Het speelveld wordt gelijk

Laten we terugkeren naar het Harvard/BCG-onderzoek, want er zat een bevinding in die misschien belangrijker is dan alle andere, en die in de meeste discussies over AI onderbelicht blijft.

De onderzoekers ontdekten dat AI de prestatiekloof verkleinde. Niet een beetje. Fundamenteel. De slechtst presterende consultants profiteerden het meest van AI-assistentie. De best presterende consultants profiteerden het minst. AI tilde iedereen op naar een hoger niveau, maar het tilde de onderkant veel verder op dan de bovenkant. De spreiding, het verschil tussen de beste en de slechtste, kromp dramatisch.

Ethan Mollick, de Wharton-professor die we eerder tegenkwamen, schreef hierover iets wat in de oorspronkelijke context een terzijde leek maar wat, naarmate de implicaties doordrongen, het meest geciteerde zinnetje uit zijn hele oeuvre zou worden: "Ik denk niet dat genoeg mensen overwegen wat het betekent wanneer een technologie alle werknemers naar de bovenste prestatieklasse tilt."

Sta daar even bij stil. Want dit is niet zomaar een onderzoeksresultaat. Dit is niet een interessant feitje voor een presentatie of een voetnoot in een rapport. Dit is het begin van een fundamentele verschuiving in wie er toegang heeft tot wat. Een verschuiving die, als ze doorzet, de wereld op manieren kan veranderen die even ingrijpend zijn als de technologie zelf.

Om te begrijpen waarom dat zo is, moet je nadenken over wat het betekende om voor de komst van AI een persoonlijke assistent te hebben. Niet een digitale assistent, niet Siri of Alexa, maar een echte, menselijke assistent. Iemand die altijd beschikbaar was, die je taal sprak en nog tientallen andere talen, die je kon helpen met het schrijven van een brief, het analyseren van een spreadsheet, het bedenken van een strategie, het vertalen van een document, het samenvatten van een rapport, het voorbereiden van een presentatie, het uitzoeken van een complex probleem.

Tot voor kort was dat een luxe die was voorbehouden aan topmanagers. Je moest er veel geld voor hebben, of bij een bedrijf werken dat het zich kon veroorloven om je die ondersteuning te bieden. Een advocaat bij een groot kantoor had een team van stagiairs en paralegals. Een CEO had een staf van analisten en adviseurs. Een senior consultant had junior consultants die het voorwerk deden. De hiërarchie van kenniswerk was, in wezen, een hiërarchie van ondersteuning: hoe hoger je positie, hoe meer mensen er werkten om jou effectiever te maken.

Nu heeft iedereen zo'n assistent. Voor een paar tientjes per maand, of soms helemaal gratis. Een assistent die niet slaapt, niet klaagt, geen vakantie nodig heeft, en die in minuten kan doen wat een menselijke assistent uren zou kosten. Een assistent die je kunt vragen om een contract te analyseren, een presentatie te structureren, een e-mail te formuleren in een taal die je niet spreekt, een dataset te doorzoeken op patronen, een eerste versie te schrijven van vrijwel alles.

De consequenties hiervan zijn nog lang niet volledig doorgedrongen. Een startende ondernemer in Lagos heeft nu toegang tot dezelfde analytische capaciteiten als een consultant bij McKinsey. Een student in Jakarta kan een juridisch contract laten analyseren zonder een advocaat te hoeven betalen. Een boer in het noorden van India kan vragen stellen over gewasziektes in zijn eigen taal en binnen seconden een antwoord krijgen dat gebaseerd is op de laatste wetenschappelijke inzichten. Een eenpersoonszaak in Groningen kan marktonderzoek doen dat voorheen alleen betaalbaar was voor bedrijven met tienduizenden euro's budget.

Natuurlijk is de technologie niet gelijk verdeeld. Niet iedereen heeft internet. Niet iedereen heeft een smartphone. Niet iedereen heeft de vaardigheden of het vertrouwen om AI effectief te gebruiken. De digitale kloof is reeel en mag niet worden genegeerd of gebagatelliseerd.

