Gaat AI het werk van een Analytics Engineer overnemen?

Nu AI steeds beter code schrijft, ligt de vraag voor de hand: gaat AI het werk van Analytics Engineers overnemen? Een deel van het technische werk doet AI al. Maar wie datamodellen en dashboards bouwt, doet veel meer dan code schrijven.

Daniël van Meurs is Analytics Engineer bij Creates. In zijn eerste blog vertelde hij wat een Analytics Engineer doet en waarom die rol de schakel vormt tussen data en business. In zijn tweede blog dook hij in het datamodel: hoe een computer met data omgaat en hoe een dashboard daardoor snel én veel kan. Beide blogs lieten zien dat zijn werk maar voor de helft techniek is. De andere helft is luisteren, doorvragen en keuzes maken die niet in de data staan. Juist die tweede helft staat centraal in dit derde en laatste deel. De vraag of AI zijn werk gaat overnemen, krijgt hij geregeld. Hier legt hij uit waarom zijn antwoord nee is. Niet omdat AI het niet kan, maar omdat de kennis die ervoor nodig is zelden in de data staat. En hij vertelt wat er wél verandert aan zijn vak.

Een voorbeeld uit mijn eigen praktijk. Bij een klant werkte ik aan een datamodel en kwam ik in de brondata een kolom tegen met de naam ‘Nettosaldo’. Netto, dacht ik eerst: iets met belasting eraf. Pas toen ik er met mensen van de klant over doorpraatte, bleek dat het in hun sector om iets heel anders ging: de inkoopwaarde die de voorraad vertegenwoordigt. En saldo was bij hen geen ander woord voor bedrag, zoals het elders vaak is. Het was het bedrag ná verrekening van de retouren.

Had ik de retouren niet verrekend, dan had het dashboard van deze klant structureel te hoge cijfers laten zien. Dat was mogelijk pas opgevallen bij een vergelijking met de jaarrekening. De betekenis van die kolom heb ik niet uit documentatie gehaald, maar uit een gesprek met de business. Een AI zonder die context had waarschijnlijk dezelfde aanname gedaan als ik in eerste instantie, en de kolom snel, zonder aarzelen en overtuigend verwerkt. Alleen hadden de cijfers dan niet geklopt.

 

Het probleem is niet de techniek

Begrijp me goed: ik gebruik AI zelf ook volop. Code is een belangrijk deel van mijn werk, en code schrijft AI al enorm goed. Het zou haast zelfsabotage zijn om die hulp niet in te schakelen. Toch doe ik het grootste deel van mijn werk nog steeds zonder AI.

Code is namelijk het midden van mijn werk. Daarvoor zit een gesprek over wat de business bedoelt. Daarna zit een dashboard waar mensen beslissingen op nemen. Die menselijke kant, aan de voor- en de achterkant, raak je makkelijk uit het oog.

Want als het over AI gaat, gaat het bijna altijd over de vraag wat AI kan. En kan het iets nog niet, dan wordt gewezen op hoe snel de ontwikkelingen gaan. Begrijpelijk, maar het is de verkeerde vraag. De vraag is niet of AI een goed datamodel kan bouwen, maar of de context die het daarvoor nodig heeft überhaupt beschikbaar is. En die context zit precies in dat gesprek aan de voorkant.

 

De logica zit in hoofden

Werkte elk bedrijf volgens het tekstboek, dan zou AI er prima mee uit de voeten kunnen. Er rolt dan waarschijnlijk iets uit dat je een perfect model zou kunnen noemen. Zo’n bedrijf bestaat alleen niet. Elk bedrijf kent uitzonderingen: dingen die net anders werken dan je zou verwachten. Vaak zijn die niet eens een probleem, maar juist nodig om de businesslogica werkend te houden. Tegelijk is logica die historisch zo gegroeid is niet per definitie logisch of efficiënt. En dezelfde data kan bij het ene bedrijf iets heel anders betekenen dan bij het andere. De logica erachter bepaalt de betekenis.

Kan AI dan niet met uitzonderingen omgaan? Jawel, maar niet uit zichzelf. Met uitleg wordt zo’n uitzondering gewoon een nieuwe regel, en daar kan AI prima mee werken. Zonder uitleg is het gissen. Voor AI net zo goed als voor mij.

Het is niet vanzelfsprekend dat die uitleg netjes gedocumenteerd staat. Bij de meeste bedrijven is er wel iets van documentatie en structuur, maar genoeg afdelingen leunen grotendeels op de kennis en ervaring van hun medewerkers. AI kan alleen werken met wat het te zien krijgt. Wat in iemands hoofd zit, ziet het niet, tenzij iemand het opschrijft of uitspreekt.

Lees ook: Snel en veel: waarom je Power BI-dashboard een goed datamodel nodig heeft

 

Wie voert straks het gesprek?

De kennis in die hoofden staat bovendien niet stil. Halverwege een project blijkt een wens vaak net anders te liggen dan we dachten. Soms komt de klant daar zelf ook pas dan achter. Daarom blijf ik in gesprek, van begin tot eind. AI heeft die context net zo hard nodig als ik. Krijgt het die niet, dan maakt het iets wat er ongetwijfeld indrukwekkend uitziet, maar niet doet wat de klant bedoelt. In het slechtste geval ontdekt een eindgebruiker dat pas in productie, met alle gevolgen van dien.

