Op deze interactieve treemap zie je in één oogopslag welke van de 113 Nederlandse beroepen het meest blootgesteld zijn aan AI — hoe groter het vlak, hoe meer banen, en hoe roder de kleur, hoe hoger de AI-blootstelling.
De Nederlandse arbeidsmarkt is sterk verdeeld: een derde van alle 8,2 miljoen banen en €101 miljard aan jaarlonen zit in beroepen met een lage AI-blootstelling, terwijl bijna een kwart van de banen — met name in administratie en financiën — juist een hoge blootstelling kent.
⚠️ Een hoge blootstelling betekent niet dat je baan verdwijnt. Onderzoek van Anthropic (maart 2026) vond geen systematische stijging van werkloosheid voor werknemers in sterk blootgestelde beroepen sinds de lancering van ChatGPT — al zijn er vroege signalen dat de instroom van werknemers van 22–25 jaar in blootgestelde beroepen enigszins is vertraagd. De volledige economische impact is nog onzeker.
Kleur = mate van AI-blootstelling:
Klik of tik op een vlak voor meer informatie over dat beroep.
CBS — Centraal Bureau voor de Statistiek
Werkgelegenheidscijfers per beroep (aantal banen, sectordistributie).
ROA — Researchcentrum voor Onderwijs en Arbeidsmarkt
Arbeidsmarktprognoses, baanperspectieven en opleidingsvereisten per beroep.
UWV — Uitvoeringsinstituut Werknemersverzekeringen
Loongegevens en arbeidsmarktkrapte (tekort of overschot per beroep).
AI-blootstellingsscores
Gebaseerd op taakanalyse: welk deel van de taken binnen een beroep kan worden uitgevoerd of ondersteund door huidige AI-modellen.
Anthropic Economic Index — Massenkoff & McCrory (2026)
Introduceert een onderscheid tussen theoretische blootstelling (wat taalmodellen aankunnen) en geobserveerde blootstelling (taken die daadwerkelijk worden geautomatiseerd in de praktijk). Onze scores zijn theoretisch. Anthropics onderzoek laat zien dat daadwerkelijke adoptie veel lager ligt — bijv. ICT-beroepen: 33% geobserveerd vs. 94% theoretisch.
Microsoft Research — Tomlinson et al. (dec. 2025)
Analyseerde 200.000 geanonimiseerde Microsoft Bing Copilot-gesprekken om AI-toepasbaarheid per beroep te meten. Onafhankelijke dataset (VS) die vergelijkbare conclusies trekt als het Anthropic-onderzoek: AI is het meest toepasbaar bij informatiewerk (communiceren, leren, schrijven). Alle geaggregeerde data openbaar beschikbaar op github.com/microsoft/working-with-ai.
Bron: CBS StatLine, tabel 85517NED — "Werknemers; uurloon en beroep", jaar 2024
Wat het meet: Werknemers — mensen met een loondienstverband. ZZP'ers zijn NIET meegenomen. De CBS EBB-enquête telt ~9,4M werkenden totaal, dus dit ondertelt met ~1,2M.
Verifiëren: cbsodata.get_data('85517NED'), filter Perioden == '2024', som Werknemer_1 × 1000 voor alle 4-cijferige BRC-codes.
Bron: Eigen berekening — blootstellingsscore per beroep × aantal werknemers, gedeeld door totaal werknemers.
Kanttekening: Scores zijn afkomstig van Gemini Flash via OpenRouter, op basis van ESCO-beschrijvingen. Dit zijn oordelen van een taalmodel, geen empirische metingen — beschouw ze als richtinggevend, niet als exact.
Verifiëren: Open data.json, bereken sum(exposure * jobs) / sum(jobs).
Bron: Zelfde als hierboven. Directe telling van werknemers in beroepen met score 0–3, 4–6, 7–10.
Kanttekening: Volledig afhankelijk van correcte kalibratie van de AI-scores.
Bron: CBS-loondata (85517NED) × jaarlijkse uren berekening.
Formule: mediaan_uurloon × 1.872 uur (36 uur/week × 52 weken). 36 uur is het CBS-gemiddelde voor gecontracteerde uren van Nederlandse werknemers.
Wat het meet: Mediaan loon × hoofdtellingen — niet de totale loonsom. Onderschat hoge inkomens en overschat lage inkomens. ZZP'ers zijn uitgesloten.
Verifiëren: CBS StatLine 85517NED, kolom k_50ePercentielMediaan_3.
Bron: Zelfde CBS-werknemersaantallen + AI-scores, gegroepeerd op BRC 2014-sectorcode (2-cijferig prefix).
Kanttekening: ICT heeft slechts 4 beroepsgroepen — kleine steekproef. Zakelijke dienstverlening heeft 13 groepen met een grote spreiding.
Bron: ROA AIS tot 2030, DataverseNL doi:10.34894/DVQTOG, bestand AIStot2030_Arbeidsmarktinformatie_editie2025.csv
Variabele: verwachte uitbreidingsvraag tot 2030, veld gemjaarlijksperc
Wat het meet: Verwachte jaarlijkse netto werkgelegenheidsgroei 2025–2030. Vervangingsvraag (pensionering) is niet meegenomen.