Maar het is ook waar dat geen enkele technologie in de geschiedenis van de mensheid zo snel zoveel capaciteiten heeft gedemocratiseerd als AI. Het speelveld wordt niet van de ene dag op de andere gelijk. Maar het wordt wel gelijker. En het gaat snel.

Misschien is de meest vergaande gelijkmaking niet eens die van de kantoorwereld. Het is die van het onderwijs.

In 1984 publiceerde de onderwijspsycholoog Benjamin Bloom een studie die bekend werd als het "two sigma probleem." Leerlingen die een-op-een begeleiding kregen, presteerden beter dan 98 procent van hun klasgenoten zonder persoonlijke tutor. Het was een onthutsend verschil, en een onoplosbaar probleem: er waren simpelweg niet genoeg tutoren om elk kind persoonlijke begeleiding te geven. De kosten zouden astronomisch zijn. Blooms ontdekking was een belofte die niet kon worden waargemaakt.

Veertig jaar later maakt AI die belofte voor het eerst inlosbaar. Een tutor die oneindig geduld heeft, die zich aanpast aan het niveau van de leerling, die in elke taal kan uitleggen, die midden in de nacht beschikbaar is, die nooit ongeduldig wordt als je iets voor de vijfde keer vraagt. Die een wiskundig bewijs op twintig verschillende manieren kan uitleggen tot er een is die aansluit.

Maar het is niet automatisch. Een studie bij Turkse middelbare scholieren liet zien dat leerlingen die ChatGPT gewoon als antwoordmachine gebruikten, zeventien procent slechter presteerden op hun examens. De AI deed hun denkwerk en ze leerden niets. Maar leerlingen die een versie gebruikten die was ingericht als tutor, die terug vroeg en begeleidde in plaats van antwoordde, presteerden juist beter. Het verschil zat niet in de technologie maar in de aanpak: AI als kruk versus AI als coach. Het is een onderscheid dat niet alleen geldt voor het onderwijs, maar voor vrijwel elk gebruik van AI.

Intussen is de "huiswerkrevolutie" al in volle gang. Meer dan 82 procent van de Amerikaanse studenten heeft AI gebruikt voor schoolwerk. Docenten kunnen niet meer betrouwbaar detecteren welk werk door AI is geschreven en welk niet. Dat dwingt het onderwijs om fundamenteel te heroverwegen wat we eigenlijk toetsen en waarom. Maar achter die disruptie schuilt een grotere belofte: de mogelijkheid dat voor het eerst in de geschiedenis de kwaliteit van je onderwijs niet wordt bepaald door het inkomen van je ouders of de postcode waar je woont.

Khan Academy, het online onderwijsplatform van Sal Khan, lanceerde Khanmigo als een van de eerste grootschalige AI-tutors. Het bijzondere aan Khanmigo is niet dat het antwoorden geeft, dat kan elke zoekmachine. Het bijzondere is dat het antwoorden weigert. Als een leerling vraagt "wat is het antwoord op opgave 3," zegt Khanmigo: "Laten we het samen uitzoeken. Wat denk jij dat de eerste stap is?" Het dwingt de leerling om te denken, niet om te kopiëren. Het is het verschil tussen een tutor en een spiekbriefje.

In Nederland roept dit een ongemakkelijke vraag op. Het Nederlandse onderwijs kent een vroege selectie: op twaalfjarige leeftijd worden kinderen verdeeld over VMBO, HAVO en VWO. Die selectie hangt in de praktijk sterk samen met het opleidingsniveau en inkomen van de ouders. Kinderen uit welvarende gezinnen krijgen bijles, huiswerkbegeleiding, en nu dus ook premium AI-tutoring. Kinderen uit minder welvarende gezinnen krijgen de gratis versie, als ze überhaupt een laptop hebben om het op te gebruiken. Er dreigt een nieuwe "bijleskloof" te ontstaan: niet meer tussen wie wel en niet een menselijke tutor kan betalen, maar tussen wie wel en niet toegang heeft tot de beste AI-tutor.

