Gepubliceerd op 16 april 2025 · Bijgewerkt op 3 september 2026 · Herschreven op 31 augustus 2026 · 31 min leestijd

De verborgen kosten van AI-gemak

Onlangs beoordeelde ik een pull request voor een feature die gewoon werkte. Op de pagina zag alles er goed uit en de feature deed wat ervan werd gevraagd. Het probleem werd pas zichtbaar toen ik bekeek hoe de code in de rest van het systeem was ingepast. Er was state toegevoegd waar we functies eerder bewust zuiver hielden. Sommige data waren globaal opgeslagen terwijl ze binnen één module thuishoorden. Andere data waren juist lokaal gehouden terwijl het bredere systeem er eigenaar van moest zijn. Er was niets overduidelijk kapot. Vanuit technisch oogpunt klopte de verdeling van verantwoordelijkheden alleen niet meer. Ontwikkelaars maakten zulke fouten ook al voor generatieve AI. State een goede plek geven is lastig, zeker wanneer iemand nog geen mentaal model van de codebase heeft opgebouwd. Wat wel veranderde, was de snelheid en schaal waarmee een verkeerd idee kon uitgroeien tot een implementatie die voltooid leek. Het is alsof je iemand een motor geeft terwijl die eerst een fiets had. Diegene komt een stuk verder voordat een reviewer hem inhaalt, ook als hij de verkeerde kant op rijdt.

AI veranderde ook wat er na een review gebeurde. Vroeger bleef een structureel probleem soms staan omdat het werk al achterliep en herschrijven te veel kostte. Nu kan de maker mijn feedback aan een AI-systeem voeren en vrijwel meteen met een nieuwe implementatie terugkomen. Dat klinkt als vooruitgang en soms is het dat ook. Alleen is een nieuwe versie genereren goedkoop, terwijl beoordelen dat niet is. Ik moet de nieuwe wijziging nog steeds doorgronden, vaststellen of het oorspronkelijke probleem is opgelost en controleren of dezelfde fout niet ergens anders is teruggekomen. Lastiger nog is dat zo’n nieuwe versie het kennisverschil tussen mij en de maker niet per se verkleint. Als diegene niet begreep waarom het eerste ontwerp verkeerd was, kan mijn uitleg veranderen in de volgende instructie aan het model in plaats van een kans om dat inzicht op te bouwen. Is de volgende poging weer niet goed, dan wijs ik die opnieuw af. Goedkoop genereren kan zo een stapel uitwerkingen opleveren waarin hetzelfde onopgeloste meningsverschil telkens terugkomt.

Ook mijn eigen werk is hierdoor veranderd. Ik schrijf zelf nog maar weinig code. Het grootste deel van mijn tijd gaat naar het plannen en beoordelen van werk dat met AI is gemaakt. Ik zoek bijvoorbeeld uit waar datamodellen moeten veranderen of bepaal of een functionele wijziging in dit systeem thuishoort of in een ander. De implementatie gaat sneller, maar de beoordeling blijft begrensd door de snelheid waarmee iemand het werk kan begrijpen. Als dit doorzet, wordt de review het knelpunt. Er is ook een minder zichtbare prijs. Architectuurafspraken steeds opnieuw verdedigen kost technische inspanning en sociale energie. Als niemand anders zich druk lijkt te maken om het kwaliteitsverlies, wordt het verleidelijk om meer door te laten. Je kunt de hogere output makkelijk productiviteit noemen. Er worden meer features gebouwd, nieuwe versies volgen elkaar sneller op en werk dat vroeger veel tijd kostte, rolt nu in minuten uit een model. Vanaf mijn plek is een deel van de rekening alleen verplaatst. Die belandt bij reviews en herstelwerk, en in een groeiende afhankelijkheid van de paar mensen die nog begrijpen en belangrijk vinden hoe alles samenhangt.

Dit artikel gaat over die verschuiving. Slechte code is niet het grootste gevaar. Werknemers die handig gereedschap gebruiken schieten evenmin moreel tekort. Het probleem ontstaat wanneer geslaagde output losraakt van begrip. Dan kunnen twee vormen van afhankelijkheid tegelijk groeien. Werknemers worden sneller, maar verliezen een deel van hun vermogen om het werk te beoordelen of zonder hulp door te gaan. Hun werkgever produceert meer, terwijl de kennis om van koers te veranderen binnen de organisatie schaars wordt. Als een externe leverancier eigenaar is van het systeem dat het ontbrekende vermogen levert, heeft de organisatie haar afhankelijkheid van vakmensen niet opgeheven. Ze heeft die ingeruild voor een afhankelijkheid waarover haar werknemers nog minder kunnen onderhandelen. Deze ontwikkeling volgt uit keuzes over opleiding, werk en eigendom. Ze is geen onvermijdelijk gevolg van AI-gebruik.

Output is nog geen zelfstandig vermogen

De pull request maakte een verschil zichtbaar dat makkelijk verdwijnt wanneer we werk alleen afmeten aan wat er wordt opgeleverd. Een taak afronden betekent dat je met beschikbare hulp een aanvaardbaar resultaat produceert. Zelfstandig vermogen betekent dat je kunt uitleggen waarom het resultaat werkt, de aannames erachter kunt toetsen, het kunt aanpassen wanneer de situatie verandert en het kunt herstellen als het misgaat. AI kan het eerste verbeteren zonder iets aan het tweede toe te voegen. Een werkende feature zegt mij daardoor minder over het begrip van de ontwikkelaar dan vroeger. De code kan goede keuzes bevatten, maar ik kan niet zien wie die keuzes heeft gemaakt en of degene die de code indient herkent wanneer ze niet langer gelden.

