AI Labor Displacement and Augmentation

The central labor market question of the AI era is not simply whether jobs disappear, but whether AI augments human capability or substitutes for it — and the answer varies by task, role, and deployment choice.

What It Is

McKinsey Global Institute (November 2025) estimates that currently demonstrated technologies could theoretically automate activities accounting for about 57% of US work hours — but explicitly frames this as a measure of technical potential, not a forecast of job losses. Adoption takes time, and the key variable is how organisations choose to deploy AI: as a replacement for workers or as a complement that raises their productivity.

Jones (2026) provides the framing: AI’s labor impact depends on whether it is used to (a) automate tasks, displacing workers; or (b) augment workers in existing tasks, raising their productivity and wages; or (c) create new tasks that only humans can do. Historical technological transitions involved all three simultaneously, with the net outcome depending on relative rates.

Why It Matters (for the Economy)

The 57% automation potential figure is striking, but McKinsey’s own analysis reveals something more nuanced: more than 70% of skills sought by employers today can be applied in both automatable and non-automatable work. This means most skills don’t become worthless — they get redirected. Workers will spend less time preparing documents and doing basic research, and more time framing questions and interpreting results. The labour market concern is therefore less about skills becoming obsolete wholesale, and more about whether the transition is manageable, especially for workers with limited adaptive capacity.

The Brookings Institution (April 2026) flags a more structural concern: AI disrupts not just individual jobs but the pathways connecting them. Career progression depends on workers moving through sequences of roles that build skills incrementally. If AI erodes key “Gateway” occupations — the stepping stones between entry-level and high-wage roles — the mobility ladders that workers without four-year degrees depend on may collapse.

Evidence & Examples

  • McKinsey estimates 57% of US work hours are theoretically automatable with current technology; the $2.9 trillion in annual US economic value that could be unlocked by 2030 depends on workflow redesign, not just task automation (agents-robots-and-us-skill-partnerships-in-the-age-of-ai.pdf)
  • Demand for “AI fluency” in US job postings has grown sevenfold in two years — faster than any other skill — indicating employers are already adjusting expectations (agents-robots-and-us-skill-partnerships-in-the-age-of-ai.pdf)
  • 15.6 million STARs (workers skilled through alternative routes, without four-year degrees) — one-fifth of the 70 million STARs total — work in occupations in the top quartile of AI exposure; 23 million STARs have low adaptive capacity (How AI may reshape career pathways to better jobs.md)
  • Nearly 11 million STARs are in Gateway occupations (the stepping-stone roles for economic mobility) that are highly AI-exposed, concentrated in administrative and clerical roles (How AI may reshape career pathways to better jobs.md)
  • Only 51% of pathways between Gateway and Destination occupations are not highly exposed to AI (How AI may reshape career pathways to better jobs.md)
  • Acemoglu, Autor, and Johnson (cited by Brookings) argue AI’s potential as a “collaborator” may enable new tasks, create new work, and increase the value of human expertise — but lower-wage roles subject to automation may lose pathways to advancement (How AI may reshape career pathways to better jobs.md)

Tensions & Open Questions

  • Augmentation vs. automation is a deployment choice, not a technological inevitability. The same AI system can be set up to replace a worker or to make that worker more productive. This makes policy and firm-level incentives critical.

  • The deskilling risk: Shen & Tamkin (Feb 2026) find that AI assistance impairs conceptual understanding, code reading, and debugging abilities in novice developers — without delivering significant efficiency gains on average. If AI assistance erodes the skill-building that Gateway occupations provide, long-run mobility may suffer even without direct job losses (see AI Skill Formation and Deskilling).

  • Regional concentration: Brookings documents that AI exposure of Gateway occupations varies sharply by region — Sun Belt metro areas (Florida in particular) and Northeast state capitals show the highest concentration of AI-exposed STARs. This points to uneven geographic impacts that national averages mask.

  • ⚠️ CONTRADICTION: McKinsey (2025) argues most skills “remain relevant” and will be redirected; Brookings (2026) argues the pathways that let lower-wage workers develop and demonstrate skills may collapse even if skills themselves don’t become worthless. These views are not mutually exclusive but emphasise different levels of analysis.

