AI-functies: startup of corporate?
Functietitels in de AI-sector kunnen misleidend zijn. Een 'Machine Learning Engineer' bij een jonge onderneming vervult in de praktijk een heel andere rol dan iemand met exact dezelfde titel bij een multinationale organisatie. Waar de een de hele dag bezig is met de volledige infrastructuur, schrijft de ander algoritmes voor een zeer afgebakend onderdeel van een bestaand platform. De omvang van de organisatie bepaalt hoe de werkzaamheden zijn verdeeld en wat de dagelijkse focus is.
Bij het plannen van een loopbaan in kunstmatige intelligentie is de keuze voor het organisatietype minstens zo bepalend als de keuze voor de specifieke technologie. De breedte van een functie schaalt in de regel omgekeerd met de omvang van het bedrijf. Naarmate een organisatie groeit, worden rollen gespecialiseerder en processen meer gestructureerd. Het begrijpen van dit mechanisme is essentieel voor het maken van een weloverwogen keuze op de Nederlandse AI-arbeidsmarkt.
De invloed van organisatie-omvang op de functie-inhoud
In een kleine organisatie is de taakverdeling per definitie fluïde. Er zijn simpelweg niet genoeg medewerkers om elk onderdeel van de softwareontwikkeling over te dragen aan een gespecialiseerd team. Een AI-specialist bij een startup werkt daarom zelden uitsluitend aan de modelarchitectuur of het trainen van neurale netwerken. De werkzaamheden strekken zich uit over de gehele keten van de applicatie.
In grote ondernemingen is het tegenovergestelde zichtbaar. Daar zijn afdelingen opgedeeld in gespecialiseerde teams: van datatechnologie en MLOps tot governance en compliance. Dit betekent dat een specialist zich heel gericht kan verdiepen in één aspect van het domein, maar dat het overzicht over het totale product daardoor vaak minder direct is.
Kernregel: Hoe kleiner de organisatie, hoe breder het takenpakket van de AI-specialist. Hoe groter de organisatie, hoe dieper de specialisatie op een specifiek deeldomein.
Werken bij een kleine organisatie: van datalandschap tot gebruikerscontact
Wie werkt binnen een startup of een kleine onderneming krijgt te maken met de rauwe werkelijkheid van AI-ontwikkeling. Er is vaak nog geen opgeschoonde dataset beschikbaar en er is geen infrastructureel team dat servers klaarzet. De engineer start met het handmatig verzamelen, schonen en labelen van data. Vervolgens bouwt deze de pijplijn, kiest of traint het model, en regelt de uiteindelijke hosting en deployment.
Naast de technische werkzaamheden bestaat de dagelijkse praktijk bij een klein bedrijf uit directe interactie met het product en de gebruikers. Een AI-specialist zit hier regelmatig om de tafel met eindgebruikers om te observeren hoe het systeem in de praktijk presteert. Als een Large Language Model (LLM) verkeerde antwoorden genereert of een hallucinatie vertoont, komt de melding direct binnen bij de persoon die het systeem heeft gebouwd. Dit brengt een hoge mate van flexibiliteit én rommeligheid met zich mee. Documentatie ontbreekt vaak, en systemen moeten regelmatig worden aangepast omdat de doelstellingen van het bedrijf veranderen.
Werken bij een grote organisatie: schaal, structuren en goedkeuring
Grote ondernemingen beschikken over middelen die bij kleine bedrijven ondenkbaar zijn: gigantische hoeveelheden historische data, omvangrijke rekenkracht en gevestigde klantenbestanden. Werken bij een corporate betekent bouwen aan systemen die impact hebben op honderduizenden of miljoenen gebruikers tegelijk. Een kleine optimalisatie in een aanbevelingsmodel kan hier direct leiden tot een aantoonbare verandering in operationele efficiëntie.
Daartegenover staat de aanwezigheid van complexe datalandschappen en legacy-systemen. Gegevens zitten vaak opgesloten in silo's die via strikte beveiligingslagen zijn afgeschermd. Voordat een dataset mag worden gebruikt voor het trainen of finetunen van een model, moeten er diverse goedkeuringstrajecten worden doorlopen. Traagheid in besluitvorming, uitgebreide compliance-checks en afstemming met juridische afdelingen maken een vast onderdeel uit van het dagelijks werk. Het introduceren van een nieuw open-source model vereist soms maanden van beveiligingsaudits.
Bouwen versus overtuigen: de verdeling van de werktijd
Een veelvoorkomend misverstand onder AI-professionals is dat de tijd binnen een corporate voornamelijk naar programmeren en modelleren gaat. In de praktijk besteedt een engineer bij een groot bedrijf een aanzienlijk deel van de werkweek aan overleg, afstemming en het schrijven van voorstellen. Het overtuigen van belanghebbenden — van risicomanagers tot producteigenaren — is daar geen randverschijnsel, maar vormt een substantieel onderdeel van de functie.
