Anthropic's AI Exposure Index: Wat Echte Gebruiksdata Betekent voor je Website
Op 5 maart 2026 publiceerde Anthropic "Labor Market Impacts of AI: A New Measure and Early Evidence", een onderzoekspaper van Maxim Massenkoff en Peter McCrory. Ze introduceren "observed exposure", een metriek die meet hoe AI daadwerkelijk wordt ingezet op de werkplek versus hoe het theoretisch ingezet zou kunnen worden. De kloof tussen theorie en praktijk blijkt enorm. En de beroepen die het hardst geraakt worden? Precies de kenniswerkers wiens dagelijks werk zich op het web afspeelt.
Als je een website bouwt of beheert, zit hier een signaal in dat je niet kunt negeren. Hetzelfde patroon dat zich afspeelt op de arbeidsmarkt, een gigantische kloof tussen wat AI kan doen en wat het daadwerkelijk doet, zie je ook op het web. De kloof tussen websites die agent-ready zouden kunnen zijn en die dat daadwerkelijk zijn is minstens zo groot.
Een nieuwe manier om AI's werkelijke impact te meten
Eerdere pogingen om AI's impact op banen te meten leunden op theoretische beoordelingen. Experts die inschatten of een LLM een bepaalde taak zou kunnen versnellen. Het Anthropic-team pakte het heel anders aan en combineerde drie databronnen:
- O*NET Database, taakdefinities van ~800 Amerikaanse beroepen
- Anthropic Economic Index, daadwerkelijke Claude-gebruikspatronen uit miljoenen conversaties
- Eloundou et al. (2023), theoretische LLM-haalbaarheidsscores (β-schaal: 1 = volledig haalbaar, 0,5 = tools nodig, 0 = niet haalbaar)
Het resultaat is "observed exposure", een metriek die taken weegt op theoretische haalbaarheid, daadwerkelijke gebruiksfrequentie, werkrelevantie, automatiseringsniveau en taakaandeel binnen beroepen. Voor het eerst zien we waar AI daadwerkelijk wordt ingezet. Niet waar het zou kunnen, maar waar het echt gebeurt.
De haalbaarheidskloof: theorie vs realiteit
De data laat zien dat daadwerkelijk AI-gebruik zich sterk concentreert op taken die theoretisch het meest haalbaar zijn. Maar het blijft ver achter bij volledige dekking:
97% van waarvoor mensen Claude daadwerkelijk gebruiken valt in categorieen die als theoretisch haalbaar zijn beoordeeld. Maar de dekking binnen die categorieen is verre van volledig. Dat is de haalbaarheidskloof: AI wordt gebruikt waar het werkt, maar het heeft nog lang niet alle taken bereikt die het theoretisch aankan.
Anthropic meet taakblootstelling en waargenomen AI-gebruik in arbeidsmarktdata. Het onderzoek legt geen voorspelbaar adoptiepad voor websites vast en toont niet dat een gepubliceerd websignaal agentgebruik veroorzaakt. Webgereedheid heeft eigen bewijs nodig.
Welke beroepen zijn het meest blootgesteld?
De meest blootgestelde beroepen zijn overwegend webgebaseerd kenniswerk. Precies de beroepen waar werknemers dagelijks werken met websites, SaaS-tools en digitale platforms:
Computerprogrammeurs staan bovenaan met 74,5% taakdekking. Driekwart van hun werktaken wordt nu met AI-assistentie uitgevoerd. Als front-end developer voel ik me hierdoor lichtelijk aangevallen. Klantenservicemedewerkers volgen met 70,1%, data-invoermedewerkers met 67,1%. Ondertussen registreert ongeveer 30% van alle beroepen nul AI-dekking. Koks, monteurs, barkeepers, badmeesters. De mensen die dingen doen die je niet kunt copy-pasten.
De adoptiekloof: theoretische vs daadwerkelijke blootstelling
De opvallendste bevinding is hoever het daadwerkelijke AI-gebruik achterblijft bij de theoretische capaciteit. De kloof tussen wat AI zou kunnen doen in een beroep en wat het daadwerkelijk doet is veelzeggend:
IT & Wiskundeberoepen hebben 94% theoretische blootstelling maar slechts 33% daadwerkelijk. Een kloof van 61 procentpunten. Eenenzestig. Die kloof ontstaat door juridische beperkingen, software-integratievereisten, verificatieprotocollen en modelbeperkingen. Die beperkingen gelden voor de arbeidsmarktanalyse. Een websitescan kan los daarvan ontbrekende gestructureerde data, crawlerbeleid en machineleesbare interfaces signaleren, maar kan uit deze kloof geen adoptietraject afleiden.
Wie zijn de blootgestelde werknemers?
