Onderzoek
Dalende werkgelegenheid onder Nederlandse jongeren die concurreren met GenAI
Kunstmatige intelligentie kan in theorie de taken van werkenden overnemen, en daarmee de werkgelegenheid beïnvloeden. In de Verenigde Staten zijn de eerste arbeidsmarkteffecten al zichtbaar, maar hoe zit dat in Nederland? In beroepsgroepen die zijn blootgesteld aan automatisering door GenAI zijn minder vacatures, blijkt uit onze nieuwe arbeidsmarktstudie. Onder jongeren nam de werkgelegenheid in de meest blootgestelde beroepsgroepen afgelopen jaren bovendien sterk af.
In het kort
Verschenen in ESB , 22 januari 2026
Sinds de introductie van ChatGPT in november 2022 woedt er volop discussie over de gevolgen van generatieve AI (GenAI), zoals ChatGPT, voor de arbeidsmarkt. Veel Nederlandse bedrijven zeggen al gebruik te maken van AI (EIB, 2025; Eurostat, 2025), en recente berichtgeving suggereert dat GenAI al de baankansen van startende accountants onder druk zet (FD, 2025). Maar concrete cijfers over de impact van GenAI op de Nederlandse arbeidsmarkt ontbreken. In de Verenigde Staten zijn die er wel: er is een voorzichtig negatief effect op de baankansen van jonge werkenden (Brynjolfsson et al., 2025).
Om inzicht te krijgen in de Nederlandse situatie inventariseren we welke beroepsgroepen het meest zijn blootgesteld aan automatisering door GenAI, en kijken voor die beroepsgroepen naar de ontwikkeling van het aantal vacatures en de werkgelegenheid. Dit is een vergelijkbare insteek als onderzoek naar de Amerikaanse arbeidsmarkt (Brynjolfsson et al., 2025).
GenAI en de arbeidsmarkt
Een beroep kan worden gezien als een bundel van taken (Acemoglu en Autor, 2011). Een groeiende literatuur probeert daarom voor afzonderlijke taken in te schatten in welke mate deze zijn te automatiseren met GenAI, om ze vervolgens te aggregeren naar beroepen. Die inschatting gebeurt op basis van menselijke input (Felten et al., 2023), GenAI-gebruikersdata (Tomlinson et al., 2025; Handa et al., 2025) of een combinatie van menselijke input en GenAI-input (Gmyrek et al., 2025; Eloundou, 2024). Vanuit dit takenperspectief op banen verwachten we dat de opkomst van GenAI sinds eind 2022, toen ChatGPT werd gelanceerd, zorgt voor minder vacatures en minder werkgelegenheid in beroepen die uit relatief veel taken bestaan die GenAI ook kan uitvoeren.
Onder deze geraakte beroepen vallen onder meer marketeers, accountants en software-ontwikkelaars (zie box 1). Deze beroepsgroepen kennen een groter aandeel werkenden met een hbo- of wo-opleiding (zie figuur 1).
Figuur 1: Relatief veel hbo-plussers in blootgestelde beroepen
In de online appendix is een volledige lijst te vinden met de beroepsgroepen die volgens de literatuur het meest concurreren met GenAI. We verwachten binnen deze beroepen met name een effect op de werkgelegenheid voor jongvolwassenen. Een andere manier om naar het automatiseringspotentieel van GenAI op beroepsniveau te kijken is namelijk door onderscheid te maken tussen gecodificeerde kennis en impliciete kennis (Ide, 2025). Gecodificeerde kennis leer je tijdens opleidingen of in trainingen, en is opgeschreven in documenten en handleidingen. Impliciete kennis bestaat juist uit praktische inzichten, die je met ervaring opdoet. GenAI benut gecodificeerde kennis, maar heeft geen impliciete kennis. Daarmee concurreert GenAI in theorie met name met jonge werkenden, die – net uit de schoolbanken – vooral gecodificeerde kennis hebben maar nog weinig praktijkervaring.
Vacatures
Het aantal vacatures voor de beroepsgroepen die het meest zijn blootgesteld aan automatisering door GenAI is de laatste jaren gaan achterlopen op de rest van de arbeidsmarkt (zie figuren 2 en 3). Tot 2023, en dus vóór de publieke introductie van ChatGPT, hield het aantal ontstane en openstaande vacatures in de meest blootgestelde beroepsgroepen ongeveer gelijke tred met andere beroepsgroepen. Maar sindsdien is zowel het aantal ontstane vacatures als het aantal openstaande vacatures aanzienlijk sneller gedaald.
