Vervangt AI de data scientist? Een nuchtere blik op 2026
Laatst bijgewerkt op August 05, 2026Leestijd: 5 min
Een recruiter in Amsterdam vertelde me laatst dat sollicitanten hem steeds dezelfde vraag stellen voordat ze aan een opleiding beginnen: heeft data science over vijf jaar nog wel toekomst nu AI zoveel kan? Het is een eerlijke vraag, en het antwoord is genuanceerder dan de headlines suggereren.
De korte versie: AI vervangt de data scientist niet, maar het verandert wel welk deel van het werk waarde heeft. Dat verschil bepaalt of je straks overbodig bent of juist onmisbaar.
Wat AI vandaag echt overneemt
Grote taalmodellen en AI-copiloten zijn goed geworden in het mechanische deel van datawerk. Ze schrijven een eerste versie van je Python-code, stellen een pandas-transformatie voor, of genereren de boilerplate voor een model. Tools als GitHub Copilot en de code-assistenten in notebooks nemen precies dat werk over waar je vroeger een half uur naar Stack Overflow zat te turen.
Denk aan een concreet voorbeeld. Een analist bij een webshop in Rotterdam wil weten welke klanten waarschijnlijk gaan opzeggen. Vroeger begon dat met uren opschonen: dubbele records eruit, datums normaliseren, ontbrekende waarden invullen. Nu beschrijft ze in gewone taal wat ze wil, en de AI levert een werkend script als startpunt. Dat scheelt tijd. Maar de AI weet niet dat "opzeggen" in dit bedrijf drie verschillende definities heeft, of dat de data van vóór 2023 onbetrouwbaar is door een migratie. Die kennis zit in het hoofd van de analist.
Dat is het patroon. AI versnelt de uitvoering, maar het oordeel over wat je bouwt en waarom blijft mensenwerk.
Werken data scientists mét AI, of ertegen?
Ze werken ermee, en steeds meer expliciet. De vraag "werken data scientists met AI?" heeft een simpel antwoord: AI is inmiddels een van hun gereedschappen geworden, net zoals SQL of een dashboardtool dat is.
Een deel van het vak verschuift daardoor. In plaats van elk model zelf van nul opbouwen, roep je vaak een bestaand model aan via een API of bouw je een RAG-pipeline bovenop een taalmodel. Wil je dieper begrijpen welke vaardigheden daarbij horen, dan legt onze praktijkgerichte data science en AI-opleiding precies uit hoe je die tools inzet zonder de fundamenten te verliezen.
Het gevolg is dat de rol breder wordt. Je bent minder de persoon die code produceert en meer degene die controleert of de output klopt, of het model geen onzin genereert, en of het resultaat te vertrouwen is voor een zakelijke beslissing.
De 30%-regel: waar het misgaat zonder controle
Je komt in AI-discussies soms de "30%-regel" tegen. Er bestaat geen officiële wet die zo heet, maar de term wordt gebruikt om een terugkerende observatie te beschrijven: ongeveer een derde van wat een AI-model produceert, heeft nog menselijke correctie of verificatie nodig voordat het bruikbaar is. Het exacte percentage doet er niet toe. Het punt is dat AI-output nooit klakkeloos overgenomen mag worden.
Voor een data scientist is dat juist het interessante deel van het werk geworden. Een model dat een klantsegmentatie voorstelt kan er statistisch perfect uitzien en toch een bias bevatten die niemand opmerkt tot het in productie fout gaat. Iemand moet die 30% eruit halen. Dat vraagt om domeinkennis, statistisch inzicht en een gezonde dosis wantrouwen — precies de dingen die een taalmodel niet heeft.
Wat verandert er, en wat blijft?
Om het concreet te maken: dit is hoe het werk van een data scientist verschuift nu AI standaard onderdeel is van de gereedschapskist.
| Taak | Vroeger (zonder AI-copiloot) | Nu (met AI) |
|---|---|---|
| Code schrijven | Handmatig, regel voor regel | AI levert eerste versie, jij verfijnt |
| Data opschonen | Uren handwerk | Grotendeels geautomatiseerd, jij bewaakt de logica |
| Model kiezen | Zelf uitproberen | AI stelt voor, jij beoordeelt geschiktheid |
| Resultaat uitleggen | Menselijk werk | Nog steeds menselijk werk |
| Ethiek en bias bewaken | Menselijk werk | Belangrijker dan ooit menselijk werk |
Wat opvalt: de taken die verdwijnen zijn de repetitieve. De taken die blijven, vragen juist om oordeelsvermogen en communicatie. Een data scientist die alleen code kon typen loopt risico. Iemand die vragen kan vertalen naar analyses en resultaten kan uitleggen aan een marketingteam in Utrecht of een directie in Eindhoven, wordt waardevoller.
Zo maak je je werk toekomstbestendig
De praktische conclusie is niet "leer geen data science meer". Het is: leer het op de manier die er nu toe doet. Dat betekent minder tijd steken in het uit je hoofd kennen van syntax, en meer in de vaardigheden die AI niet overneemt.
Drie dingen die het verschil maken. Ten eerste: begrijp de wiskunde en statistiek onder de motorkap, zodat je kunt zien wanneer een model liegt. Ten tweede: leer met AI-tools wérken in plaats van ertegen — prompt engineering, RAG en het beoordelen van modeloutput horen inmiddels bij het vak. Ten derde: oefen het uitleggen van je bevindingen aan mensen zonder technische achtergrond, want dat is waar analyse waarde wordt.
Voor wie zich afvraagt welk pad past, hebben we het verschil tussen de vakgebieden uitgewerkt in ons overzicht van datarollen en AI-opleidingen. En als je liever in je eigen tempo werkt naast een baan, kan een zelfgestuurd traject voor data science en AI een logische eerste stap zijn.
Dus: vervangt AI de data scientist?
Nee, maar het maakt de zwakke data scientist wel overbodig en de sterke onmisbaar. AI neemt het typewerk over; het oordeel, de context en de verantwoordelijkheid blijven bij jou. Wie zich daarop richt, zit in Nederland de komende jaren goed.
De duidelijkste stap die je nu kunt zetten is investeren in de vaardigheden die AI aanvult in plaats van vervangt. Bekijk daarvoor de data science en AI-opleiding van Code Labs Academy en ontdek hoe een gestructureerd programma je van beginner naar baan-klaar brengt.
