Je hebt geen AI-vaardighedentekort

Vraag me of Nederlandse mkb-bedrijven een AI-vaardighedentekort hebben en het eerlijke antwoord is ja — alleen niet het tekort waar deze maand alle koppen over gaan. Het tekort waar overal over geschreven wordt beschrijft een markt die een bedrijf van twintig man nooit zal betreden; het tekort dat hier daadwerkelijk projecten laat mislukken is kleiner, gewoner, en heeft bijna niets met machine learning te maken.

Waarom elke krantenkop een tekort meldt

Open deze zomer een willekeurige recruitmentnieuwsbrief en de cijfers zijn dramatisch. AI- en ML-functies staan gemiddeld 89 dagen open — de langste doorlooptijd van elke techcategorie, met schattingen die de wereldwijde kosten van het vaardighedentekort op wel 5,5 biljoen dollar aan vertraagde producten en misgelopen omzet zetten. Ondertussen kannibaliseren de frontier labs elkaars loonlijst in het openbaar: Andrej Karpathy verliet zijn eigen startup voor Anthropic's pretraining-team, Nobelprijswinnaar John Jumper stapte over van DeepMind naar Anthropic, Noam Shazeer ging de andere kant op naar OpenAI, en minstens tweeëntwintig hoogleraren namen dit jaar verlof op bij Stanford, Berkeley en Harvard om bij een lab te gaan werken. Ik schreef een paar weken geleden al over wat die specifieke talentenoorlog eigenlijk betekent voor kleinere bedrijven; de korte versie: bijna niets.

Dat tekort is reëel, en het is de moeite waard om serieus te nemen — voor de handvol organisaties waar het daadwerkelijk op van toepassing is. Het is een markt voor mensen die het model zelf beter kunnen maken: onderzoekers die iets weten van attention-mechanismen, reinforcement learning from human feedback, distributed training op een schaal die bijna niemand buiten een hyperscaler ooit zal aanraken. Er zijn wereldwijd misschien een paar duizend van die functies, en vrijwel allemaal zitten ze bij een handvol labs en cloudpartijen. Een Nederlands bedrijf met twintig medewerkers, een ERP-systeem en een gedeelde klantenservice-inbox concurreert niet om dat talent, heeft daar nooit om geconcurreerd, en gaat daar nu ook niet mee beginnen.

Het vaardighedentekort dat ik in de praktijk echt tegenkom

Het tekort dat in echte gesprekken met mkb'ers naar boven komt, lijkt in niets op een wervingsprobleem. In de meeste eerste gesprekken zijn de technische vragen binnen het uur beantwoord: wat een model wel en niet kan, welke data er al is, hoe een ruwe eerste versie eruit zou kunnen zien. Het trage deel is bijna elke keer een heel andere vraag — wie in dit bedrijf gaat dit eigenlijk beheren zodra het project is opgeleverd en wij weer weg zijn?

Dat is geen vaardighedenprobleem in de zin die de krantenkoppen bedoelen. Het is een beslissingsbevoegdheidsprobleem. Iemand moet bereid zijn een verandering goed te keuren in een proces dat jarenlang slecht maar voorspelbaar heeft gewerkt. Iemand moet merken wanneer de output fout is en die corrigeren, in plaats van er in stilte omheen te werken tot de tool tegen december ongebruikt wegkwijnt. Iemand moet degene zijn aan wie een collega het vraagt als het ding iets vreemds doet. Niets daarvan vraagt om een opleiding machine learning. Alles daarvan vraagt om iemand met genoeg gezag binnen het bedrijf om een beslissing te nemen, en genoeg nieuwsgierigheid om het ding daadwerkelijk te gaan gebruiken.

Ik heb tegenover technisch uitstekende teams gezeten die het niet eens konden worden over wie een werkproces mocht aanpassen, en heb gezien hoe het project maandenlang stilstond over een beslissing die dertig seconden kostte zodra iemand eindelijk het mandaat kreeg om hem te nemen. Ik heb ook gewerkt met teams met bijna geen technische achtergrond die sneller gingen, simpelweg omdat één persoon vanaf dag één duidelijk eigenaarschap had en het gezag om te zeggen "we doen het zo" zonder commissie. Die tweede groep wint vaker dan de eerste, en het scheelt zelden veel.

Moet je echt een AI-engineer aannemen?

