Als ik terugblik in het online datalandschap van de afgelopen 10 tot 15 jaar moet ik bekennen dat de huidige AI-revolutie wel de grootste impact heeft in vergelijking met andere grote veranderingen in de afgelopen jaren. Rond 2018 zagen we veel veranderingen wat betreft privacy, en cookiebanners waren een hot topic. Natuurlijk zijn we de update van Universal Analytics naar GA4 nog niet vergeten, want dat had nogal wat voeten in aarde. En zo zijn er nog tal van andere gebeurtenissen die impact hadden. Ik kan me ook bijvoorbeeld de UI-update herinneren van Google Tag Manager in 2014, maar tot zover de nostalgie. Het is denk ik wel fair om te zeggen dat de huidige AI-boom de grootste verandering is waar we nu middenin zitten.
In dit artikel wil ik beschrijven hoe ikzelf en wij bij Yonego dit de afgelopen pakweg 1,5 jaar hebben beleefd. Hoe we AI benutten in onze dagelijkse werkzaamheden. En ook de nadelen van AI zeker belichten, want die zijn er ook.
Toen ik nog maar amper gebruik maakte van AI moet ik eerlijk bekennen dat ik er ook niet direct het nut van inzag. Dit kwam eigenlijk vooral omdat ik wat teleurgesteld was in enkele testcases die ik toendertijd deed. Als ik me goed herinner was dit met Gemini die enkele queries voor me genereerde voor BigQuery. De resultaten hiervan waren ronduit teleurstellend, en ik besteedde er niet veel aandacht meer aan. Niet wetend dat dit heel snel zou veranderen in de daaropvolgende maanden.

Het grootste nadeel wellicht van het huidige AI-landschap is dat er een soort van keuzestress is. Er zijn tal van aanbieders zoals Anthropic, Google, Microsoft, Mistral etc. die ook weer ieder hun eigen LLM’s en agents aanbieden. Tel er ook bij dat je zelf ook agents kunt bouwen of ze kunt integreren met bijvoorbeeld Cursor. Als je eenmaal gewend bent aan een techniek, dan kan je te horen krijgen van een collega dat de concurrent toch net iets beter werkt. Hoe zorg je dat je niet oververhit raakt in een woud van AI- en LLM-aanbieders en technieken? Het ligt er natuurlijk aan hoeveel tijd je hebt. Persoonlijk gebruik ik nu Gemini en Claude die beide geïntegreerd zijn in een desktop app. Hiermee kan ik beide tools eens af en toe vergelijken, en heb ik het gevoel dat het nog te managen is qua onderhoud en updates. In de komende tijd wil ik ook nog Mistral gaan onderzoeken.
Omdat mijn interesse vooral in het technische aspect ligt ben ik begonnen met het gebruik van MCP’s (Model Context Protocol). Dit is een techniek om een bestaande API van een platform (zoals GA4 of Meta) te koppelen aan een AI agent. In het begin was dit enkel de koppeling met GA4, maar gaandeweg kwam ik erachter dat vooral het koppelen van meerdere platforms de echte waarde blootlegt van MCP’s. Door de data van meerdere platforms van één project aan elkaar te koppelen kan een AI agent spectaculaire analyses maken waar je in het verleden uren of dagen mee bezig was. Vooral omdat je de data dus uit meerdere platforms moest exporteren en analyseren.
Belangrijke regel is nog wel: garbage in = garbage out. Hiermee wil ik zeggen dat het implementeren van datacollectie nog steeds cruciaal is. Zonder een goede datastructuur zijn AI-analyses nog zeer vatbaar voor verkeerde aannames en hallucinaties. Een goede dataspecialist is dus zeker niet te vervangen door AI. Zeker omdat AI nog fouten maakt, vooral als er meerdere databronnen worden gekoppeld door middel van MCP’s. Daarover later meer in dit artikel.

In het AI tijdperk is het duidelijk geworden dat een nieuwe skill leren vaak nu sneller kan. Ik had me enkele jaren niet kunnen voorstellen dat ik nu taken kan uitvoeren die ik voorheen te complex achtte. Claude is erg goed in het lezen van technische handleidingen en dit versimpeld weer te geven. Google’s handleidingen zijn niet altijd uitmuntend, en dit geldt zeker ook voor de meeste API documentatie. Het koppelen van systemen en API’s is nu makkelijker geworden, en dat is juist een belangrijk onderdeel van ons werk.
Dit geldt zeker ook voor het maken van lichtgewicht Python- en JavaScript-scripts die je op dagelijks niveau vaak nodig hebt. Er is hiervoor geen developer nodig om dit te bereiken.

Over development gesproken. Claude Code heeft veel deuren voor me geopend. Mijn programmeerskills zijn niet al te breed, en zoals ik al aangaf is AI goed in het maken van alledaagse scripts die je leven makkelijker maken. Met Claude Code ga je nog een stap verder door zelf een applicatie of tool te bouwen. Je moet wel wat tijd steken in het leren van Claude Code, maar dit is de investering zeer waard.
Een voorbeeld van wat ik gemaakt heb is een tool die een website kan scrapen en daarbij expliciet let op welke first-party en third-party meetpixels worden ingeladen met welke snelheid, op welke pagina, en ook met welke consent triggers. Dus ik kan hiermee perfect zien welke pixels incorrect worden ingeladen wat betreft privacy regels. Ook handig sowieso om een overzicht te hebben van wat er allemaal wordt ingeladen in de website, zeker wat betreft third-party scripts, pixels en cookies. Er zijn natuurlijk tools die deze functionaliteit ook hebben, maar een eigen tool met eigen regels werkt toch een stuk fijner. En belangrijk; je kan altijd aanpassen als je toch nog van gedachten bent veranderd. En dit alles zonder kennis van een programmeertaal. Wat wel vereist is, is dat je kritisch bent en een holistisch overzicht kan schetsen van wat de tool precies voor je moet oplossen.

