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. De paper introduceert "observed exposure", een metriek die vergelijkt hoe AI op de werkplek wordt gebruikt met hoe het theoretisch gebruikt zou kunnen worden. De kloof tussen die twee is groot. De meest blootgestelde beroepen zijn kenniswerk dat grotendeels op het web plaatsvindt.
Als je een website bouwt of beheert, is de paper nuttig als kader voor één vraag: wat kan AI in theorie, en wat doet AI in de praktijk? De paper meet de arbeidsmarkt, geen websites.
Een nieuwe manier om AI's impact te meten
Eerdere pogingen om AI's impact op banen te meten leunden op theoretische beoordelingen, waarbij experts inschatten of een LLM een bepaalde taak zou kunnen versnellen. Het Anthropic-team combineerde in plaats daarvan 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. Omdat de metriek op Claude-gebruiksdata steunt, laat ze zien waar AI in de praktijk wordt gebruikt en niet alleen waar het zou kunnen.
De haalbaarheidskloof: theorie vs praktijk
In de data concentreert het Claude-gebruik zich op taken die als theoretisch haalbaar zijn beoordeeld, maar het dekt slechts een deel daarvan:
97% van waarvoor mensen Claude gebruiken valt in categorieen die als theoretisch haalbaar zijn beoordeeld. De dekking binnen die categorieen is verre van volledig. Dit is de haalbaarheidskloof: het gebruik zit waar AI haalbaar is beoordeeld en bereikt maar een deel van de taken die AI 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 grotendeels webgebaseerd kenniswerk, waar mensen dagelijks met websites, SaaS-tools en digitale platforms werken:
Computerprogrammeurs staan bovenaan met 74,5% taakdekking. Dat betekent dat AI-gebruik ongeveer driekwart van hun werktaken dekt. Als front-end developer voel ik me hierdoor lichtelijk aangevallen. Klantenservicemedewerkers volgen met 70,1% en data-invoermedewerkers met 67,1%. Ongeveer 30% van alle beroepen registreert nul AI-dekking, zoals kok, monteur, barkeeper en badmeester. Dat werk is fysiek en laat zich niet copy-pasten.
De adoptiekloof: theoretische vs daadwerkelijke blootstelling
Een centrale bevinding is hoever het daadwerkelijke AI-gebruik achterblijft bij de theoretische capaciteit. De grafiek vergelijkt wat AI zou kunnen doen in elke beroepsgroep met wat het daadwerkelijk doet:
IT & Wiskundeberoepen hebben 94% theoretische blootstelling maar slechts 33% daadwerkelijk. Dat is een kloof van 61 procentpunten. Ze 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?
AI-blootgestelde werknemers zijn gemiddeld hoogopgeleid en goed betaald. De tabel vergelijkt hen met niet-blootgestelde werknemers:
| 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. Blootstelling is het hoogst in goedbetaalde, hoogopgeleide beroepen en niet in laaggeschoold werk. Een groot deel van hun werk draait op digitale tools en webgebaseerde platforms.
Impact op werkgelegenheid: de eerste signalen
De hoofdbevinding over werkgelegenheid is dat sterk blootgestelde werknemers geen systematische toename van werkloosheid laten zien sinds de lancering van ChatGPT eind 2022. Jongere werknemers laten een ander patroon zien.
BLS-groeiprognoses correleren met blootstelling
De werkgelegenheidsprognoses van het Bureau of Labor Statistics tot 2034 correleren met daadwerkelijke AI-blootstelling:
Voor elke 10 procentpunten toename in daadwerkelijke AI-dekking dalen BLS-groeiprognoses met 0,6 procentpunten. Deze correlatie verschijnt alleen bij de daadwerkelijke blootstellingsmaatstaf en niet bij theoretische blootstelling alleen.
Het signaal bij jonge werknemers
Het duidelijkste teken van een effect betreft jonge werknemers die instromen in blootgestelde beroepen. Werknemers van 22-25 jaar in AI-blootgestelde beroepen laten verminderde instroom zien:
Baanvindingspercentages voor jonge werknemers in blootgestelde beroepen zijn met ongeveer 0,5 procentpunten gedaald sinds eind 2024, een reductie van 14% in wervingspercentages. Werknemers boven de 25 laten geen vergelijkbare daling zien. Dit sluit aan bij bevindingen van Brynjolfsson et al. Het patroon wijst erop dat bedrijven minder junior werknemers aannemen terwijl bestaande werknemers hun baan houden, vermoedelijk omdat AI-tools taken overnemen die anders naar instapfuncties zouden gaan.
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:
- AI-gebruik dekt 74,5% van de programmeertaken in de observed exposure-maatstaf
- Werving van jonge werknemers is lager in blootgestelde beroepen
- BLS-prognoses tonen lagere groei voor beroepen met hogere daadwerkelijke blootstelling
Het onderzoek ondersteunt het monitoren van AI-gebruik in werk. Websiteteams kunnen hun gepubliceerde technische signalen en runtimebewijs los daarvan verifiëren en verzamelen, en moeten arbeidsmarktdata niet lezen als bewijs van toekomstige webuitkomsten.
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 gebruiksdata achter de observed exposure-metriek.
- 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