Vers afgestudeerd van de universiteit en klaar om het bedrijfsleven te bestormen. In 2016 rondde ik mijn master International Economics & Business met econometrie af. Ik wist nog niet exact hoe ik mijn carrière wilde inrichten, maar één ding was duidelijk: ik wilde werken met nieuwe technologie, informatiebronnen, statistiek en slimme software.
Management Traineeships waren toen al helemaal in en veel van mijn mede-studenten solliciteerden daarop. Maar ik wilde de inhoud in. Ik wilde voorbereid zijn op de toekomst in een wereld waarin de enige constante verandering is.
Daarnaast werd in 2012 de rol van Data Scientist nog uitgeroepen tot ‘Sexiest Job of the Year’. Daarom koos ik bewust voor de IT-, software- en datakant.
Na een onsuccesvolle eerste stap als (management) consultant ICT ging ik aan de slag als junior Data Analist / Data Scientist bij een nieuw Data Science / Analytics adviesbureau. Dat smaakte goed. Ik vond nog een tweede werkgever in dezelfde richting en heb sindsdien veel interim- en freelanceopdrachten mogen uitvoeren bij uiteenlopende organisaties op het gebied van ‘data’ zoals: Data Analyst, Data Scientist, Product Manager, Data Engineer en Data Lead.
Nu, tien jaar later, kan ik daarom terugkijken op tientallen data-onderzoeken, migraties, implementaties van nieuwe tooling, systemen, programmeertalen, business cases en natuurlijk: AI-trajecten. Afgelopen tien jaar is er veel veranderd. Maar ook verrassend weinig.
AI in 2016 versus AI in 2026: containerbegrip of volwassen domein?
In 2016 was ‘AI’ al hip. Maar onder data-specialisten werd het vaak gezien als een containerbegrip voor managers die niet precies wisten wat voor werk we echt deden. “Kun je programmeren?” – als je antwoord ja was dan mocht je vaak al aan de slag bij een opdrachtgever.
Voor veel organisaties betekende AI destijds: Chatbots, Statische Analyses, NLP-algoritmes, Multivariate regressie analyses verpakt als Machine Learning modellen, slimme if-else-statements en anere Data management of automatiseringstoepassingen in bijvoorbeeld Python of R.
De realiteit? De meest succesvolle data-trajecten waren zelden de technologisch meest indrukwekkende oplossingen. Het waren meestal de toepassingen die een goedlopende business unit of afdeling slim ondersteunden. Geen science fiction, maar goede software op de juiste plek met de juiste mensen. En dat is eigenlijk nog steeds zo.
Wat is Data Science eigenlijk? (En waarom verschilt het per organisatie?)
Data Science heeft anno 2026 nog steeds geen eenduidige definitie. Dat merken we dagelijks bij SPECTS in gesprekken met kandidaten en opdrachtgevers.
Bij corporates en MKB+ organisaties is Data Science vaak de afdeling die werkt met: Machine Learning, AI & LLM’s, automatisering, statistiek, nieuwe software, empirisch onderzoek en big data analyses.
Sommige organisaties zijn wel internationaal voorloper op het gebied van Data Science zoals bepaalde afdelingen binnen KLM, Rabobank, TNO, Defensie en ASML. Erg leuk om dat van dichtbij mee te kunnen maken als interim Data Scientist.
Bij andere organisaties is de Data Scientist echter een veel generieker profiel. Daar moet één persoon soms ervaring hebben met de hele data-stack: Data Engineering, Software Development, Data Analyse, Data Management, IT Support, Stakeholdermanagement en Rapportagebeheer.
Met vaak als opdracht van de manager of opdrachtgever: “We willen meer met data doen.”
Begrijp me niet verkeerd: sommige Data Scientists kunnen dit allemaal ook. Maar het is niet gebruikelijk en het is zeker geen duurzame manier om strategisch het maximale uit je data-stack te halen. Daarnaast is de kans op het succesvol overdragen van deze Data Scientist’s kennis naar anderen vrijwel nihil en komt er op termijn steeds meer druk op deze persoon te liggen.