Voor verreweg de meeste bedrijven waar wij mee werken: nee. Wat loont, is niet het toevoegen van een machine-learningspecialist aan de loonlijst. Het is het vinden van iemand die het bedrijfsproces al goed genoeg begrijpt om te weten wat daadwerkelijk de moeite waard is om te automatiseren, en die persoon koppelen aan externe technische hulp voor de bouw zelf. Het bredere onderzoek naar het vaardighedentekort van 2026 komt telkens vanuit een andere hoek tot dezelfde conclusie: bedrijven hebben minder pure AI-specialisten nodig en meer mensen die AI-tools kunnen inzetten om een echt bedrijfsprobleem op te lossen — analisten, operations-medewerkers, teamleads die een resultaat in gewone taal kunnen uitleggen aan een klant of partner.

Als je dit jaar al aan het werven bent, werf dan daarop. Iemand die 's middags met een klantklacht én een spreadsheet uit de voeten kan, is voor een AI-project meer waard dan iemand die een transformer-architectuur kan uitleggen maar nog nooit met jullie financiële afdeling heeft gesproken. Het technische werk is het deel dat je kunt inkopen — bij ons of bij een andere partij die het kan — en dat wordt ieder kwartaal goedkoper naarmate de tooling volwassener wordt. Weeg je externe hulp af voor dat onderdeel, dan schreef ik eerder al over de ene vraag die het waard is om aan elke AI-consultant te stellen die je overweegt. Het oordeel over wat de moeite waard is om te bouwen, en wat je beter kunt laten liggen, is zelden te koop, en dat is het lastigere om te vinden.

Anders per bedrijfsgrootte? Ja, meer dan de meeste artikelen toegeven.

In een micro-onderneming — een handjevol mensen, vaak nog de eigenaar die zelf de boekhouding doet — beantwoordt de eigenaarsvraag zichzelf grotendeels: het is de eigenaar, want er is redelijkerwijs niemand anders die het zou kunnen zijn, en het doel is kant-en-klare tools kiezen die vrijwel geen intern onderhoud vragen in plaats van iets op maat. In een klein bedrijf van twintig tot vijftig medewerkers werkt het patroon weer anders: iemand die het te automatiseren proces al beheert — degene die offertes doet, of facturatie, of de klantenservice-inbox — wordt de interne eigenaar, gekoppeld aan externe technische hulp voor de daadwerkelijke bouw. Zodra een bedrijf een paar honderd medewerkers telt, verschuift het gesprek inderdaad naar iets dat meer op governance lijkt, omdat een beslissing die vroeger één persoon een middag kostte nu meerdere afdelingen raakt en een lichtere versie van het proces van een groot bedrijf nodig heeft. Bijna geen enkel algemeen artikel over het "AI-vaardighedentekort" maakt dit onderscheid, omdat vrijwel niets ervan geschreven is met een bedrijf van twintig man in gedachten.

Wat "AI-geletterdheid" vanaf augustus 2026 daadwerkelijk vereist

Er is één onderdeel hiervan dat echt aan een datum vastzit, en het loont om dat goed te snappen in plaats van in paniek te raken. Artikel 4 van de EU AI Act verplicht aanbieders en gebruikers van AI-systemen al sinds februari 2025 om voldoende AI-geletterdheid bij hun personeel te waarborgen — dat deel is niet nieuw en was nooit een verhaal voor augustus 2026. Wat er op 2 augustus 2026 verandert, is dat de nationale markttoezichthouders de formele bevoegdheid krijgen om er daadwerkelijk op te handhaven. De Digital Omnibus, eind juni dit jaar afgerond, verzachtte ook de formulering — van een verplichting om voldoende geletterdheid te waarborgen naar een verplichting om de ontwikkeling ervan te ondersteunen. Dat is een inspanningsverplichting, geen resultaatsverplichting, en het is een recente, reële en nuttige wijziging waar veel compliance-content van vóór juni nog geen rekening mee houdt.

In de praktijk betekent dit voor een klein bedrijf niet dat je een compliance officer of data scientist moet aannemen. Het betekent dat je moet kunnen aantonen dat personeel dat met een AI-tool werkt ergens een gestructureerde uitleg heeft gekregen over wat het wel en niet kan, vastgelegd op papier, en bijgewerkt zodra de tools veranderen. Wij helpen klanten zo'n beleid in een middag op te stellen, met een korte interne training als onderbouwing, en als je het volledige plaatje wilt van wat de AI Act wel en niet van een bedrijf van jullie omvang vraagt, is dat een apart en uitgebreider verhaal. Hoe dan ook: het is geen vaardighedentekort, en het vraagt geen nieuwe aanwerving. Het is papierwerk met een deadline, en het is kleiner dan de krantenkoppen doen vermoeden.

