In 2026 heeft een IT-team dat AI verantwoord wil inzetten een combinatie nodig van technische AI-vaardigheden, zoals prompt engineering, datagovernance en agent-observability, én niet-technische vaardigheden zoals AI-literacy, procesdenken en het vermogen om menselijk toezicht goed te organiseren. Welke mix precies nodig is, hangt af van de volwassenheid van je huidige team en de AI-ambities van je organisatie. De vragen hieronder helpen je bepalen waar je nu staat en wat je als volgende stap zet.
Welke AI-rollen zijn er in een IT-team van 2026?
In een IT-team van 2026 zijn de meest relevante AI-rollen: de AI-engineer of agent-developer die AI-toepassingen bouwt en integreert, de data-engineer die zorgt voor schone en betrouwbare data, de AI-operations specialist die agents in productie bewaakt, en de AI-lead of architect die de technische richting bepaalt en verbindt met de bedrijfsstrategie.
Wat opvalt is dat deze rollen niet allemaal nieuw zijn. De data-engineer bestond al. Wat verandert is de context: in 2026 werken AI-agents actief met data, nemen beslissingen en voeren acties uit. Dat stelt andere eisen aan iedereen in het team, niet alleen aan de mensen met “AI” in hun functietitel.
Naast de bouwers zijn er twee rollen die organisaties regelmatig onderschatten. De eerste is de compliance- of governance-verantwoordelijke binnen IT: iemand die de EU AI Act en de AVG vertaalt naar concrete technische eisen, zoals audit trails en toegangscontroles. De tweede is de change- of adoptiespecialist: iemand die ervoor zorgt dat collega’s buiten IT daadwerkelijk met AI-tools gaan werken en hun werkwijze durven aanpassen. Zonder die twee rollen strandt zelfs een technisch goed gebouwde agent op weerstand of regelgeving.
Wat zijn de technische AI-vaardigheden die elke IT-professional nodig heeft?
Elke IT-professional in 2026 heeft baat bij een basisniveau van technische AI-vaardigheden: begrijpen hoe large language models en AI-agents werken, kunnen beoordelen wat een agent wel en niet kan, en weten hoe je datakwaliteit en toegangsrechten inricht zodat een agent betrouwbaar functioneert.
Concreet gaat het om de volgende technische gebieden:
- Prompt engineering en agent-configuratie: begrijpen hoe je een agent instrueert en welke parameters het gedrag sturen
- Datakwaliteit en datacontracten: weten welke eisen schone brondata stelt en hoe je formele afspraken maakt over dataleveringen
- Identity en access management voor agents: agents behandelen als een nieuwe identiteitsklasse met eigen authenticatie en autorisatie, inclusief audit trails
- Observability: zicht houden op wat agents in productie doen, welke data ze opvragen en welke acties ze uitvoeren
- Evaluatie van AI-output: systematisch meten of een agent het juiste antwoord geeft of de juiste actie aanbeveelt
Niet iedereen hoeft dit op hetzelfde niveau te beheersen. Een systeembeheerder hoeft geen agent te kunnen bouwen, maar moet wel begrijpen hoe hij toegangsrechten voor agents instelt. Een ontwikkelaar hoeft geen datagovernance-beleid te schrijven, maar moet wel weten wanneer de datakwaliteit onvoldoende is om een agent betrouwbaar te laten draaien.
Welke niet-technische vaardigheden bepalen of AI-implementatie slaagt?
Of een AI-implementatie slaagt, wordt voor een groot deel bepaald door niet-technische vaardigheden: AI-literacy bij de bredere organisatie, het vermogen om processen te documenteren en te herontwerpen, en de bereidheid van medewerkers om hun werk aan te passen aan wat agents overnemen. Techniek is de voorwaarde; adoptie is de doorslag.
AI-literacy betekent hier niet dat iedereen moet weten hoe een taalmodel werkt. Het betekent dat medewerkers begrijpen wat een agent wel en niet kan, wanneer ze een uitkomst moeten controleren en wanneer ze mogen doorpakken op wat de agent aanbeveelt. Zonder dat basisinzicht ontstaat óf blind vertrouwen óf onnodig wantrouwen, en beide leiden tot slecht gebruik.
Procesvolwassenheid is de tweede niet-technische factor die het verschil maakt. Een agent kan alleen betrouwbaar werken als het proces dat hij ondersteunt herhaalbaar en gedocumenteerd is. Werk dat afhankelijk is van impliciete kennis bij individuele medewerkers, is niet geschikt voor AI-automatisering totdat die kennis expliciet is gemaakt. Dat vraagt geen technische vaardigheid, maar wel procesdenken en de discipline om werkwijzen vast te leggen.
Ten slotte: heldere escalatiepaden. Wie in je team beslist wanneer een mens ingrijpt, wanneer een mens controleert en wanneer de agent zelfstandig doorpakt? Die afspraken moeten worden gemaakt voordat een agent live gaat, niet erna.
Hoe breng je de huidige AI-volwassenheid van je IT-team in kaart?
Je brengt de AI-volwassenheid van je IT-team in kaart door per relevant domein, zoals datakwaliteit, procesvolwassenheid, security en AI-literacy, te beoordelen in welke mate de basis op orde is. Dat doe je met gerichte gesprekken met de verantwoordelijken per domein, niet met een lange vragenlijst die iedereen invult.
Een praktische aanpak werkt in drie lagen:
- Waarheid: Is de data waarop een agent zou werken schoon, actueel en eenduidig? Zijn er duidelijke eigenaren en formele afspraken over datakwaliteit?