De uitdagingen van 2016 lijken verdacht veel op die van 2026
Technologische adoptie is nog steeds beperkt.
Veranderkunde is nog steeds cruciaal.
En veel organisaties huren nog steeds liever extern advies in dan dat zij structureel investeren in de data-infrastructuur of het verbeteren van interne samenwerkingen.
Dat is niet cynisch bedoeld. Het is een observatie van de afgelopen 10 jaar.
En precies daarom is Data Strategie en Data Science vandaag belangrijker dan ooit.
Wordt de Data Scientist met uitsterven bedreigd?
Soms lijkt het erop.
Wil je advies op AI-vlak? Dan huur je een AI Strategist of AI Evangelist in.
Wil je schaalbare data-oplossingen? Dan zoek je een Data Engineer of Datawarehouse specialist.
Wil je governance? Dan komt er een Data Governance of Data Management Consultant.
De rol wordt specialistischer.
En ondertussen heeft de Data Scientist concurrentie gekregen van een nieuwe generatie: juniors die met ‘vibe coding’ en AI prompting razendsnel antwoorden en hele code-bases genereren, inclusief kwalitatieve code waar we in 2016 nog diep respect voor hadden.
Maar onderschat de ervaren Data Scientist niet.
De die-hard professional heeft AI geïntegreerd in zijn eigen workflow. Die werkt effectiever dan ooit. Iemand met tien jaar ervaring bokst soms meer voor elkaar dan vijf juniors bij elkaar, of de juniors kunnen überhaupt de kwaliteit niet evenaren van deze specialist. Simpelweg omdat hij of zij weet hoe frustrerend het is om alles zelf uit te zoeken, van GIT-commando’s tot verhitte StackOverflow-discussies.
De Data Scientist is dus niet verdwenen.
De rol van Data Scientist is volwassen geworden.
Chatbots & LLM’s: van maatwerk naar commodity
In 2016 wilde iedere organisatie een eigen chatbot. Een eigen slimme zoekmachine. Eigen NLP-modellen, slimme customized klantenservices, image recognition, alles moest zelf gebouwd worden door de 3 Data Scientists zonder sturing. De zoektocht naar het goud was geopend en er werd weinig samengewerkt met andere afdelingen of bedrijven. De belangrijkste discussie van het management was toen: “zetten we de server on premise (in de kelder) of in de cloud”? – Een discussie die trouwens nog steeds relevant is ;).
Vandaag de dag neemt ChatGPT, Mistral.ai, Claude, Deepseek en andere LLM’s al veel van deze toepassingen over. AI-agents zijn niet langer toekomstmuziek, maar doen hun intrede in bedrijfsprocessen.
Waar vroeger innovatie zat in het bouwen van het model, zit het nu in:
- Integratie in bestaande processen
- Datakwaliteit
- Governance
- Security
- Strategische toepassingen
De focus verschuift van techniek naar waardecreatie. Weinig organisaties willen echt serieus een eigen ChatGPT ontwikkelen, en waarom zou je ook. Je gaat gewoon naar ChatGPT.com en daar staat de gratis variant op je te wachten die beter is dan welke Chatbot van de afgelopen tien jaar dan ook. Nog wel.. totdat deze achter een paywall of advertentie gezet zal worden.
R vs Python vs ‘vibe coding’
In 2016 woedde een hevige strijd: wordt het R of Python?
Python heeft die strijd overtuigend gewonnen. Dankzij:
- Een groot ecosysteem aan packages
- Een relatief steile leercurve
- Snelle inzetbaarheid in productie
Maar inmiddels staat de volgende verschuiving alweer voor de deur.
