Hoe zijn deze cijfers tot stand gekomen?
Volledige transparantie over de data, het model en de beperkingen. De dataset is vrij te gebruiken onder Creative Commons BY 4.0 — mits bronvermelding.
103 beroepsgroepen op basis van CBS BRC 2014. Elke beroepsgroep gescoord op AI-blootstelling (0-10) en NL-kwetsbaarheid (0-10). De score volgt de JPE-methodologie (Janssen Practical Exposure). Prognose 2030 via een model: ROA-arbeidsvraag + AI-laag + robotica-laag (JPE-prognose v3). Cross-gevalideerd met Felten AIOE (r = 0.87). Alle data onder CC BY 4.0.
Scope en dekking
De kaart bevat 103 beroepsgroepen op basis van de CBS Beroepenclassificatie ROA-CBS 2014 (BRC 2014, editie 2025). Samen vertegenwoordigen deze beroepen circa 6,8 miljoen banen, ongeveer 69% van de Nederlandse werkzame beroepsbevolking (CBS: 9,8 miljoen in 2025).
De arbeidsmarktcijfers (banen, groei, historische index, deeltijd) komen rechtstreeks uit CBS-tabel 86320NED(peildatum 2e kwartaal 2026). Per beroep staat erbij hoe het aan CBS gekoppeld is: 53 beroepen vallen samen met een CBS-beroepsgroep, 37 delen een CBS-groep met andere beroepen (trend uit CBS, banenaantal is een geschat aandeel van het groepstotaal), 9 zijn een smal deel van een grotere groep (trend uit CBS, banenaantal is een eigen schatting). Bij 4 beroepen komt het banenaantal uit een openbaar register (bijv. Rechtspraak, UWV, politie), met de trend van de CBS-groep.
De rest van de werkzame beroepsbevolking betreft voornamelijk niche-specialisaties, ongedefinieerde beroepen en beroepsgroepen die niet in de CBS BRC 2014 top-categorieën vallen. De dataset pretendeert niet de volledige arbeidsmarkt te dekken.
Scoringsrubric: AI-blootstelling (0–10)
De AI-blootstellingsscore geeft aan welk deel van de kerntaken van een beroep technisch automatiseerbaar is door huidige AI-technologie (LLMs, computer vision, robotica, agentic AI). Het is een maat voor technische blootstelling, niet voor daadwerkelijke vervanging.
NL-kwetsbaarheid (0–10)
De kwetsbaarheidscore geeft aan in hoeverre de technische AI-blootstelling ook daadwerkelijk leidt tot impact in de Nederlandse context. Een hoge blootstelling hoeft niet te leiden tot hoge kwetsbaarheid als er beschermende factoren zijn.
Factoren die meewegen:
- EU AI Act Art. 14: Vereist human-in-the-loop bij overheidsbeslissingen (verlaagt kwetsbaarheid overheid)
- DBA-wetgeving: ZZP-regelgeving beïnvloedt snelheid van rolvervanging
- Zorgsectorregulering: BIG-registratie en wettelijke eisen beschermen zorgberoepen
- Vraag-elasticiteit: Als de vraag harder groeit dan AI vervangt (bijv. ICT), daalt de kwetsbaarheid
- Sociale voorkeur: Maatschappelijke voorkeur voor menselijk contact (zorg, onderwijs) remt adoptie
- Arbeidsmarktkrapte: Nijpende tekorten (zorg, bouw, installatie) maken vervanging onwaarschijnlijk
Sinds v3 (september 2026) telt de kwetsbaarheidscore niet meer mee in de prognose. Hij hangt voor 0,96 samen met de JPE-score en voegde daardoor vrijwel niets toe. De score blijft zichtbaar als context.
Hoge AI-score ≠ banenverlies
Softwareontwikkelaars scoren 9/10 op AI-blootstelling maar groeiden +96% (2015–2025, CBS). Tussen 2022 en 2025 stond die groei stil; in de eerste helft van 2026 trekt ze weer aan. Het model verwacht voor 2030 −15% tot +5%. Tien jaar lang won de vraag naar software het van de blootstelling. Of dat zo blijft is precies de open vraag. Omgekeerd krimpen boeren en vissers niet door AI maar door stikstofbeleid en quotareducties. De score meet technische blootstelling, niet baanzekerheid.
Prognosemodel 2030 (JPE-prognose v3)
Het model beantwoordt de vraag: hoeveel mensen werken er in 2030 in dit beroep, als de verwachte arbeidsvraag uitkomt en AI en robotica hun werk doen? Het antwoord bestaat uit drie lagen, die ook als aparte scenario’s op elke beroepspagina staan.
