Wat betekent AI voor Business Analisten?
Toen de manager van ruim zeventig Business Analisten bij de Immigratie- en Naturalisatie Dienst (IND) onlangs naar me toe kwam, stelde hij een vraag die bij veel organisaties actueel is. “We horen veel over kunstmatige intelligentie (AI), maar wat betekent AI voor Business Analisten? En moet ik hier rekening mee houden in mijn strategische planning?”
Dit soort vragen zien we tegenwoordig vaker. AI is al een aantal jaar een hot topic, maar echt concrete toepassingen zien we pas sinds korte tijd. Ondertussen verschijnen artikelen in het nieuws over organisaties die een deel van hun medewerkers ontslaan vanwege de komst van AI. Vooral organisaties die een AI-tool verkopen, zijn daar goed in.
De vraag is dus erg concreet en komt op een logisch moment. Samen met een collega ben ik op onderzoek gegaan. We hebben de vraag opgedeeld in 3 delen:
- Hoe ver zijn verschillende (overheids)organisaties in Nederland met AI?
- Hoe ver is IND met AI?
- Met welke AI functionaliteiten zijn Business Analisten geholpen?
In dit artikel delen we graag de antwoorden van vraag 1 en 3. Vooraf alvast een geruststellende conclusie: de rol van Business Analist zie ik niet verdwijnen. Net als de zoekmachine ons werk decennia geleden niet overbodig maakte, maar juist efficiënter, doet AI dat nu ook. De manier waarop we als Business Analist ons werk doen, verandert wel degelijk.
Hoe ver zijn verschillende (overheids)organisaties in Nederland met AI?
We hebben onderzocht hoe volwassen verschillende organisaties in Nederland al zijn met AI, mede aan de hand van recente onderzoeken zoals de Overheidsbrede Monitor Generatieve AI van TNO. Hieruit blijkt dat het aantal toepassingen van generatieve AI binnen de overheid in slechts één jaar tijd is gestegen van 8 naar 81: er wordt volop gebruik van gemaakt. Opvallend is dat 46% van alle AI-toepassingen bij de overheid nu al volledig geïmplementeerd is. Generatieve AI is voor veel organisaties geen experiment meer, maar dagelijkse realiteit. Daarbij wordt het overgrote deel van de toepassingen gericht op het faciliteren van medewerkers. Initiatieven voor betere dienstverlening voor burgers en bedrijven zijn er slechts mondjesmaat.
Tegelijkertijd wijst TNO op de groeipijnen. De implementatie van AI verloopt sneller dan governance, infrastructuur en juridische kaders kunnen bijbenen. De digitale afhankelijkheid van niet-Europese leveranciers speelt daarbij een strategische rol, en het gebruik van vertrouwelijke gegevens in publieke AI-tools vormt een compliance vraagstuk voor alle organisaties. De centrale boodschap: AI wordt volwassen, maar organisaties moeten hun kaders, infrastructuur en kennis snel op orde brengen.
Welke lessen zijn we aan het leren?
Hoewel de beloften van AI groot zijn, laten de cijfers zien dat de praktijk weerbarstig is. Als manager moet je daarom niet alleen inspelen op de technologische mogelijkheden, maar juist ook alert zijn op organisatorische en juridische randvoorwaarden. De volgende uitdagingen zijn daarom extra relevant om zorgvuldig te adresseren.
1. Datakwaliteit is doorslaggevend
De grootste hindernis voor een succesvolle implementatie van AI is niet de technologie zelf, maar de onderliggende data. Je kunt AI het beste zien als een recept, waarbij jouw bedrijfsdata de ingrediënten vormen. Als je weinig ingrediënten hebt, of ingrediënten van slechte kwaliteit, wordt het eindgerecht nooit een succes. Veel organisaties werken met complexe legacy systemen waarin data versnipperd of ongestructureerd is opgeslagen. Om AI effectief en datagedreven in te zetten, is een hoge datakwaliteit en goede data governance cruciaal. Het verbeteren van datakwaliteit blijkt geen eenmalige actie, maar een structurele verantwoordelijkheid die vaak wordt belegd bij volledig nieuw ingerichte teams.
2. Strategische context geven blijft mensenwerk
Hoe strategischer de vraagstukken worden, hoe lastiger het is om AI effectief in te zetten. Een AI-model heeft enorm veel bedrijfscontext nodig om een zinnig antwoord te geven op strategische doelen. Zonder de juiste kaders begrijpt het systeem de nuances van jouw organisatie simpelweg niet. De vertaalslag van een gegenereerd antwoord naar een bruikbaar inzicht voor de organisatie blijft mensenwerk.
3. Gebruik agents om kwaliteit te standaardiseren
Als iedere medewerker op zijn eigen manier met publieke AI-tools werkt, ontstaat al snel verschil in kwaliteit, uitlegbaarheid en compliance. Juist daarom is het verstandig om te starten met een veilige interne LLM-omgeving en voor veel voorkomende taken te werken met vaste prompts of agents. Daarmee borg je meer consistentie in output en verlaag je risico’s.
4. Ethische en juridische afwegingen worden urgenter
Bij het implementeren van beleid rondom nieuwe technologieën hanteren we vaak een drietrapsraket: wat kan er technisch, wat mag er juridisch, en wat willen we ethisch gezien? Zeker die laatste vraag is essentieel en wordt nog vaak vergeten. Zelfs als een autonoom systeem volledig zelfstandig beslissingen mag en kan nemen, is de vraag of je dit moet willen bij besluiten met grote menselijke impact. Relevant hierbij: de EU AI Act is gefaseerd van kracht, met de belangrijkste verplichtingen voor hoog-risico AI-systemen die per augustus 2026 ingaan.