Onderzoek naar leren vindt dit verschil inmiddels ook buiten softwareontwikkeling. Hamsa Bastani en haar collega’s gaven in een experiment bijna duizend middelbare scholieren toegang tot GPT-4 tijdens het oefenen met wiskunde. Met hulp presteerden de leerlingen beter. Zodra die hulp wegviel, deden ze het slechter dan leerlingen die zonder AI hadden geoefend. Een beperktere digitale bijlesdocent, die leerlingen begeleidde zonder de antwoorden zomaar voor te zeggen, voorkwam dit nadeel grotendeels. Dat bewijst niet dat elk gebruik van AI het leren verzwakt. Het laat wel zien dat goede resultaten tijdens begeleide oefeningen niet aantonen dat iemand de kennis voor later zelfstandig werk heeft opgedaan. De inrichting van de hulp maakt verschil. (Bastani et al., Generative AI Can Harm Learning) Een klein onderzoek onder softwareontwikkelaars liet iets vergelijkbaars zien in een omgeving die dichter bij mijn werk ligt. Judy Hanwen Shen en Alex Tamkin lieten 52 ontwikkelaars een onbekende Python-library leren. De groep met AI-hulp scoorde later 17 procent lager op begripsvragen, code lezen en fouten opsporen. De gemiddelde tijdwinst was statistisch niet significant. De manier waarop mensen het hulpmiddel gebruikten bleek belangrijk. Wie het werk grotendeels uitbesteedde, was soms eerder klaar maar leerde minder. Actiever om uitleg vragen pakte minder ongunstig uit. Het experiment duurde één uur en had weinig deelnemers, dus het zegt niet wat er over een hele loopbaan gebeurt. Het toont wel dat code produceren met een library en een mentaal model van die library opbouwen twee verschillende prestaties zijn. (Shen and Tamkin, How AI Impacts Skill Formation) Dat verschil kan ook bepalen wat iemand doet zodra de hulp verdwijnt. In gerandomiseerde experimenten met 1222 deelnemers verbeterde AI eerst de prestaties bij wiskundig redeneren en begrijpend lezen. Zonder AI presteerden de deelnemers daarna slechter en gaven ze moeilijke opdrachten eerder op. Ze waren slechts ongeveer tien minuten aan de hulp blootgesteld, dus conclusies over blijvend gedrag op het werk zijn voorbarig. Toch wijst het resultaat op een prijs die je niet in productiecijfers terugziet. Hulp kan niet alleen veranderen of iemand weet hoe die verder moet, maar ook of diegene lang genoeg volhoudt om daarachter te komen. (Liu et al., AI Assistance Reduces Persistence and Hurts Independent Performance)

Daarmee is AI niet per definitie een slechte docent. Een jongere collega wil meer leren over full-stackontwikkeling en gebruikt AI voor eigen projecten. Hij ziet het als een mentor aan wie hij vragen kan stellen, niet als een machine die het project voor hem uitvoert. Dat vind ik een van de aantrekkelijkste toepassingen. Hij kan meteen doorvragen, om een andere uitleg vragen en onderwerpen verkennen waarvoor niet altijd een menselijke mentor beschikbaar is. Mijn twijfel zit ergens anders. Een leerling kan alleen vragen stellen vanuit wat hij al begrijpt. Een goede mentor merkt dat een vraag op een verkeerde aanname rust, kiest een nuttiger vervolgprobleem of laat de leerling eerst zelf met de stof worstelen. Een meegaand systeem kan binnen het denkkader van de leerling blijven, inclusief de blinde vlekken waarvoor die leerling nog geen woorden heeft.

Ik pleit er niet voor om inspanning omwille van de inspanning te behouden, of om vakmensen zonder gereedschap te laten werken. Ervaren ontwikkelaars gebruiken altijd al documentatie, libraries, zoekmachines, collega’s en code die ze niet zelf schreven. De vraag is of er na het gebruik van een hulpmiddel genoeg begrip overblijft om zelf te oordelen wanneer het antwoord onvolledig of fout is. Voor een ontwikkelaar is vaststellen dat een programma draait niet genoeg. Die moet state kunnen volgen, zien waar verantwoordelijkheden thuishoren, problemen voorzien en uitleggen waarom een wijziging in het grotere systeem past. Zonder die kennis kan output met hulp precies op zelfstandig vermogen lijken, tot het moment waarop iemand er verantwoordelijkheid voor moet nemen.

De mens als nieuw knelpunt

Bij verantwoordelijkheid loopt de schijnbare efficiëntie tegen haar grens aan. Een model kan in minuten een nieuwe implementatie maken, maar iemand moet nog steeds reconstrueren wat die doet en op welke aannames die rust voordat duidelijk is of die in het grotere systeem past. Naarmate er meer werk wordt gegenereerd, wordt het maken van een aannemelijke wijziging minder schaars. De aandacht van mensen die het verschil zien tussen code die werkt en code die je zou moeten accepteren, wordt juist schaarser. Dat lijkt op een probleem dat Lisanne Bainbridge al in 1983 beschreef. Ontwerpers automatiseren de taken die een systeem aankan en laten mensen toezicht houden en uitzonderingen oplossen. Door mensen uit de dagelijkse uitvoering te halen, ontnemen ze hun tegelijk de oefening en actuele kennis die ze nodig hebben zodra iets ongewoons gebeurt. De mens blijft verantwoordelijk voor het deel waar automatisering het zwakst is, precies wanneer deskundig ingrijpen het hardst nodig is. (Lisanne Bainbridge, Ironies of Automation) In software kan AI de routinewijzigingen produceren, terwijl ontwikkelaars een botsing in de architectuur moeten herkennen, een incident moeten onderzoeken of de boel moeten herstellen wanneer de gegenereerde oplossing buiten haar bekende kader belandt. In een enquête onder 319 kenniswerkers zeiden deelnemers dat kritisch denken verschoof. Minder informatie verzamelen en taken uitvoeren, meer informatie controleren, antwoorden samenvoegen en toezicht houden op het resultaat. Het werk verandert dus, maar het onderzoek toont niet aan dat werknemers beter werden in die nieuwe verantwoordelijkheden. Het legde hun eigen ervaringen vast en de auteurs waarschuwen dat deelnemers minder moeite voor de taak soms verwarden met minder inspanning voor kritisch denken. Wie meer vertrouwen had in AI rapporteerde minder kritisch denkwerk. Wie meer vertrouwen had in het eigen vermogen om de taak uit te voeren en te beoordelen, rapporteerde juist meer. Controleren lukt dus alleen met kennis die ook zonder het hulpmiddel bestaat. (Lee et al., The Impact of Generative AI on Critical Thinking) In software kunnen tests die vanuit een opdracht zijn geschreven de implementatie op de proef stellen. Tests die pas na het lezen van de implementatie zijn gegenereerd, kunnen dezelfde aannames overnemen. Een preprint uit 2026 vond dat fouten in gegenereerde code konden doorwerken in tests die op basis van die code waren gemaakt. Het lijkt dan alsof er een onafhankelijke controle plaatsvindt, terwijl die er niet is. AI-tests zijn daarmee niet waardeloos. Een extra opdracht aan een model, of zelfs een extra agent, beantwoordt alleen niet wie het verwachte gedrag heeft bepaald en of diegene de gevolgen buiten de testgevallen begreep. (Konstantinou, Tambon en Papadakis, On the risk of coding before testing)

