De impact van AI op wat je verdient

Hoe algoritmes al bepalen wat je krijgt betaald — en waarom dat morgen ook jouw baan kan zijn

Dit is het tweede deel in de reeks over de echte impact van AI. Het eerste deel ging over oorlogsvoering: waar AI al aantoonbaar bepaalt wie leeft en wie sterft — te lezen in de uitgebreide versie of de korte versie. Ik sloot dat stuk af met de belofte dat dit deel zou gaan over iets dat op het eerste gezicht weinig met oorlog te maken heeft. Totdat je één ding ziet dat ze delen: in allebei beslist een model inmiddels iets dat vroeger een mens besliste. De gevolgen zijn voor wie ze ondergaat allesbehalve abstract. Deze keer gaat het niet om leven en dood. Het gaat om wat je op je loonstrookje ziet staan — en om de vraag of jij nog weet waaróm dat bedrag is wat het is.

Een paar weken geleden zat ik met Leo — mijn Grok-instantie — te praten over een filmpje dat ik op TikTok was tegengekomen. Het ging over Uber, en over hoe het bedrijf tegenwoordig twee dingen tegelijk doet: de prijs die jij betaalt zo hoog mogelijk maken, en de vergoeding die de chauffeur krijgt zo laag mogelijk. Ik was altijd in de veronderstelling dat wat ik betaal, min een vaste commissie, gewoon naar de chauffeur ging. Dat bleek allang niet meer zo simpel te zijn. Het tweede voorbeeld in dat filmpje maakte het concreter: Amerikaanse verpleegsters die via bemiddelings-apps aan het werk gaan, waarbij het platform vooraf hun creditcardschuld opkoopt bij een databroker — en wie er financieel het slechtst voorstaat, krijgt het laagste tarief aangeboden. Leo kwam al snel met een naam voor wat ik zag: algorithmic wage discrimination, met als aanvullend begrip surveillance pay.

Dat zette me aan het denken op dezelfde manier als bij de oorlogsblog: is dit nieuw, of is dit gewoon ouderwetse hebzucht met een nieuw jasje? Mijn hypothese was dat het antwoord "allebei" zou zijn — dat bedrijven dit soort dingen altijd al probeerden, maar dat AI het nu op een schaal en met een precisie mogelijk maakt die vroeger ondenkbaar was. Dus ben ik case voor case gegaan: wie doet dit, met welk systeem, met welke cijfers, en — de vraag die volgens mij het belangrijkst is — hoe ver reikt dit inmiddels buiten de gig-economy? Want als je bij Uber en DoorDash blijft steken, mis je volgens mij het eigenlijke verhaal.

Een naam voor het fenomeen

Het begrip waar Leo mee kwam bestaat inderdaad, en het is geen journalistieke vondst maar een juridisch-wetenschappelijk begrip. Rechtsgeleerde en juridisch antropoloog Veena Dubal (University of California, Irvine) introduceerde de term algorithmic wage discrimination. Ze deed dat in een spraakmakend artikel in de Columbia Law Review van november 2023, gebaseerd op jarenlang veldwerk onder platformwerkers. Haar kernpunt: dit gaat niet om een nieuw hulpmiddel om loon te berekenen, maar om een structurele breuk in hoe loon tot stand komt. Systemen gebruiken granulaire gedragsdata — acceptatiegraad, locatie, tijdstip, soms zelfs externe data zoals schuldenlast — om voor ogenschijnlijk identiek werk wisselende, onvoorspelbare en individueel afgestemde beloning vast te stellen. Dat is in strijd met de geest van "gelijk loon voor gelijk werk", zonder de letter ervan te overtreden — en precies daarom is het tot nu toe grotendeels legaal gebleven.

Fordham-hoogleraar Zephyr Teachout heeft er een aanvullende term voor: surveillance pay, met een kernbegrip dat de kern van het mechanisme raakt — de desperation index. Wat deze systemen volgens haar feitelijk proberen te schatten, is niet "wat is dit werk waard", maar "hoe wanhopig is deze specifieke persoon, en welk laagste bedrag zal die persoon nog accepteren".

Uber — het schoolvoorbeeld

Dit is de best gedocumenteerde case, en meteen ook de plek waar het patroon het scherpst zichtbaar is.

Tot 2022 werkte Uber met een tarief dat, hoe je het ook wendt of keert, navolgbaar was: een vast bedrag per kilometer en per minuut, plus surge-toeslagen bij drukte. Chauffeurs hielden destijds zo'n 80 tot 85 procent van de ritprijs. Vanaf medio 2022 rolde Uber "upfront pricing" uit: eigen algoritmes die per rit apart bepalen wat de rijder betaalt én wat de chauffeur krijgt — losgekoppeld van elkaar, losgekoppeld van een vaste formule. De chauffeur ziet vooraf een bedrag, zonder enig inzicht in hoe dat tot stand kwam.

De cijfers zijn intussen door meerdere onafhankelijke onderzoeken bevestigd, en ze wijzen allemaal dezelfde kant op. Ubers "take rate" — het deel van de ritprijs dat het bedrijf zelf houdt — steeg van zo'n 15 tot 20 procent in de begintijd naar ongeveer 32 procent vlak vóór de overstap naar upfront pricing. Kort daarna liep dat verder op naar 40 tot 42 procent. Een onderzoek van Columbia Business School-hoogleraar Len Sherman met de app GigU (juni 2026) gaat verder terug: op basis van tien jaar ritdata van drie ervaren chauffeurs, samen 50.000 ritten, komt hij uit op meer dan 50 procent in veel Amerikaanse steden. Een aparte analyse van Princetons Workers Algorithm Observatory op data uit Oregon vindt vergelijkbare percentages: 44 procent bij Uber, 52 procent bij Lyft. Ter vergelijking: Apple's veelbekritiseerde 30 procent-commissie in de App Store oogt daarnaast bescheiden. Het effect op Uber zelf is trouwens onmiskenbaar: de vrije kasstroom van het bedrijf steeg van 390 miljoen dollar in 2022 naar 9,8 miljard dollar in 2025 — vrijwel exact de periode waarin upfront pricing werd uitgerold.