- Werking: Zijn de processen die je wilt automatiseren gedocumenteerd en herhaalbaar? Is de security ingericht voor agents als identiteitsklasse? Heb je zicht op wat er in productie gebeurt?
- Waarde: Begrijpen medewerkers wat agents doen en durven ze hun werk aan te passen? Is er een scherpe waardehypothese: welk probleem lost deze agent op, voor wie, en hoe ziet succes eruit?
De uitkomst van zo’n inventarisatie is geen rapportcijfer maar een prioriteitenlijst: op welke fundamenten is de organisatie al sterk genoeg om een eerste agent verantwoord te laten draaien, en wat moet er eerst worden versterkt? Dat geeft meer houvast dan een generieke maturityscore. Meer over de negen fundamenten lees je in het AI Foundationsmodel dat we hanteren.
Wanneer is bijscholen voldoende en wanneer moet je extern werven?
Bijscholen is voldoende wanneer de benodigde AI-vaardigheid een verbreding is van wat iemand al beheerst, zoals een data-engineer die leert werken met datacontracten voor agents, of een ontwikkelaar die prompt engineering oppakt. Extern werven is nodig wanneer een vaardigheid fundamenteel anders is dan wat je team nu doet, of wanneer de leercurve te lang is voor het tempo dat je nodig hebt.
Een praktische vuistregel: als iemand in je team al werkt in het aangrenzende vakgebied en de nieuwe vaardigheid een logische volgende stap is, is bijscholen realistisch. Denk aan een security-engineer die leert hoe hij agents als identiteitsklasse behandelt, of een IT-manager die AI-governance leert begrijpen in de context van de EU AI Act. Dat zijn uitbreidingen, geen omscholingen.
Extern werven wordt relevant in drie situaties. Ten eerste wanneer je een vaardigheid nodig hebt die niemand in je team in de buurt heeft, zoals agent-observability of AI-evaluatiemethodiek. Ten tweede wanneer je snelheid nodig hebt die interne scholing niet kan leveren. Ten derde wanneer het gaat om een tijdelijke behoefte voor een specifiek project, waarbij een specialist van buiten meer zin heeft dan een medewerker die iets nieuws aanleert en daarna die kennis niet meer gebruikt. Bekijk ook ons Connect & Build programma voor AI-teams voor concrete ondersteuning bij dit vraagstuk.
Welke AI-vaardigheden zijn het moeilijkst te vinden op de arbeidsmarkt?
De AI-vaardigheden die op dit moment het moeilijkst te vinden zijn, zijn agent-observability en AI-evaluatie, datagovernance gecombineerd met AI-kennis, en de combinatie van technische AI-kennis met change management of adoptievaardigheden. Generalisten met brede AI-kennis zijn er inmiddels meer, maar diepe specialisten op deze specifieke kruispunten zijn schaars.
Observability voor AI-agents is een relatief nieuw vakgebied. Het gaat verder dan applicatiemonitoring: je wilt weten welke data een agent opvraagt, welke beslissingen hij neemt en of zijn output kwalitatief klopt. Mensen die dit structureel kunnen inrichten en verbeteren, zijn zeldzaam.
De combinatie van datagovernance en AI is een tweede knelpunt. Veel data-professionals kennen governance goed, maar begrijpen niet hoe agents specifieke eisen stellen aan semantische consistentie en datacontracten. Omgekeerd begrijpen AI-engineers vaak onvoldoende hoe governance in een grotere organisatie werkt. Iemand die beide werelden beheerst, is moeilijk te vinden.
Ten slotte: de brug tussen techniek en mensen. AI-implementaties mislukken zelden door slechte code, maar vaak door gebrekkige adoptie. Iemand die zowel technisch genoeg is om mee te praten over de architectuur als sterk genoeg in change management om de organisatie mee te nemen, is een profiel dat de arbeidsmarkt nauwelijks aanbiedt. Lees meer over wie wij zijn en hoe wij dit soort schaarse profielen verbinden aan organisaties.
Hoe wij helpen bij het versterken van AI-vaardigheden in jouw team
Als je weet welke AI-vaardigheden je nodig hebt maar niet zeker weet hoe je de huidige situatie eerlijk in kaart brengt, helpen wij je daarmee. Via onze Foundation Scan brengen we in drie gerichte gesprekken de volwassenheid van jouw organisatie in kaart op alle negen fundamenten: van datakwaliteit en security tot AI-literacy en strategische intentie. De uitkomst is een concreet beeld van waar je nu staat en wat de logische volgende stap is, zonder dat je er meer dan twee tot drie uur interviewtijd voor hoeft vrij te maken.
Voor het invullen van specifieke AI-vaardigheidstekorten werken we via AIConnected met een netwerk van zorgvuldig geselecteerde specialty partners: specialisten in agent-observability, datagovernance, AI-security en change management. We brengen precies de expertise binnen die jouw situatie vraagt, zonder leercurves op jouw kosten en zonder een generalist die overal “iets van weet”.
- Foundation Scan: volwassenheidsassessment op alle negen fundamenten, doorlooptijd maximaal een halve dag aan onze kant
- Waardehypothese-workshop: scherp maken welk probleem je eerste agent oplost en hoe succes eruitziet
- Specialist sourcing: de juiste AI-professional voor een specifieke vaardigheid of een afgebakend project
- Programmamanagement: regie over het totale traject als het vraagstuk meerdere vakgebieden raakt
Wil je weten waar jouw IT-team nu staat op het gebied van AI-vaardigheden? Meld je aan voor een vrijblijvend gesprek over de Foundation Scan.