En er is een fundamentelere vraag die het onderwijs op zijn grondvesten schudt: als elke leerling een persoonlijke tutor heeft die geduldig elke vraag beantwoordt, wat is dan de rol van de docent? Het antwoord dat steeds vaker klinkt, van onderwijsinnovators tot de Onderwijsraad, is dat de docent verschuift van leverancier van kennis naar architect van leerervaringen. De docent wordt niet minder belangrijk. De docent wordt anders belangrijk: als degene die leert samenwerken, die debat begeleidt, die kritisch denken stimuleert, die de menselijke vaardigheden bijbrengt die geen AI kan leren. Maar die transitie vereist een fundamentele herziening van hoe we docenten opleiden, hoe we les geven, en hoe we toetsen.

Op HBO- en WO-niveau worstelen instellingen met vergelijkbare vragen. Hoe beoordeel je een scriptie als de student AI heeft gebruikt? Verbied je het en creëer je een schijnwerkelijkheid waarin studenten het stiekem toch doen? Of omarm je het en herdefinieer je wat competentie betekent in een wereld waar iedereen toegang heeft tot een schrijfassistent? De universiteiten die het verst zijn, kiezen het tweede: ze leren studenten expliciet hoe ze AI effectief en verantwoord inzetten, en ze toetsen op de vaardigheid die ertoe doet: het vermogen om de output kritisch te beoordelen en eigen oordeelsvorming te demonstreren.

Werknemers die vaardig zijn met AI verdienen gemiddeld 56 procent meer dan hun collega's die dat niet zijn. Dat cijfer komt van arbeidsmarktonderzoek uit 2025 en het is opvallend hoog. Maar het is een getal dat in context moet worden geplaatst, want de context vertelt een ander verhaal dan het getal alleen.

Die premie is tijdelijk.

Denk terug aan het begin van het computertijdperk. In de jaren tachtig en negentig verdienden mensen die konden werken met computers significant meer dan hun collega's die dat niet konden. Ze hadden een zeldzame vaardigheid. Werkgevers waren bereid extra te betalen voor iemand die kon omgaan met een spreadsheet, met e-mail, met een database. Maar naarmate computervaardigheden de norm werden, naarmate iedereen leerde typen en klikken en bestanden opslaan, verdween de premie. Het werd geen onderscheidend vermogen meer. Het werd een basisvereiste.

Sommige bedrijven wachten niet tot die transitie vanzelf plaatsvindt. In februari 2026 maakte Accenture, een van de grootste consultancybedrijven ter wereld met meer dan 800.000 medewerkers, bekend dat het gebruik van AI-tools voortaan meeweegt bij promoties naar leidinggevende functies. Het bedrijf houdt bij hoe vaak medewerkers inloggen op interne AI-platformen. Wie dat te weinig doet, maakt minder kans op doorgroei. CEO Julie Sweet zei op een analistengesprek dat alle medewerkers verwacht worden zich te "herscholen en heruitrusten," en dat 550.000 werknemers al waren bijgeschoold in de basisprincipes van generatieve AI. Tegelijkertijd had het bedrijf 11.000 medewerkers ontslagen van wie het oordeelde dat ze niet herschoold konden worden, met een totale ontslagvergoeding van twee miljard dollar over drie jaar. Het was een signaal dat moeilijk te negeren viel: AI-vaardigheid was niet langer een pluspunt op je cv. Het werd een voorwaarde om je baan te behouden.

Hetzelfde patroon zal zich in steeds meer organisaties voordoen. De vraag is niet of je AI kunt gebruiken. Dat leert iedereen, net zoals iedereen leerde omgaan met e-mail en zoekmachines. De vraag die overblijft als de premie is verdampt, is een diepere vraag, een vraag die raakt aan iets fundamentelers dan technische bekwaamheid: kun je goed genoeg denken om AI effectief aan te sturen?

