Waarom vrouwen een hoger risico lopen op verplaatsing — en hoe herontwerp van rollen nieuwe paden kan openen

De technologie-industrie heeft jarenlang geworsteld met een tekort aan talent. Er zijn niet genoeg AI-engineers, datawetenschappers of AI-architecten beschikbaar. Bedrijven concurreren fel om hetzelfde kleine pool van specialisten, en de meesten van hen zijn mannen.

Terwijl deze strijd om AI-talent de koppen haalt, ontwikkelt zich een stillere crisis aan de andere kant van de arbeidsmarkt. Miljoenen werknemers, overwegend vrouwen, hebben banen die AI al aan het herschikken is. Ze krijgen niet dezelfde toegang tot training, tools of nieuwe rollen die hen zouden helpen om die overgang te maken.

Het resultaat is een dubbele knellende situatie. De industrie kan niet genoeg AI-vaardig talent vinden, terwijl vrouwen het grootste onderbenutte talentreservoir in de beroepsbevolking vormen. De kloof tussen wie werk verliest en wie het wint is niet willekeurig. Het volgt een patroon dat opduikt in arbeidsgegevens over bijna elke grote economie, en als het onaangetast blijft, zal het de gendersamenstelling van de beroepsbevolking voor de komende tien jaar bepalen.

Waarom vrouwen een hoger risico lopen op verplaatsing

Het kopnummer van de Internationale Arbeidsorganisatie (ILO) is frappant: vrouwendominante beroepen zijn bijna tweemaal zo waarschijnlijk om door generatieve AI te worden beïnvloed als mannendominante beroepen, met 29% versus 16%. Aan het einde met het hoogste risico is de kloof nog groter. Zestien procent van de vrouwendominante rollen valt in de meest kwetsbare automatiseringscategorieën. Voor mannendominante rollen is dat percentage 3%.

Het ILO-rapport, Gen AI, Occupational Segregation and Gender Equality in the World of Work, identificeert drie krachten die dit drijven. Vrouwen houden de rollen die het meest waarschijnlijk geautomatiseerd zullen worden. Ze ontbreken in de STEM-velden die deze tools bouwen. En AI-modellen weerspiegelen vaak de gendervooroordelen die al in de samenleving zijn ingebed.

Dit is geen toeval. Vrouwen zijn historisch geconcentreerd in clerical rollen, administratieve ondersteuning, gegevensinvoer en klantenservice. Dit zijn precies de functies die AI het beste afhandelt: routine, codificeerbaar en hoogvolume. Het onderzoek van de ILO omvat 88% van de landen die het heeft geanalyseerd, en in bijna alle landen lopen vrouwen een groter risico dan mannen.

Het risico van blootstelling is slechts de helft van het probleem. De rollen die AI creëert, zijn geclusterd in technische en strategische functies waarin vrouwen historisch ondervertegenwoordigd zijn. Volgens een studie van Interface EU uit 2024 maken vrouwen wereldwijd slechts 22% van de AI-werknemers uit. Het Global Gender Gap-rapport 2025 van het Wereld Economisch Forum toonde aan dat vrouwen een aanzienlijke daling ervaren in het eerste jaar van hun STEM-carrière en ondervertegenwoordigd blijven in AI-engineering en leiderschap.

Vrouwen zijn onevenredig geconcentreerd in de rollen die worden verplaatst en ondervertegenwoordigd in de rollen die worden gecreëerd. Dat is niet één probleem, maar twee problemen die elkaar versterken.

Een derde laag maakt het erger. Het Understanding Talent Scarcity: AI and Equity-rapport van Randstad toont een kloof van 42 procentpunten in AI-vaardigheden tussen mannen en vrouwen, met 71% versus 29%. Mannen zijn vaker AI-training aangeboden door werkgevers (35% versus 27%) en hebben vaker AI-hulpmiddelen op het werk (41% versus 35%). UC Berkeley heeft 18 studies samengevat die 143.000 werknemers wereldwijd bestrijken en ontdekte dat vrouwen ongeveer 20% minder waarschijnlijk zijn om generatieve AI-hulpmiddelen professioneel te gebruiken. De kloof bleef bestaan ongeacht opleidingsniveau of landinkomen.

Beroepssegregatie plaatste vrouwen in automatiseringsrollen. Ondervertegenwoordiging in STEM sloot hen uit van de rollen die AI nu creëert. De toegangs- en trainingskloof verhindert de overgang tussen de twee. Elke laag versterkt de andere.

Herontwerp van rollen: wat het eigenlijk betekent en waarom de meeste bedrijven het verkeerd doen

Wanneer organisaties praten over het voorbereiden van hun werknemers op AI, bedoelen ze meestal een van twee dingen: bestaande werknemers omscholen voor nieuwe tools of verplaatste rollen vervangen door nieuw gecreëerde technische posities. Beide benaderingen missen het punt.

Omscholing is noodzakelijk maar onvoldoende. Een data-entry-clerk een cursus geven over prompt-engineering creëert geen pad. Het geeft haar een vaardigheidenset. Wat ze nodig heeft, is een bestemming: een specifieke rol, met gedefinieerde verantwoordelijkheden, die in de organisatie bestaat en waarin ze geloofwaardig kan overstappen.

Het vervangen van verplaatste rollen door technische posities verergert het probleem vaak. AI-engineers, datawetenschappers en machine learning-specialisten vereisen referenties en ervaring die weinig verplaatste werknemers hebben. Ze trekken ook kandidaten aan uit hetzelfde homogene talentenpool dat de technologie-sector al domineert. De verplaatsing treft vrouwen. De vervangende rollen niet.