Met vibe coding en AI-assisted development zoals Cursor AI kun jij je relatief eenvoudig voordoen als expert in meerdere programmeertalen. Daardoor wordt de taal zelf minder onderscheidend.
Wat wel steeds meer onderscheidend wordt: begrijpen wat je bouwt, waarom je het bouwt en of het schaalbaar, uitlegbaar en onderhoudbaar is. Daar schreef ik eerder ook al een Blog voor.
Van Data Generalist naar Data Specialist
In 2016 kon je jezelf nog profileren als Data Scientist terwijl je eigenlijk meer Data Analist of Software Engineer was. In 2026 kom je daar minder makkelijk mee weg.
De markt vraagt om specialisatie:
- AI Engineer
- ML Engineer
- Data Architect
- Data Governance Consultant
Wil je experimenteren met data en code? Dat kan nog steeds.
Maar de eisen zijn hoger geworden. De lat ligt hoger.
En dat vind ik een goede ontwikkeling. Minder ruis, meer concrete vraagstukken.
Dataplatformen: van monoliet naar microservices
Rond 2016 waren AWS, Azure en Google Cloud al in opkomst. Daarnaast probeerden traditionele spelers hun eigen dataplatformen te positioneren.
Vandaag zien we:
- Microservices-architecturen
- Overlappende tooling
- AI-integraties in bijna elk platform
- Discussies als Snowflake vs Databricks
- Tooling als dbt, Airflow en Apache-ecosystemen
- Low-code & No-code platformen met AI toepassingen
De complexiteit is toegenomen.
De keuzes zijn groter.
En juist daarom is een heldere data-architectuur en strategie essentieel.
Wat is dan wel hetzelfde gebleven?
SQL.
SQL is niet verdwenen en wordt nog steeds massaal gebruikt. Ik vergelijk SQL graag met Excel. Je kunt alles programmeren en automatiseren, maar het is prettig om zelf je dataset samen te stellen en aan de knoppen te zitten.
Daarnaast is er nog iets onveranderd:
- Begrijpen hoe een organisatie werkt
- Weten wie de gebruikers zijn
- Rekening houden met wet- en regelgeving
- Communiceren met stakeholders
Soft skills zijn daarbij nog steeds cruciaal. En authenticiteit is waardevoller geworden, we filteren makkelijker irrelevante informatie en AI.
Data Science is en blijft een domein waar ontzettend waardevolle inzichten vandaan komen. Maar zonder organisatiebegrip en veranderkracht blijft het theorie.
De Data Scientist is volwassen geworden
Waar we vroeger speculeerden over ‘the next big thing’ in data, zijn veel use cases inmiddels realiteit geworden.
Bang dat we ons gaan vervelen?
Gelukkig niet.
De AI-markt van 2026 lijkt verdacht veel op de Data Science-markt van 2016: veel belofte, veel hype, veel kansen, wederom een drang naar rekenkracht, computerchips en een groot verschil tussen experimenteren en structureel waarde creëren.
Misschien schrijf ik over tien jaar wel een nieuwe blog:
“Mijn ervaring in 10 jaar AI – en wat jij ervan kunt leren.” ..
Wat jij hiervan kunt meenemen (als kandidaat of opdrachtgever)
Voor kandidaten:
- Blijf je ontwikkelen.
- Kies bewust voor verdieping of verbreding.
- Gebruik AI als versneller, niet als vervanger van fundamentele kennis.
- Nieuwe tools zijn interessant maar laat je niet afleiden
Voor opdrachtgevers:
- Data Science is geen magische knop.
- Investeer in data-infrastructuur en strategie.
- Denk verder dan tooling, denk in waardecreatie.
Data is geen project. Het is een structurele competentie.
En precies daar help ik organisaties bij: het verbinden van Data Science, Succesvol Machine Learning Modellen ontwikkelen, Data Engineering en AI aan een duurzame data-strategie.
Het liefst nog eens minimaal 10 jaar.