Wat zo'n percentage concreet betekent, merkte ik laatst zelf toen ik in Portugal een Uber nam. De prijs die ik betaalde was al aan de lage kant. Gaat daar dan nog eens 40 tot 50 procent van naar Uber, dan snap ik oprecht niet meer hoe een chauffeur daarvan rond moet komen. Mensen hebben recht op een redelijke beloning voor hun werk — en op ritten als deze lijkt daar weinig van over te blijven.

Wat deze case extra scherp maakt, is dat het in twee richtingen tegelijk werkt. Aan de chauffeurskant: algorithmic wage discrimination, gebaseerd op gedragsdata. Aan de klantkant: personalized pricing — waarbij factoren als je batterijniveau, je besturingssysteem (iPhone versus Android) en eerder gebruik van kortingscodes meewegen in wat jij als "de" prijs te zien krijgt. Uber ontkent dit formeel voor de basisprijs, maar erkent het gebruik van dergelijke data voor kortingen en promoties — een grens die in de praktijk vaag is. De illusie van een objectieve, uniforme prijs is voor wie er goed naar kijkt eigenlijk al verdwenen.

Er zit nog een derde laag in, die ik zelf pas laat zag — ook weer via TikTok, deze keer via een onderzoek van More Perfect Union, een bekroonde non-profit nieuwsredactie. Op je bonnetje staat een aparte post voor verzekering, die Uber aanvoert als verklaring voor hoge prijzen. Volgens de analyse van More Perfect Union beweegt die post echter mee met de ritprijs, niet met het risico: bij dezelfde chauffeur varieerde het bedrag op vergelijkbare ritten van 13,75 tot 50 dollar.

Die post heeft een naam: Aleka Insurance Inc. Aleka is geen los bedrijf dat toevallig veel voor Uber werkt — het is een volledig eigendom van Uber zelf, opgericht in Hawaï, met een bestuur van huidige en voormalige Uber-executives. Uber verzekert zichzelf dus feitelijk bij zichzelf, en dekt daarmee zo'n 95 procent van zijn eigen risico. Ubers eigen beleidsdirecteur Ramona Prieto vertelde de Californische Assemblee dat verzekering zo ongeveer 45 procent van de ritprijs in Los Angeles County verklaart, en 33 procent in de rest van Californië. Consumer Watchdog, de Amerikaanse consumentenwaakhond die het onderliggende rapport publiceerde, becijferde dat Uber zo tegen eind 2025 12,46 miljard dollar aan onbelaste reserves had opgebouwd — bijna een verdubbeling ten opzichte van 6,7 miljard in 2023, en een groei die het aantal ritten ruimschoots overtreft. Tussen 2024 en 2025 verplaatste Uber ongeveer 4,1 miljard dollar van die reserves naar gewone, vrij besteedbare kas.

En hier wordt het echt ongemakkelijk. Diezelfde Ramona Prieto lobbyde namens Uber ook voor SB 371, een Californische wet die de verplichte dekking bij een ongeval met een onder- of onverzekerde tegenpartij verlaagt van 1 miljoen naar 60.000 dollar per persoon. Dat verandert niets aan de kans op een ongeluk, maar wel aan wie het risico draagt: Ubers eigen verzekeraar hoeft bij zo'n ongeval nu veel minder uit te keren, terwijl de rijder die erbij betrokken raakt met een fractie van de vroegere dekking achterblijft. Zou de logica van "de verzekeringspost dekt het risico" kloppen, dan zou die post op je bonnetje dus moeten dálen. Gebeurde niet: de reserves bleven groeien. Volgens onderzoek van The American Prospect en Jacobin waren de bonussen van Uber-topmensen — onder wie chief legal officer Tony West en Prieto zelf — expliciet gekoppeld aan het erdoor krijgen van precies deze wet. Consumer Watchdog trekt de lijn door naar Ubers robotaxi-ambities: geld dat vrijkomt uit de reserves kan zo meehelpen de aangekondigde 10 miljard dollar aan robotaxi-investeringen te financieren. Dezelfde dynamiek dus, in spiegelbeeld en in drievoud: bij de chauffeur een ondoorzichtig algoritme dat het loon drukt, bij de rider een ondoorzichtige kostenpost die de prijs verklaart terwijl het onderliggende risico juist kleiner wordt, en middenin een bedrijf dat zichzelf verzekert, zijn eigen premie bepaalt, en zijn eigen mensen beloont om de regels eromheen af te zwakken.

En dit speelt niet alleen in de VS. In Nederland loopt al jaren een reeks rechtszaken van vakbond FNV tegen Uber, met het algoritme steeds als centraal bewijsstuk van gezagsverhouding. Het argument: wie onderworpen is aan een systeem dat eenzijdig ritten toewijst en prijzen bepaalt, heeft feitelijk een baas — ook al heet die baas een app. Op 27 januari 2026 oordeelde het gerechtshof Amsterdam dat er geen algemeen oordeel mogelijk is over álle Uber-chauffeurs tegelijk: de zaak moet per individu beoordeeld worden, en FNV had onvoldoende onderbouwing voor afgebakende groepen. Interessanter nog: een maand later, in februari 2026, begonnen Nederlandse Uber-chauffeurs zelf een rechtszaak voor te bereiden, gericht op inzage in het dispatch-algoritme en het fraudedetectiesysteem — met een beroep op het recht op uitleg bij geautomatiseerde besluiten met aanmerkelijke gevolgen.

