Een verzonnen deadline op vrijdag zou die van wie dan ook kunnen zijn. Een vrouw van vierentwintig, die we Ivana noemen, heeft twee enveloppen op haar bureau. In de ene zit een aanbod van het analyseteam van een bank, met een salaris en een startdatum. De andere bevat een toelating tot een eenjarige masteropleiding datawetenschap, die haar een jaar loon zou kosten. Ze heeft zich een week lang afgevraagd voor welke van de twee een personeelsmanager over vijf jaar nog zal betalen. Haar vader, al vijfentwintig jaar bankmedewerker, zegt dat ervaring altijd wint. Haar hoogleraar zegt dat het diploma deuren opent. Beiden spreken vanuit een arbeidsmarkt die misschien niet meer bestaat.

Op 26 oktober publiceerden drie economen van de Universidad Torcuato Di Tella in Buenos Aires, Eduardo Levy Yeyati, Darío Judzik en Juan Ignacio Barbiero, een werkdocument dat precies dit debat van cijfers voorziet. Het heet Practice Makes Perfect en stelt dat generatieve AI menselijk kapitaal al anders heeft geprijsd in de Amerikaanse beroepen die er het sterkst aan zijn blootgesteld. Het loon voor een extra jaar scholing is gedaald. Het loon voor een extra jaar ervaring is gestegen voor mensen aan het begin van hun loopbaan en gedaald voor mensen aan het eind ervan. Het artikel is een preprint en heeft geen peerreview ondergaan.

Twee prijzen, één schok

De auteurs vertrekken vanuit een oud onderscheid. Scholing is volgens hen een ruwe benadering van gecodificeerde kennis: het soort kennis dat kan worden opgeschreven, onderwezen en opgeslagen. Ervaring benadert kennis uit de praktijk: het oordeelsvermogen dat een dossierbehandelaar of chirurg door herhaling opbouwt en dat zich moeilijk laat opschrijven. Een model dat gecodificeerde kennis tijdens het werk beschikbaar stelt, zou het eerste soort goedkoper moeten maken. De auteurs voorspellen dat dit verlaagt wat scholing oplevert. Als de twee soorten kennis elkaar aanvullen, zou overvloedige gecodificeerde kennis de waarde van oordeelsvermogen moeten verhogen, vooral vroeg in een loopbaan, wanneer praktijkervaring het snelst wordt opgebouwd. Een deel van de ervaring is ook verbonden aan de hulpmiddelen waarmee die is opgedaan, en dat deel kan aan waarde verliezen.

Om dit te testen gebruiken ze de loonbestanden van de Current Population Survey van 2018 tot en met juni 2026. Ze nemen het hoogste en het laagste kwart van Amerikaanse beroepen, gerangschikt volgens een blootstellingsindex die Edward Felten, Manav Raj en Robert Seamans opstelden voordat ChatGPT verscheen. Tot de blootgestelde groep behoren softwareontwikkelaars, financieel managers en advocaten. In de vergelijkingsgroep zitten vrachtwagenchauffeurs, bouwvakkers en kelners. De auteurs vergelijken elke groep vóór en na november 2022, toen ChatGPT werd uitgebracht. Ze schatten veranderingen in loongradiënten, de prijs van een jaar scholing of ervaring binnen een beroep, en behandelen de vraag of het gemiddelde loon veranderde met een afzonderlijke term.

Wat de loongegevens laten zien

Vóór de schok leverde een jaar scholing in de blootgestelde beroepen 7,5 logpunten op, meer dan vier keer het rendement in de vergelijkingsgroep. Daarna daalde het rendement volgens de auteurs met 0,55 logpunt, ongeveer zeven procent van de eerdere waarde. In de vergelijkingsberoepen bleef het op 1,7 logpunt. Omdat de schatting werknemers binnen hetzelfde beroep vergelijkt, weerspiegelt ze niet simpelweg dat mensen in blootgestelde banen hoger opgeleid zijn.

Ervaring bewoog in twee richtingen. Bij drie jaar potentiële ervaring steeg het rendement van één extra jaar met 0,26 logpunt. Bij vijftien jaar was het effect niet van nul te onderscheiden en bij vijfentwintig jaar daalde het met 0,12 logpunt. In het kwadratische model van de auteurs verandert het effect van teken bij 18,1 jaar. Voor een werknemer met zestien jaar scholing en vijftien jaar ervaring in een blootgesteld beroep schat het artikel een nettoloonverandering van min 3,2 logpunten ten opzichte van het verloop dat de vergelijkingsgroep impliceert.

Het tijdstip ondersteunt een verband met de release. Voor scholing zijn de vier coëfficiënten van vóór de release klein en vindt een gezamenlijke toets niets vóór november 2022; de breuk verschijnt in het eerste jaar na de release. Een placebotoets die een fictieve schok aan het begin van de pandemie plaatst, geeft een scholingseffect van min 0,02. De resultaten houden ook stand bij één uniforme regel voor het begrenzen van geregistreerde topinkomens over de hele periode. Dat is van belang omdat het Census Bureau in april 2023 veranderde hoe het topverdieners registreert en 11,5 procent van de waarnemingen in de blootgestelde groep zo’n bovengrens heeft, tegenover 0,7 procent in de vergelijkingsgroep.

