100×worker · beroepsanalyse
Data-analist en AI: wat AI overneemt, wat jij blijft doen
Data-analist is een van die functies waarbij iedereen een mening heeft over wat AI wel of niet overneemt, maar weinigen de taken echt op een rijtje hebben gezet. Microsoft Research deed dat wel: op basis van 200.000 echte Copilot-gesprekken becijferde het bedrijf dat generatieve AI toepasbaar is op 35,7% van de werkactiviteiten van Data Scientists, de Amerikaanse beroepscategorie die het dichtst bij data-analist ligt (Microsoft Research, 2025). Ter vergelijking: bij vertalers ligt dat op 49%, bij verpleegkundigen op 12%.
Dat cijfer zegt niets over of je baan verdwijnt. Het zegt iets over welk deel van je werkdag verschuift. In Vlaanderen gebruikt 43% van de bevolking maandelijks generatieve AI, bij 18-24-jarigen loopt dat op tot 75% (imec.digimeter, 2026). In België gebruikte 61% van de mensen in 2025 al een AI-chatbot (Google/Ipsos, 2025). Data-analisten zitten met hun querytalen, dashboards en datamodellen middenin die verschuiving.
Dit artikel ontleedt het beroep data-analist op taakniveau, zoals UWV aanraadt te doen bij elke functie die verandert door AI. Vier emmers: taken die verdwijnen, taken die volledig geautomatiseerd worden, taken die je delegeert aan AI met jou als eindverantwoordelijke, en taken die mensenwerk blijven met AI als hulpmiddel erbij.
Een data-analist verzamelt, reinigt, analyseert en visualiseert gegevens om zakelijke beslissingen te onderbouwen.
De taakverdeling: wat AI overneemt en wat van jou blijft
Het werk van een data-analist bestaat uit losse taken, van ruwe data importeren tot een dashboard presenteren aan de directie. Sommige taken verdwijnen gewoon (eliminate), andere draaien straks volledig via agents zonder tussenkomst (automate), een derde groep laat AI de eerste versie maken terwijl jij controleert en bijstuurt (delegate), en een laatste groep blijft mensenwerk waarbij AI hooguit een hulpmiddel is (keep). Deze indeling volgt de kernvaardigheden uit de ESCO-taxonomie voor het beroep data-analist.
| Taak | Emmer | Waarom |
|---|---|---|
| Cijfers met de hand overtypen tussen Excel-tabbladen en rapportsjablonen | schrappen | Geautomatiseerde datapijplijnen maken handmatig kopiëren tussen bestanden overbodig. |
| Wekelijks met de hand samenstellen van standaardrapporten (salesoverzicht, KPI-lijst) | schrappen | Live dashboards met vaste bronnen vervangen dit routinewerk volledig. |
| Zoeken naar dubbele records of formatfouten in ruwe bestanden | schrappen | Geautomatiseerde validatieregels vinden dit sneller en consistenter dan een mens. |
| Gegevens extraheren uit meerdere bronsystemen (ERP, CRM, API's) en samenvoegen tot één dataset | automatiseren | ETL-tools en agents doen dit dagelijks, zonder toezicht, volgens vaste regels. |
| Gegevens opschonen en normaliseren: ontdubbelen, formats standaardiseren, ontbrekende waarden markeren | automatiseren | Regelgebaseerde AI-scripts voeren dit herhaalbaar en foutvrijer uit dan handwerk. |
| Eerste verkennende analyse en basisstatistiek genereren uit een nieuwe dataset | automatiseren | AI-agents produceren gemiddelden, verdelingen en outliers binnen minuten als startpunt. |
| SQL- en querytaal-scripts schrijven voor complexe joins en filters | delegeren | AI stelt de query voor, jij controleert de logica tegen het echte datamodel. |
| Dashboards en visualisaties bouwen (grafieken, trendlijnen, KPI-boards) | delegeren | AI levert een eerste versie, jij herwerkt naar de vraag van de opdrachtgever. |
| Documentatie van gegevensprocessen en datamodellen opstellen | delegeren | AI schrijft een eerste draft op basis van de code, jij vult context en uitzonderingen aan. |
| Patronen en correlaties opsporen in grote datasets (datamining) | delegeren | AI scant sneller, jij beoordeelt of het businessrelevant en causaal onderbouwd is. |
| Bepalen welke vraag de data eigenlijk moet beantwoorden en welke KPI's relevant zijn | houden | Dit vraagt kennis van de organisatie en haar echte problemen. (Jouw voorsprong: Contextkennis over de business die geen model heeft.) |
| Kwaliteitscriteria voor gegevens vaststellen en beslissen wat 'goed genoeg' is voor een beslissing | houden | Dit is een risico-inschatting met gevolgen voor de organisatie. (Jouw voorsprong: Verantwoordelijkheid nemen voor een oordeel, geen berekening.) |
| Vertrouwelijkheid en gevoeligheid van gegevens beoordelen: wat mag gedeeld worden, met wie | houden | Dit vraagt juridisch en ethisch inzicht dat verder gaat dan regels toepassen. (Jouw voorsprong: Ethisch en juridisch oordeel, niet delegeerbaar aan een script.) |
| Resultaten presenteren aan management en overtuigen tot actie | houden | Cijfers overtuigen pas als iemand vertrouwen wint en weerstand pareert. (Jouw voorsprong: Vertrouwen opbouwen en nuance brengen in een gesprek.) |
Welke taken van een data-analist neemt AI over?
