De stille tweedeling: hoe AI de ongelijkheid op de werkvloer vergroot

Bij keynotes en sessies merken we de afgelopen maanden iets verschuiven. Waar het publiek tot voor kort grotendeels in dezelfde fase zat verwondering, eerste experimenten, vragen over wat er mogelijk is splitst de zaal nu zichtbaar op.

Aan de ene kant collega's die nog moeten ontdekken wát AI eigenlijk is. Voor hen overheerst onzekerheid: wat verandert er voor mijn vak, voor mijn werkdag, voor mijn rol over twee jaar?

Aan de andere kant mensen die al maanden dagelijks met tools als ChatGPT en Claude Cowork werken. Zij praten niet meer over óf AI iets toevoegt die vraag hebben ze beantwoord maar over hoe ze hun workflows opnieuw hebben ingericht, welke modellen ze waarvoor inzetten, en hoe ze hun teams meekrijgen.

De afstand tussen die twee groepen wordt elke maand groter. En dat is niet alleen anekdotisch. Het onderzoek laat het inmiddels heel concreet zien.

De belofte versus de werkelijkheid

In de eerste maanden na de lancering van ChatGPT was een populaire these dat AI het speelveld zou gelijktrekken. Minder ervaren collega's zouden door de tool extra ondersteund worden, achterstanden zouden kleiner worden, en de productiviteit in de breedte zou toenemen.

Voor specifieke, afgebakende taken is daar in onderzoek ook bewijs voor denk aan het werk van Brynjolfsson, Li en Raymond in callcenters, of Noy en Zhang met schrijftaken. Daar comprimeerde AI de productiviteitsverschillen binnen een gedefinieerde taak.

Maar wie de bredere literatuur volgt, ziet op de werkvloer een ander patroon ontstaan: AI versterkt juist bestaande verschillen tussen collega's, in plaats van ze te dempen.

Wat het onderzoek laat zien

Zes keer verschil binnen hetzelfde bedrijf

In december 2025 publiceerde OpenAI data over hun ruim een miljoen zakelijke klanten. De bevinding: binnen één en hetzelfde bedrijf stuurt de top 5% AI-gebruikers zes keer zoveel berichten naar ChatGPT als de mediaan-collega. Bij coding-taken loopt dat op tot zeventien keer.

Dit gaat dus niet om verschillen tussen bedrijven, of tussen industrieën. Dit gaat om verschillen tussen collega's met dezelfde toegang, in hetzelfde team. De infrastructuur is voor iedereen beschikbaar; het gebruik verschilt fundamenteel.

Wie ChatGPT gebruikt, verdiende al meer

Een grootschalige studie in PNAS uit 2024 ondervroeg 18.000 Deense werknemers in elf beroepen waar AI relevant is. De ongemakkelijke conclusie: mensen die ChatGPT op werk gebruiken, verdienden al méér voordat ChatGPT bestond.

De adoptie van AI ligt dus niet bij de groep die er statistisch het meest van zou kunnen profiteren. Het zijn juist de mensen die al voorop lopen, die ook deze nieuwe productiviteitslaag oppakken. De paper draagt een titel die geen ruimte voor twijfel laat: "The unequal adoption of ChatGPT exacerbates existing inequalities among workers."

Daarbinnen valt nog een andere kloof op: vrouwen blijken zestien procentpunt minder geneigd om ChatGPT voor werk te gebruiken zelfs binnen dezelfde functie en bij dezelfde werkgever.

De divide wordt wijder, niet kleiner

Onderzoek van USC Marshall uit 2025 bevestigt het beeld op macroniveau. De zogenaamde "GenAI digital divide" tussen vroege en late adopters wordt niet kleiner, maar verder uitvergroot. Jongere en hoger opgeleide werknemers zitten al diep in de leercurve. Anderen staan nog aan de start. En het tempo waarmee dat verschil toeneemt, ligt hoger dan bij eerdere technologische transities.

De belief trap

Een arXiv-paper uit 2024 (Learning to Adopt Generative AI) beschrijft een zelfversterkend mechanisme dat de onderzoekers de "belief trap" noemen. Wie het nut van AI onderschat, gebruikt het niet. Wie het niet gebruikt, doet geen ervaring op die dat oordeel kan bijstellen. En zo blijft de onderschatting en daarmee de achterstand in stand.

Dit is wat veel leiders nu in hun eigen organisatie zien gebeuren: een groep medewerkers die gewoon niet aan het experimenteren komt, niet omdat de tools ontbreken, maar omdat de eerste kennismaking teleurstellend was, of omdat er nog geen aanleiding lijkt.

Waarom dit exponentieel werkt

Wat deze kloof zo bijzonder maakt en zoveel sneller laat groeien dan bij eerdere golven is het exponentiële karakter van AI-fluency.

Wie wekelijks met nieuwe modellen werkt, bouwt intuïtie op die niet uit een handleiding te leren is. Welke prompts werken in welke context. Welk model je waarvoor inzet. Wanneer je iets handmatig doet en wanneer je het delegeert. Die intuïtie compoundt: elke ervaring maakt de volgende ervaring waardevoller.