Waar de auteurs voorzichtig zijn

Het artikel is open over zijn zwakke punten. Een tweede falsificatietoets, die het tweede en onderste blootstellingskwartiel vergelijkt, die geen van beide tot de behandelde groep behoorden, gaf een scholingseffect van vergelijkbare omvang, maar voldeed niet aan de toets op voorafgaande trends. De auteurs zien dat als een waarschuwing dat de samenstelling naar scholing een valse breuk kan veroorzaken. De daling laat in de loopbaan is de zwakkere helft van het ervaringsresultaat: de toets op voorafgaande trends geeft een p-waarde van 0,06. De auteurs zeggen meer gewicht te geven aan de stijging vroeg in de loopbaan en aan de algehele draaiing dan aan elk cijfer voor de late loopbaan. Jaren scholing omvatten geen studierichting of kwaliteit, en potentiële ervaring telt de jaren sinds het verlaten van school in plaats van jaren besteed aan blootgestelde taken. Jonge werknemers die in blootgestelde banen blijven, kunnen een selecte groep zijn. De scholingscoëfficiënt kan ook de signaalwaarde van scholing weerspiegelen. Een technologie die verandert hoe snel werkgevers werknemers beoordelen, zou de gradiënt kunnen verkleinen zonder te veranderen wat school onderwijst. De auteurs lezen hun cijfers als een herwaardering van gemeten scholing en ervaring en zeggen dat het geen voorspelling is van rendementen op lange termijn.

Hetzelfde patroon vanuit andere richtingen

Andere bronnen wijzen deze maand vanuit verschillende vertrekpunten dezelfde kant op. Canaries in the Coal Mine? van het Stanford Digital Economy Lab, op 12 augustus 2026 herzien door Erik Brynjolfsson, Bharat Chandar en Ruyu Chen, gebruikt loonadministratiegegevens van ADP over miljoenen Amerikaanse werknemers tot en met juni 2026. Het vindt geen bewijs van grootschalige verdringing. De werkgelegenheid van werknemers van 22 tot 25 jaar in aan AI blootgestelde beroepen ligt echter 19 procent onder het niveau dat bereikt zou zijn als die gelijke tred had gehouden met minder blootgestelde leeftijdsgenoten, terwijl ervaren werknemers geen vergelijkbare kloof laten zien. De kloof ontstaat vooral doordat minder mensen worden aangenomen. De auteurs noemen hun feiten vroege, beschrijvende indicatoren en geen causale schattingen. Het Beige Book van de Federal Reserve van 14 oktober meldde dat sommige bedrijven in vijf districten hun personeelsbestand via natuurlijk verloop hadden verkleind, het aannemen van personeel hadden uitgesteld of minder banengroei verwachtten na investeringen in AI. En op 16 oktober meldden economen van Anthropic dat het aandeel junioren onder de eigen nieuwe technische medewerkers was gedaald van 27 naar 9 procent.

Geen van deze onderzoeken meet hetzelfde als het Argentijnse artikel. De loonadministratiegegevens tellen banen, het Beige Book verzamelt anekdotische waarnemingen en het verslag van Anthropic beschrijft één bedrijf. Het loononderzoek gaat over prijzen. Ze hebben een verhaal over de onderste sporten van professionele loopbaanladders gemeen. De kanttekening in het artikel zelf, dat de resultaten voor het begin van de loopbaan passen bij een mechanisme van ervaringsopbouw zonder dat mechanisme te testen, herinnert eraan hoe weinig vaststaat. De auteurs eindigen met een vraag die ze openlaten: of werknemers nog steeds de praktijkkennis kunnen opdoen die in waarde stijgt wanneer AI delen van het leerproces zelf automatiseert.

Terug naar de verzonnen vrijdag

Ivana vindt geen antwoord in het artikel, want het geeft er geen. Het meldt dat een jaar scholing in blootgestelde beroepen na 2022 minder opleverde, dat vroege ervaring meer opleverde en dat een jaar scholing nog steeds meer opleverde dan in de vergelijkingsgroep. Ze neemt de baan bij de bank aan en maakt een lijst van taken die ze in haar eerste jaar mag uitvoeren en die geen model uit een document had kunnen leren, omdat het artikel juist bij vroege praktijkervaring een stijgend rendement vindt. Het aanbod voor de master kan nog worden uitgesteld en maandag vraagt ze daarnaar.

Referenties

  • Brynjolfsson, E., Chandar, B., & Chen, R. (2026, revised 12 August). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. digitaleconomy.stanford.edu
  • Federal Reserve System (2026). Beige Book, October 2026: National Summary. federalreserve.gov
  • Felten, E., Raj, M., & Seamans, R. (2021). Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses. Strategic Management Journal, 42(12), 2195-2217. doi.org
  • Levy Yeyati, E., Judzik, D., & Barbiero, J. I. (2026). Practice Makes Perfect: Tacit Knowledge, Generative AI, and Returns to Schooling and Experience. arXiv. arxiv.org
  • Wilmers, N., Catipon, R., Massenkoff, M., & McCrory, P. (2026). How employment is changing at Anthropic. The Anthropic Institute. anthropic.com