Agentische AI doorbreekt de aanname achter elke voorspelling over taakblootstelling

Arbeidsmarktprognoses zijn ervan uitgegaan dat automatisering taken één voor één wegneemt en het beroep overeind laat. Agentische AI, die volledige workflows afhandelt, maakt die aanname ongeldig, en een nieuwe samengestelde score, Agentic Task Exposure (ATE), is gebouwd om te meten wat de oude kaders niet kunnen.

Managementoverzicht

Eerdere voorspellingen over automatisering, waaronder die welke voortbouwen op het taakkader van Autor-Levy-Murnane, delen één aanname: het beroep overleeft als een coördinatiehuls rond het resterende menselijke werk.

Agentische AI-systemen voldoen aan vier criteria: ze ontvangen een doelspecificatie, selecteren en roepen autonoom tools aan, behouden de status over inferentiestappen heen en produceren een voltooid werkproduct zonder menselijke tussenkomst bij tussenstappen.

De ATE-score combineert AI-capaciteitsscores, workflowdekkingsfactoren en logistische adoptiesnelheid. Kredietanalisten, rechters en duurzaamheidsspecialisten bereiken ATE-scores van 0,43-0,47.

De paper past ATE toe op 236 SOC-codes in zes grote beroepsgroepen verspreid over vijf Amerikaanse technologieregio's, en omschrijft zichzelf als de eerste multiregionale empirische toepassing van het taakblootstellingskader dat specifiek gericht is op agentische AI-systemen.

Naast verdringing identificeert de paper zeventien opkomende beroepscategorieën, geconcentreerd in mens-AI-samenwerking, AI-governance en domeinspecifieke AI-operaties.

De voorspellingen die te ver doorschoten #

Industriële robots hebben daadwerkelijk productiemedewerkers verdrongen. Ze deden dat niet volgens de tijdlijn of op de schaal die de aanvankelijke prognoses impliceerden. Die zin zou iedereen die beroepshalve arbeidsmarktvoorspellingen leest enigszins behoedzaam moeten maken, omdat ze een patroon beschrijft: de richting klopte en de omvang zat ernaast.

Het bekendste hoofdcijfer in deze literatuur komt van Frey en Osborne, die experts vroegen om 702 Amerikaanse beroepen te beoordelen op hun algehele "computeriseerbaarheid". Hun resultaat was dat 47% van de beroepen een hoog risico liep. Het is een opvallend cijfer, en het ging de hele wereld over.

Arntz, Gregory en Zierahn lieten vervolgens zien wat er gebeurt wanneer de analyse afdaalt naar het taakniveau en rekening houdt met taakheterogeniteit binnen nominaal blootgestelde beroepen. Schattingen van hoog risico dalen dan naar 9-14% in OESO-landen. De afstand tussen 47% en 9-14% is geen afrondingsverschil. Ze weerspiegelt een keuze over de analyse-eenheid, en die keuze verschuift het antwoord met een factor drie of meer.

De bron is er open over dat het debat tussen schattingen op beroepsniveau en op taakniveau onbeslist is. Wat het vakgebied wel bereikte, is een praktische consensus: uitsplitsing op taakniveau is noodzakelijk, en labels op beroepsniveau zijn te grof. Die consensus vormt het fundament waarop de rest van het betoog rust. Het is ook het fundament dat door agentische AI onder druk wordt gezet.

Hoe de taakkaders werken #

Om te zien waar die druk vandaan komt, helpt het om precies te zijn over wat de taaktraditie beweert.

Autor, Levy en Murnane verdeelden beroepstaken langs twee assen: routinematig tegenover niet-routinematig, en cognitief tegenover manueel. Hun betoog was dat automatisering het routinematige vervangt terwijl ze het niet-routinematige aanvult. Het is een helder idee, en het gaf later werk een vocabulaire om te bespreken welke onderdelen van een baan een machine zou kunnen overnemen.

Acemoglu en Restrepo bouwden daar een formele structuur bovenop. Zij modelleren productie als het resultaat van een continuüm van taken die worden verdeeld tussen kapitaal en arbeid. In hun inkadering stijgt of daalt het arbeidsaandeel afhankelijk van de vraag of het creëren van nieuwe taken, wat zij het herintegratiekanaal noemen, sneller gaat dan taakverdringing. In hun voetsporen wordt het arbeidsaandeel in de toegevoegde waarde geschreven als sL = W * L / Y = f(|NL| / |N|), waarbij W het loonpeil is, L de werkgelegenheid en Y de productie. Twee krachten trekken tegen elkaar in, en welke van de twee wint bepaalt wie de winst naar zich toetrekt.

