Patroon: Data- en AI-rollen smelten samen zonder dat er intuïtie of kritisch denkvermogen bijkomt. Data engineers worden AI engineers, maar bouwen pipelines zonder te begrijpen wanneer je een model níet moet vertrouwen.
Waarom gevaarlijk: - 80-90% van modern datawerk raakt AI — maar de mindset is nog "pipelines bouwen" - RAG wordt behandeld als "de ETL van AI" — een technisch klusje, geen strategische keuze - AI-output wordt niet behandeld als code die je kritisch reviewt - Het enige dat AI mist is instinct — weten wanneer je níét moet handelen
Signalen: - "We hebben RAG geïmplementeerd" klinkt als eindpunt, niet als start - Kolombeschrijvingen worden puur technisch geschreven (niet als context-engineering voor LLM's) - Niemand bouwt MCP-integraties voor veelgebruikte tools - AI-output gaat direct naar productie zonder menselijke review
Impact MKB: - Over-automatisering: processen die AI aanstuurt maar niemand echt begrijpt - Productiviteitscrisis: MKB loopt voorop in AI-adoptie maar faalt op organisatie - Dure implementaties zonder gedragen werkwijze
Impact per segment
| Grootte | Impact | Reden |
|---|---|---|
| Micro (1-10) | Zeer hoog | De eigenaar moet alles zelf: boekhouden, sales, IT én AI-beheer. Er is letterlijk niemand met tijd of kennis om AI-output kritisch te beoordelen. Alles wordt 'aangezet en vergeten'. |
| Klein (10-50) | Zeer hoog | Kunnen geen data-engineer of AI-specialist betalen. De 'tech-savvy' medewerker krijgt AI erbij als taak. Geen budget voor training of opleiding — medewerkers leren 'on the job' met alle risico's van dien. |
| Middel (50-250) | Hoog | Hebben vaak één IT-medewerker of een kleine IT-afdeling, maar geen specialisatie in AI/ML. Kunnen wél consultants inhuren, maar de kennis blijft extern. Interne AI-competentie wordt niet opgebouwd. |
| Sector | Risico | Reden |
|---|---|---|
| IT | Zeer hoog | Ironisch genoeg de grootste skills gap: developers die AI-tools gebruiken zonder de fundamentele beperkingen te begrijpen. Code wordt gegenereerd maar niet begrepen. |
| Financiën | Zeer hoog | Financiële data-analyse vereist domeinkennis én AI-kennis. De combinatie is uiterst zeldzaam. RAG-systemen voor compliance zonder begrip van regelgeving zijn een tikkende tijdbom. |
| Zorg | Zeer hoog | Zorgprofessionals hebben medische kennis maar geen AI-kennis — en AI-specialisten hebben geen medische kennis. De kloof is potentieel dodelijk bij AI-gedreven diagnostiek. |
| Dienstverlening | Hoog | Adviesbureaus hebben wel domeinexperts maar geen AI-kennis. Het risico: consultants gebruiken AI-output als eigen analyse zonder te snappen waar de zwakke plekken zitten. |
| Onderwijs | Hoog | Docenten worden geacht AI-tools te integreren zonder training. Het resultaat: oppervlakkig AI-gebruik dat de onderwijskwaliteit niet verbetert maar wel tijd kost. |
| Bouw | Middel | Bouwsector heeft praktische skills gap: calculators en werkvoorbereiders moeten AI leren gebruiken zonder IT-achtergrond. De adoptie is traag maar de schade is beperkter. |
Bronnen: pipeline2insights.substack.com (Aboy), accountant.nl (MKB productiviteitscrisis), aifeed 2026-04-06