100×worker · beroepsanalyse

Machine learning engineer: welke taken neemt AI over?

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

AI neemt bij een machine learning engineer vooral repetitief werk over: data cleaning, boilerplate code, documentatie en standaard rapportages. Onderzoeksvoorstellen, statistische analyses en publicaties kan AI voor 80% voorbereiden, jij stuurt en keurt. Architecturale keuzes, methodologie en gesprekken met stakeholders blijven mensenwerk. Microsoft schat de AI-toepasbaarheid op onderzoeksfuncties op 16,9%.

Illustratie: hoe AI het werk van een machine learning engineer verandert

Machine learning engineers horen vaak dat hun vak binnenkort door AI wordt overgenomen. De cijfers vertellen een genuanceerder verhaal. Microsoft Research analyseerde 200.000 echte Copilot-gesprekken en komt voor onderzoeksfuncties in de computerwetenschappen, de dichtstbijzijnde beschikbare categorie, op een AI-toepasbaarheidsscore van 16,9%. Ter vergelijking: vertalers scoren 49%, verpleegkundigen 12% (Microsoft Research, 2025). Dat plaatst het vak van machine learning engineer stevig in de middenmoot: veel routinewerk verdwijnt, maar het kernwerk blijft mensenwerk.

Ondertussen gebruikt 43% van de Vlamingen maandelijks generatieve AI, tegenover 32,7% van de EU-bevolking (imec.digimeter 2026; Eurostat 2025). Bij studenten en jonge starters ligt dat gebruik veel hoger, wat betekent dat de instroom van nieuwe ML engineers al met AI-tools is opgegroeid terwijl senior engineers nog moeten bijsturen. De Nederlandse UWV vat het treffend samen op basis van onderzoek onder 2.300 werkgevers: AI verandert je baan niet, maar wel je takenpakket.

Daarom ontleden we het beroep hier niet in vage dreigingen, maar in vier concrete emmers: welke taken je schrapt, welke je laat automatiseren, welke je delegeert aan AI met eigen controle, en welke je zelf blijft doen.

Een machine learning engineer bouwt en onderhoudt systemen die via data patronen leren en voorspellingen doen.

De taakverdeling: wat AI overneemt en wat van jou blijft

Voor een machine learning engineer is de ESCO-vaardighedenlijst een goed startpunt: literatuuronderzoek, statistische analyses, onderzoekspublicaties, reverse engineering, kwalitatief en kwantitatief onderzoek. We plaatsen elke taak in een van vier emmers. Eliminate is werk dat gewoon verdwijnt omdat AI het sneller en beter doet. Automate is werk dat agents zonder toezicht productieklaar afleveren. Delegate is werk waarbij AI de eerste 80% doet en jij stuurt en keurt. Keep is werk waar AI ondersteunt maar het oordeel bij jou blijft.

Taakverdeling voor machine learning engineer over de vier emmers, gebaseerd op de ESCO-vaardighedenlijst.

Taak	Emmer	Waarom
Boilerplate code schrijven voor standaard preprocessing en data-pipelines	schrappen	AI-codeassistenten genereren dit sneller en foutlozer dan een engineer die het zelf uittypt.
Literatuur handmatig doorzoeken op arxiv en papers samenvatten	schrappen	AI-zoektools doorzoeken en synthetiseren honderden papers in minuten, breder dan handwerk.
Experimenten en modelversies handmatig bijhouden in spreadsheets	schrappen	Geautomatiseerde tracking registreert parameters en resultaten al bij elke run.
Data-validatie en schema-checks op inkomende datasets	automatiseren	Agents draaien deze checks bij elke nieuwe databatch en vlaggen afwijkingen zonder tussenkomst.
Model monitoring en drift-detectie in productie	automatiseren	Systemen meten continu prestaties en sturen alerts, dagelijkse controle is niet meer nodig.
Genereren van standaard evaluatierapporten met metrics en confusion matrices	automatiseren	Scripts draaien automatisch na elke training, de output is meteen bruikbaar.
Onderzoeksvoorstellen schrijven	delegeren	AI zet een eerste structuur en argumentatie op, jij scherpt de onderzoeksvraag en scope aan.
Statistische analyses en kwantitatief onderzoek uitvoeren	delegeren	AI draait analyses en signaleert patronen, jij beoordeelt methodologie en trekt de conclusie.
Onderzoekspublicaties en technical reports samenstellen	delegeren	AI schrijft een eerste versie van secties, jij bewaakt nauwkeurigheid en originaliteit.
Reverse engineering van bestaande modellen en architecturen	delegeren	AI analyseert code en documentatie snel, jij beoordeelt haalbaarheid en risico's.
Kwalitatief onderzoek bij ICT-gebruikers: interviews en behoeftenanalyse	houden	Mensen vertellen andere dingen aan mensen dan aan een chatbot. (Jouw voorsprong: Vertrouwen opbouwen en tussen de lijnen luisteren.)
Onderzoeksmethodologie kiezen en experimentontwerp bepalen	houden	De juiste onderzoeksvraag stellen vraagt vakinzicht dat AI zelf niet heeft. (Jouw voorsprong: Wetenschappelijk oordeel over wat de vraag eigenlijk is.)
Gesprekken met stakeholders over modelrisico's, bias en productie-impact	houden	Verantwoordelijkheid nemen voor de gevolgen van een model kan geen AI overnemen. (Jouw voorsprong: Verantwoordelijkheid en vertrouwen, niet uit te besteden.)
Architecturale beslissingen over modelontwerp en systeemintegratie	houden	Trade-offs tussen snelheid, kosten en nauwkeurigheid vragen ervaring en context. (Jouw voorsprong: Jarenlange ervaring in het aanvoelen van trade-offs.)