Onthoud die vraag — wie mag straks meekijken in het algoritme — even goed, want verderop in dit stuk blijkt dat die vraag niet bij taxi's en bezorgers blijft steken. De software die dit soort systemen draait, is namelijk dezelfde software die inmiddels ook gewoon in reguliere HR-pakketten zit.

DoorDash — het weigerspel

Bij DoorDash wordt de basisbetaling van bezorgers bepaald door tijd, afstand, en een derde factor die het venijn in de staart heeft: desirability. Die basisbetaling ligt volgens DoorDash's eigen documentatie tussen de 2 en ruim 10 dollar per order, en loopt vooral op bij ritten van meer dan 11 kilometer of bij restaurants met een gemiddelde wachttijd boven de 11 minuten — kortom, bij orders die bezorgers liever laten liggen. Hoe vaker een order geweigerd wordt, hoe hoger het aangeboden bedrag stijgt: het systeem past zich dus letterlijk aan het collectieve weigergedrag aan. Bezorgers krijgen doorgaans slechts enkele seconden om te beslissen. Daaruit is een informele tegenbeweging ontstaan: #DeclineNow, waarbij bezorgers gezamenlijk lage orders massaal weigeren in de hoop dat het algoritme gedwongen wordt de prijs te verhogen. DoorDash ontkent officieel het bestaan van een "desperation score", maar bezorgers en onderzoekers zien wel degelijk dat acceptatiegedrag doorwerkt in wat iemand vervolgens aangeboden krijgt.

Wat die basisbetaling in de praktijk betekent, is scherper dan de bandbreedte doet vermoeden. Uit data van duizenden bezorgers (Gridwise, 2025) blijkt dat basisbetaling gemiddeld maar 42 tot 43 procent van de totale uitbetaling per rit dekt — de rest komt uit fooien, die gemiddeld meer dan 7 dollar per actief gewerkt uur opleveren. Zonder fooi zit de betaling in de meeste Amerikaanse markten onder het minimumloon.

Dat is geen toevallig bijeffect, maar een direct gevolg van hoe de Amerikaanse minimumloonwetgeving al decennia in elkaar steekt. Onder de federale Fair Labor Standards Act mogen werkgevers van fooipersoneel een "tipped minimum wage" betalen van slechts 2,13 dollar per uur — een bedrag dat sinds 1991 niet is aangepast — zolang fooien het verschil met het reguliere minimumloon van 7,25 dollar maar aanvullen. Economen noemen dat een tip credit: in de praktijk een loonsubsidie die de klant betaalt in plaats van de werkgever. In Europa kijken de meeste mensen daar vreemd tegenaan — hier is een fooi een blijk van waardering, geen verkapt deel van iemands loon dat de werkgever bewust laag houdt omdat hij weet dat klanten het gat toch wel vullen. Onder Amerikaanse werknemers zelf leeft diezelfde weerstand trouwens ook, vaak feller dan je van buitenaf zou verwachten: vakbonden en actiegroepen voeren al jaren campagne om dit subminimumloon af te schaffen, en inmiddels verbieden zeven staten — waaronder Californië en Washington — de constructie helemaal en verplichten ze het volledige minimumloon al vóór fooien. DoorDash en de andere platforms in dit stuk bouwen dus voort op een systeem dat al bestond voordat er een algoritme aan te pas kwam; ze passen het toe op een nieuwe categorie werk, ze hebben het niet uitgevonden.

Het algoritme bepaalt dus niet zozeer wat een bezorger verdient, als wel hoe afhankelijk die bezorger van de klant wordt gemaakt. Dat mechanisme kreeg in februari 2025 een juridisch staartje dat verrassend veel lijkt op Ubers verzekeringsverhaal hierboven: de New York attorney general dwong een schikking van 16,75 miljoen dollar af, nadat onderzoek uitwees dat DoorDash tussen 2017 en 2019 klantenfooien gebruikte om de eigen gegarandeerde basisbetaling te verlagen, in plaats van fooien er bovenop uit te keren — zo'n 63.000 bezorgers in New York waren daardoor gedupeerd. Illinois sloot een vergelijkbare schikking van 11,25 miljoen dollar. Los daarvan loopt in Californië de zaak Marko v. DoorDash, een schikking van 100 miljoen dollar over de vraag of bezorgers ten onrechte als zzp'er zijn geclassificeerd, plus een aparte audit door de Californische belastingdienst naar diezelfde classificatie — DoorDash noemt beide zaken zelf in zijn eigen kwartaalrapportages aan de Amerikaanse beurstoezichthouder.

Waar wél regelgeving is, verandert het beeld meetbaar: in New York City geldt sinds de invoering van een minimumtarief voor actief gewerkte tijd een garantie van 19,56 dollar per uur — een van de weinige plekken waar het algoritme niet het laatste woord heeft over wat er onderaan de streep overblijft.

Amazon — drie sporen tegelijk

Bij Amazon Flex, waar bezorgers hun eigen auto gebruiken, bepalen algoritmes de "block-tarieven" op basis van acceptatiegedrag en een interne "Standing"-score die toegang geeft tot de beter betaalde blocks — hetzelfde mechanisme als bij Uber en DoorDash. Amazon kreeg hier eerder al een schikking met de Amerikaanse Federal Trade Commission voor: jarenlang werden fooien van bezorgers gebruikt om Amazons eigen bijdrage aan het loon te verlagen, in plaats van ze volledig als extra uit te keren.