AI neemt vooral het repetitieve en regelgebaseerde werk over: gegevens extraheren uit meerdere bronsystemen, opschonen, normaliseren en samenvoegen tot een bruikbare dataset. Ook de eerste versie van een dashboard of een SQL-query komt steeds vaker van een AI-agent. Microsoft Research schat dat generatieve AI toepasbaar is op 35,7% van de werkactiviteiten van dataprofessionals (2025), gebaseerd op analyse van 200.000 Copilot-gesprekken. Wat AI niet overneemt: beslissen welke vraag de data moet beantwoorden, oordelen over datakwaliteit en gevoeligheid, en resultaten vertalen naar een beslissing die het management ook effectief neemt. Die taken vragen organisatiekennis die een taalmodel niet heeft.
Wordt de data-analist vervangen door AI?
Het beroep zelf verdwijnt niet. De inhoud van de functie verschuift wel, van uitvoerend werk naar controlerend en interpreterend werk. UWV, de Nederlandse uitvoeringsorganisatie werknemersverzekeringen, benadrukt op basis van onderzoek bij 2.300 werkgevers dat AI vooral het takenpakket van functies verandert, en adviseert om functies op taakniveau te ontleden in plaats van op beroepsniveau te denken. Voor data-analisten betekent dat: het handwerk van extractie, opschoning en eerste rapportage krimpt, terwijl het gewicht van vraagstelling, kwaliteitsbeoordeling en presentatie toeneemt. Wie enkel dashboards bouwt zonder de business te begrijpen, voelt die verschuiving het hardst. Wie de organisatie kent en AI goed inzet, wordt net waardevoller.
Hoeveel data-analistentaken kan AI vandaag al aan?
Precieze cijfers per taak bestaan niet, maar twee onderzoeken geven een indicatie. Microsoft Research analyseerde 200.000 echte Copilot-gesprekken en komt op een toepasbaarheidsscore van 35,7% voor Data Scientists, de categorie die het dichtst bij data-analist aanleunt (2025). Anthropic's Economic Index vergelijkt miljoenen Claude-gesprekken met de O*NET-taaklijst en maakt daarbij het onderscheid tussen automation (AI voert de taak volledig uit) en augmentation (AI ondersteunt, mens blijft aan de knoppen). Let op met oudere 'robotiseringspercentages' die nog rondgaan op Nederlandse sites: die stammen uit de Frey & Osborne-studie van Oxford uit 2013, van vóór de doorbraak van grote taalmodellen, en zeggen dus weinig over wat generatieve AI vandaag kan.
Wat kan je deze maand concreet doen als data-analist?
Begin klein en meetbaar. Neem één terugkerend rapport dat je maandelijks met de hand samenstelt en bouw er deze maand een geautomatiseerde versie van met een AI-agent of een BI-tool met ingebouwde AI. Test een AI-chatassistent op je eerstvolgende SQL-query of Python-script en vergelijk de output met je eigen werk, zo zie je snel waar de grens ligt. Documenteer één datamodel of proces met AI als eerste schrijver en jij als eindredacteur. Plan daarnaast een gesprek met je manager over welke taken uit je functie eigenlijk verdwijnen, zodat je tijd vrijmaakt voor het werk dat overblijft: vraagstelling, kwaliteitsoordeel en presentatie.
AI verandert niet je baan, maar wel je takenpakket.
UWV (Uitvoeringsinstituut Werknemersverzekeringen), op basis van onderzoek bij 2.300 werkgevers
Word de AI-persoon van je team
Automatiseer je eigen rapportageketen eerst
Kies één terugkerend rapport en bouw er een pipeline voor met een AI-agent of BI-tool. Als jij als eerste de handmatige versie afschaft, ben je in het team de referentie voor hoe het anders kan.
Word de reviewer van AI-gegenereerde queries
Laat AI een eerste SQL-query of transformatiescript schrijven, maar bouw een vaste checklist om de logica te controleren tegen het datamodel. Documenteer die checklist en deel ze met collega's.
Bouw een klein AI-toolkit voor het team
Verzamel de prompts, tools en templates die voor jou werken (opschonen, documentatie, dashboards) in één gedeeld document. Zo wordt jouw manier van werken de standaard, niet iets dat iedereen apart uitzoekt.