Wie hoort AI te beheren in een bedrijf van twintig man?

De meeste governance-modellen voor dit probleem gaan uit van een bedrijf dat al een governancefunctie heeft — een risicocommissie, een data-office, een change advisory board. Bijna geen van onze klanten heeft dat, en zo'n structuur optuigen om het optuigen zelf verspilt het enige voordeel dat een klein bedrijf daadwerkelijk heeft: dat een beslissing in één middag kan vallen in plaats van in één kwartaal. Wat in de praktijk wél werkt, is kleiner: wijs één persoon aan — niet per se de meest technische persoon in het pand — als eigenaar. Die persoon hoeft zelf niets te bouwen. De taak is: beslissen wat er geprobeerd wordt, drie maanden later checken of het daadwerkelijk werkt, en het gezag hebben om iets stop te zetten dat niet werkt. Bij een bedrijf van die omvang is dat meestal de eigenaar, een operations-lead, of wie het proces dat wordt aangeraakt al beheert. Het is vrijwel nooit een commissie, en vrijwel nooit de nieuwste medewerker.

De bedrijven die hiermee worstelen zijn vrijwel nooit de bedrijven zonder technisch talent in huis. Het zijn de bedrijven waar die eigenaarsvraag nooit een duidelijk antwoord krijgt, waardoor elke kleine beslissing — vertrouwen we deze output, passen we het proces eromheen aan, laten we het hele team dit gebruiken — telkens opnieuw wordt overgedaan zodra hij zich voordoet. Dat is vermoeiend op een manier die niets met het model te maken heeft en alles met hoe het bedrijf beslissingen neemt.

Wat dit verandert aan het wervingsgesprek

Als je hier één ding uit meeneemt naar je volgende wervingsgesprek, maak er dan een korte checklist van in plaats van een functietitel:

• Wie beheert dit zodra wij weg zijn? Als niemand in de kamer dat in één zin kan beantwoorden, is dat het tekort dat je als eerste moet oplossen — vóór er geworven wordt.
• Kan diegene een resultaat uitleggen aan een klant, niet alleen aan een developer? Oordeelsvermogen en communicatie brengen je in deze markt verder dan een diploma.
• Begrijpt diegene het proces dat wordt geautomatiseerd al? Iemand die het werkproces al twee jaar draait, ziet een slechte AI-output sneller dan iemand die alleen het model begrijpt.

Als een managementteam mij vraagt of ze een AI-vaardighedentekort hebben, is mijn eerlijke antwoord meestal: waarschijnlijk niet het tekort waar je je zorgen over maakt. Check eerst of iemand in het bedrijf de beslissing daadwerkelijk beheert, voordat je checkt of iemand een goede prompt kan schrijven. Werf op oordeelsvermogen en proceskennis voordat je werft op een diploma waar een handvol labs in San Francisco, Londen en steeds vaker Amsterdam al om vechten. De talentenoorlog aan de frontier is reëel, goed gedocumenteerd, en bijna volledig irrelevant voor de vraag of jullie volgende AI-project daadwerkelijk werkt.

Niets hiervan is een pleidooi tegen trainen, en het is geen pleidooi om nooit technisch personeel aan te nemen — sommige bedrijven bereiken echt een omvang waarop een interne data- of automatiseringslead zichzelf terugverdient. Het is een pleidooi tegen het oplossen van het verkeerde tekort. Ik heb een bedrijf een project twee kwartalen zien uitstellen omdat het een machine-learningengineer probeerde te werven die het niet nodig had, terwijl een concurrent verderop in zes weken iets bruikbaars uitrolde met een bestaande operationeel manager, een duidelijke eigenaar, en een consultant die precies voor het onderdeel werd ingehuurd waar dat nodig was. Het tweede bedrijf was niet technischer. Het beantwoordde alleen de eigenaarsvraag op dag één, in plaats van hem open te laten staan.

Het AI-talenttekort waar dit jaar alle koppen over gaan is reëel. Het is alleen niet het tekort dat bepaalt of jullie project werkt.

Veelgestelde vragen