Npuls

Dat ligt niet alleen aan deze specifieke opdracht, we werken beide in een innovatieteam, maar het lijkt ook alsof het werk van een dataspecialist sinds de komst van AI voorgoed is veranderd. Waar het standaard werk van een dataspecialist voorheen bestond uit het schrijven van SQL query's en python-code en het creëren van data-visualisaties, kan dit nu grotendeels gedaan worden door een AI coding agent.

Ik ben nu zelf vooral bezig met het bouwen van agents en applicatie-prototypes die gebruik maken van LLM-modellen. Bij Always Be Learning, het Data & AI consultancy bureau waar ik voor werk heb ik veel collega data-specialisten, dus ik vroeg ze: “Hoe is jouw werk veranderd sinds de komst van AI?”

1. De dataspecialist is de regisseur, de AI doet het werk

Waar een half jaar terug we nog hulp kregen van AI door vragen te stellen aan een chat-bot (RIP stackoverflow), hebben veel data-scientists en data-engineers hun weg nu gevonden naar de code-agents zoals Claude Code of OpenCode.

Zo heeft mijn collega Auke Derksen een workflow opgezet waarbij hij met behulp van AI in no-time een data platform bouwt voor zijn klant. De AI genereert hierbij, op basis van Auke's input, de semantische modellen en de metadata en deployt deze in de Cloud via de commandline. Auke checkt het werk, en bouwt guardrails in zodat data op de juiste manier verwerkt wordt en niet direct door de LLM kan worden ingelezen, de rest wordt allemaal door AI gedaan. Dit scheelt uiteraard enorm veel tijd.

Auke: " Waar we voorheen maanden bezig waren met het opzetten van een data platform doen we dat nu in een week ".

Ik: "Maar zijn we onszelf dan niet compleet overbodig aan het maken?"

Auke: "Allesbehalve. Er is nog steeds specialistische data en engineering kennis nodig om de AI in goede banen te kunnen leiden. Wij zijn als het ware de regisseur van het model.”

Bovendien, een engineer met 10 jaar ervaring is veel beter in staat de juiste vragen aan AI te stellen. Zoiets kan niet worden vervangen door iemand die geen kennis heeft in het domein. AI moet op de juiste manier worden bestuurd, en daar is ervaring voor nodig. Zelf meerdere keren een platform hebben neergezet, maakt dat je in staat bent om dit sneller en beter met AI te doen. Niet andersom.

Het uitvragen van de business en het begrijpen van de context van de data wordt hierbij een steeds belangrijker onderdeel van het werk van een data-specialist. Daarnaast zit er nog relatief veel tijd in het checken van de datakwaliteit en het ontsluiten van nieuwe databronnen, waarvan de complexiteit verschilt per project.

2. Datascientists worden AI-engineers

Een tweede manier waarop we merken dat het werk van dataspecialist is veranderd is in de vacatures. Sinds de komst van AI is er een grote behoefte aan mensen met specialistische kennis van LLM modellen en ervaring met DevOps.

Heb je als datascientist wel eens gestoeid met NLP's en RAG-architecturen? Ben je een ster in het opzetten van CI/CD pipelines? Dan kun je zo aan de bak als AI-engineer.

Er zijn steeds meer bedrijven en organisaties die willen investeren in het maken van eigen AI tools zoals agents, chatbots en selfservice analytics tools. Hierdoor is de vraag naar AI Engineers de afgelopen maanden enorm toegenomen. Dat ziet ook mijn collega Pieter Koenis: "Sinds de recente opmars van AI is er een grote behoefte aan AI Engineers en mensen met specialistische kennis van LLM-modellen. Wij leiden onze specialisten bewust op om deze skills verder uit te bouwen. Daarnaast verwacht ik dat het bouwen van een goed data-fundament cruciaal blijft voor elk bedrijf dat iets met AI wil doen."

Onze collega Romana Joseph deed een paar maanden terug (mei 2026) een onderzoek waarbij ze 20 verschillende openstaande AI vacatures van 8 verschillende platformen analyseerde.Veruit de meeste gevraagde skills waren Python in combinatie met Azure/Cloud engineering en ervaring met het opzetten van RAG architecturen (zie onderstaande grafiek).