Menselijke goedkeuring wordt niet sterker enkel omdat een proces erom vraagt. Een reviewer heeft de kennis nodig om een probleem op te sporen, de tijd om het te doorgronden en het gezag om werk af te wijzen dat er voltooid uitziet. Zelfs wanneer collega’s mijn oordeel aanvaarden wanneer ik aandring, kost dat aandringen energie. Ik moet uitleggen waarom werkende code toch fout is, om een nieuwe versie vragen en het risico lopen de oplevering te vertragen. Als het hooghouden van een kwaliteitsnorm telkens de particuliere last van één persoon wordt, kiest diegene uiteindelijk welke discussies de moeite nog waard zijn. Ik heb geleerd sommige zaken te laten passeren wanneer niemand anders zich druk lijkt te maken over het resulterende kwaliteitsverlies. De deskundigheid blijft bestaan, maar de organisatie profiteert minder van de zorg die die deskundigheid kan bieden. Wanneer reviewmoeheid tot stille overgave leidt, stopt de schade niet bij de repository. De junior ontwikkelaar van wie de wankele pull request uiteindelijk wordt gemerged, krijgt de foutieve bevestiging dat het ontwerp klopte. De sprintcijfers tonen een snelle oplevering, maar de kans om een mentaal model op te bouwen is vervlogen. Zo brengt een bedrijf geleidelijk een lichting programmeurs voort die een agent door een opdracht kan loodsen, maar die nooit heeft geleerd een datamodel te verdedigen of een subtiele toestandscorruptie te ontwarren zonder dat een machine de antwoorden formuleert.

Vroeg onderzoek naar open-sourceontwikkeling met AI-ondersteuning suggereert dat deze verschuiving verder reikt dan mijn eigen ervaring. Een working paper stelde vast dat minder ervaren bijdragers na de introductie van codeerhulp meer code leverden die herstelwerk vereiste, terwijl ervaren kernontwikkelaars 6,5 procent meer code beoordeelden en 19 procent minder oorspronkelijke code schreven. Het onderzoek is recent en beperkt tot de waargenomen projecten, dus het bewijst niet dat AI ieder softwareteam minder productief maakt. Het legt wel een prijs bloot die metingen van gegenereerde code of afgeronde functies over het hoofd zien. Sneller produceren door de ene groep kan de tijd van een andere groep opslokken via review, integratie en onderhoud. (Xu et al., AI-assisted Programming May Decrease the Productivity of Experienced Developers by Increasing Maintenance Burden) Dit is niet slechts een klacht dat ervaren ontwikkelaars nu meer werk beoordelen. Review is altijd al onderdeel geweest van samenwerken aan software, en toegankelijkere implementatie stelt meer mensen in staat bij te dragen. Het probleem ontstaat wanneer een organisatie de extra productie meet zonder rekening te houden met het oordeel dat nodig is om die bruikbaar te maken. Genereren kan sneller schalen dan begrip, terwijl de mensen die dat begrip leveren minder code schrijven, meer verantwoordelijkheid dragen en meer sociale energie besteden aan het verdedigen van beslissingen die de rest van het proces niet langer aanleert. Wat begint als een individuele kenniskloof, groeit uit tot een organisatorische afhankelijkheid van een slinkend knelpunt.

Wanneer een bedrijf zijn oordeelsvermogen kan uitbesteden

Een organisatie ontkomt niet aan dit knelpunt door meer capaciteit van buiten in te kopen. Wesley Cohen en Daniel Levinthal gebruikten het begrip “absorptive capacity” voor het vermogen van een onderneming om de waarde van externe kennis te herkennen, te begrijpen en toe te passen. Hun stelling was dat dit vermogen afhangt van verwante kennis die al binnen het bedrijf aanwezig is. Intern onderzoek levert dus meer op dan alleen uitvindingen. Het leert een organisatie ook genoeg om ontdekkingen van elders op waarde te schatten. Later onderzoek naar de implementatie van AI trekt een vergelijkbare conclusie. Een model combineren met echt werk vereist technische kennis, domeinkennis en inzicht in de organisatie waarin het moet functioneren. Toegang tot een AI-systeem kopen heft die eisen niet op. Het kan ze verbergen tot het moment waarop de organisatie moet bepalen of het systeem ernaast zit. (Cohen en Levinthal, Absorptive Capacity: A New Perspective on Learning and Innovation) (Weber et al., Organizational Capabilities for AI Implementation)