  • 📅 NOW MULTI-SOURCE CONFIRMED — early-career displacement: The framing of “augmentation vs. displacement is a deployment choice” is accurate at the macro level, but multiple independent studies now confirm displacement IS occurring for entry-level workers:

    • Stanford Canaries (Brynjolfsson, Chandar & Chen, Oct 2025; Raw/): ADP payroll data shows workers aged 22–25 in the most AI-exposed occupations saw a 16% relative employment decline since late 2022; senior workers in same occupations saw 6–9% growth. Declines concentrated where AI automates (not augments). [pending ingestion]
    • Goldman Sachs (April 2026): AI currently cutting approximately 16,000 net US jobs per month — 25,000 eliminated via substitution, 9,000 created via augmentation-linked growth. Gen Z disproportionately concentrated in affected roles. Direct Goldman quote: “Our analysis implies that AI substitution has reduced monthly payroll growth by roughly 25k and raised the unemployment rate by 0.16 percentage points over the past year, while augmentation has added about 9k to monthly payroll growth and lowered the unemployment rate by 0.06pp. This implies a net drag of 16k per month on payroll growth and a 0.1pp boost to the unemployment rate. These negative effects fall largely on less experienced workers, widening the entry-level-to-experienced wage gap by 1.3% and the unemployment rate gap by 0.6pp from their pre-pandemic averages.” (Raw/Thread by @BrianSozzi.md, April 5, 2026)
    • Revelio Labs: Entry-level job postings in the US have declined 35% in the last 18 months, attributed primarily to AI adoption. [source needed — Revelio Labs 2026]
    • Dallas Fed (Jan 2026): Job-finding rates for young workers entering AI-exposed occupations appear down ~14% relative to 2022 baselines; the unemployment rate itself remains flat, masking the hiring friction. [source needed — Dallas Fed Economics Jan 2026]
    • Gender dimension (April 2026): 79% of employed women hold positions categorised as high-risk for automation, compared to 58% of men. Highest-exposure roles (administrative assistants, billing coordinators, data entry, legal support) are disproportionately female-dominated. Across the last 12 months, Goldman estimates ~192,000 total US jobs eliminated by AI, with Gen Z women doubly exposed. [source needed — DesignRush AI displacement stats 2026; lumichats.com/Goldman Sachs April 2026; see also AI Labor Market Gender Dimension article candidate]
    • Goldman Sachs “scarring” data (April 2026): A separate Goldman analysis of 40 years of technological disruption data finds that displaced tech workers take approximately one month longer to find new employment compared to workers laid off from stable sectors, and face real earnings losses exceeding 3% when they land new roles. Over the 10 years following a job loss, real earnings for technology-displaced workers grow nearly 10 percentage points less than for never-displaced workers. This “scarring” effect is structural, not transient — and with AI displacement concentrated among Gen Z workers at the start of their career, the lifetime earnings implications are particularly severe. [source: Fortune/Goldman Sachs April 2026]
    • Across sources, the pattern is consistent: entry-level roles requiring 0–2 years’ experience declining in AI-exposed fields (estimated -29 percentage points), while new AI-native roles require seniority unavailable to displaced workers. The “vanishing ladder” dynamic (Brookings pathway framing) is now empirically documented across multiple methodologies. [Raw/Canaries in the Coal Mine — pending formal ingestion; see also Early-Career Worker Displacement article candidate]
    • 📅 UPDATED (May 2026) — Goldman Q4 2026 projection further escalates: Goldman’s updated projections call for AI displacement to rise from 16,000 net jobs/month (current) to 22,000–28,000/month by Q4 2026, as multimodal AI agents become more capable and enterprise deployment shifts from pilots to full-scale implementation. Goldman also quantifies wage impact: a one standard deviation increase in AI substitution exposure widens the entry-level-to-experienced wage gap by 3.3 percentage points. [Fortune/Goldman Sachs April 2026; allwork.space April 2026; Yahoo Finance/Goldman 2026]
    • FLAG #23 RESOLVED — Gender figure clarification: The 79% figure (women in high-risk roles as share of all employed women) and the 86% figure (women as share of all workers in the most AI-vulnerable occupations) measure different things and are both correct. Additionally: in high-income countries, 9.6% of women’s jobs face the highest automation risk — nearly triple the 3.5% for men (ILO 2026). The 79% vs. 86% discrepancy was a definitional mismatch, not a contradiction. [ILO 2026; search-confirmed May 2026]