Mijn huidige opdracht bij Npuls bevestigt dit beeld. Veel van de innovaties rondom data & AI worden gedaan door datascientists, data-engineers en cloud-engineers met DevOps ervaring.

Zo wordt er door mijn collega Tomer Iwan gewerkt aan een self-service analytics tool waarbij data vragen kunnen worden beantwoord via een chatbot. Gebruikers kunnen rapporten en zelfs hele dashboards genereren met hulp van AI. De grootste uitdaging hierbij is het voorkomen van foute aannames en berekeningen door de LLM.

Mijn collega Steven Ramondt is hier de laatste tijd veel mee bezig. Door guardrails te ontwerpen en implementeren zorg je dat de juiste bronnen worden gebruikt, de juiste functies voor de berekeningen en transparantie over de zekerheid van het antwoord.

Steven: "Doe je dit niet, dan doet het model aannames die je niet kan controleren en schattingen die misschien dichtbij de waarheid komen, maar niet gebaseerd zijn op echte cijfers." De rol van de dataspecialist bij het ontwerpen van deze guardrails is daarom cruciaal.

3. Bouwen met AI voor AI

Het grote voordeel van LLM-modellen is dat ze data semantisch kunnen doorzoeken, dus op betekenis. Om dit goed te kunnen doen moet je data eerst voorzien van metadata. Dat wil zeggen, je geeft informatie mee over de databron zodat het doorzoekbaar wordt door het model.

"We zijn dus eigenlijk met AI voor AI aan het bouwen."

Tabellen en kolomnamen hebben goede beschrijvingen nodig, tekstbestanden moeten worden omgezet naar markdowns en slim geïndexeerd, of omgezet naar vector databases als het gaat over grote hoeveelheden documenten. Ook dit doen we, uiteraard, met hulp van AI. We zijn dus eigenlijk met AI voor AI aan het bouwen.

Hierbij is het wederom belangrijk dat je voorkomt dat er verkeerde aannames worden gedaan door het model en dat je de context van de data goed begrijpt. Daarnaast moet je zorgen dat de data regelmatig wordt bijgewerkt, wat vrij complex kan zijn om op te zetten.

Als je dit goed voor elkaar hebt, kun je AI echt laten praten met je data en niet alleen inzicht halen uit de cijfers die bijvoorbeeld uit je marketing platform of ERP systeem komen, maar ook de inzichten die uit tekstdocumenten komen. Hiermee creëer je als het ware een "semantisch dashboard". Een plek waar kwantitatieve en kwalitatieve data samen komen en je betekenis kan geven aan je data.

Worden open-source modellen op eigen hardware de standaard?

“Ik denk dat wij als dataspecialisten een grotere invloed hebben dan we ons realiseren.”

Dat klinkt allemaal leuk (of eng, afhankelijk van wie je bent), maar worden we door al deze veranderingen niet nog afhankelijker van Amerikaanse big-tech bedrijven?

Allereerst kan niemand de toekomst voorspellen, zelfs het beste AI model niet. Op dit moment maken de meeste data-specialisten nog gebruik van commerciële model aanbieders, denk aan abonnementen voor Claude Code, Open Router, Azure-Foundry etc.

Maar de open-source modellen die gefinetuned worden en gerund kunnen worden op eigen hardware (een laptop of zelfs een telefoon) worden steeds beter. Hiermee wordt het steeds waarschijnlijker dat we in de toekomst niet meer afhankelijk zijn, maar gebruik kunnen maken van onze eigen modellen die draaien op onze eigen machines.

Hiermee worden AI modellen en coding agents niets anders dan een tool die we kunnen gebruiken om ons werk beter en sneller te kunnen doen. Geen hostile overname van onze banen, geen behoefte aan enorme datacenters.

Is dit scenario te optimistisch? Ik denk dat wij als dataspecialisten een grotere invloed hebben dan we ons realiseren.

Dit artikel is geschreven door Janna Berkhout. ML & AI engineer bij Always Be Learning.

‍