Harvest map voor machine learning engineer: vier emmers met taken

Welke taken van een machine learning engineer neemt AI over?

AI neemt vooral het repetitieve en herhaalbare werk over. Boilerplate code voor preprocessing en data-pipelines, literatuuronderzoek op arxiv en het handmatig bijhouden van experimentlogboeken verdwijnen grotendeels: dat werk kunnen tools sneller en consistenter doen. Daarnaast automatiseren agents taken zoals data-validatie, model monitoring in productie en het genereren van standaard evaluatierapporten, zonder dat jij daar telkens naar moet kijken. Het werk dat overblijft draait om oordeel: welke onderzoeksvraag stellen, welke architectuur past bij het probleem, en wie je moet overtuigen van de risico's van een model. Dat laatste blijft mensenwerk met AI als ondersteuning, niet als vervanger.

Wordt de machine learning engineer vervangen door AI?

Vervanging van het hele beroep is voorlopig niet aan de orde. Microsoft Research plaatst onderzoeksfuncties in de computerwetenschappen, de dichtstbijzijnde categorie voor machine learning engineers, op een AI-toepasbaarheidsscore van 16,9% (2025). Dat is fors lager dan bijvoorbeeld vertalers (49%), maar hoger dan verpleegkundigen (12%). De Nederlandse UWV verwoordt het op basis van onderzoek bij 2.300 werkgevers zo: AI verandert je baan niet, maar wel je takenpakket. Voor machine learning engineers betekent dat: minder tijd aan boilerplate, logging en literatuurscans, meer tijd aan methodologie, architectuur en het bewaken van risico's zoals bias in productiemodellen.

Hoe word je de AI-persoon van het team als machine learning engineer?

Je wordt de AI-persoon van het team niet door de meeste AI-tools te kennen, maar door als eerste te laten zien welke taken écht sneller gaan zonder kwaliteitsverlies. Begin met de eliminate-taken: laat AI boilerplate code en literatuurscans overnemen en documenteer het tijdswinst-effect voor je team. Bouw daarna een vast delegate-proces op voor onderzoeksvoorstellen en rapporten, met een duidelijke check op methodologie voordat iets de deur uitgaat. Deel dat proces met collega's in plaats van het voor jezelf te houden. Wie de anderen leert hoe ze AI veilig inzetten voor hun eigen taken, wordt vanzelf het aanspreekpunt.

Wat kan je deze maand concreet doen om met AI te werken als machine learning engineer?

Kies één eliminate-taak, bijvoorbeeld boilerplate preprocessing-code of literatuurscans, en zet die deze week volledig via een AI-tool op. Meet hoeveel tijd dat bespaart. Richt daarna experiment-tracking in zodat modelversies en resultaten automatisch loggen in plaats van in een spreadsheet. Test vervolgens één delegate-taak: laat AI een eerste draft van een onderzoeksvoorstel of technical report schrijven en beoordeel alleen nog de methodologie en conclusies. Bewaar wat werkt in een vast sjabloon of prompt, zodat je collega's het kunnen overnemen. Dat is de kortste weg van taakanalyse naar een werkend systeem.

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

Word de AI-persoon van je team

Bouw een vast literatuurscan-ritueel

Gebruik een AI-zoektool om bij elk nieuw project eerst vijf relevante papers te laten samenvatten met kernbijdrage en beperkingen. Bewaar dit als vast sjabloon en deel het met het team, zodat literatuuronderzoek geen individuele klus meer is.