Twee andere meetinspanningen zijn hier van belang omdat ze het kader omzetten in cijfers op beroepsniveau. Felten, Raj en Seamans bouwden de AI Occupational Exposure (AIOE)-score door gepubliceerde vooruitgang in AI-capaciteiten te koppelen aan de vaardighedentaxonomie van O*NET. Eloundou et al. construeerden een parallelle maatstaf gericht op GPT-4, waarbij annotaties van crowdworkers werden gecombineerd met zelfbeoordelingen van GPT-4 op taakniveau.

Hun belangrijkste bevinding was dat 80% van de Amerikaanse werknemers een baan heeft waarin ten minste 10% van de taken aan LLM's is blootgesteld. De zwaarste blootstelling was geconcentreerd bij goedbetaalde beroepen waarvoor een diploma vereist is. Dat resultaat druist in tegen de oudere intuïtie dat automatisering eerst routinematig, lager betaald werk treft, en het verklaart waarom de vraag rond kantoorwerk dringend is geworden.

De blinde vlek die elk kader deelt #

De bron maakt een scherpe opmerking over al dit werk. Elk aangehaald kader deelt een architecturale blinde vlek: ze modelleren automatisering als het wegplukken van afzonderlijke taken terwijl het beroep intact blijft. Vrijwel alle voorspellingen, inclusief die welke gebouwd zijn op het taakkader van Autor-Levy-Murnane, delen de aanname dat automatisering taken één voor één wegneemt en dat het beroep overleeft als een coördinatiehuls rond het resterende menselijke werk.

Dat is een aanname over structuur, niet over technologie. Ze zegt niets over hoe capabel de machine is. Ze zegt dat hoeveel taken de machine ook overneemt, iemand nog steeds de rest bij elkaar moet houden.

De paralegal (juridisch medewerker) maakt het punt concreet. Een analyse van taakblootstelling kan 80% van de taken van een paralegal aanmerken als blootgesteld aan LLM's en toch concluderen dat het beroep veilig is, omdat het coördineren van die taken menselijk beoordelingsvermogen vereist. Die conclusie volgt uit de hulsaanname. De taken zijn blootgesteld, maar het stikwerk ertussen niet, dus blijft de baan bestaan.

Dan volgt de sleutelzet van de bron: de coördinatiebottleneck die de rol van de paralegal beschermde, bevindt zich nu in de planningsmodule van de agent. Als dat klopt, werkt de redenering die de paralegal veilig hield niet langer. De bescherming kwam voort uit de coördinatie. De coördinatie is nu precies wat een agentisch systeem doet.

Ik denk dat dit het nuttigste idee in de paper is, en het verdient het om op zijn eigen merites te worden beoordeeld. De oudere kaders hebben het niet mis over de taken. Ze hebben het mis over wat er overblijft nadat de taken verdwijnen. Een maatstaf die taken één voor één scoort, kan geen systeem zien dat de reeks als één geheel afhandelt.

Wat telt als agentisch #

Als het betoog afhangt van een onderscheid, heeft dat onderscheid een definitie nodig. De bron levert er een met vier criteria. Een agentisch AI-systeem is een systeem dat:

een doelspecificatie ontvangt in plaats van een taakspecificatie;
autonoom tools selecteert en aanroept om het doel na te streven;
de status behoudt over meerdere inferentiestappen heen; en
een voltooid werkproduct oplevert zonder menselijke tussenkomst bij tussenstappen.

Dit is een lijst die het waard is om als lijst te bewaren, omdat de criteria discreet zijn en elk afzonderlijk gecontroleerd kan worden. Een systeem dat een prompt beantwoordt, zakt voor het eerste. Een systeem waarbij een persoon elke tussenstap moet goedkeuren, zakt voor het vierde.

In eenvoudigere bewoordingen ontvangt een agent een doel, selecteert tools, voert een meerstapsplan uit, controleert zijn eigen output en levert een afgewerkt werkproduct op. Agentische systemen schakelen tool-aanroepen aan elkaar, behouden een permanent geheugen over stappen heen, plannen reeksen van meerdere acties en corrigeren zichzelf wanneer tussentijdse outputs niet door kwaliteitscontroles komen.

Het detail van zelfcorrectie weegt zwaarder dan op het eerste gezicht lijkt. Een pijplijn die breekt wanneer één stap mislukt, heeft nog steeds een mens in de buurt nodig. Een systeem dat een mislukte kwaliteitscontrole opmerkt en het opnieuw probeert, heeft een deel van het toezicht geabsorbeerd dat voorheen de aanwezigheid van de mens rechtvaardigde.