Echt herontwerp van rollen begint met een andere vraag. Niet wat banen AI kan doen, maar wat menselijke bijdrage eruit ziet in een wereld waarin AI de routine afhandelt.

Het antwoord is dat typisch menselijk werk relationeel, contextueel en ethisch is. Het gaat om het navigeren van onduidelijkheid. Vertrouwen opbouwen met klanten en collega’s. Oordeelsvellingen maken in situaties zonder sjabloon. Begrijpen wat een stakeholder écht nodig heeft, niet alleen wat ze zeiden dat ze wilden.

De nieuwe rollen die aan dit snijvlak ontstaan, dragen verschillende namen afhankelijk van de sector: AI-implementatiecoördinator, technologie-adoptieleider, menselijk-AI-liaison, digitale ethiekfunctionaris, veranderingsbeheerspecialist. Wat ze delen, is de behoefte aan mensen die kunnen werken waar technologie en menselijke complexiteit elkaar ontmoeten.

Deze rollen vereisen oordeelsvermogen, communicatie en een diep begrip van hoe organisaties werken. Ze zijn, met andere woorden, een directe evolutie van de vaardigheden die vrouwen in de huidige risicovolle rollen al jaren hebben opgebouwd.

De bedrijven die dit goed doen, kaarten de vaardigheden in kaart die ingebed zijn in risicovolle rollen, niet de baan zelf, maar de feitelijke capaciteiten die de persoon heeft opgebouwd, en identificeren welke van die capaciteiten overeenkomen met de rollen die AI creëert.

Dit is een talentprobleem, niet alleen een gelijkheidsprobleem

Het AI-talenttekort is reëel en wordt erger. De rollen die door AI-adoptie worden gecreëerd, vereisen een combinatie van technische geletterdheid en menselijk oordeelsvermogen die echt schaars is. Bedrijven concurreren hard om een smalle pool van mensen.

Vrouwen zijn het grootste onderbenutte talentreservoir in de professionele beroepsbevolking. De vaardigheden die ingebed zijn in risicovolle rollen, waaronder relatiemanagement, operationele coördinatie, ethische redenering en stakeholdercommunicatie, zijn precies wat de nieuwe AI-gerelateerde rollen vereisen. De verbinding tussen die twee feiten zou duidelijk moeten zijn.

Vaardigheidsgebaseerd werven is het mechanisme dat die verbinding mogelijk maakt. In plaats van te filteren op referenties en lineaire carrièrepaden, wordt beoordeeld wat iemand daadwerkelijk kan doen. Het opent rollen voor mensen wiens capaciteiten zijn ontwikkeld door jaren in administratieve en servicefuncties, precies de rollen die AI nu automatiseren. Wanneer het goed wordt ontworpen, breidt het niet alleen de talentenpool uit, maar brengt het ook de specifieke soorten ervaring naar voren die organisaties het meest nodig hebben in een AI-versterkte omgeving.

Hoe organisaties het goed doen

Er is geen enkel model. Maar de organisaties die significante vooruitgang boeken, delen een herkenbaar gedragspatroon.

Ze beginnen met de vaardigheid, niet de baan. Voordat een rol wordt geautomatiseerd, kaarten ze wat de persoon in die rol daadwerkelijk kan doen, en kaarten ze dat tegen de capaciteiten die de organisatie in de toekomst nodig zal hebben. De vraag is niet of een baan geautomatiseerd kan worden. Het is wat de persoon die die baan doet weet, en waar die kennis past in wat wordt gebouwd.

Leidende organisaties gaan verder dan vage beloften van bijscholing om paden te bouwen die zichtbaar, specifiek en actiegericht zijn. In plaats van een algemene hoop op toekomstige kansen, bieden ze een duidelijke lijn van een huidige rol naar een gedefinieerde toekomstige rol, met stappen, tijdslijnen en ondersteuningsstructuren die zijn uitgestippeld. Ze ontwerpen training voor de hele werknemers, niet voor de mediane werknemer. Programma’s die buiten kantooruren plaatsvinden of zelfgestuurd leren vereisen, zullen systematisch mensen met verzorgingsverantwoordelijkheden uitsluiten. Inclusief ontwerp betekent modulair, plannbaar, beschikbaar tijdens kantooruren, met de psychologische veiligheid om te experimenteren en te falen zonder dat het een prestatiebeoordeling beïnvloedt.

Deze aanpak sluit aan bij een fundamentele verschuiving in de beroepsbevolking: de Randstad Workmonitor 2026 bevestigt dat de traditionele “carrièreladder” faalt, met 72% van de werkgevers die nu erkennen dat lineaire carrièrepaden verouderd zijn. Als reactie mitigeert talent het risico door “portfolio-carrières” op te bouwen. Dit nieuwe model prioriteert variatie, individuele agentie en veiligheid door een diverse reeks ervaringen in plaats van langetermijnverbintenis in een enkele rol.

De komende 24 maanden zullen voor een lange tijd van belang zijn

Overgangen in de beroepsbevolking zijn niet gemakkelijk omkeerbaar. De patronen die nu ontstaan, hebben de neiging om jarenlang aan te houden.

Organisaties die met opzet handelen, kunnen dit moment gebruiken om een meer capabele en diverse beroepsbevolking op te bouwen dan ze vandaag hebben. Diegenen die AI-transformatie behandelen als een technisch project met een voetnoot over mensen, zullen waarschijnlijk naar buiten komen met een smallere talentenbasis en een moeilijker wervingsprobleem.