AI bepaalt al wat je verdient

Een korte versie van een langere analyse — deel 2 in een reeks over de echte impact van AI

Een paar weken geleden zag ik op TikTok hoe Uber twee dingen tegelijk doet: de prijs die jij betaalt zo hoog mogelijk maken, en wat de chauffeur krijgt zo laag mogelijk. Rechtsgeleerde Veena Dubal heeft daar een naam voor: algorithmic wage discrimination. Hoogleraar Zephyr Teachout noemt de kern ervan de desperation index: het systeem schat niet wat werk waard is, maar hoe wanhopig de werker is, en welk laagste bedrag die nog zal accepteren.

Voor de volledige analyse ben ik vijf platforms nagegaan. Deze korte versie neemt je mee langs de twee scherpste voorbeelden — Uber en Amerikaanse verpleegsters-apps — en laat zien waarom AI dit specifiek mogelijk maakte, waarom bedrijven het doen, en hoe ver het inmiddels buiten de gig-economy reikt. Wie de volledige analyse met alle vijf cases en alle bronnen wil, vindt die aan het eind.

Uber: de volledig ontkoppelde prijs

Tot 2022 kreeg een chauffeur een vast bedrag per kilometer en hield daarvan 80-85 procent. Sindsdien bepaalt een algoritme rijders- en chauffeursprijs volledig los van elkaar. Ubers eigen aandeel — de take rate — steeg naar 40-42 procent kort na die omslag, en ligt nu volgens onderzoek van Columbia Business School en Princeton boven de 50 procent in veel Amerikaanse steden.

Op je bonnetje staat ook een verzekeringspost die varieert van 13,75 tot 50 dollar op vergelijkbare ritten. Die gaat naar Aleka Insurance, dat voor 100 procent van Uber zelf is. Uber verzekert zichzelf dus bij zichzelf, bouwde zo 12,46 miljard dollar aan onbelaste reserves op, en lobbyde tegelijk voor een wet die de verplichte dekking bij ongevallen verlaagde — minder risico voor Uber, minder dekking voor de rijder.

De verpleegsters — de meest schrijnende case

Amerikaanse zorgplatforms kopen kredietinformatie in bij databrokers vóórdat ze een verpleegkundige een tarief aanbieden. Hoe hoger de schuld, hoe lager het bod — het systeem herkent wanhoop en buit die bewust uit. Daarbovenop komen bidding-rondes en verborgen dagelijkse kosten: een geadverteerd tarief van 23 dollar per uur wordt zo effectief 13 dollar.

Kon dit ook al zonder AI?

Nee. Ubers oude surge-prijzen waren een vaste regel — narekenbaar, spreadsheet-niveau. Het huidige systeem is gepatenteerde reinforcement learning die meer dan 1 miljoen individuele voorspellingen per seconde doet. De wetenschappelijke literatuur noteert zelf dat dit soort systemen pas rond 2023 op wereldwijde schaal ging werken — vlak na Ubers eigen omslag. De ondoorzichtigheid is dus niet alleen een keuze: een zelflerend model dat zichzelf continu bijstelt, is per definitie niet meer narekenbaar zoals een vaste regel dat was.

Waarom bedrijven dit doen

Uber verloor tussen 2014 en 2022 zo'n 31,5 miljard dollar, gefinancierd met durfkapitaal — en juist toen hielden chauffeurs 80-85 procent. Winst kwam pas in 2023, niet door efficiëntie maar doordat de take rate steeg. Economen noemen het mechanisme erachter monopsonie: één dominante koper tegenover veel losse, inwisselbare aanbieders, die daardoor onder de concurrerende prijs kan betalen. De systemen zelf zijn daarbij niet het probleem — bedrijven en mensen beslissen wat ermee gebeurt. Maar zonder rem duwt winstmaximalisatie dat gebruik voorbij een grens die voor mij, bij deze voorbeelden, allang overschreden is.

Dit blijft niet bij de gig-economy

Workday, SAP en Microsoft verkopen de onderliggende technologie inmiddels gewoon als module in reguliere HR-software. JPMorgan monitort sinds 2026 toetsaanslagen en vergaderingen van junior bankiers. In Nederland gebruikt al 59 procent van de grote bedrijven vergelijkbare AI-systemen — met een wettelijk vangnet (de ondernemingsraad moet instemmen) dat er in de praktijk vaak bij inschiet.

Wat er feitelijk is veranderd

• Snelheid — van een periodiek vastgesteld loon naar een herberekening per rit, per dienst, per seconde.
• Ondoorzichtigheid — een chauffeur of verpleegkundige ziet een getal, geen berekening.
• Wie het treft — wie het meest financieel klem zit, krijgt het laagste aanbod. Het systeem is ontworpen om die wanhoop te herkennen.

Waarom dit me meer bezighoudt dan de techniek

Shoshana Zuboff muntte de term surveillance capitalism: menselijke ervaring als grondstof, verwerkt tot voorspelbaar gedrag dat verhandeld kan worden. Wat ik hier zie is de meest letterlijke toepassing daarvan die ik ken — niet je koopgedrag wordt voorspeld en verkocht, maar je bereidheid om voor weinig te werken.

Waarom begon dit bij gig-werk? Niet toevallig: dat werk was, dankzij app en gps, van meet af aan volledig meetbaar. Zodra AI ook ander werk net zo meetbaar maakt — zie Workday en JPMorgan hierboven — geldt hetzelfde mechanisme. Dat is de eigenlijke waarschuwing: niet "pas op voor Uber", maar "pas op zodra jouw werk voor het eerst volledig meetbaar wordt".

Dit is een verkorte versie. De volledige analyse — met alle vijf cases (inclusief DoorDash, Amazon en callcenters), de tegenbeweging in EU en VS, en de volledige bronnenlijst — staat op https://www.jeroenteunisse.nl/de-impact-van-ai-op-wat-je-verdient/

Dit stuk is gemaakt met Claude (Anthropic), op basis van eerder onderzoek met Grok (xAI). De visuals zijn gemaakt met Notebook (Google). De gedachten, posities en interpretaties zijn van mij.