  • 📅 NOTE (May 2026) — Anthropic Economic Index: “Observed Exposure” framework (NEAR-CONTRADICTION #12 PARTIALLY RESOLVED): Massenkoff & McCrory (Anthropic, March 5 2026) introduce a novel “Observed Exposure” metric: not what AI could theoretically do, but what it is actually doing across millions of Claude professional interactions. Key findings: (1) Observed exposure is 50–65 percentage points below theoretical exposure in every occupation — Computer/Math occupations: 94% theoretical vs. 33% observed; Office/Admin: 90% theoretical vs. 25% observed. (2) No systematic increase in unemployment for highly exposed workers since late 2022. (3) BUT hiring of young workers (age 22–25) has slowed by ~0.5pp/month in high-exposure occupations. (4) Workers in the most exposed professions are disproportionately older, female, more educated, and higher-paid — not junior/entry-level. Reconciliation: Both the Anthropic and Goldman findings are now explainable: AI-exposed occupations employ older/educated workers (Anthropic demographic profile is correct for stocks); but within those occupations, the flow of entry-level hiring has slowed for young workers (Goldman’s displacement data reflects a different phenomenon). The contradiction was partly an apples-to-oranges measurement comparison. The “57% automation potential” framing in this article should be read in light of the 50–65pp theory-to-practice gap — actual deployment is far more limited than theoretical potential. [source: anthropic.com/research/labor-market-impacts; need Raw/ ingestion]

  • 📅 NEW (June 2026) — Arrow’s “learning by doing” framing now in mainstream discourse: Two May 2026 sources introduce a new theoretical dimension to entry-level displacement. Fortune (May 21, 2026) applied Kenneth Arrow’s 1962 learning-by-doing theory: eliminating entry-level work doesn’t merely destroy jobs — it destroys the mechanism by which the next generation forms human capital. Skills form through production experience; without entry-level roles, the future pipeline of expert workers is structurally impaired, creating a long-run capability deficit beyond the near-term unemployment effect. Washington Monthly (May 29, 2026) — “How AI Broke the Entry-Level Job” — corroborates with a 35% decline in US entry-level postings since early 2023 and documents “experience creep” (employers demanding experience for roles that once built it). CS graduates now face the worst job market in decades. Together these sources shift the analytical frame from cyclical employment shock to long-run human capital damage — a materially worse outcome than temporary job loss. [source needed: washingtonmonthly.com May 29 2026; fortune.com May 21 2026 — web search findings, not yet in Raw/]

AI Career Pathways and Workforce Mobility · Skill Partnerships Human-AI · AI Skill Formation and Deskilling · AI as a General Purpose Technology

AI, Baanverlies en Versterking van de Mens

De centrale arbeidsmarktvraag van het AI-tijdperk is niet simpelweg of banen verdwijnen, maar of AI menselijke capaciteit versterkt of vervangt — en het antwoord verschilt per taak, rol en inzetbeslissing.

Wat Het Is

McKinsey Global Institute (november 2025) schat dat momenteel aangetoonde technologieën theoretisch activiteiten kunnen automatiseren die goed zijn voor ongeveer 57% van de Amerikaanse arbeidsuren — maar omschrijft dit expliciet als een maatstaf van technisch potentieel, niet als een prognose van banenverlies. Adoptie kost tijd, en de sleutelvariabele is hoe organisaties ervoor kiezen AI in te zetten: als vervanger voor werknemers of als aanvulling die hun productiviteit verhoogt.

