100×worker · beroepsanalyse

Wat verandert AI aan het werk van een datawetenschapper?

Door Hendrik De Winne Laatst bijgewerkt: 6 augustus 2026 Read this in English

AI neemt bij een datawetenschapper vooral de mechanische taken over: data opschonen, query's schrijven, dashboards bouwen, eerste modelversies genereren. Microsoft schat dat 35,7% van de werkactiviteiten van data scientists vatbaar is voor generatieve AI (2025). Wat overblijft: steekproefkeuzes, architectuur, en het overtuigend uitleggen van resultaten aan mensen die de cijfers niet vertrouwen.

Illustratie: hoe AI het werk van een datawetenschapper verandert

Een datawetenschapper besteedt een flink deel van de week aan werk dat weinig met denken te maken heeft: data opschonen, query's herschrijven, dezelfde grafiek voor de vijfde keer opmaken. Microsoft Research becijferde in 2025, op basis van 200.000 echte Copilot-gesprekken, dat 35,7% van de werkactiviteiten van data scientists aantoonbaar vatbaar is voor generatieve AI. Vertalers scoren hoger (49%), verpleegkundigen veel lager (12%): het beroep zit ergens in het midden.

In Vlaanderen gebruikt 43% van de bevolking maandelijks generatieve AI, bij studenten loopt dat op tot 81% (imec.digimeter, 2026, n=3.001). De kans is groot dat je eigen team al met ChatGPT of Copilot experimenteert, met of zonder jouw goedkeuring. De Nederlandse UWV vat het samen na een bevraging bij 2.300 werkgevers: 'AI verandert niet je baan, maar wel je takenpakket.'

Dat is precies het kader van dit artikel: welke taken van het datawetenschapper-vak schrap je, welke automatiseer je volledig, welke delegeer je aan AI met menselijke controle, en welke taken blijven onvervangbaar mensenwerk. Dat overzicht staat hieronder, opgebouwd uit de ESCO-vaardighedenlijst voor dit beroep.

Een datawetenschapper verzamelt, reinigt en modelleert data om patronen te vinden en beslissingen te onderbouwen.

De taakverdeling: wat AI overneemt en wat van jou blijft

Bij 100xworker ontleden we elk beroep in vier emmers: eliminate (werk dat je gewoon schrapt), automate (werk dat een agent zelfstandig productieklaar aflevert), delegate (AI doet de eerste 80%, jij leidt en keurt) en keep (mensenwerk met AI als hulpmiddel erbij). Voor de datawetenschapper is die verdeling gebouwd op de essentiële ESCO-vaardigheden van dit beroep, van gegevensmodellen en datamining tot databaseschema's en statistiek. Sommige vaardigheden verdwijnen bijna volledig uit je week, andere verschuiven van zelf doen naar controleren.

Taakverdeling voor datawetenschapper over de vier emmers, gebaseerd op de ESCO-vaardighedenlijst.

Taak	Emmer	Waarom
Handmatige gegevensopschoning en -normalisatie	schrappen	Pijplijnen herkennen ontbrekende waarden en inconsistenties automatisch, dit werk verdwijnt uit je takenpakket.
Eerste ruwe versie van een analyserapport typen	schrappen	Tekst genereren uit cijfers is formattering, geen denkwerk. Een taalmodel doet dit in seconden.
Gegevens verzamelen uit meerdere systemen en API's	automatiseren	Agents combineren bronnen zelfstandig volgens vaste regels, zonder dat jij elke query handmatig schrijft.
Processen voor gegevenskwaliteit laten draaien	automatiseren	Validatieregels controleren nieuwe data continu en signaleren afwijkingen zonder jouw tussenkomst.
Grootschalige gegevensextractie en datamining	automatiseren	Patronen zoeken in miljoenen rijen is rekenwerk dat een model sneller en consistenter doet.
Dashboards en visuele rapportages genereren	automatiseren	Grafieken en dashboards verversen automatisch zodra nieuwe data binnenkomt, zonder handmatige opmaak.
Gegevensmodellen opzetten en eerste versies testen	delegeren	AI stelt modelvarianten voor op basis van je data, jij kiest welke aanname klopt.
Aanbevelingssystemen bouwen	delegeren	AI schrijft een eerste architectuur en code, jij toetst op bias en bedrijfscontext.
Query's schrijven in SQL of RDF	delegeren	AI stelt de query op, jij controleert de logica en het resultaat voor je het gebruikt.
Toepassingen voor gegevensverwerking ontwikkelen	delegeren	AI schrijft de eerste codeversie van een pipeline, jij reviewt, test en stuurt bij.
Steekproefontwerp en -behandeling bepalen	houden	De keuze van steekproefmethode bepaalt of je conclusies kloppen, dat vraagt vakkennis. (Jouw voorsprong: je kent de vertekening die een model niet ziet)
Databaseschema ontwerpen voor een nieuw systeem	houden	Architecturale keuzes vragen kennis van bedrijfscontext en toekomstig gebruik van de data. (Jouw voorsprong: je voorziet hoe het schema morgen misbruikt wordt)
Resultaten interpreteren en communiceren naar niet-experts	houden	Het verhaal achter de cijfers overtuigend brengen aan een directie vraagt vertrouwen en context. (Jouw voorsprong: mensen geloven een collega sneller dan een grafiek)
Gegevensprocessen vaststellen als teambeleid	houden	Governance en verantwoordelijkheid vastleggen vraagt afspraken tussen teams en juridische afweging. (Jouw voorsprong: verantwoordelijkheid kan je niet uitbesteden aan een model)