Die onderzoeken tonen aan dat externe kennis nog steeds interne kennis vereist. Ze bewijzen niet dat generatieve AI al een langdurige achteruitgang van organisatorisch vermogen heeft veroorzaakt. Het gevaar dat ik zie, is een keten die kan ontstaan wanneer een bedrijf geholpen productie beloont, maar het werk waardoor mensen leren oordelen niet beschermt. Naarmate een AI-systeem meer implementatiewerk overneemt, nemen minder medewerkers deel aan de afwegingen waardoor kennis over het werk ontstaat. Wat rest kan zich concentreren bij reviewers die minder tijd hebben om te produceren, doceren en documenteren, omdat ze een groeiende stroom output controleren. De organisatie kan op korte termijn meer leveren en tegelijk slechter worden in het beoordelen of het hulpmiddel bij het werk past en wat er herbouwd moet worden als het systeem wegvalt. Het hulpmiddel vervangen lijkt dan steeds duurder. De mensen die zo’n vervanging kunnen leiden, zijn druk met het overeind houden van de huidige situatie, terwijl de rest is ingericht rond het gebruik ervan. De overstapkosten beperken zich niet langer tot een contract of interface. Ze omvatten kennis die het bedrijf schaars liet worden.

Deze uitgestelde prijs valt makkelijk over het hoofd te zien, omdat de ervaren krachten van nu hun oordeelsvermogen onder een eerdere opzet ontwikkelden. Zij kunnen gegenereerd werk beoordelen, zelfs als minder jonge krachten deelnemen aan de beslissingen, fouten en correcties waardoor dat oordeelsvermogen groeide. Routinematige instapopdrachten zijn niet waardevol enkel omdat ze traag verlopen, en die automatiseren hoeft leren niet te blokkeren. De organisatie moet wel een andere route naar het complete werk bieden. Mensen moeten betekenisvolle taken proberen, zien wat volgt op een besluit en correctie krijgen voordat ze geleidelijk verantwoordelijkheid nemen. Onderzoek naar leren op de werkplek beschrijft hoe beroepskennis groeit door deelname aan reële situaties en gemeenschappen van ervaren vakmensen, inclusief kennis die niet via instructies alleen is over te dragen. (Sappa en Aprea, Both novice and expert?) (Aarkrog, Stories of Learning) Als gegenereerde productie die deelname vervangt terwijl werknemers scholing tussen de leveringen door moeten persen, kan een bedrijf deskundigheid opmaken zonder die te vernieuwen. Dat is mijn interpretatie van hoe het leeronderzoek en het organisatorische bewijs samenkomen. Geen hier aangehaald langlopend onderzoek heeft die hele keten aangetoond. Het is een waarschuwing voor wat een bedrijf mogelijk maakt wanneer het praktijkervaring schrapt zonder een andere route naar zelfstandig oordeel te financieren.

Evenmin bepaalt technische efficiëntie wat een organisatie met de gewonnen capaciteit doet. Als geautomatiseerd werk half zoveel tijd kost, kan de besparing worden gebruikt voor meer contact met cliënten, betaalde scholing of kortere werkdagen. Ze kan ook worden gebruikt voor meer werk, meer cliënten of minder personeel. Het hulpmiddel kiest niet tussen die uitkomsten. Budgetten, doelen en zeggenschap doen dat. De vergelijking met het rebound-effect in energieverbruik is bruikbaar zolang ze een analogie blijft. Wanneer efficiëntie een dienst goedkoper maakt, kan de vraag ernaar stijgen en een deel van de verwachte besparing tenietdoen. De omvang van dat effect verschilt, en energieonderzoek bewijst niet dat AI iedere werklast zal vergroten. Het laat wel zien waarom een technische besparing niet moet worden verward met een maatschappelijk besluit over de bestemming ervan. (Gillingham, Rapson en Wagner, The Rebound Effect and Energy Efficiency Policy) Daarom is medewerkers vertellen dat ze mogen experimenteren niet hetzelfde als investeren in hun vermogen om AI goed te benutten. Leren vereist betaalde tijd, toegang tot ervaren collega’s en de ruimte om beslissingen traag genoeg te nemen om ze te begrijpen. Zonder die investeringen draagt de werknemer de aanpassingskosten, terwijl de organisatie de extra productie opstrijkt. Een onderneming kan toegang tot een hulpmiddel dan aanzien voor bezit van een bekwaamheid, net zoals ze afgerond werk kan aanzien voor een deskundige medewerker. In beide gevallen bestaat de moeilijke kennis nog ergens. De vraag is wie haar vasthoudt, wie betaalt voor het onderhoud en wie macht verwerft wanneer de rest afhankelijk is van toegang.

Productiviteit kan stijgen terwijl werknemers macht verliezen

Die vraag verdwijnt makkelijk wanneer een onderzoek productiewinst meldt. Erik Brynjolfsson, Danielle Li en Lindsey Raymond onderzochten ruim 5000 klantenservicemedewerkers na de introductie van een AI-assistent. Het aantal afgehandelde kwesties per uur steeg met ongeveer 15 procent, met de grootste winst onder beginnende en lager presterende werknemers. Klanten behandelden medewerkers ook beter. Dat zijn reële verbeteringen. Het systeem lijkt werkwijzen uit succesvolle ondersteuningsgesprekken beschikbaar te hebben gemaakt voor mensen die die nog niet door ervaring hadden opgedaan. Het verhoogde hun prestaties tijdens het gebruik. Het onderzoek toetste niet of die medewerkers de kennis zonder assistent behielden, of hun lonen stegen of dat ze meer zeggenschap over hun werk kregen. (Brynjolfsson, Li en Raymond, Generative AI at Work) Een hogere productie bij minder ervaren werknemers kan het zichtbare verschil met meer ervaren collega’s verkleinen. Dat zegt ons niet wat er precies is samengedrukt. Werknemers kunnen bekwamer zijn geworden, of het hulpmiddel levert het deel van de bekwaamheid dat hen voorheen onderscheidde.