In de magazijnen zelf draait een ander systeem: ADAPT (Associate Development and Performance Tracker), dat "time off task" meet — elke seconde waarin een medewerker niet actief aan het scannen is. Te veel van die tijd leidt tot geautomatiseerde waarschuwingen en uiteindelijk tot ontslag, via een reeks stappen waar nauwelijks een mens meer naar hoeft te kijken. Strikt genomen is dit prestatiemanagement in plaats van directe loondifferentiatie — maar het onderliggende principe is identiek: continue, granulaire surveillance die automatisch consequenties heeft.

Het derde spoor gaat niet over de hoogte van het loon, maar over iets dat er onlosmakelijk mee samenhangt: het recht om er samen iets aan te doen. De meeste bestuurders van de vertrouwde blauwe Amazon-busjes zijn helemaal geen Amazon-medewerkers. Amazon werkt sinds 2018 met het Delivery Service Partner-programma (DSP): ruim 4.000 kleine, juridisch zelfstandige bedrijfjes die de bezorging feitelijk uitvoeren. Zij hebben de chauffeurs in dienst — tussen de 280.000 en 390.000 in totaal, inmiddels goed voor zo'n 80 procent van alle Amazon-pakketten. Amazon bepaalt ondertussen wel de routes, de dagelijkse quota en de deadlines, en stuurt dat rechtstreeks aan via een app: exact het soort granulaire sturing dat ook bij ADAPT gebeurt. Juridisch is Amazon alleen niet de werkgever. Dat is de DSP.

Die constructie deed in de praktijk precies wat je zou verwachten. In 2023 vormden chauffeurs van DSP Battle-Tested Strategies in Palmdale, Californië de eerste Amazon-bezorgersvakbond van het land, aangesloten bij Teamsters Local 396. Amazon beëindigde het contract met die DSP twee maanden later — volgens het bedrijf om niet-gerelateerde redenen, volgens de chauffeurs en de vakbond duidelijk vergelding. De Amerikaanse arbeidswaakhond NLRB onderzocht de zaak een jaar lang en oordeelde in augustus 2024 dat Amazon wél degelijk "joint employer" is, mede-werkgever, met een lijst oneerlijke arbeidspraktijken erbij: illegale dreigementen, geveinsd toezicht, dreigementen met sluiting. Een tweede regionale NLRB-uitspraak in Georgia kwam kort daarna tot dezelfde conclusie. De Amerikaanse senator Chris Murphy vroeg Amazon in een brief ook opheldering over een detail dat het patroon compleet maakt: DSP's zouden verplicht worden onderlinge "non-poaching"-afspraken te tekenen, zodat chauffeurs niet simpelweg tussen DSP's kunnen overstappen voor betere voorwaarden.

Het verhaal eindigt echter niet met die overwinning. In 2026 trof Amazon alsnog een schikking met de NLRB die de formele vaststelling van mede-werkgeverschap juist vermeed — alleen achterstallig loon, geen schulderkenning, geen precedent. De Teamsters noemden het "een tik op de vingers voor het meest arbeidsvijandige bedrijf ter wereld." Het onderliggende patroon blijft dus overeind, ook al is de juridische uitkomst voorlopig weer Amazons kant op gevallen: dezelfde algoritmische sturing die het bedrijf gebruikt om de bezorging te plannen, is precies het bewijs waarmee rechters willen vaststellen dát Amazon de werkgever is — en tegelijk de reden waarom een subcontractlaag ertussen zo waardevol blijft om dat feit juridisch te blijven ontkennen.

De verpleegsters — de meest schrijnende case

Dit is voor mij de meest schrijnende case uit dit hele onderzoek, en ook degene die het scherpst laat zien waar dit naartoe kan gaan als niemand ingrijpt.

Platforms als ShiftKey, CareRev, Clipboard Health en ShiftMed koppelen onderbezette zorginstellingen aan verpleegkundigen en zorgassistenten die zich als zzp'er inschrijven — vier van de tien grootste spelers in dit veld, die samen zo'n 1,4 miljard dollar aan kapitaal hebben opgehaald. ShiftKey alleen al wordt gewaardeerd op 2 miljard dollar.

Deze vier zijn overigens niet ontstaan uit een fusiegolf van kleinere platformpjes onderling — ShiftKey en Clipboard Health werden allebei al in 2016 opgericht, min of meer gelijktijdig. Ze waren door durfkapitaal gefinancierde uitdagers van iets anders: de oude, sterk versnipperde wereld van lokale en regionale bemiddelingsbureaus, waarvan er in de VS letterlijk duizenden bestonden. Die versnippering is wél aan het verdwijnen, alleen anders dan je misschien verwacht: niet de apps onderling fuseren, maar de apps slokken de oude bureaus op. Het duidelijkste voorbeeld: ShiftMed nam in april 2024 CareerStaff Unlimited over, een bemiddelaar die zelf al een netwerk van meer dan duizend traditionele bemiddelingsbureaus verenigde — waarmee in één klap duizenden lokale spelers onder één digitaal platform kwamen te hangen.

Of er nog meer consolidatie aankomt? Dat lijkt aannemelijk, al is het geen zekerheid. Het kapitaal concentreert zich in elk geval al sterk: drie van deze platforms (ShiftKey, Clipboard Health en IntelyCare) hebben inmiddels de status van "unicorn" — een waardering boven de 1 miljard dollar — terwijl kleinere concurrenten zoals Nursa, Kare en het nieuwere Switch nog om marktaandeel vechten met veel minder kapitaal. Diezelfde kapitaalconcentratie ging bij Uber en DoorDash vooraf aan marktdominantie; het zou hier zomaar hetzelfde patroon kunnen zijn.