De demografie van AI-blootgestelde werknemers vertelt een helder verhaal. Het zijn ervaren, hoogopgeleide, goedbetaalde professionals. De kenniswerkers die de digitale economie draaiende houden:
| Demografisch kenmerk | Blootgestelde werknemers | Niet-blootgestelde werknemers | Verschil |
|---|---|---|---|
| Vrouwelijke vertegenwoordiging | Hoger | Lager | +16 pp |
| Gemiddeld inkomen | Hoger | Lager | +47% |
| Houders van mastertitel | 17,4% | 4,5% | 3,5x |
| Westerse vertegenwoordiging | Hoger | Lager | +11 pp |
| Aziatische vertegenwoordiging | Hoger | Lager | ~2x |
Blootgestelde werknemers verdienen gemiddeld 47% meer en hebben 3,5 keer vaker een mastertitel. Dit is niet AI dat laaggeschoold werk vervangt. Het is AI dat de meest productieve, best betaalde werknemers versterkt. Hun werkend leven draait om digitale tools en webgebaseerde platforms. Als hun tools steeds meer AI agents incorporeren, moeten de websites die ze gebruiken bijblijven.
Impact op werkgelegenheid: de eerste signalen
De hoofdbevinding over werkgelegenheid klinkt eerst geruststellend: geen systematische toename van werkloosheid voor sterk blootgestelde werknemers sinds de lancering van ChatGPT eind 2022. Maar als je inzoomt vertelt de data een ander verhaal.
BLS-groeiprognoses correleren met blootstelling
De werkgelegenheidsprognoses van het Bureau of Labor Statistics tot 2034 tonen een duidelijke correlatie met daadwerkelijke AI-blootstelling:
Voor elke 10 procentpunten toename in daadwerkelijke AI-dekking dalen BLS-groeiprognoses met 0,6 procentpunten. Belangrijk: deze correlatie verschijnt alleen bij de daadwerkelijke blootstellingsmaatstaf, niet bij theoretische blootstelling alleen. Het BLS houdt dus al rekening met echte AI-adoptiepatronen. Dat valideert Anthropic's aanpak.
Het signaal bij jonge werknemers
De meest zorgwekkende bevinding gaat over jonge werknemers die instromen in blootgestelde beroepen. Werknemers van 22-25 jaar in AI-blootgestelde beroepen zien meetbaar verminderde instroom:
Baanvindingspercentages voor jonge werknemers in blootgestelde beroepen zijn met ongeveer 0,5 procentpunten gedaald sinds eind 2024, een reductie van 14% in wervingspercentages. Voor werknemers boven de 25 geen vergelijkbare daling. Dit sluit aan bij bevindingen van Brynjolfsson et al. Bestaande werknemers verliezen niet hun baan. Bedrijven nemen simpelweg minder junior werknemers aan, vermoedelijk omdat AI-tools taken overnemen die anders naar instapfuncties zouden gaan.
Dit heeft directe gevolgen voor het web. Als bedrijven junior werknemers vervangen door AI-tools, moeten de tools die deze bedrijven gebruiken, inclusief hun websites, interne platforms en klantgerichte diensten, naadloos samenwerken met AI agents. De verschuiving speelt zich al af op wervingsniveau.
De parallel met webgereedheid
De kloof uit het rapport gaat specifiek over beroepstaken. De vergelijking hieronder is een analogie voor website-audits, geen resultaat uit de dataset van Anthropic:
DE ARBEIDSMARKTKLOOF
94% van IT & Wiskundetaken is theoretisch automatiseerbaar, maar slechts 33% vertoont daadwerkelijk AI-gebruik. Diffusiedrempels — juridisch, software, verificatie — vertragen adoptie.
DE WEBGEREEDHEIDKLOOF
Dit onderzoek meet geen websites. Ontbrekende gestructureerde data, geblokkeerde crawlers en afwezige machineleesbare interfaces zijn waarneembare implementatiegaten, geen bewijs van adoptie of taaksucces.
De websitekolom hieronder is een analogie, geen bevinding uit Anthropic's onderzoek:
| Arbeidsmarktpatroon | Grens van de website-audit |
|---|---|
| Theoretische blootstelling (94%) vs daadwerkelijk (33%) | Aanwezigheid en geldigheid van gepubliceerde machineleesbare signalen |
| Juridische/softwarebarrieres vertragen adoptie | Waarneembaar toegangsbeleid en dekking van gestructureerde data |
| Meest blootgesteld = hoogopgeleide kenniswerkers | Een statische scan bepaalt niet welke websitetypen worden geraakt |
| Werving van jonge werknemers vertraagt in blootgestelde sectoren | Een statische scan meet geen taakvervanging |
| BLS voorspelt lagere groei voor blootgestelde beroepen | Een statische scan voorspelt geen zichtbaarheid |
| Adoptie volgt haalbaarheid (β=1 taken eerst) | Een statische scan voorspelt geen adoptievolgorde |
Wat het onderzoek niet vaststelt voor websites
Anthropic's kloof tussen theoretische blootstelling en waargenomen gebruik geldt voor beroepstaken. De percentages zijn niet op websites te projecteren en het onderzoek zegt niet dat de kloof moet sluiten.