Zo lag het aantal openstaande vacatures in de twaalf meest blootgestelde beroepsgroepen in het tweede kwartaal van 2025 (het jongste kwartaal waarvoor langjarige UWV-cijfers beschikbaar zijn) bijna 25% lager dan op de piek van de vacaturemarkt, eind 2022. In de 102 overige beroepsgroepen nam het aantal vacatures in dezelfde periode af met minder dan 10%. Bij elkaar gaat het in de meest blootgestelde beroepen om een daling van ruim 19.000 openstaande vacatures.
Figuur 2: Sterkere daling ontstane vacatures…
Figuur 3: …En sterkere daling openstaande vacatures
Werkgelegenheid
Vacaturecijfers kunnen we niet uitsplitsen naar leeftijd, terwijl juist nieuwkomers op de arbeidsmarkt – meestal jongvolwassenen – naar verwachting als eerste de gevolgen van de opkomst van GenAI merken. Arbeidsmarktcijfers van het Centraal Bureau voor de Statistiek (CBS) laten zien dat de werkgelegenheid onder jongeren tussen de 15 en 25 jaar afgelopen jaren sterk is teruggelopen in de beroepsgroepen die het meest gevoelig zijn voor concurrentie van GenAI (zie figuur 4). In het derde kwartaal van 2025, het meest recent beschikbare kwartaal, werkten ruim 13% minder jongeren in de meest blootgestelde beroepsgroepen, terwijl de werkgelegenheid in andere beroepsgroepen juist 3% steeg.
Bij andere leeftijden is deze kloof veel kleiner. Daar lag de werkgelegenheid in de blootgestelde beroepsgroepen in het derde kwartaal van 2025 nauwelijks lager dan in de overige beroepsgroepen – in een enkel geval zelfs hoger. Een uitzondering zijn 45- tot en met 54-jarigen: ook in deze leeftijdsgroep nam de werkgelegenheid in de meest blootgestelde beroepen relatief sterk af. Maar daar zette de daling al voor het eind van 2022 in. Bovendien is de kloof met de overige beroepsgroepen – waar het aantal werkenden door demografische krimp eveneens is afgenomen – een stuk kleiner dan voor jongeren. Ten slotte stabiliseerde de werkgelegenheid onder 45- tot en met 54-jarigen in de blootgestelde beroepen de laatste kwartalen, terwijl die onder 15- tot en met 24-jarigen juist verder afnam.
In totaal werkten in de blootgestelde beroepsgroepen in het derde kwartaal van 2025 bijna 19.000 minder 15- tot en met 24-jarigen dan in het laatste kwartaal van 2022 (voortschrijdend gemiddelde). Om dat cijfer in context te plaatsen: het totaal aantal werkloze Nederlanders nam volgens cijfers van het CBS in dezelfde tijd met 38.000 mensen toe, van wie 25.000 15- tot en met 24-jarigen. Hoewel de werkgelegenheids- en werkloosheidscijfers niet één op één vergelijkbaar zijn, is het dus niet ondenkbaar dat de opkomst van GenAI heeft bijgedragen aan de recente heropleving van de werkloosheid in Nederland.
Figuur 4: Aantal werkenden naar leeftijd en GenAI-blootstelling (index, 2022K4 = 100)
Mogelijke andere verklaringen
Om meer gevoel te krijgen voor de resultaten, verkennen we ook enkele alternatieve verklaringen voor de recente daling van de werkgelegenheid in blootgestelde beroepen onder 15- tot en met 24-jarigen. Zo is het mogelijk dat de blootgestelde beroepen oververtegenwoordigd zijn in sectoren die het de afgelopen jaren moeilijk hadden. De werkgelegenheid in de blootgestelde beroepen zou dan niet zijn gedaald vanwege concurrentie met GenAI maar door (bedrijfs)economische ontwikkelingen. Het effect op specifiek jongvolwassenen is dan te verklaren door hun rol als nieuwkomer op de arbeidsmarkt, met vaak minder baanzekerheid. De data waarover we beschikken, staan het helaas niet toe om deze alternatieve verklaring volledig uit te sluiten. Wel zien we dat enkele sectoren met een relatief hoog aandeel blootgestelde beroepen de afgelopen jaren juist relatief hard zijn gegroeid. Zo nam de toegevoegde waarde van de sector zakelijke dienstverlening sinds het laatste kwartaal van 2022 toe met 2,6%, terwijl het aantal banen onder jonge werkenden met zo’n 8% afnam. De ICT groeide in dezelfde periode met liefst 6,5%, maar zag een daling van de werkgelegenheid van zo’n 11% onder 15-24-jarigen. Een conjuncturele verklaring voor de afname in werkgelegenheid voor jongvolwassenen in beroepen die concurreren met GenAI ligt daarmee niet voor de hand.