Erik Brynjolfsson (Stanford) beschreef het begin 2026: een kleine groep power users automatiseert hele werkprocessen end-to-end en doet in uren wat anderen weken kost.

De achterblijver heeft niet alleen minder fluency vandaag. Hij heeft ook minder ervaring waarop de fluency van morgen kan worden gebouwd. Het verschil verschuift langzaam van een leerachterstand naar een fundamenteel verschil in waarde voor de organisatie.

Wat dit betekent voor leiders

De fase waarin we mensen moeten vertellen wát AI is, is voor steeds meer organisaties voorbij. De vraag die nu speelt is een andere: hoe houd je iedereen in je organisatie op hetzelfde tempo?

Een paar overwegingen die in dit licht meer aandacht verdienen.

Toegang is niet hetzelfde als adoptie. Het OpenAI-rapport laat scherp zien dat licenties uitdelen geen oplossing is. In dezelfde bedrijven met dezelfde tools ontstaan factor-6 tot factor-17 verschillen. Wat ontbreekt is meestal niet de tool, maar de structuur rond gebruik: peer learning, concrete voorbeelden, vaste ritmes waarop teams samen experimenteren.

Niet de techniek, maar de gewoonte maakt het verschil. Mensen die productief worden met AI hebben meestal niet harder geleerd dan anderen; ze hebben vaker geprobeerd. De drempel om er dagelijks bij te pakken is laag, en dat alleen al brengt de leercurve op gang. Organisaties die dat ritme bewust faciliteren bijvoorbeeld met wekelijkse "AI-uurtjes" of expliciete tijd om workflows opnieuw te ontwerpen verkleinen de adoptiekloof aantoonbaar.

Zicht op wie achterblijft. De PNAS-data laat zien dat de achterblijvers vaak een herkenbaar profiel hebben. Oudere medewerkers, vrouwen, mensen die voor de komst van AI al minder zichtbaar waren in de organisatie. Wie geen actieve aandacht heeft voor wie níet meedoet, krijgt onbedoeld een tweedeling die ook andere bestaande ongelijkheden versterkt.

Tijd om bij te halen verdampt sneller dan we denken. Door het exponentiële karakter van de leercurve geldt: hoe later je start, hoe meer er in te halen is. Een trainingsdag over een jaar is geen oplossing meer voor wie nu nog niet meedoet. Het verschil zit niet in kennis die je in een dag overdraagt, maar in honderden kleine ervaringen die collega's intussen al hebben opgebouwd.

Tot slot

We zijn voorbij de fase van enthousiast vertellen wat er allemaal kan met AI. Wat zich nu in organisaties aan het ontvouwen is, is een stille tweedeling: tussen collega's die elkaars taal niet meer spreken, tussen teams die niet meer in hetzelfde tempo werken, tussen mensen die straks niet meer met dezelfde maatstaf beoordeeld kunnen worden.

Dezelfde organisatie. Dezelfde functietitel. Twee verschillende werelden.

De vraag is niet meer óf dat verschil ontstaat dat gebeurt al. De vraag is wie binnen organisaties de verantwoordelijkheid pakt om ervoor te zorgen dat de kloof niet onomkeerbaar wordt.

Bronnen

• OpenAI (december 2025). ChatGPT usage and adoption patterns at work. Analyse van gebruikspatronen bij ruim een miljoen zakelijke klanten.
• Humlum, A. & Vestergaard, E. (2024). The unequal adoption of ChatGPT exacerbates existing inequalities among workers. Proceedings of the National Academy of Sciences (PNAS).
• USC Marshall School of Business (2025). Onderzoek naar de GenAI digital divide en huishoudelijke adoptie.
• Liu, Y., Sun, T., & Wu, X. (2024). Learning to Adopt Generative AI. arXiv preprint 2410.19806.
• Brynjolfsson, E. (februari 2026). The AI productivity take-off is finally visible. Financial Times / Fortune.
• Brynjolfsson, E., Li, D., & Raymond, L. R. (2023/2025). Generative AI at Work. NBER Working Paper 31161 / Quarterly Journal of Economics.
• Noy, S. & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science.

Voorkom een AI-tweedeling in je organisatie

De beste manier om de kloof te dichten is iedereen meekrijgen. Wij helpen daarbij met AI-trainingen voor teams, een AI Workshop op maat of een AI-keynote die het hele bedrijf in beweging zet.

// Over de auteur

Job van den Berg

Mede-oprichter, AI Keynote Spreker & Techondernemer

Tech-ondernemer (1989) met een achtergrond als socioloog (Research Master (MSc) in statistiek en sociologie) en een van de meest gevraagde keynote sprekers over AI en data in Nederland. Als mede-oprichter van Ai.nl, The Automation Group en Proxies leidt hij engineers die agentic AI van prototype naar productie brengen binnen enterprises. Op het podium vertaalt Job die hands-on praktijk naar concrete strategieën. Eerder was Job Chief Data bij o.a. DPG Media en Kantar. Hij is co-auteur van 5 boeken over AI waaronder 'AI Agents' en 'Handboek AI Strategie' en een veelgevraagd expert in de landelijke media.

LinkedIn