De vacatures gepubliceerd in 2024-2026 voor functies als ontwikkelaar in kunstmatige intelligentie schetsen een profiel dat niet meer lijkt op dat van drie jaar geleden. De verwachte vaardigheden gaan veel verder dan alleen het beheersen van Python of machine learning-bibliotheken.
Ze omvatten nu ook het onderhoud van AI-systemen in productie, het ontwerpen van gestructureerde prompts en zelfs een formele juridische monitoring. Voor ontwikkelaars die al in dienst zijn, is de vraag niet langer of ze zich moeten bijscholen, maar op welke gebieden ze hun inspanningen moeten concentreren.
Evaluaties en RAG: de AI-native vaardigheden die weinig ontwikkelaars beheersen
Concurrentie-inhoud benadrukt de soft skills of de grote principes van aanpassing. Ze missen echter een specifieke technische beweging: de opkomst van zogenaamde “AI-native” vaardigheden die twee jaar geleden niet in de beroepsreferenties bestonden.
Onder deze vaardigheden gaat de ontwerp van prompts en context verder dan alleen het schrijven van een instructie voor een model. Het gaat erom de invoer zo te structureren dat er reproduceerbare en controleerbare resultaten worden verkregen, wat inhoudt dat men moet begrijpen hoe het model de context verwerkt, zijn venstereisen en de vooroordelen die verband houden met de formulering.
De RAG (Retrieval-Augmented Generation) vertegenwoordigt een andere technische as die sterk in trek is. Dit mechanisme, dat een taalmodel koppelt aan een externe kennisbasis, vereist dat ontwikkelaars zowel de vectorindexering, de kwaliteit van documentchunks als de orkestratie van oproepen beheersen. Profielen die in staat zijn om een betrouwbare RAG-pijplijn te implementeren, blijven zeldzaam op de markt.
Evaluaties (evals) zijn het onderscheidende voordeel dat de meeste ontwikkelaars nog niet aanpakken. Weten hoe je de kwaliteit van een AI-uitvoer meet, relevante testsets bouwt en het scoren van antwoorden automatiseert, onderscheidt een prototype van een inzetbaar product. Een gedetailleerde analyse van deze opkomende vaardigheden wordt aangeboden op de website Recrutement Emplois, die de verwachte vaardigheden van de door AI verhoogde ontwikkelaar in kaart brengt.
MLOps en LLMOps: industrialiseren van AI-modellen in productie
Een applicatie prototypen met een taalmodel kost enkele uren. Het in productie houden gedurende maanden, met stabiele prestaties en beheersbare kosten, vereist een ander niveau van vaardigheden.
De vacatures voor de periode 2024-2026 convergeren naar een set vaardigheden die zijn samengevoegd onder de termen MLOps en LLMOps. Concreet verwachten recruiters van ontwikkelaars dat ze in staat zijn om op te zetten:
- CI/CD-pijplijnen die zijn aangepast aan AI-modellen, met versiebeheer van trainingsgegevens, prompts en modelconfiguraties, niet alleen applicatiecode
- Een monitoring in productie die de afglijding van de prestaties van het model in de gaten houdt (en niet alleen de beschikbaarheid van de server), inclusief gestructureerde logs en waarschuwingen over de kwaliteit van de antwoorden
- Een gegevensbeheer dat verder gaat dan de initiële opschoning: documentatie van datasets, traceerbaarheid van transformaties, continue kwaliteitscontrole
Deze industrialisatie is niet langer een bonus op een cv. Het staat in de functieomschrijvingen en aanbiedingen als een centrale vaardigheid. Een ontwikkelaar die weet hoe hij een model moet trainen maar het niet betrouwbaar kan implementeren, dekt de helft van de behoefte.
Juridische en ethische monitoring: een operationele vaardigheid van de AI-ontwikkelaar
Het RNCP Frankrijk Competenties-dossier voor de titel “Ontwikkelaar in kunstmatige intelligentie” omvat expliciet een juridische en ethische monitoring in de verwachte vaardigheden. Dit is geen cosmetische toevoeging.
Het Europese regelgevingskader voor kunstmatige intelligentie legt verplichtingen op voor transparantie, documentatie en risicobeheer die rechtstreeks van invloed zijn op de geproduceerde code. Een ontwikkelaar die een model in een scoring-, wervings- of diagnostische applicatie integreert, moet weten in welke risicocategorie zijn systeem zich bevindt en welke technische verplichtingen daaruit voortvloeien.
De ervaringen uit de praktijk verschillen over hoe deze vaardigheid zich dagelijks vertaalt. Sommige teams concentreren het op een referent, anderen integreren het in codebeoordelingen. Wat echter niet ter discussie staat, is dat de naleving van regelgeving nu ook de verantwoordelijkheid van de ontwikkelaar is, niet alleen van de juridische dienst. Dit aspect negeren stelt het bedrijf bloot aan regelgevingsrisico’s en de ontwikkelaar aan een veroudering van zijn profiel.
Kwaliteit van gegevens en governance: de ondergewaardeerde basis van AI-applicaties
Opleidingen in kunstmatige intelligentie besteden veel tijd aan algoritmen en modelarchitecturen. Ze besteden minder tijd aan de kwaliteit van de gegevens die hen voeden, terwijl dat vaak de plek is waar projecten falen.
Een model dat is getraind op slecht gedocumenteerde gegevens produceert onvoorspelbare resultaten. Recente bronnen over het beroep van AI-ontwikkelaar vermelden steeds vaker de capaciteit om de kwaliteit, monitoring van gegevens en documentatie te waarborgen als volwaardige vaardigheden.
Voor een ontwikkelaar betekent dit dat hij moet weten hoe hij een dataset moet auditen voordat hij deze gebruikt, geautomatiseerde controles op binnenkomende stromen moet opzetten en de keuzes voor preprocessing moet documenteren zodat een ander teamlid de pijplijn kan reproduceren. Deze taken zijn niet glamoureus, maar ze scheiden de AI-projecten die duurzaam zijn van die welke na de initiële demonstratie instorten.
Agents en MCP: de volgende speelvelden
Naast de vaardigheden die al zijn geformaliseerd in vacatures, komen twee onderwerpen op in technische discussies: AI-agents (systemen die in staat zijn om meerdere acties autonoom uit te voeren) en het MCP (Model Context Protocol), een opkomende standaard om modellen te verbinden met externe tools. De beschikbare gegevens stellen nog niet in staat om hun werkelijke adoptie in bedrijven te meten, maar ontwikkelaars die zich hier nu in scholen, nemen een voorsprong op een segment waar de vraag snel kan toenemen.
Het profiel van de AI-ontwikkelaar in 2026 beperkt zich niet tot het opstapelen van certificaten op trendy frameworks. Recruiters zoeken profielen die in staat zijn om een AI-systeem van begin tot eind te laten functioneren: van de kwaliteit van de gegevens tot de naleving van regelgeving, via industriële implementatie en rigoureuze evaluatie van de uitkomsten. Elk van deze assen vertegenwoordigt een concrete, meetbare opleidingsinvestering die direct waardevol is op de markt.