Jones (2026) geeft het kader: de arbeidsmarktimpact van AI hangt af van of het wordt gebruikt om (a) taken te automatiseren, waardoor werknemers worden verdrongen; of (b) werknemers in bestaande taken te versterken, hun productiviteit en lonen te verhogen; of (c) nieuwe taken te creëren die alleen mensen kunnen uitvoeren. Historische technologische overgangen omvatten alle drie tegelijkertijd, waarbij de netto-uitkomst afhing van relatieve snelheden.

Waarom Het Belang Heeft (voor de Economie)

Het cijfer van 57% automatiseringspotentieel is opvallend, maar McKinsey’s eigen analyse onthult iets genuanceerder: meer dan 70% van de vaardigheden die werkgevers vandaag zoeken, kunnen worden toegepast in zowel automatiseerbaar als niet-automatiseerbaar werk. Dit betekent dat de meeste vaardigheden niet waardeloos worden — ze worden omgeleid. Werknemers zullen minder tijd besteden aan het voorbereiden van documenten en basisonderzoek, en meer tijd aan het formuleren van vragen en het interpreteren van resultaten. De zorg over de arbeidsmarkt gaat daarom minder over het in bulk obsoleet worden van vaardigheden, en meer over of de overgang beheersbaar is, vooral voor werknemers met beperkte adaptieve capaciteit.

De Brookings Institution (april 2026) signaleert een meer structurele zorg: AI verstoort niet alleen individuele banen maar ook de paden die ze verbinden. Loopbaanontwikkeling hangt af van werknemers die door reeksen functies bewegen die stapsgewijs vaardigheden opbouwen. Als AI de belangrijkste “Doorgang”-beroepen aantast — de tussenstappen tussen instapniveau en goed betaalde functies — kunnen de mobiliteitsladders waarvan werknemers zonder vierjarige opleiding afhankelijk zijn, instorten.

Bewijs & Voorbeelden

  • McKinsey schat dat 57% van de Amerikaanse arbeidsuren theoretisch automatiseerbaar is met huidige technologie; de $2,9 biljoen aan jaarlijkse Amerikaanse economische waarde die tegen 2030 ontgrendeld zou kunnen worden, hangt af van herontwerp van werkprocessen, niet alleen van taakautomatisering (agents-robots-and-us-skill-partnerships-in-the-age-of-ai.pdf)
  • De vraag naar “AI-vaardigheid” in Amerikaanse vacatures is in twee jaar zevenvoudig gestegen — sneller dan elke andere vaardigheid — wat aangeeft dat werkgevers hun verwachtingen al aanpassen (agents-robots-and-us-skill-partnerships-in-the-age-of-ai.pdf)
  • 15,6 miljoen STARs (werknemers die vakbekwaam zijn via alternatieve routes, zonder vierjarige opleiding) — een vijfde van het totaal van 70 miljoen STARs — werken in beroepen in het bovenste kwartiel van AI-blootstelling; 23 miljoen STARs hebben een lage adaptieve capaciteit (How AI may reshape career pathways to better jobs.md)
  • Bijna 11 miljoen STARs zijn in Doorgang-beroepen (de tussenstappenfuncties voor economische mobiliteit) die sterk aan AI zijn blootgesteld, geconcentreerd in administratieve en secretariële functies (How AI may reshape career pathways to better jobs.md)
  • Slechts 51% van de paden tussen Doorgang- en Bestemming-beroepen zijn niet sterk blootgesteld aan AI (How AI may reshape career pathways to better jobs.md)
  • Acemoglu, Autor en Johnson (geciteerd door Brookings) betogen dat het potentieel van AI als “medewerker” nieuwe taken kan mogelijk maken, nieuw werk kan creëren en de waarde van menselijke expertise kan verhogen — maar lager betaalde functies die aan automatisering zijn onderworpen, kunnen paden naar vooruitgang verliezen (How AI may reshape career pathways to better jobs.md)

Spanningsvelden & Openstaande Vragen

  • Versterking versus automatisering is een inzetbeslissing, geen technologische onvermijdelijkheid. Hetzelfde AI-systeem kan worden opgezet om een werknemer te vervangen of om die werknemer productiever te maken. Dit maakt beleid en prikkels op bedrijfsniveau cruciaal.