Mijn interpretatie is dat werkgevers en klanten op die zichtbare samendrukking kunnen reageren voordat ze weten of het begrip samen met de output is toegenomen. Een onderzoek uit 2026 onder 49.610 actieve freelancers op Upwork liet zien dat opdrachtgevers in categorieën met een hogere AI-blootstelling na ChatGPT minder gewicht toekenden aan opleiding, arbeidsverleden, reputatie en profielgegevens, terwijl de prijs belangrijker werd. De vraag verschoof naar goedkopere krachten en het voordeel van freelancers met een sterker profiel nam af. Dit betreft één online marktplaats en het artikel is nog een preprint. Het bewijst niet dat AI de werknemers even deskundig maakte of dat iedere opdrachtgever hen als inwisselbaar beschouwde. Het toont een markt die zich gedraagt alsof eerdere signalen van ervaring er minder toe deden. Dat is de verbinding die ik leg tussen samengedrukte output en een zwakkere onderhandelingspositie. (Siddiq en Zhang, Human Capital, AI, and Labor Commoditization)

Waar AI direct werk vervangt dat via een platform wordt verkocht, is het verlies al duidelijker zichtbaar. Özge Demirci, Jonas Hannane en Xinrong Zhu stelden in de acht maanden na ChatGPT een relatieve daling van 21 procent vast in opdrachten voor schrijf- en codeerwerk dat vatbaar is voor automatisering, vergeleken met werk dat handmatige vaardigheden vereist. Hulpmiddelen voor beeldgeneratie werden gevolgd door een daling van 17 procent in opdrachten voor beeldcreatie. Het resterende blootgestelde werk was complexer en beter betaald, maar de concurrentie eromheen nam toe. Dit beschrijft niet de hele arbeidsmarkt. Het laat zien wat er gebeurt in een markt waar opdrachtgevers een ingekochte taak snel kunnen vervangen of minder mensen kunnen vragen die uit te voeren. Minder kansen verzwakken de uitwijkmogelijkheden van een werknemer, en die doen ertoe omdat het vermogen om een loon te weigeren of naar een andere baan te vertrekken mede bepaalt welk deel van de productiewinst de werknemer kan opeisen. (Demirci, Hannane en Zhu, Who Is AI Replacing?) Een recente working paper van José Azar, Mireia Giné en Javier Sanz-Espín legt dat verband directer. Een grotere blootstelling aan generatieve AI hing samen met lagere geadverteerde lonen en aanvangslonen, minder baanoverstappen en een zwakkere neiging om vanwege het loon te vertrekken. De auteurs interpreteren dit als bewijs voor grotere werkgeversmacht op de arbeidsmarkt. Het artikel is in augustus 2026 herzien en nog niet collegiaal getoetst, dus het moet worden gelezen als opkomend bewijs in plaats van een definitieve schatting. (Azar, Giné en Sanz-Espín, The Wage Effects of Generative AI)

Het bewijs voor de gehele economie is minder eenduidig. Onderzoek dat enquêtes over AI-gebruik koppelde aan Deense arbeidsmarktgegevens vond brede adoptie en gemelde veranderingen in het werk, maar over de eerste twee jaar na ChatGPT geen gemiddeld effect groter dan 2 procent op verdiensten of geregistreerde uren. Finse bevolkingsdata toonden over dezelfde vroege periode evenmin een statistisch significant verschil in lonen of werkgelegenheid tussen beroepen met een hogere of lagere blootstelling. Deze bevindingen ondersteunen geen eenvoudig verhaal waarin AI al tot grote, algemene dalingen van beloning of werkgelegenheid heeft geleid. Ze tonen evenmin dat productiewinsten gedeeld zullen worden. Samen met de studies naar geholpen prestaties geven ze ons geen reden om aan te nemen dat een hogere output automatisch leidt tot hoger loon, kortere werktijden of meer autonomie. (Humlum en Vestergaard, Still Waters, Rapid Currents) (Kauhanen en Rouvinen, Assessing early labour market effects of generative AI) De onderhandelingspositie van werknemers betreft ook zeggenschap over het werk. Werkgevers zetten al algoritmische systemen in om taken en roosters toe te wijzen, prestaties te monitoren, personeel te beoordelen en beloningen of sancties op te leggen. Een werknemer kan hetzelfde loon behouden en tegelijk de zeggenschap over tempo, methode en de maatstaf voor goed werk verliezen. (OESO, Algorithmic management in the workplace) Geen van deze uitkomsten volgt onvermijdelijk uit het model. Ze hangen af van wie het bezit, wie de doelen stelt, of werknemers schaarse kennis behouden, welke alternatieven ze hebben en of ze over de adoptie kunnen onderhandelen. De stelling is specifieker en ongemakkelijker dan beweren dat AI banen afpakt. Een werknemer kan tegelijk productiever en makkelijker vervangbaar worden. Een onderneming kan meer output van haar personeel krijgen en tegelijk minder in staat zijn de leverancier te vervangen die die output levert. Nuttige productie verspreidt zich, terwijl de zeggenschap over de voorwaarden naar boven verschuift.