Automatiseer je experiment-logging voorgoed

Stop met handmatige spreadsheets voor modelversies. Zet tracking op zodat parameters, datasets en resultaten automatisch loggen bij elke run. Dit is de eerste eliminate-taak die iedereen in het team direct voelt.

Maak een delegate-checklist voor onderzoeksrapporten

Laat AI een eerste versie van een onderzoeksvoorstel of technical report schrijven, maar hou zelf een vaste checklist bij voor methodologie, dataherkomst en conclusies voordat iets naar buiten gaat. Deel die checklist zodat anderen dezelfde kwaliteitscontrole toepassen.

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
GitHub Copilot of Cursor	boilerplate code, unit tests voor data-pipelines (eliminate, automate)	Snel voor standaardcode, maar controleer altijd edge cases zelf.
Een AI-zoekmachine met bronvermelding	literatuuronderzoek en samenvatten van papers (eliminate)	Sneller dan handmatig zoeken, check de originele bron zelf voordat je citeert.
Experiment tracking-tool (bijvoorbeeld MLflow of vergelijkbaar)	logging van modelversies, model monitoring in productie (eliminate, automate)	Automatiseert het loggen, jij kijkt alleen nog naar de trends.
Een groot taalmodel voor tekst (Claude, ChatGPT of vergelijkbaar)	eerste drafts van onderzoeksvoorstellen, rapporten en publicaties (delegate)	Goede eerste versie, wetenschappelijke nauwkeurigheid en originaliteit blijven jouw taak.
Documentbeheer met AI-samenvatting (Notion, Confluence of vergelijkbaar)	projectdocumentatie en gedeelde kennis (eliminate, keep)	Handig voor overdracht, maar vervangt geen echte review van methodologie.

Prompts om vandaag te proberen

Eerste draft onderzoeksvoorstel

Ik werk aan een machine learning project over [probleem]. Schrijf een eerste onderzoeksvoorstel met probleemstelling, onderzoeksvraag, methodologie (dataset, model, evaluatiemetrics) en verwachte beperkingen. Gebruik een zakelijke, technische toon en flag zelf waar je aannames doet.

Literatuurscan

Zoek en vat de vijf belangrijkste recente papers samen over [specifiek ML-onderwerp]. Geef per paper: kernbijdrage, gebruikte methode, dataset, en één kritische opmerking over de beperkingen.

Model card en risicoanalyse

Op basis van deze modelbeschrijving [plak beschrijving], schrijf een model card met: doel, trainingsdata, prestaties, gekende beperkingen, en mogelijke bias- of fairnessrisico's. Wees expliciet over onzekerheden en plekken waar menselijke review nodig is.

Verwante beroepen

Veelgestelde vragen

Moet ik als machine learning engineer nog leren programmeren als AI dat al doet?

Ja. AI genereert boilerplate code snel, maar je moet die code kunnen lezen, debuggen en beoordelen op correctheid en veiligheid. Wie de onderliggende logica niet begrijpt, kan AI-output niet controleren en loopt risico op stille fouten in productie, zeker bij data-pipelines die later in modellen terechtkomen.

Verdwijnt junior ML-werk sneller dan senior werk door AI?

Het repetitieve werk waarmee junior engineers vaak beginnen (boilerplate code, standaard rapportages, logging) verdwijnt het snelst. Dat betekent niet dat junior rollen verdwijnen, maar dat de instap verschuift naar sneller leren beoordelen wat AI produceert, in plaats van alleen zelf uittypen wat een senior al kan.

Welke vaardigheden moet een machine learning engineer nu bijleren?

Focus op methodologisch oordeel: het beoordelen van AI-gegenereerde analyses, statistische output en modelkeuzes op correctheid en risico's zoals bias. Daarnaast wordt het schrijven van heldere prompts en het opzetten van controlestappen (checklists, reviewrituelen) een vaste vaardigheid naast de klassieke ESCO-basis van statistiek en onderzoeksmethodologie.

Hoe verhoudt AI-gebruik door ML engineers zich tot de algemene bevolking?

Cijfers over specifiek AI-gebruik door machine learning engineers zijn niet apart gemeten. Wel gebruikt 61% van de Belgen een AI-chatbot (Google/Ipsos, 2025) en 43% van de Vlamingen generatieve AI maandelijks (imec.digimeter 2026). Bij technische beroepen zoals ML engineering ligt dagelijks gebruik van code- en researchtools naar alle waarschijnlijkheid hoger, maar dat specifieke cijfer ontbreekt in de beschikbare bronnen.

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.