Het parallelle onderzoek van het Yale Budget Lab meldt dat economiebrede verstoring nog niet zichtbaar is terwijl de beroepssamenstelling verschuift. Zoals Fortune rapporteerde , gaat die bevinding over arbeidsmarkten. Het is context voor productplanning, geen bewijs dat een websitewijziging adoptie verbetert.
Wat dit betekent voor jouw website
Voor website-eigenaren kan het rapport auditvragen opleveren zonder uitkomsten te voorspellen:
OPEN DE DEUR VOOR AI-CRAWLERS
Controleer crawlerbeleid en publiceer machineleesbare content voor een gedocumenteerd publiek. Deze checks meten configuratie, geen toekomstig verkeer.
MAAK JE DATA MACHINELEESBAAR
JSON-LD en Schema.org publiceren gestructureerde feiten in de eerste HTML. Hun aanwezigheid is te valideren zonder te claimen dat ze agentgebruik veroorzaken.
STEL AGENTPROTOCOLLEN BESCHIKBAAR
MCP-discovery en OpenAPI zijn meetbare interfacesignalen. A2A is opkomend bonusbewijs. WebMCP blijft experimenteel en telt niet mee voor de score.
BOUW VERTROUWENSSIGNALEN
HTTPS en beveiligingsheaders zijn meetbare webcontroles. De scanner rapporteert hun configuratie zonder vertrouwen of taaksucces te voorspellen.
De scanner groepeert gerelateerde gepubliceerde signalen in vijf categorieen en houdt scorerollen expliciet:
- AI Content Discovery (30%) — crawlertoegang, robots.txt, llms.txt, sitemaps. Zie hoe ChatGPT bronnen selecteert .
- AI Search Signals (20%) — JSON-LD, Schema.org, entity linking, FAQPage schema. Zie de Staat van AEO .
- Content & Semantics (20%) — SSR, koppenstructuur, semantische HTML, ARIA. Zie hoe agents je website zien .
- Agent Protocols (15%) omvat MCP-discovery, OpenAPI en agents.json. Een A2A Agent Card is opkomend bonusbewijs en heeft geen invloed op de hoofdscore. WebMCP is experimenteel bewijs dat niet meetelt voor de score. Zie wat is WebMCP .
- Security & Trust (15%) — HTTPS, HSTS, CSP, beveiligingsheaders.
Een early warning systeem voor banen, geen websiteprognose
Anthropic positioneert dit onderzoek als een "early warning systeem" voor arbeidsmarktimpact. De cijfers hieronder blijven binnen die context nuttig, maar voorspellen geen websiteverkeer, adoptie of taaksucces:
- 75% van programmeertaken heeft al AI-dekking
- Werving van jonge werknemers vertraagt al in blootgestelde beroepen
- BLS-prognoses houden al rekening met AI-gedreven groeivertragingen
- De kloof tussen theoretische en daadwerkelijke blootstelling sluit zich al
Dit onderzoek ondersteunt zorgvuldige monitoring van AI-gebruik in werk. Websiteteams kunnen hun gepubliceerde technische signalen apart verifiëren en runtimebewijs verzamelen, zonder arbeidsmarktdata als bewijs van toekomstige webuitkomsten te behandelen.
Bronnen
- Labor Market Impacts of AI: A New Measure and Early Evidence — Anthropic Research — Massenkoff & McCrory (maart 2026). Primaire bron voor alle geciteerde statistieken.
- Appendix bij "Labor Market Impacts of AI" — Anthropic Research — Methodologische details en aanvullende data.
- Anthropic Economic Index: January 2026 Report — Anthropic Research — De onderliggende gebruiksdata die de observed exposure-metriek aandrijft.
- Evaluating the Impact of AI on the Labor Market — Yale Budget Lab — Onafhankelijke CPS-analyse die stabiliteit op economiebreed niveau toont.
- Incorporating AI Impacts in BLS Employment Projections — Bureau of Labor Statistics — Hoe het BLS rekening houdt met AI in beroepsgerichte groeiprognoses.
- IsAgentReady: De Staat van AEO — Belangrijkste Inzichten uit Vercel's 2026 Rapport
- IsAgentReady: Hoe AI Agents je Website Zien — De Accessibility Tree Uitgelegd