Sinds september 2026 (v3) vertrekt het model niet meer vanuit de trend van de laatste twee jaar. Een backtest op CBS-data sinds 2013 liet zien dat zo’n korte trend zich niet doorzet: de volgende jaren bewegen eerder de andere kant op. Het model vertrekt nu vanuit een onafhankelijke banenprognose per beroepsgroep (ROA, Maastricht University), waar AI en robotica apart bovenop komen.
De formule in vijf stappen
Handgekozen parameters
Backtest
Getoetst op de ROA-prognose uit 2023 tegen de werkelijke CBS-groei 2023→2025 (107 beroepsgroepen, fout in procentpunt per jaar, gewogen naar werkenden): v3-basis 3,85, oud model (v2) 4,91, “geen verandering” 3,86, “elk beroep groeit met Nederland” 3,80. Het nieuwe model is een duidelijke verbetering ten opzichte van v2, maar over twee jaar verslaat geen enkele methode de simpelste voorspelling. Dat komt ook door steekproefruis in de EBB. Script: scripts/backtest-v3.py.
Belangrijk: modelaannames
- De AI-helling is geschat op dezelfde periode waarin het effect zichtbaar is; ze is niet out-of-sample getoetst.
- De robotica-laag is een expertschatting per beroep, niet empirisch gekalibreerd. Regelgeving (bijv. robotaxi’s in de EU) kan snel veranderen; de inschatting wordt halfjaarlijks herzien.
- ROA gebruikt zelf ook EBB-cijfers. Niveausprongen rond 2025 (bijv. elektrotechnisch ingenieurs) werken daardoor ook in de basis door.
- Prognoses zijn richtinggevende scenario’s, geen voorspellingen. De band is belangrijker dan het middelpunt.
Voorbeeldberekening: Administratief medewerkers
Voorbeeldberekening: Softwareontwikkelaars
Gevoeligheidsanalyse
Wat verandert er als je de handgekozen parameters anders kiest? De AI-helling is veruit de gevoeligste knop.
De laatste twee kolommen veranderen alleen de menging bij structurele krimpers. Aantal krimpende beroepen (< −3%): 9 / 13 / 41 / 10 / 16 in dezelfde volgorde.
Bronnen per datapunt
Validatie: JPE vs Felten AIOE
De centrale vraag bij elke nieuwe index: kloppen de scores? We valideren tegen de Felten AIOE — het meest geciteerde academische referentiekader voor AI-blootstelling van beroepen (Felten, Raj & Seamans, 2023).
Resultaat: Pearson r = 0.87, Spearman ρ = 0.90 over alle 103 beroepsgroepen. De scores lopen sterk gelijk. Maar de afwijkingen zijn minstens zo interessant als de overeenstemming.
0.87
0.90
103
Stippellijn = perfecte overeenstemming. Punten boven de lijn: Felten scoort hoger dan JPE (AI kan het, maar het gebeurt niet). Bolgrootte = aantal banen.
Waar JPE en Felten het meest uiteenlopen
Het kernverschil
Felten meet “kan AI deze taak?” (theoretische capaciteit). JPE meet “verandert AI dit werk daadwerkelijk?” (praktische disruptie). De divergenties zitten precies waar je ze verwacht: onderwijs, zorg en rechtspraak. Beroepen waar de technologie er is, maar regulering, ethiek of arbeidsmarktkrapte de adoptie remt.
Waarom beide? JPE wordt gebruikt voor de treemap, prognoses en loopbaanadvies (praktische besluitvorming). Felten wordt getoond als academische referentie. De combinatie laat zien waar AI kan disrumperen (Felten) en waar het in Nederland ook daadwerkelijk gebeurt (JPE).
Beperkingen
- AI-blootstellingsscores zijn modellenschattingen, geen empirische metingen. Ze zijn gecross-valideerd met academische indices maar niet onafhankelijk geaudit.
- De dataset dekt circa 69% van de werkzame beroepsbevolking. Niche-beroepen ontbreken.
- Historische indices komen uit CBS, maar het CBS meldt een trendbreuk tussen 2020 en 2021 (nieuwe EBB-vragenlijst en onderzoeksopzet). Op beroepsniveau kan dat sprongen geven, bijvoorbeeld bij algemeen directeuren. Vergelijkingen vanaf 2021 zijn het betrouwbaarst.
- Bij beroepen die een CBS-groep delen of er een smal deel van zijn, volgt de trend de hele CBS-groep. Een subberoep kan in werkelijkheid anders bewegen.
- De EBB is een steekproef. Bij kleine beroepsgroepen (onder ~30.000 werkenden) schommelen de cijfers van jaar tot jaar sterk.
- De prognose 2030 is een richtinggevende analyse, geen arbeidsmarktprognose. Het model houdt geen rekening met economische schokken, beleidswijzigingen of doorbraaktechnologieën.
- Niet alle krimp is AI-gerelateerd. Landbouw en visserij krimpen door beleid (stikstof, quota), niet door automatisering.