De paper definieert zijn onderwerp als volgt: autonome AI-agents die in staat zijn volledige beroepsworkflows te voltooien in plaats van losse taken. Het woord "volledige" draagt het gewicht. Het hele betoog draait om de kloof tussen een losse taak en een complete workflow.

Waarom het moment nu is #

De bron biedt twee soorten bewijs dat de vraag niet hypothetisch is. Het eerste betreft capaciteit. Modellen uit de GPT-4-klasse behaalden of overtroffen de slaagdrempels op het advocatenexamen (bar exam) en het Amerikaanse medische licentie-examen, en kwamen binnen enkele procentpunten van het slagen voor CFA Level I. Dat zijn toelatingsexamens voor beroepen die de toegang beperken juist omdat het werk moeilijk is.

Het tweede betreft uitrol. Grote leveranciers van bedrijfstechnologie, waaronder Amazon, Microsoft, Salesforce, ServiceNow en Workday, maakten in hun kwartaalcalls en investeerderspresentaties van 2024 melding van agentische productie-implementaties die kantoorworkflows raken. Dit zijn productie-implementaties, geen onderzoeksdemo's, en ze werden aangekondigd aan investeerders in plaats van aan academici.

De bron leest die bekendmakingen als het soort mededelingen dat bedrijven alleen doen wanneer implementaties al van invloed zijn op de personeelsplanning. De bron kadert dat in als een interpretatie, niet als een meting, en zo moet het ook worden opgevat. Niets in het materiaal dat ik heb gekregen rapporteert rechtstreeks personeelsaantallen. Maar de gevolgtrekking is redelijk: bedrijven leggen een uitrol doorgaans niet voor aan investeerders tenzij die ertoe doet voor de kostenbasis.

Voeg de twee samen en het pleidooi voor een nieuwe maatstaf is eenvoudig. Capaciteit alleen zou de kwestie niet afdwingen, en een paar proefprojecten evenmin. Capaciteit die al professionele drempels overschrijdt, in systemen die al in productie draaien, doet dat wel.

De ATE-score: wat ze meet en wat niet #

Het antwoord van de paper is de Agentic Task Exposure-score. Het is een samengestelde metriek die het taakverdringingskader van Acemoglu-Restrepo uitbreidt om rekening te houden met end-to-end workflowdekking, huidige capaciteitsbenchmarks voor agentische AI en adoptiesnelheid bij bedrijven. De score meet de mate waarin een beroep o blootgesteld is aan end-to-end verdringing door huidige agentische AI-systemen.

Er gaan drie ingrediënten in: AI-capaciteitsscores, workflowdekkingsfactoren en logistische adoptiesnelheid. De workflowdekkingsfactor is het onderdeel dat de blinde vlek rechtstreeks aanpakt. De bron zegt dat wat er in eerder werk ontbreekt, een maatstaf is voor de vraag of de volledige workflowsamenstelling van een beroep binnen het operationele bereik van agentische AI valt, en formaliseert dat als de workflowdekkingsfactor. De oudere scores vragen of een taak blootgesteld is. Deze vraagt of de hele workflow past binnen wat een agent kan doen.

Twee verdere onderdelen van de constructie worden gespecificeerd. De term wo,t is de naar belangrijkheid gewogen relevantie van taak t in beroep o, ontleend aan de taakbelangrijkheidsscores van O*NET. En CAP(t), de capaciteitsterm, wordt geschat op basis van literatuur over AI-benchmarks en praktijkrapporten over uitrol. Het belang van de taak komt dus uit een standaard beroependatabase, terwijl de capaciteit uit twee bronnen komt: benchmarks en praktijkmeldingen.

De paper is expliciet over de methode, en de lezer moet hem daaraan houden. ATE-scores worden algoritmisch berekend uit O*NET-taakgegevens met behulp van gekalibreerde adoptieparameters; het zijn geen regressieschattingen. Dat heeft praktische gevolgen. Een regressieschatting komt met het gebruikelijke apparaat van standaardfouten en identificatie-argumenten. Een gekalibreerde algoritmische samengestelde score heeft dat niet, en de uitkomsten ervan zijn modelmatig afgeleide projecties, een formulering die de paper zelf gebruikt voor zijn verdringingscijfers. Ze beschrijven wat het model impliceert onder zijn parameters. Ze rapporteren niet wat er is gebeurd.

Ik zou stellen dat dat een eerlijke inkadering is, en de juiste voor een voorspellingsprobleem waarbij hetgeen voorspeld wordt nog niet heeft plaatsgevonden. Een samengestelde score die is opgebouwd uit expliciete inputs kan worden geïnspecteerd, aangevochten en opnieuw gekalibreerd. Als iemand het oneens is over de adoptiesnelheid, weet diegene aan welke knop er gedraaid moet worden.