De waarde van AI voor business analisten
Ondanks de uitdagingen biedt AI aanzienlijke kansen om processen te versnellen en de kwaliteit van het werk te verhogen. Uit het TNO-onderzoek blijkt bijvoorbeeld dat 78% van de generatieve AI-toepassingen binnen de overheid al gericht is op interne processen, zoals het samenvatten, analyseren en genereren van teksten of het ondersteunen bij het maken van rapportages. Dit soort toepassingen is niet langer slechts experimenteel en vormt vaak al een vast onderdeel van de dagelijkse praktijk.
AI wordt dus vooral ingezet om het werk van medewerkers makkelijker te maken en de interne organisatie te professionaliseren voordat burgers direct met AI-gestuurde dienstverlening in aanraking komen. Maar hoe kun je als Business Analist AI effectief inzetten?

Er zijn veel mogelijkheden met AI voor business analisten, bovenstaande lijst is slechts een weergave van de meest gebruikte AI-functionaliteiten. Toch springt de conclusie al snel in het oog: in het oerwoud aan AI tools en functionaliteiten is het vooral een Large Language Model (LLM), zoals ChatGPT, Copilot of Gemini, die waarde kan bieden aan de Business Analist. Hierbij maken we onderscheid tussen een openbare LLM en een afgeschermde LLM. De openbare LLM kan worden gebruikt om openbare gegevens op internet te verwerken. De afgeschermde LLM, die alleen binnen de organisatie draait, kan worden gebruikt voor vertrouwelijke gegevens. Tools met specifieke functionaliteiten, zoals het modelleren van diagrammen, kunnen nuttig zijn, maar zijn tegelijkertijd zo specifiek dat ze niet dagelijks door elke analist zullen worden gebruikt.
Advies voor organisaties
Hoe zorg je ervoor dat jouw organisatie de voordelen van AI benut zonder te verdwalen in de hype? Deze drie concrete adviezen in digitale transformatie, die aansluiten bij de lessen uit onze aanpak voor AI-transformaties met blijvende impact, zijn:
-
Begin met een veilige, interne LLM — niet met tientallen tools
Laat je niet verleiden om direct tientallen specifieke AI-tools aan te schaffen. Begin met de implementatie van een veilige, interne LLM (zoals een afgeschermde Copilot-omgeving). Deze brede toepassing ondersteunt vrijwel alle kerntaken van de Business Analist. Pas wanneer je merkt dat er zeer specifieke behoeften ontstaan (zoals complexe procesmodellering), is het tijd om naar gespecialiseerde oplossingen te kijken. - Standaardiseer door middel van ‘Agents’
Voorkom dat iedere medewerker op zijn eigen manier met AI communiceert, wat leidt tot wisselende kwaliteit. Maak gebruik van voorgeprogrammeerde prompts (agents) voor veelvoorkomende taken, zoals het schrijven van user stories. Zo borg je dat de output altijd voldoet aan jouw vaste templates en kwaliteitsstandaarden. Dit is ook de manier waarop je AI-experimenten in lijn brengt met strategische doelen in plaats van dat het ad-hoc gebruik blijft. - Faciliteer een veilige experimenteerfase
Wijs een groep enthousiaste medewerkers aan om de mogelijkheden te verkennen. Laat hen experimenteren binnen veilige kaders en vraag hen om succesverhalen actief te delen met de rest van de organisatie.
Zorg er tegelijkertijd voor dat je de basis op orde brengt: investeer in je datakwaliteit en blijf scherp op het menselijke element. De Business Analist van de toekomst hoeft niet minder te kunnen, maar moet de gegenereerde inzichten feilloos kunnen vertalen naar de context van jouw organisatie. Dat vraagt ook om goed verandermanagement: collega’s meenemen in nieuwe werkwijzen is minstens zo belangrijk als de technologie zelf.
De Business Analist blijft onmisbaar
AI verandert het speelveld van de Business Analist en biedt volop kansen om processen te versnellen en inzichten te verdiepen. Waarde ontstaat door leren, experimenteren, realiseren en opschalen. De Business Analist blijft daarbij onmisbaar, juist om de vertaalslag te maken van data naar bruikbare strategieën. Die vertaalslag vraagt om organisatiekennis, stakeholderbegrip en ethisch oordeelsvermogen: capaciteiten die een taalmodel niet zelfstandig kan leveren.
Door te investeren in kennis, datakwaliteit, een veilige en centrale AI-omgeving en een cultuur van gestructureerd experimenteren, maak je jouw organisatie klaar voor de toekomst. Met de juiste balans tussen mens en technologie kun je met vertrouwen keuzes maken die bijdragen aan een efficiënte, innovatieve en wendbare organisatie. Want AI ontwikkelt zich sneller dan de meeste strategische planningscycli bijhouden.
Meer lezen?
- J. Stoop & R. Spiering, Digitale transformatie vraagt om lef en leiderschap: 6 trends die het verschil maken, februari 2026
- F. Buetens, Garbage in, Magic out. Datakwaliteit bewaken in een AI wereld, juli 2025
- A. Wever, Waarde creëren met data? Vergeet Data Governance niet!, mei 2025