Harvest map voor datawetenschapper: vier emmers met taken

Welke taken van een datawetenschapper neemt AI over?

AI neemt vooral het mechanische en herhalende werk over: gegevens opschonen en normaliseren, query's schrijven, dashboards opmaken en een eerste versie van een rapport typen. Microsoft Research becijfert dat 35,7% van de werkactiviteiten van data scientists aantoonbaar vatbaar is voor generatieve AI (2025), op basis van 200.000 echte Copilot-gesprekken. Anthropic's Economic Index laat zien dat dit gebruik zich splitst in twee soorten: automation, waarbij AI een taak volledig overneemt zoals gegevens verzamelen of extractie, en augmentation, waarbij AI meedenkt maar jij de beslissing neemt zoals bij modelkeuzes of interpretatie. Beide vind je terug in de automate- en delegate-emmers hierboven.

Wordt de datawetenschapper vervangen door AI?

Nee, in elk geval niet op korte termijn. Microsoft's applicability-score van 35,7% betekent dat ruim een derde van de werkactiviteiten AI-vatbaar is, niet het hele beroep. De Nederlandse UWV schrijft het na een bevraging bij 2.300 werkgevers zo: 'AI verandert niet je baan, maar wel je takenpakket.' Voor datawetenschappers klopt dat: opschonen en query's schrijven verdwijnen, maar steekproefontwerp, architectuurkeuzes en het overtuigend uitleggen van resultaten aan een directie blijven mensenwerk. Het beroep verschuift van uitvoerder van analyses naar iemand die AI-output beoordeelt, valideert en verantwoordt.

Hoe word je de AI-persoon van je datateam?

Begin met de taken die je toch al liever kwijt bent: gegevensopschoning, boilerplate-query's, eerste rapportversies. Zet daar een vast AI-proces op, bijvoorbeeld een prompt-bibliotheek of een gedeelde Copilot-workflow, en documenteer wat werkt. Word vervolgens degene die de output controleert in plaats van zelf typt: check modelaannames, valideer aanbevelingssystemen op bias, en leer collega's welke AI-output je wel en niet vertrouwt. De AI-persoon van het team typt niet sneller met ChatGPT. Ze weet welke taken je aan AI overlaat en waarom de rest jouw verantwoordelijkheid blijft.

Wat kan je deze maand concreet doen om te starten?

Kies deze maand één terugkerende taak uit de eliminate-emmer, bijvoorbeeld gegevensopschoning voor een vast dashboard, en bouw daar een AI-workflow voor met vaste prompts en controlestappen. Test die twee weken naast je huidige aanpak en meet tijdwinst en foutmarge. Neem daarna één taak uit de delegate-emmer, zoals het opzetten van een eerste modelversie, en laat AI die genereren terwijl jij enkel de validatie doet. Documenteer beide experimenten in een kort intern document, zodat je team ziet wat werkt. Zo bouw je in vier weken een tastbaar dossier op in plaats van een vaag AI-plan.

AI verandert niet je baan, maar wel je takenpakket.
UWV

Word de AI-persoon van je team

Bouw een prompt-bibliotheek voor je eigen pipeline

Verzamel de prompts die werken voor opschoning, query's en rapportage in een gedeeld document. Zo hoeft niemand in het team steeds opnieuw te experimenteren, en bouw je een reproduceerbaar proces.