Waar het model het toepast #

De empirische toepassing is breed. De paper past het ATE-kader toe op 236 Standard Occupational Classification (SOC)-codes die zes grote beroepsgroepen bestrijken, en genereert modelmatig afgeleide verdringingsprojecties voor vijf grote technologieregio's in de Verenigde Staten voor de periode 2025-2030. De vijf regio's zijn de San Francisco Bay Area, Seattle-Tacoma-Bellevue, Austin-Round Rock, New York-Newark en Boston-Cambridge.

De paper omschrijft dit als de eerste multiregionale empirische toepassing van het taakblootstellingskader dat specifiek gericht is op agentische AI-systemen. Dat is een claim van primeur door de auteurs, en ik kan die niet verifiëren op basis van het materiaal dat voor mij ligt. Wat ik wel kan zeggen, is dat de regionale opzet een verstandig antwoord is op een probleem dat de studies op nationaal niveau delen: blootstelling is een eigenschap van beroepen, maar adoptie is een eigenschap van plaatsen en bedrijven.

Volgens de resultaten die de bron geeft, bereiken kredietanalisten, rechters en duurzaamheidsspecialisten ATE-scores van 0,43-0,47. Die groepering verdient een tweede blik. Een kredietanalist, een rechter en een duurzaamheidsspecialist lijken niet op elkaar qua opleiding, beloning of dagelijks werk. Wat ze volgens het verslag van de paper gemeen hebben, is een score in dezelfde bandbreedte. Ik zou dat lezen als een argument tegen elke gemakzuchtige indeling van banen in "veilig" en "in gevaar" op basis van sector of vermeende creativiteit.

Ik zou er ook voor waken om meer in het cijfer te lezen dan de bron ondersteunt. Het materiaal dat ik heb, geeft de bandbreedte voor deze drie beroepen en zegt niet hoe die zich verhoudt tot de rest van de 236 codes. Het getal laat dus zien dat deze rollen aanzienlijk blootgesteld zijn op de schaal van de paper. Het laat niet zien dat ze het meest blootgesteld zijn.

De regionale bevindingen komen met een voorbehoud dat het waard is te herhalen. De paper stelt dat de effecten op het personeelsbestand in Seattle in 2026-2027 een voorproefje zijn van wat het bredere nationale niet-technische personeelsbestand in 2028-2030 zal ervaren. Dat is een voorspelling met een expliciete vertraging, en ze is voorwaardelijk geformuleerd. Het leest als een hypothese die het model voortbrengt, en moet niet worden opgevat als een vaststaand feit. Maar het is een nuttig soort claim, omdat ze specifiek genoeg is om onjuist te kunnen blijken. Als het vroege patroon van Seattle zich tegen 2028 niet doorzet naar het nationale niet-technische personeelsbestand, heeft het model een probleem dat het niet zomaar kan wegredeneren.

De herintegratiekant van de balans #

Een verdringingsscore op zich vertelt slechts de helft van het verhaal van Acemoglu en Restrepo. In hun kader hangt het arbeidsaandeel af van de vraag of het creëren van nieuwe taken sneller gaat dan verdringing. Een paper die het kader zou uitbreiden en alleen verdringing zou meten, zou het onderdeel hebben losgelaten dat het kader zijn spanning geeft.

Dat doet de paper niet. Hij identificeert beroepscategorieën waarin agentische AI herintegratie-effecten creëert: nieuwe rollen die niet bestonden voordat de uitrol van agents op schaal vraag creëerde naar menselijk toezicht, governance en samenwerking. In totaal identificeert hij zeventien opkomende beroepscategorieën die profiteren van herintegratie-effecten. Ze zijn geconcentreerd in rollen rond mens-AI-samenwerking, AI-governance en domeinspecifieke AI-operaties.

Het mechanisme is gemakkelijk te volgen. Als agents workflows van begin tot eind uitvoeren, moet iemand toezicht op hen houden, de regels opstellen waaronder ze draaien en met hen samenwerken. Die behoeften bestonden nog niet als banen omdat er nog niets was om toezicht op te houden.

De bron vertelt mij niet hoeveel mensen deze zeventien categorieën in dienst zouden nemen, of dat hun groei de verdringing die de ATE-scores impliceren zou compenseren. De gegevens die ik kan gebruiken laten de centrale vraag dus open: of herintegratie sneller gaat dan verdringing. Iedereen die vol vertrouwen schrijft dat dit wel zo is, of juist niet, gaat verder dan de geverifieerde claims. De bijdrage van de paper bestaat erin beide kanten van de balans in hetzelfde kader te plaatsen en te benoemen waar de nieuwe rollen verschijnen.