- Salarissen zijn medianen en bovendien afgeleid: CBS publiceert geen mediaan jaarsalaris per beroep, alleen mediaan uurloon (tabel 85517NED). Het jaarsalaris is berekend (uurloon × gangbare arbeidsduur) en aangevuld met CAO-data. De spreiding binnen beroepsgroepen kan groot zijn.
- De prognose 2030 wordt gepresenteerd als band, afgerond op 5 procentpunt, met een middelpunt. De band combineert de onzekerheid van de ROA-prognose met een gunstige en ongunstige AI- en robotica-laag. Puntschattingen zouden schijnzekerheid suggereren.
- De regel voor structurele krimpers is gebaseerd op dezelfde backtest waarmee hij daarna getoetst is (ROA onderschatte krimp bij 17 beroepen). Dat is geen onafhankelijke toets.
- De robotica-inschattingen zijn gemaakt ten opzichte van de historische CBS-trend. Bij beroepen waar automatisering al jaren loopt (winkel, magazijn) kan een deel ervan ook al in de ROA-basis zitten: mogelijk een kleine dubbeltelling.
- Enkele beroepen overlappen met een CBS-groep die al over andere beroepen verdeeld is (registercijfers, smalle schattingen). Samen circa 78.000 banen; daar is de dekking voor gecorrigeerd.
- Vergrijzing wordt niet meegenomen in het prognosemodel. De leeftijdsverdeling per beroepsgroep is in CBS 86320NED beschikbaar, maar het model gebruikt haar nog niet. Vergrijzingsdata wordt wel getoond als contextuele indicator in de beroepsscan en de inzichten-pagina. Bij sterk vergrijsde sectoren (bijv. administratief: 24.6% is 55+) kan het natuurlijk verloop de AI-transitie "zacht" maken. Dit is een belangrijke nuance die het model zelf niet kwantificeert.
Cross-validatie
De AI-blootstellingsscores en prognoses zijn vergeleken met vijf onafhankelijke bronnen:
- Felten, Raj & Seamans (2023) — Occupational Heterogeneity in Exposure to Generative AI. Onze top-scores (vertalers, schrijvers, developers) komen overeen met hun hoogste AIOE-waarden. Onze laagste scores (bouw, zorg-uitvoerend) matchen hun laagste.
- Georgieff & Hyee (2021) — Artificial intelligence and employment: New cross-country evidence. OECD Social, Employment and Migration Working Papers, No. 265. Bevestigt het patroon: kenniswerk hoog, fysiek werk laag.
- Frey & Osborne (2017) — The Future of Employment. Verpleegkundigen scoorden 0.009 automation probability, consistent met onze 2/10.
- WEF Future of Jobs Report (2025) — Bevestigt dat softwareontwikkelaars tot de snelst groeiende specialistische functies behoren. Wereldwijd +6 miljoen developers verwacht tegen 2030. Groeirichting consistent met onze data.
- UWV Arbeidsmarktprognose (2025) — Signaleert dat de arbeidsmarktkrapte voor ICT-beroepen afneemt. Minder krapte is niet hetzelfde als minder banen, maar het groeitempo vertraagt. Gebruikt als toets op de richting van de prognose.
Bronverwijzingen
Download de dataset
De volledige dataset is vrij beschikbaar onder Creative Commons BY 4.0. Je mag de data gebruiken, delen en bewerken — mits je vermeldt: Bron: Simon Janssen, simondjanssen.nl/ai-kaart.
CSV-bestanden met puntkomma als scheidingsteken (NL-standaard). Direct te openen in Excel. Verificatie-sheet bevat alle tussenberekeningen van het prognosemodel.
Licentie en citeren
Licentie: Creative Commons Naamsvermelding 4.0 Internationaal (CC BY 4.0)
Citeren als: Janssen, S.D. (2026). Nederlandse AI Blootstellingskaart: 103 beroepsgroepen geanalyseerd op AI-impact. simondjanssen.nl/ai-kaart. Geraadpleegd op [datum].
Methodologische inspiratie: Karpathy/jobs (MIT License)
Begrippenlijst
Onafhankelijkheid
Dit is een onafhankelijk persoonlijk project van Simon Janssen. Niet gefinancierd door of namens HappyNurse B.V. of CIONET. De auteur is CTO bij HappyNurse (waar hij Aisha bouwde, een AI-recruiter) en lid van het CIONET Advisory Board. Die context informeert de analyse maar stuurt de uitkomsten niet. De dataset, het model en alle broncode zijn open beschikbaar. Er zijn geen advertentie-inkomsten, sponsors of commerciële partnerschappen. De nieuwsbrief is gratis.
Vragen over de data of methodologie? Neem contact op via LinkedIn of mail naar hello@simondjanssen.nl.