Wellicht komt de recente afname van de werkgelegenheid onder jongeren in de beroepen die blootstaan aan substitutie door GenAI door verschuivingen in het arbeidsaanbod. Zo is het mogelijk dat het aandeel 15- tot en met 24-jarigen dat een opleiding volgt – en dus nog niet is begonnen aan een loopbaan – na 2022 is toegenomen. Waarbij misschien ook een verschuiving is geweest in opleidingsniveau: terwijl de meest blootgestelde beroepen een groter aandeel werkenden kennen met een hbo- of wo-opleiding (figuur 1), zijn 15- tot en met 24-jarigen na 2022 wellicht minder vaak hoger opgeleid. Dat alles zou een mismatch opleveren met de arbeidsvraag en een dalend aantal jonge werkenden kunnen verklaren. Dat geldt ook als jonge werkenden vaker dan vroeger een opleiding hebben gedaan in andere studierichtingen.
Maar deze alternatieve verklaringen stroken evenmin met de data die we wel hebben. Zo nam het aantal 15- tot en met 24-jarigen dat géén formeel onderwijs (meer) volgt na 2022 juist toe, blijkt uit CBS-cijfers. En het aantal jongeren met een hbo- of wo-diploma was in 2023 weliswaar lager dan in 2021 en 2022, maar lag in 2024 en 2025 volgens nationale statistieken weer net zo hoog – of zelfs hoger. Ook het afstuderen in andere studierichtingen biedt op basis van de meest recent bekende cijfers geen doorslaggevende verklaring: CBS-cijfers tot en met studiejaar 2023/2024 tonen wisselende trends. Bovendien strookt geen van deze verklaringen met de afname van vacatures in deze beroepsgroepen. Als de werkgelegenheidsdaling inderdaad door minder arbeidsaanbod komt en niet door minder arbeidsvraag, dan zou het aantal onvervulde, openstaande vacatures juist moeten stijgen. Ook zijn de resultaten robuust voor andere automatiseringspotentieelindicatoren (box 2).
Conclusie
In deze eerste verkenning zien we aanwijzingen dat GenAI mogelijk impact heeft op de Nederlandse arbeidsmarkt. Het aantal vacatures daalt harder voor de beroepsgroepen die het meest blootstaan aan concurrentie van GenAI dan voor andere beroepen. En onder jongeren is de werkgelegenheid in de blootgestelde beroepen het sterkst gedaald. Dit komt overeen met de resultaten van Brynjolfsson et al. (2025) voor de Verenigde Staten. De werkgelegenheidsdaling onder 15- tot en met 24-jarigen is in de blootgestelde beroepen in Nederland bovendien zodanig groot dat we niet uitsluiten dat de opkomst van GenAI heeft bijgedragen aan de recente stijging van het algehele werkloosheidscijfer.
Het wil niet zeggen dat GenAI een blijvend negatief effect heeft op de werkgelegenheid. Hoewel technologische vernieuwing kan leiden tot soms pijnlijke aanpassingen, heeft zij nooit geleid tot een structureel hogere werkloosheid. Het is bijvoorbeeld denkbaar dat andere sectoren, waar het personeelstekort knelt, profiteren van het ruimere arbeidsaanbod. Daarnaast is mogelijk dat, als GenAI inderdaad de productiviteit verhoogt, zij bepaalde producten of diensten minder arbeidsintensief en dus goedkoper maakt. Dit kan de vraag naar deze producten/diensten aanjagen, wat de werkgelegenheid in de blootgestelde beroepen ondersteunt (zie ook Autor, 2015). Bovendien zorgen nieuwe technologieën vaak ook weer voor nieuwe banen, die we nu nog niet kennen.
Daarom is lastig te zeggen of de recente daling van de werkgelegenheid in blootgestelde beroepsgroepen onder jongeren onderdeel is van een tijdelijk aanpassingsproces of het begin van een langere neerwaartse trend. Maar onze aanpak staat het toe om de ontwikkeling van de werkgelegenheid in blootgestelde beroepen doorlopend in de gaten te houden.
