor dit segment verder vergroot. Deze endogene specialisatie versnelt de snelheid van complex-taak-leren en arbeidsverplaatsing sterker dan in symmetrische scenario's.

Betekenis en Claims
Het artikel claimt aan te tonen dat de snelheid en richting van AI-leren niet louter functies zijn van technologisch potentieel, maar endogeen worden bepaald door marktincentives. Het voert aan dat:

Winstmaximalisatie onbedoeld de ontwikkeling van AI-capaciteiten in hoogwaardige, complexe domeinen kan vertragen als de directe monetarisering van eenvoudige taken lucratiever is.
Marktstructuur een cruciale rol speelt: intense concurrentie kan paradoxaal genoeg de verdringing van arbeid versnellen door aanbieders te dwingen de gebruikers te bedienen (complexe-taak-intensief) die momenteel de minst winstgevende maar meest kritieke zijn voor frontier-leren.
De dynamiek van AI-adoptie niet-lineair is; deze kan een convexe takeoff vertonen of vast komen te zitten in leertraps, afhankelijk van de relatieve efficiëntie van het leren over verschillende taaltypen en de distributie van gebruikersbehoeften.

De analyse suggereert dat het pad van AI-gestuurde arbeidsverplaatsing afhankelijk is van de wisselwerking tussen prijsstrategieën, de compositie van de gebruikersbasis en de specifieke leer-efficiënties van verschillende categorieën taken.

De Grote AI-Leercurve

De AI-Prijskaart en de Leerval

Het Concurrentie-effect: Meer Rivalen, Sneller Leren?

De Specialisatie-Twist

De Kern van het Verhaal

Meer zoals dit