Met Claude Code gegenereerde audit tool
LinkedIn staat er vol mee; korte artikelen en tips hoe je in 5 minuten een live dashboard kan maken met AI. Zijn dit nou waardevolle artikelen? Ja en nee. Het is inderdaad mogelijk om in zeer korte tijd een gedetailleerd dashboard op te leveren door middel van AI. Mits je natuurlijk al je datakoppeling in orde hebt. Je kan dan snel een dashboard produceren waar je misschien wel een dag of twee mee bezig was mocht je een BI- of dashboardtool gebruiken. Dus wat dat betreft is het zeker sneller.
Maar wat vaak onderbelicht is bij dashboarding is dat het vaak om de stabiliteit en kwaliteit gaat. Het succes van een dashboard is vaak het samenspel tussen de bouwer en degenen die het dashboard lezen (vaak ook de bouwer zelf). Een dashboardspecialist met vele jaren ervaring zal daarom een grotere verantwoordelijkheid voelen voor wat hij of zij oplevert. En zal ook beter aanvoelen wat belangrijk is. Kortom, het maken van een goed dashboard is wel echt een vak, en kan niet worden afgekort als een simpele taak. Een goed dashboard is naar mijn mening nog erg belangrijk om meet- of andere potentiële problemen te spotten met eigen ogen.
En tot slot, een klassieke dashboard- of BI-tool maakt gebruik van stabielere technieken en connectoren die zorgen voor meer stabiliteit (een werkend dashboard). Terwijl een AI-gegenereerd dashboard sneller wordt gemaakt, maar ook onnodig veel techniek gebruikt en kwetsbaarder is.
De nadelen van AI zijn ook wel bekend denk ik. Het komt gewoon nog te veel voor dat AI antwoorden geeft die niet kloppen, of zelf aannames verzint die nergens op slaan. Het grote probleem vind ik dat dit niet wordt aangegeven, en dat de antwoorden vaak autoritair worden gegeven door de LLM. Een ervaren dataspecialist zal daarom altijd hier een voorsprong hebben omdat hij/zij de kennis en intuïtie heeft om het gegeven antwoord kritisch te bekijken (en ook om autoriteit in twijfel durft te trekken).
Vooral als het gaat om de meer geavanceerde taken zie ik vaak hallucinaties en aannames die niet kloppen, en de uitkomst van een analyse compleet kunnen veranderen doordat de LLM kritische nuances mist of zelf verzint. De snelheid van deze ‘speed-up analysis’ is erg comfortabel maar een menselijke controle blijft dus altijd zeer belangrijk, vooral omdat een LLM vaak een antwoord geeft dat het meest waarschijnlijk is, en niet per se 100% de waarheid. Voor een data-analist is dit niet goed genoeg.

Verkeerde aanname van Claude
In mijn ervaring is het zeker net zo belangrijk om een LLM te vertellen wat het vooral niet moet doen, in plaats van wel. Ik word vaak overspoeld met ellenlange antwoorden waar ik in eerste instantie niet om gevraagd heb. Vaak is het antwoord wat ik krijg te veel stappen vooruit en niet het hapklare antwoord dat ik op dat moment wil krijgen. Ook na meerdere malen aangeven dat ik korte en to-the-point antwoorden wil, blijft de LLM zeer langdradige antwoorden leveren, zeer frustrerend!
Persoonlijk vind ik het ook jammer dat online communities en goede content sites onder druk komen te staan. Het opzoeken van specifieke kennis is nu makkelijker en sneller door het gewoon aan AI te vragen, hier ben ik zelf ook schuldig. Dit gaat ten koste van uitstekende content sites en communities die een jarenlange gebruikersbasis en kennisbasis hebben opgebouwd. Zij zullen de aantallen gebruikers de komende tijd waarschijnlijk nog meer zien dalen. Ik ben benieuwd wat dit doet met het kennisniveau dat nu niet meer rechtstreeks gedeeld wordt tussen mensen, maar voornamelijk via LLM’s gaat.
Op dit moment zijn de Amerikaanse modellen kwalitatief beter dan de Europese. Toch is het Franse Mistral een goede weg ingeslagen. Deze moet het vooral hebben van kostenefficiëntie en is vooral goed in simpele taken. Dit kan in de toekomst echter veranderen. Onlangs heeft Mistral veel geld opgehaald van investeerders die ervoor moeten zorgen dat het een uitdager wordt van de Amerikaanse concurrenten.
Het is een slim idee om zeker ook Mistral te onderzoeken als privacy hoog in het vaandel staat bij jouw organisatie, en je het veiliger vindt om toch een Europese tool te gebruiken en meer onafhankelijk wilt zijn van de Verenigde Staten. Het is namelijk zo dat alle data die je deelt met Claude, Gemini en ChatGPT rechtstreeks kunnen worden opgevraagd door de Amerikaanse overheid. Mistral wil verder bouwen aan hun soevereine oplossingen die ervoor zorgen dat je een afgesloten AI omgeving kan bouwen waarbij je data niet gedeeld wordt met andere partijen, en dus zelf in controle blijft.