Deze uren aan overleg zijn geen verspilling van tijd; ze zijn noodzakelijk om te zorgen dat een AI-oplossing veilig en conform de wetgeving kan worden geïntegreerd. Het helpt wanneer een organisatie duidelijke richtlijnen heeft vastgesteld over hoe interne AI-adoptieteams worden vormgegeven. In een startup is deze overlegstructuur vrijwel afwezig: Beslissingen worden bij de koffieautomaat of in een kort bericht genomen, waarna de code direct naar productie wordt gepusht.
| Aspect | Startup / Kleine organisatie | Corporate / Groot bedrijf |
|---|---|---|
| Breedte van de rol | Zeer breed (data, MLOps, frontend, support) | Gespecialiseerd (bijv. uitsluitend fine-tuning of MLOps) |
| Infrastructuur & Data | Beperkt, vaak vanaf nul op te bouwen | Omvangrijk, maar vaak gebonden aan legacy-systemen |
| Snelheid van besluitvorming | Direct, weinig hiërarchie | Trager, via meerdere goedkeuringslagen |
| Tijdverdeling | Hoofdzakelijk bouwen en testen | Mix van bouwen, afstemmen en documenteren |
| Risico van de rol | Continuering van de organisatie zelf | Stopzetten van specifieke projecten of afdelingen |
Leerrendement: breedte en snelheid versus diepte en structuur
De keuze voor een organisatietype heeft een directe invloed op het leerrendement en de professionele ontwikkeling van een AI-specialist. Beide omgevingen bieden een waardevolle, maar fundamenteel verschillende leerschool.
- Het leerrendement bij een startup: Kenmerkt zich door een hoge leersnelheid in de breedte. Je leert snel beslissingen nemen met onvolledige informatie, maakt kennis met alle facetten van de softwareketen en leert hoe je snel een werkend prototype neerzet. De focus ligt op pragmatisme en wendbaarheid.
- Het leerrendement bij een corporate: Biedt verdieping en structuur. Je leert hoe je robuuste, schaalbare software schrijft volgens strikte standaarden, hoe MLOps-pijplijnen op enterprise-niveau worden ingericht, en hoe je rekening houdt met wetgeving rondom privacy en ethiek.
Welke vorm op een bepaald moment in een loopbaan de juiste keuze is, hangt af van wat er ontbreekt op het cv. Juniors profiteren bij een groot bedrijf vaak van de begeleiding door ervaren senior collega's en de gestructureerde werkwijze. Bij een startup worden ze daarentegen direct in het diepe gegooid. Voor senioren kan de overstap naar een startup juist aantrekkelijk zijn om meer zeggenschap te krijgen over de algehele architectuur, terwijl de stap naar een corporate de kans biedt om complexe vraagstukken op grote schaal op te lossen.
Verantwoordelijkheid en het risico bij AI-toepassingen
Verantwoordelijkheid werkt in een technologische context anders dan bij traditionele softwareontwikkeling. AI-modellen zijn statistisch van aard en vertonen soms onvoorspelbaar gedrag. Dat brengt specifieke risico's met zich mee voor wat betreft aansprakelijkheid en ethiek.
Bij een kleine organisatie ligt de individuele verantwoordelijkheid direct bij de maker. Als een taalmodel in een klantgerichte applicatie verkeerde medische of juridische adviezen geeft, of als vertrouwelijke gegevens lekken, heeft dit direct grote gevolgen voor het gehele bedrijf. Er zijn zelden vangnetten of juristen die het model vooraf hebben gecontroleerd. De druk op de individuele engineer om fouten te voorkomen is daardoor hoog, terwijl de middelen voor uitgebreide monitoring vaak beperkt zijn.
In een corporate context is de verantwoordelijkheid meer gespreid over lagen van governance en compliance. Voordat een model in productie gaat, passeser het vaak meerdere kwaliteitstoetsen en audits. Dit verkleint het individuele risico voor de engineer. Echter, als er alsnog een fout optreedt op de schaal van een groot bedrijf, zijn de maatschappelijke en financiële gevolgen vele malen groter. Dit verklaart de terughoudendheid en de eisen die grote organisaties stellen aan controleerbaarheid en uitlegbaarheid van AI-modellen.
Arbeidsvoorwaarden, zekerheid en beloningsstructuren
Ook op het gebied van arbeidsvoorwaarden verschilt het werken bij een startup van een corporate. Het gaat hierbij niet alleen om de hoogte van de vergoeding, maar om de structuur en het bijbehorende risicoprofiel.
Kleine, snelgroeiende bedrijven compenseren het risico en een eventueel lager vast salaris regelmatig met variabele beloningsvormen, zoals aandelenopties of Employee Stock Ownership Plans (ESOP's). Het is van belang om dergelijke regelingen reëel te beoordelen: in de praktijk zijn aandelen in een vroeg stadium van een bedrijf geen gegarandeerde bonus, maar een risicovolle investering van eigen arbeid. De kans dat deze opties uiteindelijk financiële waarde vertegenwoordigen is afhankelijk van de overlevingskans van de onderneming. De marktdynamiek laat zien dat er regelmatige consolidatie onder AI-startups plaatsvindt, wat invloed heeft op de uiteindelijke waarde van dergelijke aandelenpakketten.