Want dat is waar het echte verschil zit. AI maakt het makkelijker om een gemiddeld rapport te schrijven, een gemiddelde analyse te maken, een gemiddelde strategie te bedenken. Maar "gemiddeld" wordt daarmee ook minder waard. Als iedereen met AI een fatsoenlijk rapport kan produceren, verschuift de waarde naar degene die weet welk rapport er geschreven moet worden. Die de juiste vragen stelt. Die de nuances begrijpt die AI mist. Die kan beoordelen of het glanzende resultaat dat de machine heeft geproduceerd inhoudelijk klopt of alleen maar overtuigend klinkt.

Dit is misschien wel de belangrijkste verschuiving die AI veroorzaakt in de wereld van het werk, en het verdient het om expliciet te worden benoemd: de verschuiving van uitvoering naar oordeelsvermogen.

In veel kenniswerk was een groot deel van de dag gevuld met uitvoerend werk. Het schrijven van eerste versies. Het opzoeken van informatie. Het structureren van data. Het maken van berekeningen. Het opstellen van standaarddocumenten. Dit was werk dat tijd kostte, dat expertise vereiste, maar dat in wezen volgde uit een beslissing die al was genomen. Het was het "hoe," niet het "wat" of het "waarom."

AI neemt steeds meer van dat uitvoerende werk over. Wat overblijft is het werk dat eraan voorafgaat en het werk dat erna komt: de beslissing over wat er gedaan moet worden, en het oordeel over of het goed is gedaan. Het "wat" en het "waarom."

Dit betekent dat vaardigheden die voorheen als "soft" werden beschouwd, als minder meetbaar en minder belangrijk dan technische vaardigheden, plotseling centraal komen te staan. Kritisch denken. Het stellen van goede vragen. Het begrijpen van context. Het inschatten van consequenties. Het communiceren van complexe ideeen aan andere mensen. Het leiden van teams door verandering. Het opbouwen van vertrouwen. Het nemen van beslissingen onder onzekerheid.

Dit zijn vaardigheden die AI niet heeft en die het in de nabije toekomst waarschijnlijk niet zal krijgen. En het zijn vaardigheden die door de opkomst van AI niet minder waardevol worden, maar juist meer.

Laat me drie scenario's schetsen die illustreren wat dit in de praktijk betekent. Niet als abstracte voorbeelden maar als verhalen van echte verschuivingen die nu al plaatsvinden.

Het eerste is dat van een marketingmanager bij een middelgroot bedrijf. Voorheen besteedde ze twee dagen per week aan het schrijven van teksten, het maken van social media posts, het analyseren van campagnedata. Het was werk dat ze goed kon, waar ze trots op was, en dat een substantieel deel van haar week vulde. Nu doet AI het schrijfwerk in een fractie van de tijd. De analyses die haar team drie uur kostten, worden in minuten gemaakt. Haar eerste reactie was onrust: als de machine mijn werk doet, wat is dan mijn bijdrage?

Maar wat er werkelijk gebeurde was dat haar werk niet verdween. Het verschoof. Ze besteedt nu meer tijd aan strategie, aan het begrijpen van klantbehoeften die niet uit data te halen zijn, aan het coordineren met het verkoopteam, aan het nadenken over waar het merk naartoe moet. Ze doet minder taken, maar wat ze doet is waardevoller. De machine heeft haar bevrijd van het routinewerk en haar gedwongen om zich te richten op het werk dat alleen zij kan doen.

Het tweede is dat van een jonge jurist die net is afgestudeerd. De routinetaken die voorheen zijn eerste jaren zouden vullen, het doorploegen van contracten, het opzoeken van jurisprudentie, het schrijven van standaardbrieven, worden nu grotendeels door AI gedaan. Hij komt sneller bij het werk dat ertoe doet: het adviseren van clienten, het ontwikkelen van juridische strategieen, het oplossen van complexe problemen. Maar er is een keerzijde die niet genegeerd mag worden: hij mist ook de leerschool die die routinetaken boden. Het doorploegen van honderd contracten was saai, maar het was ook hoe je leerde contracten te begrijpen. De trap waarop hij normaal zou beginnen is weggevallen, en niemand weet nog precies hoe je de ervaring opdoet die je nodig hebt als die eerste treden er niet meer zijn.

Het derde is dat van een freelance vertaler met twintig jaar ervaring, gespecialiseerd in technische vertalingen. Machinevertaling was altijd ondermaats geweest. Tot het dat niet meer was. De basiskwaliteit van AI-vertalingen is nu goed genoeg voor veel toepassingen. Haar werk verschuift van het vertalen zelf naar het controleren en verfijnen van AI-vertalingen, naar het werk waar culturele nuance en vakspecifieke kennis echt het verschil maken. Het volume is omlaag gegaan. De waarde per woord is omhoog gegaan. Maar de transitie is pijnlijk, en het zou oneerlijk zijn om dat te ontkennen.

De rode draad in al deze scenario's is wat je het "T-shape" model kunt noemen. De toekomstbestendige professional heeft een diepe verticale expertise, jarenlange kennis van een specifiek vakgebied, gecombineerd met een brede horizontale vaardigheid in het werken met AI. De verticale lijn wordt niet minder waard door AI. Ze wordt juist waardevoller, want zonder die diepte kun je de AI-output niet beoordelen. Maar de horizontale lijn, het vermogen om AI effectief in te zetten, wordt de basisvoorwaarde die bepaalt of je die diepte ook kunt benutten.

Concreet: een klantenservicemedewerker die leert om AI-chatbots te beheren en te verbeteren, stapt op naar een rol die vijf jaar geleden niet bestond. Een accountant die routinematige boekingen aan AI overlaat en zich richt op advisering, maakt werk dat waardevoller is en moeilijker te automatiseren. Een journalist die AI inzet voor data-analyse en openbrononderzoek, kan onderzoeksjournalistiek bedrijven die voorheen een heel team vereiste.

In Nederland bestaan er instrumenten die deze transities kunnen ondersteunen: sectorale O&O-fondsen, de opvolger van het STAP-budget, om- en bijscholingsregelingen via vakbonden. Maar de eerlijke constatering is dat deze instrumenten nog niet zijn ingericht op de snelheid en schaal van de AI-transitie. De meeste omscholingsregelingen gaan uit van een transitie die jaren duurt. De AI-transitie voltekt zich in maanden. Niet elke transitie zal soepel verlopen, niet elke werknemer heeft dezelfde capaciteit of dezelfde omstandigheden om zich aan te passen, en de samenleving heeft een verantwoordelijkheid naar degenen die door de mazen van het net vallen. Het eerlijk benoemen van die verantwoordelijkheid is geen pessimisme. Het is een voorwaarde voor een transitie die niet alleen de winnaars dient.

Er is een keerzijde aan het verhaal van de gelijkmaker die niet onbesproken mag blijven. AI democratiseert bepaalde capaciteiten, maar het creert ook nieuwe vormen van ongelijkheid. Tussen mensen die AI effectief kunnen inzetten en mensen die dat niet kunnen. Tussen bedrijven die de middelen hebben om AI volledig te integreren en bedrijven die achterblijven. Tussen landen met goed ontwikkelde digitale infrastructuur en landen zonder. 54 procent van de Amerikanen denkt dat AI een "significant risico" vormt voor wijdverspreide baanverliezen. Opmerkelijk genoeg zijn het de mensen in technologie en niet-klantgerichte rollen die het meest bezorgd zijn, op 58 procent.

Die bezorgdheid is niet irrationeel. De transitie naar een AI-versterkte economie zal winnaars en verliezers kennen. De sleutel is niet te doen alsof dat niet zo is, maar eerlijk onder ogen te zien dat deze technologie, net als elke grote technologische verschuiving daarvoor, niet voor iedereen dezelfde consequenties heeft.

Er is nog een reden waarom de gelijkmaking in de praktijk trager verloopt dan de technologie zou toestaan, en die reden zit niet in de technologie maar in de organisaties waar mensen werken.

Veel werknemers durven AI simpelweg niet te gebruiken op hun werk. Niet omdat ze het niet willen, maar omdat hun werkgever geen duidelijk beleid heeft. Na de Samsung-incidenten uit hoofdstuk drie, waarin medewerkers per ongeluk vertrouwelijke informatie in ChatGPT hadden gedeeld, sloeg bij veel bedrijven de angst toe. Sommige organisaties verboden alle gebruik van AI-tools. Andere zeiden niets en lieten medewerkers in onzekerheid. Het resultaat is een "toestemmingsprobleem": mensen die privé AI gebruiken voor van alles, maar op kantoor hun vingers er niet aan durven te branden.

Middenmanagement vormt een tweede hindernis. Als je leidinggevende niet begrijpt wat AI kan, als hij of zij het zelf niet gebruikt, dan is jouw vermogen om het effectief in te zetten beperkt. Je kunt niet voorstellen om een rapportageproces te automatiseren als je manager niet gelooft dat de output betrouwbaar is. Je kunt niet experimenteren als experimenteren als riskant wordt gezien.

En dan is er de culturele dimensie. In de Nederlandse werkcultuur, met haar nadruk op consensus en zorgvuldigheid, het poldermodel, kan de snelheid van AI-adoptie als bedreigend voelen. Besluiten worden hier niet genomen door individuen maar door groepen, en groepen bewegen langzamer dan individuen. De paradox is dat juist het poldermodel, dat zoveel goeds heeft gebracht in termen van draagvlak en zorgvuldigheid, de adoptie van AI kan vertragen tot het punt waarop de voorsprong van andere culturen moeilijk in te halen is.

De cijfers bevestigen dat beeld. Uit een analyse van Indeed, gebaseerd op miljoenen vacatures, bleek dat in 2019 slechts 1,7 procent van de Nederlandse vacatures AI-gerelateerde termen bevatte. Eind 2025 was dat gegroeid naar 2,5 procent. Minder dan een procentpunt erbij in vijf jaar tijd. Ierland, Spanje en het Verenigd Koninkrijk lieten in dezelfde periode veel sterkere stijgingen zien. Nederland, een land dat zichzelf graag ziet als kenniseconomie, bleef structureel achter in het vertalen van AI naar de arbeidsmarkt.

Organisaties die het wél goed doen, en ze bestaan, delen een paar kenmerken. Ze creëren veilige experimenteerruimte: een omgeving waarin het oké is om AI te proberen, om fouten te maken, om te leren. Ze stellen duidelijke richtlijnen op: wat mag wel, wat mag niet, hoe ga je om met vertrouwelijke informatie. En ze delen successen intern: als een team een manier vindt om met AI twee uur per week te besparen, wordt dat verhaal verteld zodat anderen het kunnen kopiëren.

Het speelveld wordt gelijker. Dat is een feit, niet een belofte. De tools die voorheen voorbehouden waren aan de elite zijn nu beschikbaar voor iedereen met een internetverbinding. Maar gelijkere toegang is niet hetzelfde als gelijke uitkomsten. De mensen die het meest profiteren van AI zijn niet degenen die het het meest gebruiken. Het zijn degenen die het het slimst gebruiken. Die weten wanneer ze het moeten inzetten en wanneer ze op hun eigen oordeelsvermogen moeten vertrouwen. Die AI gebruiken om hun sterke punten te versterken, niet om hun zwakke punten te verbergen.

De Harvard/BCG-studie liet immers ook iets anders zien, iets wat in de euforie over de prestatieverbetering makkelijk over het hoofd wordt gezien: de consultants die blindelings op AI vertrouwden, ook voor taken waar het niet goed in was, presteerden significant slechter. De getande grens sloeg terug.

De kans is reeel. Maar hij is niet automatisch. Je moet hem grijpen. En om hem te grijpen moet je eerst begrijpen wat er psychologisch met je gebeurt als de wereld om je heen verandert op manieren die je niet hebt gekozen. Daar gaat het volgende hoofdstuk over.