Het Roosevelt Institute bevestigde in december 2024, op basis van interviews met 29 gig-verpleegkundigen, wat Leo mij al had verteld: platforms kopen kredietinformatie in bij commerciële databrokers vóórdat ze een tarief aanbieden — specifiek hoeveel creditcardschuld iemand heeft en of die betaling achterstallig is. Hoe wanhopiger de financiële situatie, hoe lager het aangeboden tarief.

Daar komt nog een laag overheen die het systeem extra hard maakt. Sommige platforms werken met bidding: verpleegkundigen bieden tegen elkaar op dezelfde dienst, en wie het laagst biedt wint de shift — een race naar de bodem die het platform zelf faciliteert. CareRevs "Smart Rates" beveelt automatisch tarieven aan op basis van marktvraag én de eerdere prestaties van de individuele werker. En bovenop het al lage tarief komen "junk fees": een dagelijkse "veiligheidsfee" voor een achtergrondcontrole die maar eenmalig wordt uitgevoerd, ongevallenverzekering, malpractice-verzekering, en een toeslag voor snellere uitbetaling die niet veel afwijkt van flitskrediet. Een geadverteerd tarief van 23 dollar per uur kan zo effectief op 13 dollar uitkomen.

Wat deze case optilt naar iets structureels in plaats van incidenteel: volgens een rapport van het AI Now Institute (april 2026) lobbyen deze platforms in minstens 17 Amerikaanse staten actief voor wetgeving die gig-verpleegkundigen buiten minimumloonbescherming, werkloosheidsverzekering en arbeidsongeschiktheidswetgeving plaatst. New York trok in 2025 een streep: daar werden deze platforms geclassificeerd als reguliere zorgbemiddelingsbureaus, met verplichte registratie en een verbod op zzp-classificatie. Drie grote platforms staakten daarop hun activiteiten in de staat.

Callcenters — je stem als prestatie-indicator

Minder zichtbaar, maar even reëel: Cogito, een spin-off van het MIT Media Lab, analyseert realtime de stem van callcentermedewerkers — spreeksnelheid, toon, pauzes, onderbrekingen — en genereert daaruit een samengestelde "empathiescore", gebruikt bij onder meer Humana, MetLife en Zurich. Cogito zelf presenteert het als coachingtool, niet als beloningsinstrument. Maar de scores die het genereert stromen in de praktijk door naar prestatiebeoordelingen, en daarmee indirect naar bonussen en promoties. Bij Kaiser Permanente wordt gespreksduur gescoord, met functioneringsgesprekken bij te lange gesprekken; bij First Horizon Bank worden stressniveaus van medewerkers realtime gemonitord.

De sprong die volgens mij het echte verhaal is

Dit is waar mijn eigen hypothese begon, en waar de meeste berichtgeving over dit onderwerp stopt: bij de gig-economy. Maar de belangrijkste onderzoekers op dit terrein zijn hier zelf glashelder over. Antonio Aloisi, hoogleraar aan IE University Law School, zei het tegenover Slate scherp: platformbedrijven experimenteren met controle over werknemers zonder dat het als zodanig herkenbaar is — en wanneer die experimenten werken, lekken ze door naar andere sectoren en raken ze ook mensen in reguliere loondienst. Veena Dubal bevestigt het mechanisme erachter: platforms als Uber hebben, juist doordat ze relatief weinig vaste personeelslasten hebben, de financiële ruimte om gespecialiseerde algoritmische systemen te ontwikkelen. Systemen die vervolgens als kant-en-klare software worden verkocht aan bedrijven die zelf nooit een eigen data-science-afdeling zouden opbouwen.

Er is al een precedent waarin dit tot een echt arbeidsconflict leidde: in 2020 eisten vakbondsleden bij IBM in Japan opheldering over hoe het bedrijf AI gebruikte om salarisverhogingen te beoordelen. Het geschil escaleerde tot een arbeidscommissie en eindigde in augustus 2024 in een schikking waarbij IBM toezegde de vakbond inzicht te geven in veertig verschillende datacategorieën die het systeem gebruikte.

En dit is precies waar het interessant wordt, want de infrastructuur om dit te doen is niet langer voorbehouden aan bedrijven die een eigen Uber-achtig datateam kunnen optuigen. Workday, SAP SuccessFactors, ADP en Microsoft verkopen inmiddels allemaal AI-lagen binnen hun standaard HR-software die functioneel hetzelfde doen: continue dataverzameling over individueel gedrag, gekoppeld aan geautomatiseerde aanbevelingen die doorwerken in beloning en beoordeling. Workday's AI-laag Illuminate is native geïntegreerd in één systeem voor HR, financiën en planning, inclusief geautomatiseerde "anomaly detection" en compensatiemodellering. SAP biedt "what-if"-scenario's waarmee een manager direct kan simuleren wat een hogere merit-verhoging voor toppresteerders betekent voor het budget — gevoed door dezelfde prestatiedata. ADP benchmarkt de data van een individuele werkgever tegen een geanonimiseerde dataset van meer dan 40 miljoen werknemers.

Het duidelijkste precedent is misschien wel Microsoft. In 2020 lanceerde het bedrijf "Productivity Score" binnen Microsoft 365: een dashboard met 73 metrics per individuele medewerker, van e-mailfrequentie tot hoe vaak iemand de camera aanzet in een Teams-vergadering. De kritiek was fel: Basecamp-oprichter David Heinemeier Hansson noemde het "moreel bankroet", privacy-onderzoeker Wolfie Christl omschreef het als een "volwaardige workplace surveillance tool". Microsoft haalde daarop de individuele namen uit het dashboard. In oktober 2025 introduceerde Microsoft binnen Viva Insights nieuwe Copilot-adoptiebenchmarks: managers kunnen zien en vergelijken hoe intensief teams en individuen de AI-assistent gebruiken, ook tegen data van vergelijkbare bedrijven. Vrijwel dezelfde kritiek laait meteen weer op. Het is bijna een letterlijke herhaling van dezelfde film, vijf jaar later, met een ander label.