Stel dat AI mijn werk wel zelfstandig overneemt. Dan verdwijn ik als schakel tussen de klant en AI, en praat de klant rechtstreeks met AI. Het gesprek dat nu aan tafel plaatsvindt, verhuist naar een chatvenster. Dat klinkt als efficiëntie, maar in werkelijkheid krijgt de klant er werk bij. Die moet zelf bedenken welke context AI nodig heeft, en zelf controleren of AI die goed heeft begrepen.

De verantwoordelijkheid komt daarmee nadrukkelijker bij de klant te liggen. Is de klant niet vaardig genoeg om op de juiste manier met AI te communiceren, dan is de kans groot dat AI toch context mist en niet levert wat de klant wil.

 

'Kunnen' is nog geen 'gaan doen'

Kan AI mijn werk overnemen? Ja, dat kan zeker. Maar alleen met dezelfde nauwe samenwerking die ik nu met klanten heb. De tijd die stakeholders uit de business nu met mij aan tafel doorbrengen, moeten ze dan in gesprekken met AI steken, en waarschijnlijk zelfs meer. Daar wringt het. Gaat AI mijn werk overnemen? Nee. Niet omdat AI tekortschiet, maar omdat de mens volgens mij de beperkende factor is.

Neemt AI dit werk over, dan verandert het werk van iedereen eromheen radicaal. Minder vergaderen, meer chatten met AI. Businessgebruikers, vaak niet technisch, moeten omscholen tot Analytics Translators: mensen die vertalen tussen hun vak en de data. Dat roept weerstand op, want mensen houden doorgaans niet van verandering. En als de communicatie niet soepel loopt, wie is dan verantwoordelijk: de businessgebruiker, AI of het management?

Loopt het gesprek tussen business en AI vast, dan moet je er iemand bijhalen die beide kanten snapt. En wie bel je dan? Juist. De Analytics Engineer.

 

Wat wel verandert: minder metselen, meer bouwen

Dat AI mijn werk niet overneemt, betekent niet dat alles blijft zoals het is. Ons vak gáát veranderen door AI. Voor sommige vakgenoten is dat een vloek, voor anderen een zege, maar het is nou eenmaal de realiteit.

Een datamodel wordt regelmatig vergeleken met het bouwen van een huis. Zo’n huis bouw je niet in één keer. Je moet muurtjes metselen, vloeren leggen en er moet een hoop gecoördineerd worden. Als datavaklieden hebben we allemaal geleerd om die muren zelf te metselen en die vloeren zelf te leggen: rapportagepagina’s bouwen, code schrijven, bugs oplossen.

Inmiddels is AI erg goed geworden in precies die taken. Een slimme Data- of Analytics Engineer laat AI die muurtjes dan ook voor zich bouwen. Eén voorwaarde blijft wel staan: je moet zelf weten hoe je zo’n muurtje bouwt. Niet om te weten hoeveel tijd je bespaart, maar omdat jij als projectleider moet weten hoe zo’n muurtje eruit hoort te zien. Bouwt AI een muurtje dat niet in orde is en weet jij er niets van, dan kan zomaar je huis instorten. Met een datamodel is dat niet anders.

 

Was al dat metselen zonde van de tijd?

Bij ervaren vakgenoten merk ik een verschil in mentaliteit. Een deel is blij dat de muurtjes voor ze gebouwd worden en maakt daar goed gebruik van. Anderen balen: heb ik al die jaren moeite gestoken in goed leren metselen, en was dat dan zonde van de tijd? Tegen hen zou ik zeggen: je hebt niet alleen leren metselen. Je hebt geleerd hoe je een huis bouwt, en dat is veel belangrijker.

Mijn tip? Kun je goed muurtjes metselen? Stop er dan mee. Je huis is sneller af als AI het doet, en door jouw kennis hoeft dat absoluut niet ten koste te gaan van de kwaliteit. Heb je de ambitie om je te ontwikkelen in de datawereld en heb je zelf nog nooit een muurtje gemetseld? Ga het dan juist wél doen. Door het zelf te ervaren leer je wat belangrijk is, en voorkom je dat jouw AI-muren zomaar instorten.

 

Geen huis uit de catalogus

Maar als AI muurtjes kan metselen en vloeren kan leggen, kan het dan niet ook een heel huis bouwen? Die redenering is logisch, en ja, dat kan AI ook. Maar coördineer jij als Data- of Analytics Engineer niets, dan bouwt AI zomaar een huis. Wil je in een standaard cataloguswoning wonen, prima. Zo werken bedrijven alleen niet. Bedrijven barsten van de specifieke wensen die passen bij hun business, en die wensen zitten in de hoofden van mensen.

Het werk van de Analytics Engineer blijft dus evolueren, en samenwerken met AI is daarin cruciaal. Groei je als Analytics Engineer niet met AI mee, dan gaat AI je werk misschien toch wel overnemen.

 

Waar zit jullie Nettosaldo?

Bijna elke organisatie heeft er een: een kolom, een regel of een uitzondering die maar een paar collega’s echt begrijpen. Zolang die collega’s er zijn, gaat het goed. Tot je AI op je data loslaat, of iemand vertrekt.

Bij Creates bouwen we dataplatformen en Power BI-oplossingen in Microsoft Fabric of Databricks, maar het werk begint aan tafel. Samen met jouw mensen halen we de logica uit de hoofden en leggen we die vast in het datamodel. Zo klopt je dashboard vandaag, en weet AI straks waarmee het werkt.

Benieuwd waar jullie ‘Nettosaldo’ zit? Daniël en zijn collega’s zoeken hem graag met je op. Neem contact met ons op of plan een kennismaking in.