Leg kwaliteitscriteria vast voordat AI ze overneemt
Definieer expliciet wat 'goede data' betekent voor jouw belangrijkste dataset: volledigheid, actualiteit, toegestane afwijkingen. Zonder die criteria draait een AI-agent straks onbewaakt door op verkeerde aannames.
Wil je dit voor jouw echte takenpakket?
De gratis scan op de homepage bouwt in 30 seconden jouw persoonlijke taakkaart, op basis van jouw rol en sector.
Doe de gratis taak-scanTools voor dit werk
| Tool | Voor welke taken | Nuchter bekeken |
|---|---|---|
| Microsoft Copilot (Excel, Power BI) | automate/delegate: query's opstellen, dashboards bouwen, eerste analyses | Goed voor eerste versies, check formules en brondata altijd zelf na. |
| Een AI-chatassistent zoals ChatGPT of Claude | delegate: SQL-scripts schrijven, documentatie opstellen, datamining-patronen samenvatten | Sneller dan zelf typen, maar controleer de logica tegen de echte tabelstructuur. |
| dbt (data build tool) met AI-uitbreidingen | automate: data-pipelines, transformatie en normalisatie | Sterk voor herhaalbare transformaties, minder geschikt voor eenmalige ad-hoc analyses. |
| Een BI-platform met ingebouwde AI (zoals Power BI of Looker) | eliminate/automate: standaardrapporten en dashboards | Vervangt handmatig copy-pasten, vraagt wel een goed ingerichte datalaag erachter. |
Prompts om vandaag te proberen
Data opschonen en normaliseren
SQL-query opstellen en controleren
Documentatie van een datamodel opstellen
Verwante beroepen
Veelgestelde vragen
Wat is het verschil tussen een data-analist en een data scientist als het op AI-impact aankomt?
ESCO plaatst data-analist onder de ISCO-groep 'systems analysts' (code 2511.2), gericht op gegevens importeren, opschonen, valideren en visualiseren voor concrete businessvragen. Data scientists werken vaker aan voorspellende modellen en machine learning. Microsoft Research gebruikt 'Data Scientists' als dichtstbijzijnde Amerikaanse beroepscategorie om de toepasbaarheidsscore van 35,7% te berekenen. Die score is dus een benadering voor data-analist, geen exacte meting van het beroep zelf.
Welke AI-vaardigheden moet een data-analist nu al leren?
Leer prompten voor concrete taken: AI vragen om een SQL-query te schrijven, een dataset te profileren of documentatie op te stellen, en de output telkens controleren tegen de brondata. Leer ook AI-gegenereerde analyses beoordelen op datakwaliteit, vertekening en causale claims. ESCO's vaardighedenlijst voor data-analist, met onder meer gegevenskwaliteit definiëren, gegevensmodellen en statistische analysetechnieken, blijft de basis. AI versnelt vooral de toepassing van die vaardigheden. De vaardigheden zelf blijven nodig.
Klopt het dat data-analisten voor een groot deel vervangen worden, zoals oude robotiseringsstudies beweren?
Nee, dat soort cijfers vraagt om argwaan. Het veelgeciteerde 'robotiseringspercentage' op Nederlandse sites komt vaak uit de Frey & Osborne-studie van Oxford (2013), gemaakt vóór de doorbraak van grote taalmodellen zoals ChatGPT of Claude. Recenter onderzoek van Microsoft Research (200.000 Copilot-gesprekken, 2025) en Anthropic's Economic Index kijkt naar taken in plaats van hele beroepen. Dat geeft een genuanceerder beeld: sommige taken van een data-analist verdwijnen, andere blijven expliciet mensenwerk.
Gebruiken Belgische en Nederlandse data-analisten AI al in de praktijk?
AI-gebruik in de brede bevolking groeit snel, wat ook doorwerkt in kantoorfuncties zoals data-analist. In Vlaanderen gebruikt 43% van de bevolking maandelijks generatieve AI, bij studenten loopt dat op tot 81% (imec.digimeter, 2026). In heel België gebruikte 61% van de mensen in 2025 al een AI-chatbot (Google/Ipsos, 2025), tegenover 32,7% gemiddeld in de EU (Eurostat, 2025). Specifieke cijfers voor data-analisten als beroepsgroep zijn niet gepubliceerd, maar de algemene trend wijst op snelle adoptie ook in analytische functies.
Bronnen
- Microsoft Research, Working with AI: Measuring the Applicability of Generative AI to Occupations (2025)
- Anthropic Economic Index
- UWV, AI en het takenpakket
- imec.digimeter 2026
- Eurostat, isoc_ai_iaiu (2025)
- Google/Ipsos, Our Life with AI (2025)
- ESCO-taxonomie, Europese Commissie
- Frey & Osborne, The Future of Employment (Oxford, 2013)
Hendrik De Winne, auteur van Becoming AI-Savvy, oprichter van VibeLab. Begeleidt teams bij het herontwerpen van hun werk met AI.
Dit artikel is opgesteld met AI-ondersteuning op basis van publieke databronnen en redactioneel nagekeken.