Verifiëren: Filter aggregatieniveau == 'beroepsgroep (BRC2014)' en onderwerp == 'verwachte uitbreidingsvraag tot 2030'.
Bron: ROA AIS tot 2030, zelfde bestand
Variabele: indicator huidige arbeidsmarktsituatie beroep (2024Q4), veld typering
Wat het meet: Arbeidsmarktkrapte Q4 2024, samengestelde ROA-indicator van vacatures vs. werkzoekenden.
Verifiëren: Filter onderwerp == 'indicator huidige arbeidsmarktsituatie beroep (2024Q4)'.
Bron: ROA AIS tot 2030, zelfde bestand
Variabele: ITKB toekomstige knelpunten beroepsgroep in 2030, veld typering
Wat het meet: ROA-prognose van wervingsmoeilijkheid in 2030.
Verifiëren: Filter onderwerp == 'ITKB toekomstige knelpunten beroepsgroep in 2030'.
Bron: ROA AIS tot 2030, zelfde bestand — variabelen opleidingsachtergrond *
Methode: Het opleidingsniveau met het hoogste aandeel werknemers per beroepsgroep.
Kanttekening: Dit is het dominante niveau onder huidige werknemers, geen formele toelatingsvereiste.
Bron: ROA AIS tot 2030, zelfde bestand
Variabele: verwachte arbeidsmarktontwikkeling beroep 2025-2030, veld typering
Wat het meet: Hoe de arbeidsmarktkrapte naar verwachting evolueert van 2025 tot 2030.
Bron: Gemini Flash (via OpenRouter), gescoord op basis van:
1. ESCO API — Engelstalige beroepsomschrijving + essentiële vaardigheden
2. CBS-metadata — Nederlandse beroepsomschrijving
Prompt: Elke beroepspagina aangeboden met een vaste rubric verankerd aan bekende voorbeelden (dakdekker = 1, softwareontwikkelaar = 9, gegevensinvoerder = 10).
Kanttekening: Dit zijn modeloordelen. De relatieve volgorde tussen beroepen is betrouwbaarder dan de absolute scores.
Onze scores zijn theoretisch — een taalmodel beoordeelde per beroep hoeveel taken geautomatiseerd kunnen worden (conform Eloundou et al. 2023). Anthropics paper van maart 2026 introduceert een aanvullende maat: geobserveerde blootstelling, gebaseerd op daadwerkelijk gebruik van Claude in professionele contexten. Kernbevinding: ICT-beroepen zijn theoretisch voor 94% uitvoerbaar door AI, maar in de praktijk dekt Claude slechts ~33% van de taken. Het verschil is nog groter bij administratieve beroepen.
Wat dit betekent voor onze scores: beschouw ze als richtinggevende bovengrenzen voor potentiële impact, niet als voorspellingen van huidige automatisering. De relatieve volgorde tussen beroepen is betrouwbaarder dan de absolute scores.
| Claim | Betrouwbaarheid | Voornaamste risico |
|---|---|---|
| Werknemersaantallen (8,18M) | Hoog | ZZP uitgesloten, CBS 2024 |
| Looncijfers | Gemiddeld | Mediaan uurloon × vaste uren |
| Groeiprognoses | Gemiddeld | ROA macromodel, dec. 2025 |
| Arbeidsmarktkrapte | Hoog | ROA/CBS samengesteld, Q4 2024 |
| Knelpunten 2030 | Gemiddeld | Modelprognose, niet gemeten |
| AI-blootstellingsscores | Laag–Gemiddeld | Taalmodelsoordeel, niet empirisch |
| €174 mrd blootgesteld | Gemiddeld | Mediaan × hoofdtellingen |
Microsoft Research (Tomlinson et al. 2025) onderscheidt twee patronen in hoe AI beroepen beïnvloedt, op basis van 200.000 echte Copilot-gesprekken:
Hoe dit aansluit op de Nederlandse data: Onze categorie Zakelijke dienstverlening scoort gemiddeld 8,0/10 en ICT 8,6/10 — de hoogste in de dataset. MS-onderzoek suggereert dat deze twee sectoren een ander pad volgen: medewerkers in de financiële sector zullen taken als opstellen, samenvatten en gegevensinvoer steeds vaker delegeren aan AI; ICT'ers gebruiken AI eerder als productiviteitshulpmiddel terwijl hun kernwerk — oordeel en architectuur — menselijk blijft. Beide sectoren scoren hoog in onze data, maar de praktische impact verschilt.
Een tweede relevante bevinding: MS vond slechts een zwakke correlatie tussen AI-toepasbaarheid en loon (r=0,13). Ook in Nederland bevinden de meest blootgestelde beroepen zich in goedbetaalde sectoren als ICT, financiën en juridische dienstverlening — niet alleen in laagbetaald werk. De economische impact van AI zal over het hele loonspectrum verdeeld zijn.
🙋🏽♂️ Dit project is gemaakt door Daniel Siahaya, oprichter van HeadFWD, een AI-transformatiepartner voor enterprise.
✅ Het doel is om arbeidsmarktdata over AI-blootstelling toegankelijk en begrijpelijk te maken, niet om te alarmeren, maar om te informeren.
📥 Feedback, datacorrecties of ideeën? Neem contact op via LinkedIn.
👊🏽 Credits voor het idee van deze app gaan naar: Andrej Karpathy.