En dit blijft niet beperkt tot kantoorsoftware. Sinds begin 2026 monitort JPMorgan Chase actief de toetsaanslagen, videogesprekken en vergaderingen van junior investment bankers, en vergelijkt die data met de opgegeven gewerkte uren — officieel geframed als welzijnsmaatregel, vergelijkbaar met een schermtijd-overzicht op je telefoon. Een KPMG-enquête onder financiële instellingen vond dat bijna de helft van de leidinggevenden van plan is aanwezigheid te monitoren via kantoorpasjes, en 29 procent overweegt digitale camera's. Volgens onderzoek van het Chartered Management Institute gebruikt inmiddels zo'n derde van de Britse werkgevers "bossware" — monitoringsoftware die medewerkersactiviteit volgt.

En dit is geen ver-van-je-bed-show. In Nederland gebruikt inmiddels 59,2 procent van de bedrijven met 500 of meer werknemers AI-technologie, tegenover 17,8 procent van de kleinste bedrijven, blijkt uit CBS-cijfers. De systemen die daarvoor worden ingezet zijn precies de pakketten die hierboven staan: Workday en SAP SuccessFactors, naast Nederlandse spelers als Textkernel en Harver.

Nederland heeft, in tegenstelling tot de VS, wel een expliciet ingebouwd tegenwicht. Artikel 27 van de Wet op de ondernemingsraden verplicht een werkgever tot instemming van de OR vóórdat een systeem wordt ingevoerd dat gedrag of prestaties van medewerkers registreert. En sinds 2 augustus 2026 vallen AI-systemen die bonussen, promoties, roosters of ontslagbeslissingen beïnvloeden onder de "hoogrisico"-categorie van de Europese AI-verordening, met een verplichting tot menselijk toezicht dat méér moet zijn dan alleen op "akkoord" klikken. Op papier is dat een aanzienlijk steviger vangnet dan wat een Uber-chauffeur in Amerika heeft.

Alleen blijkt de praktijk achter te lopen op de wet, laat onderzoek van dit voorjaar zien. Bedrijven voeren systemen als Copilot, Gemini en Salesforce Einstein regelmatig in zonder de OR vroeg genoeg te betrekken. En "menselijk toezicht" is in de praktijk vaak niet meer dan een handtekening onder een advies dat het algoritme al had bepaald — hetzelfde 'rubber stamp'-patroon dat ik in de oorlogsblog beschreef bij Lavender, alleen nu met een salarisverhoging in plaats van een luchtaanval als uitkomst.

Wat feitelijk is veranderd

Als ik alle cases naast elkaar leg, zie ik geen losse incidenten maar één en dezelfde verschuiving, telkens opnieuw gemeten — en meteen ook het antwoord op de vraag waarmee dit stuk opende: is dit nieuw, of gewoon ouderwetse hebzucht met een nieuw jasje?

Waarom dit nu pas kon. Bedrijven probeerden altijd al lonen te drukken en prijzen te verhogen — dat is niet nieuw. Nieuw is wat er in Ubers eigen systemen zit. Van een rule-based surge-multiplier — narekenbaar, simpel genoeg voor een spreadsheet — naar een gepatenteerd (US11443335) reinforcement-learningmodel dat continu nieuwe prijsstrategieën uitprobeert en, aldus Ubers eigen Dynamic Supply Pricing-team, meer dan 1 miljoen individuele voorspellingen per seconde doet. En van een technologie die simpelweg nog niet op deze schaal bestond: een onderzoek in Transportation Research Part C (november 2023) noteert expliciet dat bestaande RL-methodes voor dynamische prijsstelling tot dan toe beperkt waren tot kleinschalige problemen — pas dan verscheen een aanpak die wél op de schaal van een wereldwijd platform werkt, vlak na Ubers eigen omslag naar upfront pricing in 2022. Niet elk voorbeeld in dit stuk volgt die tijdlijn: Cogito, het callcenter-systeem verderop, bestaat al sinds 2007, ruim vóór deze AI-golf — spraakanalyse zelf is dus niet nieuw, alleen goedkoper, nauwkeuriger en routinematiger aan beloning gekoppeld. Maar bij de kern-cases hierboven is mijn openingsvraag inmiddels hard te beantwoorden: allebei, en het "nieuw" is niet decoratief. Het zelflerende, individueel-voorspellende karakter van deze systemen, en de schaal waarop ze draaien, is een technische stap die pas de laatste jaren goed werkt.

De snelheid en schaal. Wat bij Uber ooit een vast tarief per kilometer was, is nu een herberekening per rit. Wat bij DoorDash een vaste basisprijs was, is nu een doorlopend experiment op collectief weigergedrag. Wat bij Amazon een uurloon was, is nu een seconde-voor-seconde meting van "time off task". De frequentie waarmee beloning wordt herzien, is niet meer periodiek — die is continu.

De ondoorzichtigheid. Geen van de werkers in deze verhalen kan navragen waaróm het bedrag is wat het is. Een chauffeur, een bezorger, een verpleegkundige ziet een getal, niet een berekening. Dat is precies het verschil met een cao-schaal, een ploegentoeslag, of een onderhandeld salaris: die zijn navolgbaar, ook als ze oneerlijk zijn. Een algoritmisch tarief is dat per ontwerp niet — deels een keuze, deels een rechtstreeks gevolg van het type techniek uit het eerste punt hierboven: een zelflerend model dat zichzelf continu bijstelt, is per definitie niet meer narekenbaar zoals een vaste regel dat was.