We hebben al eerder over de voorwaarden van automatisering gestreden

Het historische conflict over automatisering gaat zelden over het afwijzen van machines. Het gaat over wie het dividend van hogere productie incasseert en wie de prijs van uitgehold vakmanschap betaalt. In 1811 begonnen protesten in een tijd van oorlog, hoge voedselprijzen, werkloosheid en dalende inkomens. Gezinnen die van textielwerk leefden stonden al onder druk toen fabrikanten nieuwe manieren vonden om op arbeidskosten te besparen. Machines kwamen niet terecht in een stabiele bedrijfstak waarin werknemers rustig konden onderhandelen over het gebruik ervan. Wie deze mensen tegenstanders van vooruitgang noemt, wist de materiële vraag uit waarmee zij te maken kregen. Wat betekent een productievere machine voor iemand die al werk, loon en zeggenschap over het vak verliest? De luddieten streden om hun arbeidsvoorwaarden en hun zeggenschap over het vak. De mensen die zich verzetten waren niet onbekend met techniek. Velen waren geschoolde machinebedieners en sommige machines die ze aanvielen bestonden al generaties. Hun bezwaar ging over wat fabrikanten ermee deden. Bredere weeframen en andere productiemethoden lieten eigenaren het werk anders opdelen, minder vakmensen inzetten en goedkopere arbeidskrachten aannemen, waaronder mensen zonder afgeronde leertijd. Sommige methoden leverden ook producten op die volgens geschoolde werknemers niet aan de geldende norm voldeden. De luddieten noemden fabrikanten die machines zo gebruikten “bedrieglijk en misleidend”, omdat ze regels omzeilden over toegang tot het vak, productkwaliteit en loon. Die regels waren meer dan romantische bescherming van ambacht. Via de leertijd hielden werknemers enige invloed op de manier waarop kennis het vak binnenkwam. Kwaliteitsnormen koppelden die kennis aan de waarde van het eindproduct. Loongewoonten en regels beperkten de mogelijkheid van werkgevers om iedere efficiëntiewinst om te zetten in lagere arbeidskosten. Machines verzwakten de positie van werknemers doordat eigenaren deze afspraken konden omzeilen zonder de bedieners meer zeggenschap te geven.

Voorstanders stelden dat goedkopere productie de meerderheid ten goede zou komen, ook wanneer een kleinere groep werk of loon verloor. In de collectie van The National Archives staat dat argument naast een verslag van een magistraat waarin bredere weeframen de lonen drukten, beschrijvingen van ongeschoolde arbeid en kinderarbeid, en een oproep die verscheen nadat het parlement een voorstel voor een minimumloon had afgewezen. Werknemers hadden dus eerst bescherming gezocht via regels en politiek, voordat het vernielen van machines hun plek in het collectieve geheugen ging bepalen. Beide partijen beantwoordden een andere vraag. Fabrikanten en hun medestanders wezen op lagere prijzen en meer productie. Werknemers vroegen wie tijdens de overgang het verlies van inkomen, status en zeggenschap zou dragen. Het parlement gaf uiteindelijk niet alleen een economisch antwoord, maar ook een gewelddadig antwoord. In 1812 kwam de doodstraf te staan op het vernielen van machines. Duizenden militairen trokken naar de getroffen gebieden en in januari 1813 werden in York zeventien mannen geëxecuteerd. De nieuwe organisatie van de productie won dus niet alleen dankzij technisch betere machines. Eigendomsrecht en staatsgeweld beschermden de macht van eigenaren om over het gebruik ervan te beslissen. (The National Archives, Why did the Luddites protest?) (Richard Conniff, What the Luddites Really Fought Against)

Generatieve AI is geen weefraam en de kenniswerkers van nu zijn geen thuiswevers die de eerste fabrieken binnengaan. Veel werknemers kunnen dezelfde AI-systemen gebruiken als hun werkgever. Modellen kunnen toegang geven tot kennis en productiemogelijkheden die voorheen lastig bereikbaar waren. Het onderzoek onder klantenservicemedewerkers laat dat voordeel zien. Een taalmodel bevat ook geen volledige, onveranderlijke versie van een vak waarmee iedereen die het uitoefent kan worden vervangen. De vergelijking gaat over een bepaalde machtsverschuiving. In beide gevallen kan een eigenaar met machines geschoold werk opnieuw indelen voordat de betrokken werknemers hebben ingestemd met de verdeling van de voordelen en nadelen. Aanvaardbare output verspreidt zich dan buiten de groep werknemers die de onderliggende vaardigheid heeft ontwikkeld. Werknemers kunnen verantwoordelijk blijven voor het resultaat en tegelijk oefening en zeggenschap verliezen over het systeem dat dit resultaat mogelijk maakt. Eigenaren kunnen personeelsbezetting, loon en opleiding aanpassen voordat iemand weet wat er gebeurt wanneer de resterende expertise verdwijnt. Hogere productiviteit vertelt ons niet of werknemers kennis opdeden, een deel van de opbrengst kregen of inspraak hadden in de overgang.

De historische parallel is het sterkst tussen werknemers en de eigenaren die hun werk opnieuw indelen. Aan de andere kant van mijn argument gaat de vergelijking minder goed op. Een textielfabrikant met een eigen weefraam was niet op dezelfde manier afhankelijk van de maker als een bedrijf dat een gehost model gebruikt afhankelijk kan zijn van de toegang, prijzen en productbesluiten van de leverancier. Dat verschil breekt de vergelijking niet. Het laat zien wat generatieve AI aan de oudere strijd toevoegt. Een werkgever kan de technologie gebruiken om minder afhankelijk te worden van de kennis van werknemers en tegelijk afhankelijker worden van het bedrijf dat de technologie levert. Macht verhuist niet simpelweg van werknemers naar hun werkgever. Een deel kan via de werkgever terechtkomen bij een leverancier die noch de werknemers, noch het bedrijf makkelijk kan vervangen. De vraag van de luddieten heeft daarom een moderne aanvulling nodig. Wie beheert de machine en het werk eromheen, en wie bepaalt of de machine überhaupt beschikbaar blijft?

