Niet of, maar welk deel van je werk
De vraag "vervangt AI de data-analist?" is de verkeerde vraag. Automatisering vervangt zelden een hele rol — het vervangt taken. En in elk data- of IT-vak zit een mix van taken die razendsnel automatiseren en taken die juist waardevoller worden naarmate de rest goedkoper wordt.
Dit is geen "AI gaat je baan afpakken"-verhaal en ook geen "het waait wel over"-verhaal. Beide zijn lui. De realiteit is dat de samenstelling van je werk verschuift, en dat de freelancer die dat vroeg ziet zijn tarief eerder op het juiste deel richt.
In deze gids splitsen we het concreet uit: wat verdwijnt, wat groeit, en wat dat betekent voor hoe je jezelf in de markt zet.
De twee snelheden van automatisering
Trek één lijn door je werkweek en je ziet twee soorten taken:
- Repetitief, gespecificeerd werk — taken met een duidelijk goed/fout-antwoord en een herhaalbaar patroon. Rapportage bouwen op basis van een kant-en-klare specificatie, data opschonen volgens vaste regels, een standaard-ETL-flow optuigen, boilerplate-code schrijven. Dit is precies wat AI en low-code het snelst overnemen.
- Oordeelswerk — taken waar de vraag zelf nog onhelder is. Wat moet dit dashboard eigenlijk laten zien? Klopt deze data wel? Welk model past bij dit besluit? Hoe vertaal ik een vage businessvraag naar iets meetbaars? Hier is geen goed/fout-sleutel, en juist daar wint de mens.
De grove vuistregel: hoe beter een taak te specificeren valt, hoe sneller hij automatiseert. Jouw waarde verschuift dus van het uitvoeren naar het bepalen van wat er moet gebeuren en of het klopt.
Wat er in jouw vak concreet wordt geautomatiseerd
BI & rapportage. Dashboards die zichzelf opzetten, natuurlijke taal naar query (vraag stellen in gewoon Nederlands, krijg een visual terug), automatisch gegenereerde DAX-measures. Het mechanische bouwwerk wordt goedkoper. Lees hoe AI nu al in de tool zit: AI in Power BI en ChatGPT en BI.
Data-engineering. Low-code en no-code ETL, pijplijnen die zichzelf monitoren, schema-mapping die AI voorstelt. Het sjouwwerk van data van A naar B verschuift naar configuratie in plaats van handwerk. Achtergrond: ETL uitgelegd en het data lakehouse.
Analyse. AutoML kiest en tunt modellen, genereert features, draait honderden varianten zonder dat jij een regel code schrijft. De drempel om "een model te trainen" verdwijnt — wat overblijft is de vraag óf dit het juiste model is en wat de uitkomst betekent. Zie predictive analytics.
Coderen. AI-assistenten schrijven boilerplate, tests, documentatie en simpele scripts. De productiviteitswinst is reëel — maar het verschuift het werk naar architectuur, review en het beoordelen of de gegenereerde code klopt.
Wat juist schaarser en duurder wordt
Naarmate het uitvoerende werk goedkoper wordt, stijgt de waarde van alles waar AI (nog) niet bij kan:
- Data governance & kwaliteit. Een model is zo goed als de data eronder. Wie kan garanderen dat de cijfers kloppen, dat definities consistent zijn en dat er niets stiekem dubbel telt, wordt waardevoller — niet minder. Zie data governance voor het mkb.
- Domein- en contextkennis. AI kent jouw branche, jouw opdrachtgever en de politiek achter een rapportage niet. De vertaling van "wat de organisatie écht wil weten" naar een oplossing is mensenwerk.
- De vraag scherp krijgen. 80% van een mislukt data-project zit in een verkeerd gestelde vraag, niet in techniek. Dat scherp krijgen is bij uitstek oordeelswerk. Het verschil tussen rollen die dit doen en rollen die uitvoeren: data engineer vs. analyst.
- Verantwoordelijkheid nemen. Een opdrachtgever kan een AI niet aansprakelijk stellen. Voor een beslissing die ertoe doet, wil men een mens die zijn naam eronder zet.
In één oogopslag: wat krimpt, wat groeit
Per vakgebied dezelfde beweging — het uitvoerende deel wordt goedkoper, het oordeelsdeel duurder:
| Vakgebied | Automatiseert (waarde daalt) | Groeit (waarde stijgt) |
|---|---|---|
| BI & rapportage | Dashboards bouwen op spec, standaard-measures | Bepalen wát gemeten moet worden, het verhaal eromheen |
| Data-engineering | Standaard-ETL, schema-mapping, pijplijn-boilerplate | Architectuur, datakwaliteit, betrouwbaarheid garanderen |
| Analyse | Model kiezen/tunen, features genereren (AutoML) | Is dit het juiste model? Wat betekent de uitkomst? |
| Coderen | Boilerplate, tests, documentatie, simpele scripts | Review, architectuur, beoordelen of het klopt |
De rode kolom is precies wat je niet als kernpropositie wilt verkopen; de groene kolom is waar je tarief op moet rusten.
Hoe een freelancer dit verzilvert
De strategie is niet "vechten tegen automatisering" maar je tarief richten op het deel dat groeit:
- Positioneer op oordeel, niet op handen. Verkoop niet "ik bouw je dashboard" maar "ik zorg dat je de juiste vragen stelt en de cijfers kloppen". Dat eerste wordt een commodity, het tweede niet.
- Maak AI-vaardigheid een tariefargument. Een freelancer die met AI-tools twee keer zo snel levert, levert meer waarde per dag — dat is een reden voor een hoger uurtarief, niet een lager. Reken het door met de tarief-calculator.
- Word de brug, niet de bottleneck. Tussen business en techniek, tussen "wat de AI produceerde" en "wat we ermee doen". Die rol wordt schaarser bemenst dan de uitvoerende.
- Blijf bouwen aan je eigen merk. Hoe sterker je naam op het oordeelswerk, hoe minder je concurreert op het uitvoerende werk dat toch wegautomatiseert. Begin hier: starten als BI-freelancer.
De data/IT-opdrachten waar deze verschuiving zichtbaar is, vind je in onze analytics & BI-opdrachten en AI & machine learning-opdrachten.
Een nuchtere tijdlijn
Tot slot, tegen de hype in: automatisering in data en IT gaat in golven, niet in een knal. Veel van wat "volledig geautomatiseerd" heet, vereist in de praktijk nog stevige menselijke correctie. De AI die een dashboard "zelf bouwt" produceert prima eerste versies en hopeloze randgevallen.
Dat betekent: paniek is misplaatst, maar stilstand ook. De freelancer die zijn uitvoerende werk geleidelijk verrijkt met AI-tools én tegelijk zijn oordeels- en domeinwaarde opbouwt, zit het stevigst. Niet omdat hij de toekomst voorspelt, maar omdat hij in beide scenario's wint.