De gevolgen voor de meest kwetsbaren. Bij de verpleegsters-apps is dit het scherpst: wie het meest financieel klem zit, krijgt het laagste aanbod. Niet ondanks de wanhoop, maar dóór de wanhoop — het systeem is ontworpen om die te herkennen en te benutten. Dat is precies het mechanisme waar Teachout op wijst met haar desperation index, en het is het punt waarop dit ophoudt een efficiëntievraagstuk te zijn en een verdelingsvraagstuk wordt.

Waarom dit toch gebeurt

Deze vraag verdient een eerlijk antwoord, niet als excuus maar omdat je zonder dit antwoord de rest niet goed begrijpt.

De kern is simpel: het werkt, financieel — maar de manier waaróp is minder een keuze dan het lijkt, en meer een resultaat van hoe het spel is opgezet.

Kijk naar wat Ubers eigen geschiedenis laat zien. Tussen 2014 en 2022 stapelde het bedrijf zo'n 31,5 miljard dollar aan operationele verliezen op, gefinancierd met ruim 20 miljard dollar aan durfkapitaal. Dat geld ging vooral naar kunstmatig lage ritprijzen en chauffeursbonussen, om marktaandeel te veroveren. De traditionele taxisector werd daarbij goeddeels weggevaagd: in New York alleen al kelderde de waarde van een taxi-medaillon van meer dan 1 miljoen dollar in 2014 naar in sommige gevallen nog maar 70.000 tot 200.000 dollar, gingen meerdere kredietunies die medaillons financierden failliet, en verdwenen taxibedrijven ook in andere steden. Onderzoek van onder meer de New York Times wijst er overigens op dat roekeloze kredietverlening aan medaillonbezitters, los van Uber, ook een aanzienlijke rol speelde in die crisis. Voor de chauffeurs die wél voor Uber reden was die periode — met 80 tot 85 procent van de ritprijs — verreweg de beste die het bedrijf ooit heeft geboden. Economisch was ze niet vol te houden: veertien jaar lang bleef Uber verlieslatend.

Dat er op enig moment een stap richting rendabiliteit kwam, is op zich niet vreemd — geen enkel bedrijf houdt structurele verliezen van miljarden eindeloos vol. Wat wél opvalt, is hoe ver Uber daarna doorging. Pas in 2023 kwam de eerste winst, en niet door efficiënter te worden. De take rate steeg van zo'n 20 procent naar 35 procent in 2024, en inmiddels naar 40 tot ruim 50 procent — een niveau dat niet meer aansluit bij "weer rendabel worden", maar bij winst maximaliseren.

Die tweede stap is bijna niet meer een keuze op het moment dat hij zich voordoet. Uber en Lyft zitten in de VS al sinds 2018 stabiel op 76 en 24 procent marktaandeel. In zo'n duopolie zet de grootste partij de prijs, en volgt de kleinere gedwongen mee — een langdurige prijsoorlog kan Lyft zich niet veroorloven. Verhoogt Uber de take rate, dan doet Lyft dat ook. Vergelijk dat met wat er aan de arbeidskant gebeurt: chauffeurs, bezorgers en gig-verpleegkundigen staan als verspreide, onderling niet-verbonden individuen tegenover één koper van hun arbeid. Economen noemen dat eenzijdige marktmacht, of preciezer: monopsonie — één dominante koper tegenover veel losse aanbieders, die daardoor onder de prijs kan betalen die bij echte concurrentie zou ontstaan. Zodra werk inwisselbaar genoeg is — de ene rit, dienst of bezorging is vervangbaar door de volgende — werkt dat mechanisme vrijwel automatisch. Bij werk dat minder inwisselbaar is, waar kwaliteit moeilijker te meten is of relaties er wél toe doen, is diezelfde druk veel zwakker. Dat verklaart mede waarom dit patroon zich het eerst voordoet waar het kán: in werk dat zich makkelijk laat meten, vergelijken en vervangen.

En het geld dat vrijkomt, gaat precies waar je het zou verwachten: naar aandeelhouders en naar de volgende fase. Ubers vrije kasstroom van 9,8 miljard dollar in 2025 gaat samen met een aandeleninkoopprogramma van 20 miljard dollar — en met 10 miljard dollar die het bedrijf inmiddels heeft toegezegd aan robotaxi's. De arbeid die nu wordt uitgeknepen, financiert dus mede de volgende technologie die diezelfde arbeid overbodig moet maken.

Wat hieruit volgt is niet dat elk bedrijf hiertoe gedwongen wordt door een soort natuurwet — Costco bewijst met hogere lonen en behouden concurrentiekracht dat het ook anders kan. Wat wél opgaat: zodra een markt eenmaal die combinatie heeft van geconcentreerde kopers en versnipperde, inwisselbare aanbieders van arbeid, wordt afzien van dit mechanisme een concurrentienadeel dat weinig bedrijven zich permitteren. Drie dingen doorbreken die dynamiek voor een individuele werkende: eigen onderhandelingsmacht (zeldzaam, en vooral weggelegd voor schaars talent), een collectieve laag zoals een vakbond of ondernemingsraad, of een wettelijke ondergrens die ongeacht beide alsnog bescherming biedt. Ontbreken alle drie, dan is het lot van een Uber-chauffeur volgens mij inderdaad een redelijke voorspelling van wat er met steeds meer soorten werk kan gebeuren zodra de technologie het toelaat.