De leverancier achter de werkvloer

Een werkgever die AI gebruikt om minder afhankelijk te worden van vakmensen, kan daar een andere afhankelijkheid voor terugkrijgen. Die van de leverancier. Het zijn twee afzonderlijke risico’s. Een kundig team kan leunen op een gesloten dienst en het werk zonder die dienst nog steeds uitvoeren, zij het langzamer. Een bedrijf kan ook een eigen model draaien terwijl de vaardigheden van werknemers wegzakken. De risico’s worden het grootst wanneer ze samenkomen. Werknemers kunnen niet verder zonder het systeem en de organisatie kan dat systeem niet beheren of vervangen. Bij generatieve AI is die combinatie aannemelijk, omdat gespecialiseerde chips, rekenkracht, data, technische kennis en toegang tot klanten bij een klein aantal bedrijven samenkomen. Europese, Britse en Amerikaanse mededingingsautoriteiten waarschuwden gezamenlijk dat de controle over deze middelen een knelpunt kan vormen. Gevestigde bedrijven kunnen hun macht uitbreiden via cloudplatforms en andere verkoopkanalen. Een bedrijf dat AI invoert kan daardoor een groter deel van zijn handelingsvermogen onderbrengen in infrastructuur die elders wordt beheerd. (European Commission, CMA, DOJ and FTC, Joint statement on competition in generative AI foundation models and AI products) Zo’n afhankelijkheid ontstaat via gewone technische keuzes, niet alleen door één onomkeerbaar contract. Een bedrijf koppelt een leverancier aan documenten en databases, bouwt processen om diens interface heen, maakt evaluaties voor het specifieke gedrag van het model en leert werknemers hoe ze de zwakke plekken moeten opvangen. Iedere keuze kan op zichzelf verstandig zijn. Samen maken ze een overstap duurder. De organisatie moet data verplaatsen, koppelingen vervangen, output opnieuw testen en personeel bijscholen terwijl de dienstverlening doorgaat. De Britse Competition and Markets Authority stelde vast dat technische belemmeringen, kosten voor dataoverdracht en commerciële afspraken het moeilijker kunnen maken om van cloudleverancier te wisselen of meerdere leveranciers te gebruiken. Dat schaadt volgens de toezichthouder de concurrentie in clouddiensten. (Competition and Markets Authority, Cloud services market investigation) Modeldiensten voegen nog een afhankelijkheid toe, omdat hun mogelijkheden geen vast product zijn dat een klant altijd mag houden. Leveranciers stoppen met modellen en verplichten klanten naar vervangers over te stappen. Daar zijn goede redenen voor. Iedere versie onbeperkt onderhouden kost middelen en laat oude systemen zonder goede ondersteuning achter. Het probleem is niet dat een leverancier zijn dienst ooit verandert. De klant kan een bedrijfskritische functie hebben gebouwd rond gedrag, prijs en beschikbaarheid waarover die klant de toekomst niet bepaalt. Een vervanger kan in het algemeen beter zijn en toch zo anders reageren dat nieuwe prompts, tests, beveiligingen of goedkeuring nodig zijn. De leverancier bepaalt het migratieschema, terwijl de klant de kosten draagt. (OpenAI, Deprecations)

Open modellen bieden een uitweg, maar het woord open dekt wezenlijk verschillende vormen. Gepubliceerde modelgewichten kunnen een andere partij in staat stellen een model te draaien zonder ieder verzoek naar de oorspronkelijke ontwikkelaar te sturen. Dat biedt mogelijkheden die een gesloten dienst niet heeft. Een bedrijf kan gevoelige data op zelfgekozen infrastructuur houden, het model aanpassen, een werkende versie bewaren en van hostingprovider wisselen. Gepubliceerde gewichten vertellen niet per se welke trainingsdata het model hebben gevormd, leveren niet automatisch de code waarmee het kan worden gereproduceerd en geven ook niet altijd een licentie voor ieder gebruik. De Open Source Initiative verlangt in haar definitie van open-source-AI daarom meer dan downloadbare gewichten. Ook code en voldoende gedetailleerde informatie over de trainingsdata horen erbij, zodat iemand het systeem kan begrijpen en grotendeels opnieuw kan maken. (Open Source Initiative, The Open Source AI Definition) Ook een werkelijk open model kan vooroordelen uit trainingsdata bevatten. Zelf draaien vereist nog steeds hardware, energie en mensen die het kunnen onderhouden. Openheid betekent evenmin dat ieder krachtig model zonder voorwaarden moet worden gepubliceerd. Vrijgegeven gewichten kunnen misbruik mogelijk maken en zijn daarna niet terug te halen. Beperkingen moeten wel reageren op aangetoonde risico’s en niet stilletjes de controle van één leverancier tot synoniem voor veiligheid maken. Onafhankelijke evaluatie, gecontroleerde toegang voor onderzoekers en uitgestelde publicatie laten meer mogelijkheden open dan de keuze tussen onmiddellijke, onbeperkte vrijgave en blijvend privébezit. (OECD, AI openness: A primer for policymakers) Openheid maakt een systeem niet neutraal, goedkoop, eenvoudig of onschadelijk. Ze biedt een uitwijkmogelijkheid tegen commerciële opsluiting, maar lost het interne beoordelingsprobleem niet op. Wanneer een organisatie lokaal een open model draait terwijl de ontwikkelaars zijn vergeten hoe de onderliggende software functioneert, heeft het bedrijf slechts een cloudafhankelijkheid ingeruild voor een lokaal systeem waarover het evenmin kritische controle kan uitoefenen.