Word de validator, niet de typist

Verschuif je tijd van uitvoeren naar controleren: check modelaannames, valideer aanbevelingssystemen op bias, herlees AI-gegenereerde rapporten kritisch. Dat is het werk dat overblijft en dat het meest telt.

Leg governance vast voor AI-gebruik in het team

Spreek met je team af welke taken je aan AI toevertrouwt en wie verantwoordelijk blijft bij fouten. Zonder die afspraak schuift verantwoordelijkheid ongemerkt naar niemand door.

Deel je AI-workflows met niet-technische collega's

Vertaal wat AI voor jou automatiseert naar begrijpelijke taal voor de rest van de organisatie. Dat bouwt vertrouwen op en positioneert je als de persoon die AI in het team stuurt.

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-scan

Tools voor dit werk

Tool	Voor welke taken	Nuchter bekeken
ChatGPT of Claude	eerste interpretatie van resultaten, rapportteksten, brainstormen over modelkeuzes	Generieke chatbots, sterk voor taal en denkwerk, controleer altijd de feitelijke output.
GitHub Copilot of Cursor	code schrijven voor pipelines, query's, aanbevelingssystemen	Versnelt de eerste codeversie, de architectuur en de review blijven voor jou.
dbt met AI-assistentie	gegevenskwaliteit, transformatie, normalisatie	Automatiseert veel van het opschoonwerk, mits de transformatieregels goed staan.
Power BI of Tableau met ingebouwde AI-samenvattingen	dashboards en visuele gegevenspresentatie	Genereert grafieken en korte samenvattingen automatisch, de duiding blijft mensenwerk.

Prompts om vandaag te proberen

Eerste opschoning van een dataset beoordelen

Analyseer deze dataset [beschrijving/kolommen plakken] en geef een lijst van ontbrekende waarden, inconsistenties en mogelijke uitschieters. Stel per probleem een opschoonregel voor en leg uit waarom.

Modelkeuze aftoetsen

Ik wil [doel, bv. klantverloop] voorspellen met deze features [lijst]. Stel drie mogelijke modeltypes voor, leg de aannames van elk model uit, en benoem welke aanname het risicovolst is voor mijn dataset.

Resultaten vertalen naar niet-experts

Hier zijn de resultaten van mijn analyse: [resultaten plakken]. Schrijf een samenvatting van maximaal 150 woorden voor een directie zonder technische achtergrond, zonder de onzekerheid van de resultaten te verbergen.

Verwante beroepen

Veelgestelde vragen

Wat is het verschil tussen een data scientist en een data analyst?

Volgens de ESCO-taxonomie van de Europese Commissie is 'data analyst' een synoniem binnen hetzelfde beroepsprofiel als data scientist (ESCO-code 2511.3). In de praktijk ligt de nadruk bij een data analyst meer op rapportage en dashboards, en bij een data scientist meer op modelbouw en voorspelling. AI verandert dat onderscheid: rapportagewerk automatiseert het snelst, modelbouw blijft langer mensenwerk met AI als assistent.

Hoeveel mensen in Vlaanderen en België gebruiken AI eigenlijk al?

In Vlaanderen gebruikt 43% van de bevolking maandelijks generatieve AI, bij 18 tot 24-jarigen loopt dat op tot 75% en bij studenten tot 81% (imec.digimeter, 2026). In heel België gebruikte 61% van de bevolking in 2025 een AI-chatbot (Google/Ipsos). Voor de EU als geheel ligt het aandeel lager: 32,7% van de bevolking tussen 16 en 74 jaar gebruikte generatieve AI in de voorbije drie maanden (Eurostat, 2025).

Moet ik nog leren programmeren als AI code kan schrijven?

Ja. AI schrijft een bruikbare eerste versie van een query of pipeline, maar jij moet kunnen beoordelen of die code klopt, efficiënt is en de juiste aannames maakt. Zonder programmeerkennis kan je AI-output niet controleren, en dat controleren is precies het deel van het werk dat overblijft volgens de taakanalyse hierboven.

Is een opleiding data science nog zinvol met AI?

Ja, maar de inhoud verschuift. De ESCO-taxonomie van de Europese Commissie beschrijft in totaal 3.039 beroepen met hun vaardigheden, in 28 talen, en data scientist is daar één van met een vaste lijst essentiële vaardigheden zoals steekproeftechnieken, databaseontwerp en statistiek. Die kennis blijft nodig om AI-output te beoordelen, ook als je zelf minder tijd besteedt aan het manueel uitvoeren van query's of opschoning.

Bronnen

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.