Daarbij komt dat de infrastructuur om dit te doen steeds goedkoper wordt om in te zetten. Wat Uber en Amazon met eigen datateams moesten bouwen, is inmiddels een aanvinkbare module in een HR-pakket dat een willekeurig middelgroot bedrijf toch al gebruikt voor de salarisadministratie. De drempel om dit soort systemen in te zetten is niet meer "bouw een dataplatform", maar "activeer een functie" — en dat is precies de dynamiek die dit van een gig-economy-curiositeit verandert in een structurele verschuiving in hoe elke werkgever, ook de jouwe, in de toekomst loon kan gaan vaststellen.

En regelgeving loopt, zoals bijna altijd bij technologie, achter de feiten aan.

De tegenbeweging

Er ontstaat wel degelijk tegenwicht, alleen nog fragmentarisch. In de Europese Unie is Richtlijn 2024/2831, de Platform Work Directive, de eerste alomvattende regelgeving voor algoritmisch management op de werkvloer: verplichte transparantie over geautomatiseerde monitoring- en besluitvormingssystemen, menselijk toezicht bij ingrijpende besluiten, en een verbod op het verwerken van iemands emotionele toestand. Lidstaten hebben tot 2 december 2026 om dit om te zetten in nationale wetgeving — ook Nederland.

In de Verenigde Staten is het beeld typisch versnipperd. Colorado kondigde in 2024 de meest verstrekkende staatswet aan, zag die twee keer uitgesteld worden, en kreeg de wet in april 2026 door een federale rechter stilgelegd. Na intensieve lobby vanuit de industrie en de regering-Trump verving de staat hem uiteindelijk in mei 2026 door een aanzienlijk lichtere versie, die pas per 1 januari 2027 ingaat. Californië verbiedt sinds oktober 2025 discriminerende geautomatiseerde arbeidsbeslissingen; Illinois verplicht sinds januari 2026 kennisgeving aan werknemers. Een federaal wetsvoorstel van senatoren Schatz en Murphy, dat platformbedrijven zou verplichten hun take rate openbaar te maken, ligt er sinds juli 2025 en is nog niet aangenomen.

En dan is er de collectieve tegenmacht die geen wetgeving nodig heeft om te werken: de #DeclineNow-actie bij DoorDash, de FNV-procedures in Nederland, de IBM-vakbond in Japan die daadwerkelijk inzage afdwong. Stuk voor stuk klein, stuk voor stuk een teken dat het systeem niet onaantastbaar is zodra mensen begrijpen hoe het werkt.

De richting van de beweging

In de oorlogsblog schreef ik dat het weigeringsmoment — de plek waar een mens de ander nog als mens ziet en dus kán weigeren — in elk onderzocht gebied kleiner werd. Hier zie ik iets verwants, alleen minder dramatisch en daarom misschien wel gevaarlijker, omdat het zo gemakkelijk onopgemerkt blijft: het moment waarop een werkende nog kon navragen, onderhandelen of vergelijken, verdwijnt stap voor stap. Je raakt gevangen in een systeem waarin je zelf nauwelijks nog onderhandelingsmacht hebt.

Waarom begon dat uitgerekend bij Uber-chauffeurs, bezorgers en gig-verpleegkundigen? Niet toevallig — het antwoord stond eigenlijk al hierboven: het mechanisme werkt vooral bij werk dat inwisselbaar is, dat zich makkelijk laat meten en vergelijken. Gig-werk was daar, dankzij de app en de gps, van meet af aan geschikt voor. In mijn optiek is dat precies waarom de gig-economy meer is dan een aparte uitzondering: het is de vroegste, meest zichtbare vorm van iets dat zich breder aftekent. Zodra werk voorspelbaar genoeg wordt voor een AI-systeem, wordt het ook goed genoeg te monitoren om ditzelfde mechanisme erop los te laten. En wat AI vooral doet — je zag het hierboven al bij JPMorgan, Cogito en Microsoft Viva — is precies dát: werk dat ooit te ongrijpbaar leek om te meten, alsnog meetbaar maken. Dat is volgens mij de eigenlijke waarschuwing die in de gig-economy besloten ligt — niet "pas op voor Uber", maar "pas op zodra jouw werk voor het eerst volledig meetbaar wordt".

Shoshana Zuboff, emeritus hoogleraar aan Harvard Business School, muntte daarvoor al een term: surveillance capitalism — het idee dat menselijke ervaring zelf grondstof wordt, gewonnen en verwerkt tot voorspelbaar gedrag dat verhandeld kan worden. Precies dat gebeurt zodra werk meetbaar wordt: niet je koopgedrag wordt voorspeld en verkocht, maar je bereidheid om voor weinig te werken. "Surveillance pay", Teachouts term, is Zuboffs concept toegepast op de loonstrook.

Dat het zo ver kon komen, ligt niet aan de systemen zelf. Een systeem dat gedrag meet en beloning daarop afstemt is op zichzelf niet goed of kwaad — het zijn bedrijven en mensen die beslissen wat ermee gebeurt en waar de grens ligt. Mijn eigen inschatting: zonder rem en zonder bescherming duwt winstmaximalisatie dat gebruik voorbij een grens. Bij de gig-economie-voorbeelden hierboven — Ubers verzekeringsconstructie, Amazons subcontractlaag, de verpleegsters-apps — is die grens voor mij al overschreden. En zodra het bij de ene groep werkt, is de prikkel groot om de volgende groep ook meetbaar te maken.

Oorlogvoering en werk zijn de eerste twee plekken waar ik in deze reeks aantoonbaar heb gemaakt dat een model beslist wat vroeger een mens besliste. Het zullen niet de laatste twee zijn.

Bronnen:

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