Daarom gaat technologische soevereiniteit niet simpelweg over het land waar de leverancier vandaan komt. Een gesloten Europese dienst kan een Europese klant minder zeggenschap geven dan een Chinees model met een open licentie dat die klant zelf kan hosten, bewaren en aanpassen. Europese modellen en rekenkracht opbouwen kan de afhankelijkheid van buitenlandse bedrijven verkleinen, vooral wanneer wetgeving of geopolitieke belangen uiteenlopen. De ene nationale kampioen door de andere vervangen verdeelt de macht alleen nog niet. De praktische test is of een werknemer, bedrijf of publieke instelling werkelijk kan vertrekken. Kan de organisatie haar data terughalen, de onmisbare functie behouden, begrijpen hoe die functie tot stand kwam en naar een andere leverancier overstappen zonder zichzelf opnieuw te moeten inrichten? Niet ieder bedrijf zal een eigen groot model draaien, net zoals de meeste bedrijven geen elektriciteitsnet beheren of servers produceren. Onafhankelijkheid vraagt niet dat je ieder onderdeel zelf maakt. Ze vraagt om alternatieven die technisch mogelijk en betaalbaar zijn. Een afhankelijkheid wordt gevaarlijker wanneer de leverancier onvervangbaar is, de klant het werk niet meer begrijpt en kortetermijngemak iedere uitgang heeft laten verdwijnen.

Zorg dat je kunt vertrekken

AI simpelweg weigeren is geen serieus antwoord op dit probleem. Een bedrijf kan onder druk komen te staan om het doeltreffendste beschikbare systeem te gebruiken wanneer concurrenten dat ook doen. Een werknemer kan goede redenen hebben om een hulpmiddel in te zetten dat helpt een taak uit te voeren, iets nieuws te leren of een baan te behouden. Diensten van één leverancier kunnen bovendien goedkoper, gebruiksvriendelijker en krachtiger zijn dan systemen die een organisatie zelf kan draaien. Die directe voordelen zijn belangrijk. Ze verklaren tegelijk waarom vrijwillige terughoudendheid van afzonderlijke werknemers of bedrijven afhankelijkheid niet voorkomt. Iedere invoering kan op zichzelf logisch zijn en later voor iedereen minder keuzeruimte overlaten. Het doel moet zijn AI te gebruiken zonder de nuttige dienst van vandaag tot de enige werkwijze van morgen te laten uitgroeien.

Zelfstandig kunnen oordelen vraagt meer dan een mens aan het eind van het proces zetten. Werknemers hebben betaalde oefentijd nodig, toegang tot ervaren collega’s en de bevoegdheid om output af te wijzen die niet aan de norm voldoet. Bij de invoering van AI kunnen ze concrete vragen stellen. Welke kennis moet binnen het team blijven? Wie krijgt tijd om die kennis te ontwikkelen? Wie beoordeelt de extra output en telt dat werk mee in de productiviteitscijfers? Wat gebeurt er met de bespaarde tijd? Dit zijn vragen over budget en macht, niet over persoonlijk enthousiasme voor technologie. Een werkgever kan werknemers niet vragen zich in hun eigen tijd aan te passen, de opgedane kennis vervolgens als investering van de organisatie behandelen en hen verantwoordelijk houden voor beslissingen die ze nooit hebben leren beoordelen.

Organisaties moeten ook kunnen overstappen. Daarvoor moeten ze data bewaren in exporteerbare formaten, bedrijfsregels loshouden van de interface van één leverancier, vastleggen welke processen van een bepaald model afhangen en evaluaties onderhouden die ook op een vervanger kunnen draaien. Test de migratieroute voordat een prijsverhoging, het einde van een product of een politiek conflict die urgent maakt. Dat garandeert geen pijnloze overstap. Een ander model kan zich anders gedragen en zelf hosten kan duurder zijn. Het doel is de kosten te kennen op een moment dat de organisatie nog kan kiezen of ze die wil dragen. Behouden vakkennis hoort bij die route. Verplaatsbare bestanden helpen weinig wanneer niemand begrijpt hoe ze samenhangen. Omgekeerd kunnen deskundige werknemers een systeem niet meenemen als data en interfaces bij één leverancier opgesloten blijven. De mogelijkheid om te vertrekken moet in de techniek zitten én in de mensen die ermee werken. Organisaties kunnen alleen bewegen als er buiten hun inkoopdocumenten echte alternatieven bestaan. Overheden, universiteiten en bedrijven moeten daarom investeren in uitwisselbare standaarden, open systemen en rekeninfrastructuur die niet door één leverancier wordt beheerd. Individuele werknemers kunnen die infrastructuur niet bouwen en een andere chatbot kiezen lost een politiek probleem niet op. Ze kunnen afhankelijkheid op het werk wel zichtbaar maken, overdraagbare systemen steunen en zich verzetten tegen het idee dat aanpassen aan de dienst van een buitenlands bedrijf alleen hun privéverantwoordelijkheid is. Daarmee decentraliseren ze AI niet eigenhandig. Ze brengen wel de juiste vraag in het gesprek op de werkvloer en in de politiek. Hebben de mensen die op een systeem moeten vertrouwen nog een geloofwaardig alternatief?

Ik zie niet een enkele afspraak of beleidsmaatregel die definitief bepaalt wie van AI profiteert. Werknemers zullen van mening blijven verschillen over het gebruik, bedrijven zullen op korte termijn voor overleven kiezen en overheden zullen toegang afwegen tegen risico’s. De richting is toch duidelijk. Behoud de kennis die zelfstandig oordeel mogelijk maakt, bouw systemen die kunnen verhuizen en houd alternatieven in stand buiten de bedrijven die nu de markt leiden. Bespreek daarna hoe de extra output wordt verdeeld. Gaat ze naar hoger loon, kortere werkdagen, betere dienstverlening of simpelweg meer werk? We betalen de verborgen prijs van AI-gemak wanneer een werknemer kan produceren maar niet kan beoordelen, een bedrijf kan leveren maar niet van aanbieder kan wisselen en een samenleving technologie kan gebruiken maar de voorwaarden niet kan bepalen. De motor is nuttig. We moeten nog steeds weten waar we heen gaan, zelf kunnen sturen en een andere route hebben wanneer de eigenaar van de weg de prijs verhoogt.

Meer lezen

• Het ja-en probleem met kunstmatige intelligentie
• Hoe AI-bedrijven het moeilijker maken om te stoppen met werken