MIT brengt wetenschappelijk werk in kaart met 208.000 taken

TL;DR

• Wat: MIT-onderzoekers hebben een taxonomie gebouwd die wetenschappelijk werk ontleedt in meer dan 208.000 taken, verdeeld over 232 vakgebieden.
• Waarom relevant: het laat zien welke onderdelen van kenniswerk wél en niet door AI overgenomen kunnen worden — en dat geldt niet alleen voor wetenschappers.
• Wat je ermee kunt: kijk eens kritisch naar de taken in je eigen bedrijf en vraag je af welke écht cognitief complex zijn — en welke dat alleen maar lijken.

Ik stuitte op een tweet van MIT CSAIL over een nieuw onderzoek dat wetenschappelijk werk ontleedt in honderden categorieën en meer dan tweehonderdduizend concrete taken. Wat mij meteen triggerde: de conclusies zeggen niet alleen iets over hoe wetenschap werkt, maar ook over hoe AI zich verhoudt tot kenniswerk in bredere zin.

Wat is de Science Task Taxonomy?

De Science Task Taxonomy is een raamwerk ontwikkeld door onderzoekers van MIT FutureTech — een onderzoeksgroep onder leiding van Neil Thompson, verbonden aan MIT's Computer Science and Artificial Intelligence Lab. Het onderzoek is gepubliceerd op 14 september 2026 en is geschreven door Joseph Emmens, Jingnan Liu, Ana Trišović en Neil Thompson.

Het raamwerk categoriseert wetenschappelijk werk op drie niveaus:

• Niveau 1: 12 brede taakgebieden (bijvoorbeeld "Analyseer en modelleer kwantitatieve onderzoeksdata")
• Niveau 2: 114 tussencategorieën
• Niveau 3: 2.433 gespecialiseerde gebieden, met in totaal 208.202 representatieve taken

Dat is een enorme ontleding. Vergelijk het met een organogram van je bedrijf, maar dan niet op afdelingsniveau — eerder alsof je élke handeling die een medewerker uitvoert zou benoemen en classificeren. Van "formuleer een hypothese" tot "kalibreer een meetinstrument".

Wetenschappelijk werk is anders dan de rest van de economie

Wat mij het meest opvalt aan de bevindingen: wetenschappelijk werk verschilt op een aantal fundamentele punten van werk in de bredere economie.

Meer denkkracht, minder handen

Wetenschappelijke taken vragen volgens het onderzoek aanzienlijk meer cognitieve inspanning dan gemiddeld werk in de economie. Tegelijkertijd is er minder sprake van interpersoonlijke interactie en minder manueel werk — fysiek, psychomotorisch en sensorisch.

Dat klinkt misschien logisch. Maar wat ik interessant vind, is dat het onderzoek dit nu kwantificeert over 232 vakgebieden heen. Het is niet zomaar een aanname — het is gemeten.

Moeilijker te standaardiseren

Een andere opvallende conclusie: wetenschappelijke taken zijn "minder codificeerbaar". Dat wil zeggen: ze zijn moeilijker in vaste stappen te gieten. De mediane wetenschappelijke taak kost bovendien meer dan twee uur langer dan een vergelijkbare taak elders in de economie.

Voor mij als ondernemer roept dat een belangrijke vraag op. We horen vaak dat AI kenniswerk gaat overnemen — maar dit onderzoek suggereert dat het type kenniswerk uitmaakt. Niet alle denktaken zijn gelijk.

Wat betekent dit voor AI?

Hier wordt het voor ondernemers pas echt relevant. Als wetenschappelijke taken complexer, langer en minder gestandaardiseerd zijn dan gemiddeld kenniswerk, dan heeft dat gevolgen voor hoe goed AI die taken kan ondersteunen of overnemen.

Ik denk dat veel ondernemers — mijzelf incluis — geneigd zijn om "kenniswerk" als één blok te zien. Je hoort: "AI kan nu ook rapporten schrijven, data analyseren, code genereren." Klopt. Maar deze taxonomie laat zien dat er enorme verschillen zitten binnen dat kenniswerk.

Een rapport schrijven op basis van een vast sjabloon is iets heel anders dan een nieuw onderzoeksontwerp bedenken. Beide zijn kenniswerk. Maar het eerste is codificeerbaar, het tweede niet — of in ieder geval veel minder.

De parallel met je eigen bedrijf

Stel dat je als ondernemer dezelfde oefening zou doen voor je eigen organisatie. Niet op het niveau van "marketing" of "financiën", maar op taakniveau. Welke taken zijn routinematig en volgen een vast patroon? En welke vragen om oordeelsvermogen, creativiteit of interpretatie in een context die elke keer anders is?

De eerste groep is waar AI nu al meerwaarde levert. De tweede groep — daar is AI een hulpmiddel, maar geen vervanging. Dit onderscheid is precies wat de MIT-taxonomie voor wetenschap blootlegt.

Hoe groot is dit onderzoek?

Even wat context over de onderzoeksgroep. MIT FutureTech, opgericht in 2019 door Neil Thompson, is uitgegroeid tot een van de grootste onderzoeksgroepen van MIT — met meer dan 110 onderzoekers en meer dan 25 miljoen dollar aan funding. Hun werk richt zich op de economische en technische trends die productiviteitsgroei aandrijven, met een specifieke tak die AI in de wetenschap onderzoekt.

Wat ik daar interessant aan vind: dit is geen klein zijprojectje. Het is een structureel onderzoeksprogramma dat miljoenen wetenschappelijke publicaties analyseert om te begrijpen hoe AI-modellen zich verspreiden over disciplines. De Science Task Taxonomy past in dat grotere plaatje.

De nuance die vaak ontbreekt

Er is een bredere context die ik niet onvermeld wil laten. Eerder onderzoek van MIT — via het Initiative on the Digital Economy — wees erop dat automatisering door AI complexer en genuanceerder is dan veel bedrijfsleiders denken. Taken met weinig subtaken en lage complexiteit lenen zich goed voor vergaande AI-automatisering. Maar bij complexere taken ligt dat fundamenteel anders.

Dat sluit aan bij wat de Science Task Taxonomy laat zien. Wetenschappelijke taken — en bij uitbreiding: complex kenniswerk — zitten aan de kant van het spectrum waar AI ondersteunt, maar niet zomaar vervangt.

Kun je je voorstellen wat dit betekent als je bijvoorbeeld een R&D-afdeling hebt, of een team dat complexe adviezen schrijft? Het verschil tussen de taken die je kunt automatiseren en de taken die menselijk oordeelsvermogen vragen, is waarschijnlijk groter dan je denkt.

Een taxonomie als spiegel

Voor mij is dit onderzoek vooral waardevol als spiegel. Niet zozeer om te voorspellen welke wetenschappelijke taken AI straks overneemt — dat is een vraag voor de onderzoekers zelf. Maar wel om als ondernemer scherper na te denken over het eigen werk.

De neiging bestaat om alle taken op één hoop te gooien en te zeggen: "AI kan dat." Of juist: "AI kan dat niet." De werkelijkheid zit ertussenin, en die werkelijkheid wordt pas zichtbaar als je het werk ontleedt in concrete taken. Dat is precies wat MIT hier voor de wetenschap heeft gedaan — en wat ik denk dat meer organisaties voor zichzelf zouden moeten doen.