  • Het risico van vaardigheidsverlies: Shen & Tamkin (februari 2026) stellen vast dat AI-hulp het conceptueel begrip, het lezen van code en de debugcapaciteiten van beginnende ontwikkelaars schaadt — zonder gemiddeld significante efficiëntiewinsten te leveren. Als AI-hulp de vaardigheidsontwikkeling ondermijnt die Doorgang-beroepen bieden, kan de langetermijnmobiliteit lijden, zelfs zonder directe banenverlies (zie AI Skill Formation and Deskilling).

  • Regionale concentratie: Brookings documenteert dat de AI-blootstelling van Doorgang-beroepen sterk varieert per regio — Sun Belt-metro’s (Florida in het bijzonder) en staatshoofdsteden in het noordoosten tonen de hoogste concentratie van AI-blootgestelde STARs. Dit wijst op ongelijke geografische effecten die nationale gemiddelden maskeren.

  • ⚠️ TEGENSTRIJDIGHEID: McKinsey (2025) betoogt dat de meeste vaardigheden “relevant blijven” en zullen worden omgeleid; Brookings (2026) betoogt dat de paden waarmee lager betaalde werknemers vaardigheden kunnen ontwikkelen en aantonen, kunnen instorten, zelfs als de vaardigheden zelf niet waardeloos worden. Deze visies sluiten elkaar niet uit, maar benadrukken verschillende analyseniveaus.

  • 📅 NU MULTI-BRON BEVESTIGD — verdringing vroege loopbaan: Het kader van “versterking versus verdringing is een inzetbeslissing” is nauwkeurig op macroniveau, maar meerdere onafhankelijke studies bevestigen nu dat verdringing WEL plaatsvindt voor instapniveauwerkers:

    • Stanford Canaries (Brynjolfsson, Chandar & Chen, oktober 2025; Raw/): ADP-loongegevens tonen dat werknemers van 22–25 jaar in de meest AI-blootgestelde beroepen een relatieve werkgelegenheidsdaling van 16% zagen sinds eind 2022; senior werknemers in dezelfde beroepen zagen een groei van 6–9%. Dalingen geconcentreerd waar AI automatiseert (niet versterkt). [wachten op opname]
    • Goldman Sachs (april 2026): AI elimineert momenteel ongeveer 16.000 netto Amerikaanse banen per maand — 25.000 geëlimineerd door vervanging, 9.000 gecreëerd door versterkingsgerelateerde groei. Gen Z onevenredig geconcentreerd in getroffen functies.
    • Revelio Labs: Vacatures op instapniveau in de VS zijn de afgelopen 18 maanden met 35% gedaald, voornamelijk toe te schrijven aan AI-adoptie. [bron nodig — Revelio Labs 2026]
    • Dallas Fed (januari 2026): Kansen op het vinden van een baan voor jonge werknemers die AI-blootgestelde beroepen betreden, lijken ~14% lager dan de basislijn van 2022; het werkloosheidspercentage zelf blijft stabiel, waardoor de aanwervingswrijving wordt gemaskeerd. [bron nodig — Dallas Fed Economics januari 2026]
    • Genderdimensie (april 2026): 79% van de werkende vrouwen bekleedt posities die zijn gecategoriseerd als hoog-risico voor automatisering, vergeleken met 58% van de mannen. Hoogst blootgestelde functies (administratief medewerkers, facturatiecoördinatoren, gegevensinvoer, juridische ondersteuning) zijn onevenredig vrouwelijk gedomineerd. Over de afgelopen 12 maanden schat Goldman ~192.000 totale Amerikaanse banen geëlimineerd door AI, waarbij Gen Z-vrouwen dubbel zijn blootgesteld. [bron nodig — DesignRush AI-verdringingsstatistieken 2026; zie ook AI Labor Market Gender Dimension artikelkandidaat]
    • Goldman Sachs “litteken”-gegevens (april 2026): Een afzonderlijke Goldman-analyse van 40 jaar technologische verstoringsgegevens stelt vast dat verdrongen tech-werknemers ongeveer één maand langer nodig hebben om nieuw werk te vinden vergeleken met werknemers die worden ontslagen uit stabiele sectoren, en reële inkomensverliezen van meer dan 3% ondervinden wanneer ze nieuwe functies vinden. Over de 10 jaar na een baanverlies groeien de reële inkomens voor technologisch verdrongen werknemers bijna 10 procentpunten minder dan voor nooit-verdrongen werknemers.
    • Over bronnen heen is het patroon consistent: instapniveaufuncties die 0–2 jaar ervaring vereisen, dalen in AI-blootgestelde vakgebieden (geschat -29 procentpunten), terwijl nieuwe AI-native functies senioriteit vereisen die niet beschikbaar is voor verdrongen werknemers.
    • 📅 BIJGEWERKT (mei 2026) — Goldman Q4 2026-projectie escaleert verder: Goldman’s bijgewerkte projecties voorzien dat AI-verdringing stijgt van 16.000 netto banen/maand (huidig) naar 22.000–28.000/maand tegen Q4 2026, naarmate multimodale AI-agents capabeler worden en bedrijfsimplementatie verschuift van pilots naar volledige implementatie. Goldman kwantificeert ook het looneffect: een stijging met één standaarddeviatie in de blootstelling aan AI-vervanging vergroot het loonverschil tussen instapniveau en ervaren werknemers met 3,3 procentpunten.

  • 📅 NOOT (mei 2026) — Anthropic Economic Index: “Waargenomen Blootstelling”-kader (BIJNA-TEGENSTRIJDIGHEID #12 GEDEELTELIJK OPGELOST): Massenkoff & McCrory (Anthropic, 5 maart 2026) introduceren een nieuw “Waargenomen Blootstelling”-maatstaf: niet wat AI theoretisch zou kunnen doen, maar wat het daadwerkelijk doet in miljoenen professionele Claude-interacties. Kernbevindingen: (1) Waargenomen blootstelling ligt 50–65 procentpunten onder de theoretische blootstelling in elk beroep. (2) Geen systematische stijging van werkloosheid voor sterk blootgestelde werknemers sinds eind 2022. (3) MAAR aanwerving van jonge werknemers (22–25 jaar) is met ~0,5pp/maand vertraagd in sterk blootgestelde beroepen. (4) Werknemers in de meest blootgestelde beroepen zijn onevenredig ouder, vrouwelijk, hoger opgeleid en beter betaald — niet junior/instapniveau. Verzoening: Beide bevindingen zijn nu verklaarbaar: AI-blootgestelde beroepen hebben oudere/opgeleide werknemers in dienst (Anthropic’s demografisch profiel is correct voor voorraden); maar binnen die beroepen is de stroom van instapniveauaanwerving voor jonge werknemers vertraagd.

  • 📅 NIEUW (juni 2026) — Arrow’s “leren door doen”-kader nu in mainstream-discours: Twee bronnen van mei 2026 introduceren een nieuwe theoretische dimensie bij verdringing op instapniveau. Fortune (21 mei 2026) paste Kenneth Arrow’s theorie van leren door doen uit 1962 toe: het elimineren van instapniveauwerk vernietigt niet alleen banen — het vernietigt het mechanisme waarmee de volgende generatie menselijk kapitaal vormt. Vaardigheden ontstaan door productie-ervaring; zonder instapniveaufuncties is de toekomstige aanvoer van expertwerkers structureel aangetast, wat een langetermijncapaciteitsdeficit creëert. Washington Monthly (29 mei 2026) — “How AI Broke the Entry-Level Job” — bevestigt dit met een daling van 35% in Amerikaanse instapniveauvacatures sinds begin 2023 en documenteert “ervaringskruip” (werkgevers die ervaring eisen voor functies die deze vroeger opbouwden). CS-afgestudeerden staan nu voor de slechtste arbeidsmarkt in decennia.

Gerelateerde Concepten

AI Career Pathways and Workforce Mobility · Skill Partnerships Human-AI · AI Skill Formation and Deskilling · AI as a General Purpose Technology