Wat we hieruit kunnen meenemen #

Er is een methodologische les en een praktische.

De methodologische les is dat de analyse-eenheid het antwoord bepaalt. De sprong van 47% naar 9-14% kwam voort uit de overstap van beroepen naar taken. De paper betoogt dat nu een verdere stap nodig is, van taken naar workflows, omdat hetgeen geautomatiseerd wordt niet langer een taak is. Telkens wanneer de eenheid verschoof, veranderden de schattingen, en de geschiedenis van het vakgebied suggereert dat de keuze van de eenheid evenveel kritische aandacht verdient als de keuze van de gegevens.

De praktische les is voor iedereen die personeelsbestand, opleiding of producten plant voor de komende vijf jaar. Een score die je vertelt dat 80% van de taken van een rol is blootgesteld, is niet genoeg, omdat ze niet zegt of de resterende 20% een duurzame menselijke kern is of slechts de lijm die de planningsmodule van een agent nu kan leveren. De workflowdekkingsfactor bestaat om die vraag rechtstreeks te stellen.

De ATE-score is een samengestelde maatstaf met gekalibreerde parameters, en haar projecties zijn modelmatig afgeleid. Ze vormen een gestructureerd betoog over 2025-2030, geen verslag ervan. Dat is een reden om ze te toetsen in plaats van ze te negeren. De Seattle-hypothese biedt een vroege test: als de effecten van 2026-2027 daar eruitzien zoals het model impliceert, wordt de vertraging naar het nationale niet-technische personeelsbestand in 2028-2030 het volgende punt om in de gaten te houden. En de zeventien herintegratiecategorieën stellen de vraag die de claims niet kunnen beslechten: of de rollen die worden gecreëerd om toezicht te houden op agents in aantallen zullen komen die ertoe doen voor het arbeidsaandeel.

Veelgestelde vragen #

Waarom onderschatten eerdere kaders voor taakblootstelling de impact van agentische AI?

Eerdere kaders die voortbouwen op de traditie van Autor-Levy-Murnane gaan ervan uit dat automatisering afzonderlijke taken verwijdert terwijl het beroep overleeft als een menselijke coördinatiehuls. Agentische AI-systemen nemen de planning, het aanroepen van tools, het statusbeheer en de tussentijdse kwaliteitscontroles over waarvoor voorheen een menselijke coördinator nodig was, waardoor volledige workflows in plaats van geïsoleerde taken worden blootgesteld.

Hoe wordt de Agentic Task Exposure (ATE)-score berekend?

ATE is een algoritmische samengestelde score opgebouwd uit O*NET-taakbelangrijkheidsscores (wo,t), AI-capaciteitsbenchmarks en praktijkrapporten over uitrol (CAP(t)), een workflowdekkingsfactor die meet of de volledige workflow van een beroep binnen het operationele bereik van een agent past, en gekalibreerde parameters voor logistische adoptiesnelheid over 236 SOC-codes.

Wat concludeert de studie over het ontstaan van nieuwe banen (herintegratie-effecten)?

Voortbouwend op het herintegratiekanaal van Acemoglu en Restrepo identificeert de studie zeventien opkomende beroepscategorieën, geconcentreerd in mens-AI-samenwerking, AI-governance en domeinspecifieke AI-operaties. Of de groei in die categorieën de verdringing op workflowniveau compenseert, blijft een open empirische vraag.

Referenties #

Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.

Laatst herzien 2026-11-01.

Dit artikel herpubliceren

Agentische AI doorbreekt de aanname achter elke voorspelling over taakblootstelling — Sebastien Rousseau

Kaders voor taakblootstelling behandelen een beroep als een huls die overleeft rond wat mensen nog doen. Agentische systemen streven een doel na en leveren een afgewerkt werkproduct op.

Dit artikel valt onder de licentie Creative Commons Attribution 4.0 International. Herpublicatie vereist attributie aan de canonieke URL.

Agentische AI doorbreekt de aanname achter elke voorspelling over taakblootstelling — Sebastien Rousseau

Kaders voor taakblootstelling behandelen een beroep als een huls die overleeft rond wat mensen nog doen. Agentische systemen streven een doel na en leveren een afgewerkt werkproduct op.

Originally published at https://sebastienrousseau.com/nl/2026-10-25-agentische-ai-doorbreekt-aanname-achter-elke/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER