AI en werk 2025–2030: wat betekent dit concreet voor jouw baan?

AI (kunstmatige intelligentie) verandert werk. Niet morgen, maar vandaag al. De kernvraag is dus niet óf werk verandert, maar wie kunnen ‘meebewegen’ en wie dreigen ‘buiten de boot’ te vallen. Dit blogje helpt je dat te zien aan de hand van herkenbare situaties, voorbeelden en heel praktische stappen. AI verandert werk nú. De vergelijking met de jaren tachtig ligt voor de hand. Ook toen vroeg de nieuwe technologie (computers) een soort maatschappelijke technologische adoptie van mens en organisatie. Nu verandert de wereld opnieuw en verschuift de menselijke toegevoegde waarde van routine naar: ‘uitleg, controle, afweging en verbetering‘. Bedenk dat de impact van AI vele malen groter is dan de opkomst van de computers in de jaren tachtig. Dat zeg ik niet om af te schrikken, maar om de ‘urgentie van bewustwording’ duidelijk te maken.

1. Solliciteren in 2025? Een systeem zegt “nee” en jij hoort dus niets…

Herkenbaar scenario…

Je solliciteert op vier functies. Binnen twee uur: drie automatische afwijzingen en één keer complete stilte. Pas later hoor je via-via dat het systeem je cv heeft uitgesloten omdat je “te weinig recente projectervaring” hebt. Geen mens heeft je mail en motivatie gelezen!

Wat gebeurt hier?

Steeds meer organisaties gebruiken een sollicitatiesysteem (dat iedereen trouwens gemakkelijk zelf kan maken!) dat vóórselectie doet (denk aan trefwoorden zoeken in cv’s). Dat is handig bij veel reacties, maar het kan ook heel scheef uitpakken:

• • Een mantelzorggat: Bijvoorbeeld 8 maanden niet gewerkt in je functie telt zwaar tegen je, terwijl je gewoon prima geschikt bent.
  • Andere functietitel: Het systeem zoekt letterlijk op store manager, terwijl filiaalmanager in jouw cv staat. Zelfde werk, andere termen.
  • Een verouderde certificering geeft bijvoorbeeld automatisch “afwijzen”, hoewel je die intern zo had kunnen halen.

Wat kun je doen?

• • Zet bij gaten in je cv kort waarom (mantelzorg, studie, ziekte) en wat je wél deed (vrijwillig project, bijscholing).
  • Vertaal je functietitels naar meest gangbare varianten (zet beide neer: “assistent-controller / junior financial analyst”).
  • Vraag na een automatische afwijzing of er menselijke herbeoordeling mogelijk is. Kort en netjes mailen helpt echt!

Wat moet de ‘organisatie met de vacante positie’, doen?

• • Laat (liefst altijd, maar tenminste steekproefsgewijs) een mens de afwijzingen controleren.
  • Leg vast en meldt waarom iemand is afgewezen (transparantie).
  • Regel een bezwaarroute: “Als je denkt dat dit onterecht is, neem contact op met …”.
  • Meldt dat AI de voorselectie doet en dat sowieso terugkoppeling plaatsvindt.Deze werkwijze straalt professionaliteit uit en maakt het voorwerk door AI ook geaccepteerd. Dit is niet alleen eerlijker en opener naar de sollicitant maar het voorkomt ook dat je potentieel geschikte kandidaten mist.

Dit alles is geen toekomstmuziek. SER en UWV waarschuwen in 2025 expliciet: AI raakt iedereen, en uitleg + menselijke controle blijven nodig. Weet datAI niet onfeilbaar is en zelfs kan liegen en zeker ook blinde vlekken kent! Je wilt de naam van je bedrijf niet koppelen aan onzorgvuldigheid, of ai-blindheid. Gebruik het voorlopig dus eerst als hulp om de workload op gemakkelijke punten te verlichten maar voel jouw eigen verantwoordelijkheid voor het eindresultaat! 

2. Wat verandert er de komende jaren? (2025 → 2030)

Wetgeving: de Europese AI-wet

• • Wetgeving: de Europese AI-wet gaat stap voor stap gelden (2025–2027).

“Onveilige toepassingen worden verboden; zwaardere toepassingen moeten worden uitgelegd en gedocumenteerd.”

Voorbeeld uit de praktijk:

Stel je een gemeente voor die een AI-model inzet om bijstandsfraude op te sporen. Tot voor kort kon dat vrij ondoorzichtig gebeuren: niemand wist precies hoe het systeem tot conclusies kwam. Vanaf 2025 moeten ze volgens de Europese AI-verordening uitleg geven over de gebruikte data, besluitvormingslogica en mogelijke fouten. Bovendien moeten burgers bezwaar kunnen maken. Transparantie is dus niet langer ‘een nice to have’, maar wettelijk verplicht.

Reflectie:

• • De lat verschuift van “techniek vertrouwen” naar “techniek kunnen verantwoorden”.
  • Dat vraagt om systemen die uitlegbaar zijn, én om handelen in lijn met democratische waarden (rechtmatigheid, transparantie, beroep).

3. Geld & projecten: Digital Europe & regionaal organiseren

“Er is geld beschikbaar voor opleidingen en praktijkprojecten – vooral krachtig als je het regionaal en samen aanpakt.”

Digital Europe is het EU-programma (2021–2027) dat digitale capaciteit in Europa opbouwt en de uitrol van technologie financiert. Budget ± €7,5 mld.

Voorbeeld uit de praktijk (concreet)

In Noord-Nederland bundelen zorginstellingen, een hogeschool en een AI-startup de krachten in een zorg-AI project. Doel: algoritmes die verpleegkundigen helpen bij triage (sneller inschatten: dringend of kan wachten).
Dankzij Europese cofinanciering krijgen studenten praktijkonderwijs, bedrijven kunnen veilig experimenteren in de zorgcontext, en de zorginstelling houdt personeel vast doordat werkdruk daalt en repetitieve triagetaken worden ondersteund.

Waarom dit werkt:

• • • Onderwijs + praktijk: studenten leren op echte data/processen, teams krijgen direct toepasbare tools.

    • Publiek-privaat: risico’s en kennis worden gedeeld; niemand hoeft het wiel alleen uit te vinden.

    • Regionaal georganiseerd: korte lijnen, dezelfde zorgrealiteit, snelle feedbackloops.

Reflectie:

De fout van eerdere digitalisering — top-down invoeren zonder de werkvloer — kun je hier voorkomen. Door regionaal een innovatie-ecosysteem te bouwen (zorg, onderwijs, mkb, overheid) laat je technologie meegroeien met mensen: klein beginnen, testen op de vloer, leren, bijstellen en pas dan opschalen. Kortom: van over mensen heen → met mensen mee.

4. Arbeidsvraag: minder routine, meer menselijk vermogen

Arbeidsvraag: internationaal onderzoek (WEF, Stanford HAI, PwC) ziet een duidelijke verschuiving: minder vraag naar puur routinematig werk, méér naar mensen die kunnen uitleggen, afwegen, samenwerken en verbeteren.

“Minder vraag naar routinematig werk, méér naar mensen die kunnen uitleggen, afwegen, samenwerken en verbeteren.”

Voorbeeld uit de praktijk:

In een logistiek bedrijf vervangt een AI-systeem de planning van vrachtwagens. De planners worden niet ontslagen, maar krijgen een nieuwe rol: ze interpreteren voorspellingen van het systeem, praten met chauffeurs, en schakelen met klanten. In plaats van klikken op ‘bevestigen’, zijn ze nu regisseurs van samenwerking.

Wetenschappelijk onderbouwd:

Volgens het World Economic Forum en het Stanford HAI-rapport 2024 groeit de behoefte aan ‘explainability experts’, AI-ethici en procesregisseurs.

Deze functies vereisen een combinatie van technisch inzicht, communicatievermogen en moreel beoordelingsvermogen — kortom: hybride professionals.

Reflectie:

Je zou kunnen zeggen dat AI geen banen afpakt, maar ons juist vraagt om menselijker te worden. Wat overblijft, is precies datgene wat (nu nog) niet te automatiseren valt: empathie, oordeelsvermogen, creativiteit.
Het zijn misschien juist deze kwaliteiten die straks het meeste waard zijn.

Samengevat:

Er komen dus nieuwe banen bij en er verdwijnen er ook, maar vooral geldt dat: banen veranderen van inhoud. Wie leert sturen, uitleggen, slim controleren en samen beslissen, blijft aan het werk.

5. Welke banen krimpen, welke staan onder druk, welke groeien?

A. Krimp: vooral routine en standaardwerk

Voorbeelden

• • • Administratie/office-support: data-invoer, eenvoudige declaratie-controle, basis-planning.
    • Basistekst & -beeld: standaard social posts, simpele banners, generieke teksten.

Hoe blijf je relevant?

• • • Ga van uitvoer naar regie en controle op aannames en feiten: jij bepaalt de briefing, de kwaliteitseisen en de eindcheck.
    • Kennis van regels is goud: privacy, merk- en juridische spelregels.
    • Doe meer klant- en teamcontact: afstemmen, doorvragen, knopen doorhakken.

B. Onder druk maar goed te kantelen: junior/medior kenniswerk

Voorbeelden

• • • Juridisch: eerste zoekslag doet een model, maar jij weegt de relevantie en risico’s.
    • Beleid: een software-assistent zet opties op een rij, jij kijkt naar uitvoerbaarheid en effecten.
    • Marketing/communicatie: AI bedenkt tien slogans, jij bewaakt merk en toon en kiest.

Wat helpt hier?

• • • Voor de inzet: goede vraag stellen (wat is het echte probleem?).
    • Na de inzet: kwaliteit en risico beoordelen (wat nemen we wel/niet over, waarom?).
    • Artefacts maken: checklist, beslislogboek, bronvermelding. Zo is je werk uitlegbaar.

C. Groeiers/nieuw

Voorbeelden

• • • Data/AI-rollen (van ontwikkelaars tot data-curatoren die datasets onderhouden).
    • Human-in-the-loop (mensen die de laatste controle doen bij kritieke uitkomsten).
    • AI-auditor/ethicus (toetsen of systemen doen wat ze beloven, zonder onbedoelde schade).
    • Sector-trainers (bijv. in zorg of onderwijs) die teams helpen AI zinvol en veilig in te zetten.

Waarom ontstaan die?

Omdat organisaties moeten uitleggen en borgen wat AI doet. Dat vraagt mensen die techniek, regels en praktijk aan elkaar knopen.

6. Voorbeelden uit Nederlandse organisaties (herkenbaar en simpel)

• Zorgadministratie: systeem wijst kandidaten met een mantelzorg-gat af. Na overleg wordt besloten: menselijke check op afwijzingen, bezwaar mogelijk. Twee van de vijf “automatisch afgewezen” kandidaten worden alsnog uitgenodigd.
• Logistiek (uitzend): de titel “teamleider inbound” wordt niet herkend als “warehouse supervisor”. Oplossing: synoniemenlijst. Direct meer geschikte matches.
• Gemeente-back-office: systeem geeft te veel gewicht aan “Excel/Power BI” (Business-Intelligence platform) en te weinig aan omgaan met bewoners. Na evaluatie draaiden ze dit om. Resultaat: betere shortlist, meer passende gesprekken.
• Marketingbureau: AI maakt ruwe concepten, maar publiceren mag pas na merk-check door een redacteur. Fouten omlaag, snelheid omhoog.
• Overheidsbeleid: software-assistent zet opties op een rij; de privacyfunctionaris voegt standaard een risicoparagraaf toe; een senior doet de eindafweging. Iedereen weet wie waarover gaat.

7. Ongelijkheid: waarom dit geen “pech” is maar een structuur

Wie loopt risico?

• • Flexwerkers met weinig zeggenschap over planning en weinig opleidingsbudget.
  • 50-plussers die te horen krijgen “je bent bijna klaar” in plaats van “kom leren”.
  • Mensen buiten de Randstad die later horen van pilots of subsidies.

Wat werkt wél?

• • Tijd inroosteren voor leren: 2 uur per week, betaald.
  • Formaliseer en geef status aan leren.
  • Maatje/leercoach i.p.v. alleen een pdf.
  • Regiocoördinatie: iemand die nieuws over kansrijke trajecten actief bij de teams brengt.

Hierdoor profiteert niet alleen “wie al handig was met computers”, maar iedereen die wil bijleren.

8. Gezondheid en zingeving: Ministapjes?

Als AI taken opknipt in mini-stapjes, kan het werk z’n betekenis verliezen: minder regie, meer stress. Dat past bij hardnekkige psychische belasting in NL (o.a. zorg, industrie, vervoer/opslag). AI is niet dé oorzaak, wel een factor. Daarom:

• Betrek teams vroeg. Laat medewerkers meedenken over taakverdeling en grenzen.

• Leg uit wat het systeem doet. Wie beslist wat, op basis waarvan, en hoe kun je corrigeren?

Eenvoudige regels op de vloer

• • Bij twijfel: niet automatisch overnemen.
  • Leg vast waarom je wél/niet overneemt (twee zinnen zijn genoeg).
  • Bespreek grensgevallen één keer per week in 20 minuten (leersessie).

9. Wat kun jij nú doen? (per groep)

Student of starter (hbo/wo)

• • Kies een vakgebied (zorg/financiën/energie) en bouw basisvaardigheid in AI-gebruik: datakwaliteit, evalueren, netjes citeren.
  • Lever bij opdrachten niet alleen het resultaat in, maar vooral ook hoe je werkte (checklist, bronlijst, beslislogboek).

Young professional (1–5 jaar)

• • Claim het proces: goede briefing, duidelijke kwaliteitseisen, eindcheck.
  • Leg elke 6–8 weken vast wat je hebt bijgeleerd (kort lijstje + tastbaar voorbeeld, zoals een checklist of script).

Mid-career (6–15 jaar)

• • Word vertaler tussen werkvloer en techniek: waar kan AI helpen, waar juist niet?
  • Ontwerp controlepunten: hier beslist een mens, daar pas na extra check, zo leggen we het vast.

Senior/late-career

• • Zet je ervaring om in duidelijke normen: wanneer is het goed, wanneer stoppen we, wanneer schakelen we hulp in?
  • Coach jongere collega’s in “goede vragen stellen” en “risico’s zien”.

Zelfstandige/creatief

• • Ga van produceren naar regie: stijlhandboek, kwaliteitskaders, juridische/merk-check.
  • Bied een snelle beoordeling aan van AI-werk van de klant (tweede paar ogen) en curatie van hun eigen tekst-/beeldbibliotheek.

MKB/overheid

• • Leg 2 uur leerwerk per week vast (in het rooster), werk met maatjes, en houd een casusbank bij: “wat werkte/wat niet”.
  • Reserveer een vast percentage van de tijdwinst door AI voor leren en interne stages.

10. Twee beleidspunten die direct verschil maken

1. Formaliseren belang leren
   Als iedereen weet en uitstraalt dat leren van groot belang is voor baan en organisatie, ontstaat er een soort van ‘vanzelfsprekende aandacht en interesse’.
2. Leerrecht met uren-norm
   Zet wettelijk vast dat iedereen wekelijks tijd krijgt om te leren (bijv. 2 uur). Simpel, controleerbaar en eerlijk.
3. Herinvesteringsplicht
   Leg vast dat een deel van de productiviteitswinst door AI wordt teruggepompt naar scholing en interne mobiliteit. Zo maak je vooruitgang gedeeld.

11. Veelgestelde vragen (kort en duidelijk)

Vervangt AI mijn baan?
Soms, maar vaker vervangt het taken. Als je de nieuwe taken pakt (regie, check, uitleg), blijf je relevant.

Moet ik nu een dure cursus kopen?
Niet per se. Begin met wekelijks oefenen op je eigen werk en leg vast wat je leert. Vraag om tijd en een maatje.

Welke termen moet ik kennen?

• • Voorselectie/ATS (Applicant Tracking System): systeem dat cv’s/trefwoorden screent.
  • Mens in de lus: er kijkt nog iemand mee.
  • Beslislogboek: kort verslagje van keuzes en redenen.

Is AI “neutraal”?
Nee. Het doet wat mensen erin stoppen én het hanteert opgelegde beperkingen (vraag DeepSeek maar eens naar de mening van de gemiddelde Chinees op het beleid van Xi Jinping). Daarom zijn uitleg, inzicht, toezicht en bezwaar belangrijk.

12. Slot: technologie is geen ‘onstuitbare kracht’ — wij bepalen (nu nog) de spelregels

AI kan veel goed doen, maar alleen als we tijd, toegang, begeleiding en zeggenschap regelen. Dat is geen luxe, dat is het verschil tussen meedoen en afvallen. Kies dus voor begrijpelijke systemen, eerlijke selectie, echte leeruren en duidelijke afspraken. Zo maak je AI tot hulpmiddel — en houd je werk menselijk, slim en waardig.

Besef trouwens dat dergelijke ‘filters’ over binnenkomende meldingen op allerlei gebieden kunnen worden toegepast. Iedereen maakt z’n eigen filters op de communicatie om gerichter en zonder tijdverspilling de juiste berichten te kunnen selecteren. Een mooie manier om commercials te weren, maar een gevaarlijke manier dus als er ‘een bitje verkeerd’ staat.

Jeroen Teelen

7 oktober 2025

 

Eerdere blogs over AI en WERK:

• 89 — De toekomst van ‘werk’ (23 okt 2024): eerste lange analyse van AI-impact op arbeidsmarkt.
• 90 — AI-gestuurde klantinteractie (23 okt 2024): concrete werkpraktijk (klantenservice).
• 128 — Menselijk kennen & kunnen in tijden van AI: verschuiving van vaardigheden/rol van de mens in werk.
• 149 Kennis-schaarste verdwijnt! Wat doet dat met ons en onze samenleving?
• 150 De nieuwe schaarste? Vertrouwen, Aandacht en Energie in een AI-gedreven wereld?
• 157 — Bestaat ‘Safe AI’? (1) (9 sep 2025): ongelijkheid en werkverdringing als sociaal vraagstuk.

Bronnen:

• Stanford HAI — AI Index Report 2024 – overzichtspagina. Stanford HAI
  PDF. Stanford HAI+1
  (Hoofdstuk “Responsible AI” voor explainability/ethics.) Stanford HAI

• World Economic Forum — Future of Jobs Report 2025 – overzichtspagina. World Economic Forum+1
  PDF. reports.weforum.org

• SER (2025) – AI en werk: Samen naar een werkende toekomst met AI
  Publieksversie (pdf). SER
  Volledige advies (pdf). SER

• UWV (2025) – Op weg naar AI die werkt voor iedereen – rapport (pdf) + landingspagina. UWV+1

• Stanford HAI (2025) – AI Index 2025 – overzichtspagina en PDF. Stanford HAI+1

• PwC (2025) – Global AI Jobs Barometer – overzicht en wereldrapport (pdf); extra: US-analyse (pdf). PwC+2PwC+2

• EU AI Act (2025–2027) – gefaseerde invoer – officiële tijdlijn (AI Office/EC) en beleidskaderpagina. ai-act-service-desk.ec.europa.eu+1

• ArboNed / verzuimtrends 2025 – nieuwsupdate verzuim (ArboNed) en achtergrondcijfers (HumanTotalCare). ArboNed+1

• Digital Europe / RVO (2025–2027) – middelen voor AI-vaardigheden en projecten
  RVO-nieuws/cofinanciering NL, RVO-programma-pagina, EC-programma-pagina, werkprogramma 2025–2027. Digitale Strategie Europa+3RVO.nl+3RVO.nl+3

• (Extra actueel) WEF/Digital Europe nieuws over extra financiering en EDIH’s (relevant voor skills & implementatie).