Box 1: Het schatten van het automatiseringspotentieel van GenAI
Voor alle 114 beroepsgroepen die het CBS onderscheidt, bekijken we het automatiseringspotentieel van GenAI met behulp van Gmyrek et al. (2025). Gmyrek et al. (2025) schatten het automatiseringspotentieel van GenAI op taakniveau binnen het International Standard Classification of Occupations (ISCO)-raamwerk. Hiervoor gebruiken ze een mix van survey-input, expertkennis en GenAI-input. Dit levert per viercijferig ISCO-beroep een verdeling van taakscores op tussen de nul en de een, waarmee zij een gemiddelde automatiseringsscore en standaarddeviatie per beroep berekenen. Wij zetten deze scores vervolgens om naar de Nederlandse Beroepsclassificatie zoals gebruikt door het CBS.
De scores geven in eerste instantie een bandbreedte aan van automatiseringspotentieel. Op basis van de literatuur kiezen we ervoor om beroepen met een hoge gemiddelde score (>0,7) en een lage standaarddeviatie (<0,2) te bestempelen als potentieel te automatiseren met GenAI. Een beroep met een hoge automatiseringsscore maar ook een hoge standaarddeviatie omvat namelijk bepaalde taken die GenAI niet kan uitvoeren. In zulke beroepen is GenAI daarmee complementair en geen substituut, waardoor er nar verwachting minder werkgelegenheidseffecten zullen optreden.
We vergelijken deze uitkomsten met die van twee andere recente studies als robuustheidscheck. Eloundou et al. (2024) gebruiken ook een combinatie van expertschattingen en GenAI-input om tot hun automatiseringsscores te komen voor taken en beroepen, binnen het Amerikaanse Standard Occupation Classification (SOC)-raamwerk. Felten et al. (2023) kiezen voor vaardigheden in plaats van taken als de bouwsteen voor hun aanpak. Voor verschillende AI-toepassingen bepalen zij, met behulp van crowdsourcing en expertkennis, de mate waarin deze toepassingen matchen aan vaardigheden die binnen de Amerikaanse Occupational Information Network (O*NET)-database aan beroepen worden toegeschreven. Beide studies leveren automatiseringsscores op die we ook omzetten naar de beroepsclassificatie van het CBS en normaliseren.
Vervolgens vergelijken we de scores uit de drie studies. De correlatie tussen de drie scores is hoog (zie tabel 1). Verder verschillen de verdere resultaten in deze studie niet wezenlijk wanneer we kiezen voor een van de twee alternatieve methodologieën.
Tabel 1: Correlatie tussen verschillende methoden
Literatuur
Acemoglu, D., & Autor, D. H. (2011). Skills, tasks and technologies: Implications for employment and earnings. In O. Ashenfelter & D. Card (Eds.), Handbook of labor economics (Vol. 4B, pp. 1043–1171).
Autor, David H. 2015. "Why Are There Still So Many Jobs? The History and Future of Workplace Automation." Journal of Economic Perspectives, 29 (3): 3–30.
Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the coal mine? six facts about the recent employment effects of artificial intelligence. Stanford Digital Economy Lab. Published August.
EIB (2025). EIB Investment Survey 2025.
Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306-1308.
Eurostat (2025). Use of artificial intelligence in enterprises.
FD (2025). PwC ziet arbeidsmarkt veranderen en neemt minder nieuwe mensen aan.
Felten, E. W., Raj, M., & Seamans, R. (2023). Occupational heterogeneity in exposure to generative AI. Available at SSRN 4414065.
Gmyrek, P., Berg, J., Kamiński, K., Konopczyński, F., Ładna, A., Nafradi, B., ... & Troszyński, M. (2025). Generative AI and jobs: A refined global index of occupational exposure (No. 140). ILO Working Paper.
Handa, K., Tamkin, A., McCain, M., Huang, S., Durmus, E., Heck, S., ... & Ganguli, D. (2025). Which economic tasks are performed with ai? evidence from millions of claude conversations. arXiv preprint arXiv:2503.04761.
Ide, E. (2025). Automation, AI, and the Intergenerational Transmission of Knowledge. arXiv preprint arXiv:2507.16078.
Tomlinson, K., Jaffe, S., Wang, W., Counts, S., & Suri, S. (2025). Working with AI: Measuring the occupational implications of generative AI. arXiv preprint arXiv:2507.07935.