Grote ondernemingen bieden in de regel meer secundaire arbeidsvoorwaarden, vaste salarisstructuren, pensioenopbouw en budgetten voor persoonlijke ontwikkeling. De zekerheid over het voortbestaan van de werkgever is groter, al kan ook een corporate besluiten de strategie te wijzigen en specifieke AI-afdelingen te reorganiseren.
De tussenvormen: scale-ups, consultancy en innovatielabs
De keuze beperkt zich niet tot een strikte tweedeling tussen piepkleine startups en traditionele multinationals. Er zijn diverse tussenvormen met hun eigen dynamiek en voor- en nadelen.
Scale-ups
Een scale-up heeft het product-marktcombinatievraagstuk opgelost en is bezig met het vergroten van het marktaandeel. De organisatie groeit snel in personeel en de eerste structuren worden aangebracht. De uitdaging voor een AI-specialist verschuift hier van 'snel iets bouwen' naar 'het professionaliseren van de bestaande code en infrastructuur'. Dit biedt een combinatie van bouwsnelheid en beschikbare middelen, maar kan ook organisatorische groeipijnen met zich meebrengen.
AI-consultancy
Binnen een adviesorganisatie werken AI-specialisten aan projecten voor verschillende opdrachtgevers. Dit zorgt voor een snelle afwisseling van werkomgevingen, datastructuren en domeinen. Het geeft inzicht in hoe verschillende organisaties hun datavraagstukken aanpakken. Wie twijfelt over het maken van een keuze tussen zelf bouwen of adviseren, kan het verschil analyseren tussen een intern AI-team versus externe AI-consultancy. Een mogelijke valkuil van consultancy is dat de specialist vaak vertrekt nadat het advies of het eerste prototype is opgeleverd, waardoor de langetermijn impact van het model zelden van dichtbij wordt meegemaakt.
Corporate Innovatielabs
Veel grote organisaties hebben een afgezonderde innovatie-eenheid of een AI-lab opgericht. Het doel hiervan is om de wendbaarheid van een startup te combineren met het kapitaal van een corporate. Specialisten kunnen hier experimenteren met de nieuwste technieken zonder direct rekening te hoeven houden met bestaande infrastructuren. De grootste valkuil van een innovatielab is de overdracht naar de staande organisatie: een succesvol prototype in het lab belandt door interne bureaucratie regelmatig niet in de uiteindelijke productieomgeving.
Praktische vragen om te stellen tijdens het sollicitatiegesprek
Om te achterhalen hoe een organisatie werkelijk met AI omgaat en wat de dagelijkse praktijk van de functie inhoudt, is het verstandig om gerichte vragen te stellen tijdens de sollicitatieprocedure. Zie hiervoor ook het overzicht van interviewvragen voor AI-functies. Onderstaande vragen leggen de werkelijke situatie binnen een team bloot:
- "Hoeveel tijd verstrijkt er gemiddeld tussen het valideren van een model en de daadwerkelijke uitrol in productie?" (Dit geeft inzicht in de MLOps-volwassenheid en bureaucratische vertraging).
- "Welk deel van het werk bestaat uit het opschonen en voorbereiden van data, en welk deel uit de daadwerkelijke modelontwikkeling?" (Dit voorkomt een verkeerd verwachtingspatroon over de dagelijkse taken).
- "Wat gebeurt er op het moment dat een model in productie een onjuist of schadelijk resultaat genereert?" (Dit verraadt de mate van monitoring, governance en individuele druk).
- "Welke tools en modellen mogen vrij worden gebruikt, en wat is de procedure om nieuwe open-source middelen toe te voegen aan de tech stack?" (Dit geeft de mate van technische vrijheid aan).
- "Hoe is de budgetverdeling geregeld tussen het experimenteren met modellen en het onderhouden van bestaande software?" (Dit laat zien of er ruimte is voor innovatie of dat de focus voornamelijk op beheer ligt).
Voor wie een zelfstandige rol overweegt boven een dienstverband, kan het daarnaast nuttig zijn om de afwegingen te bekijken rondom freelancen als AI-specialist op de huidige markt.
Conclusie
Er is geen eenduidig antwoord op de vraag of een startup dan wel een corporate de betere keuze is voor een AI-professional. Beide omgevingen stellen andere eisen aan vaardigheden, persoonlijkheid en de gewenste fase van een loopbaan. Wie waarde hecht aan overzicht over het gehele product, snelle besluitvorming en veel afwisseling, vindt vaak de juiste dynamiek in een kleine organisatie. Wie juist op grote schaal wil werken, diepgaande technische specialisatie zoekt en waarde hecht aan duidelijke kaders en structuur, komt beter tot zijn recht binnen een gevestigde korporatie.
