De Business Analyst in het Tijdperk van AI‑Agents

AI kan in minder dan een minuut een use‑case‑overzicht genereren, een eenvoudig idee binnen een uur omzetten in een basisprototype en eisen­documentatie produceren in een fractie van de tijd die daarvoor nodig was. Deze verschuiving is al zichtbaar in de dagelijkse businessanalyse, waarbij professionals AI gebruiken om elicitatiesessies voor te bereiden, eisen op te stellen en hiaten te identificeren vóór validatie. Kijk alleen naar die deliverables, en de conclusie lijkt evident: de business analyst verdwijnt.

Ik deel die conclusie niet. Ik heb jarenlang gewerkt in business‑ en IT‑analyse, solution design en digitale transformatie, en heb continue veranderingen en verschillende fasen van aanpassing waargenomen. Wat verdwijnt, is niet de rol. Wat verdwijnt, is de periferie ervan. En dat is iets heel anders.

Wat een Analist Doet

Wanneer je een klant vraagt wat hij nodig heeft, vertelt hij je wat hij wil. Dat is niet altijd hetzelfde. Niet omdat ze hun eigen werk niet begrijpen – ze kunnen hun behoeften simpelweg niet altijd duidelijk verwoorden. Routine‑activiteiten blijven vaak onuitgesproken omdat klanten ze automatisch, elke dag uitvoeren. Randgevallen worden gemakkelijk gemist omdat mensen ze alleen herinneren wanneer ze zich voordoen.

Verbondenheden tussen afdelingen worden begrepen vanuit een persoonlijk perspectief, niet per se vanuit het oogpunt van het geheel. En wanneer een klant besluit meerdere systemen tegelijk te wijzigen, zien ze vaak niet dat het wijzigen van één systeem bijna altijd ook een proces verandert.

De taak van de analist is niet om op te schrijven wat de klant heeft gezegd. De taak is om te achterhalen wat de klant niet heeft gezegd, en om door te blijven vragen totdat alles aan het licht komt. De analist volgt de verbanden, afhankelijkheden en consequenties tussen systemen, data en bedrijfsprocessen.

Dat is een diagnostisch vermogen, geen administratieve activiteit.

Drie Richtingen voor Business Analisten

De grenzen van businessanalyse zijn nooit vast geweest. Analisten zijn al lang overgestapt naar product‑eigenaarschap, projectmanagement en meer technische rollen. AI versnelt die verschuiving simpelweg door de tijd die nodig is voor routinematige deliverables te verkorten.

Een recente Gartner‑enquête wees uit dat meer dan de helft van de organisaties rollen had herontworpen of opnieuw gedefinieerd vanwege AI, terwijl 78 % van de HR‑leiders het erover eens was dat werkstromen en rollen de waarde van hun AI‑investeringen moeten realiseren.

Uit mijn observaties en directe ervaring komen drie hoofdtrajecten naar voren.

1. Naar Product en Business

Analisten die graag producten vormgeven, kunnen overstappen naar bredere rollen die product‑eigenaarschap, businessanalyse en leveringscoördinatie omvatten. Dergelijke combinaties bestaan al, vooral in kleinere teams. Naarmate AI de tijd die wordt besteed aan het produceren van routinematige artefacten verkort, zullen de grenzen tussen deze verantwoordelijkheden waarschijnlijk vloeiender worden.

Dit moet niet betekenen dat één persoon vier functies krijgt alleen omdat AI de documenten kan schrijven. De kans ligt in het samenbrengen van verantwoordelijkheden die al afhankelijk zijn van hetzelfde begrip van klantbehoeften, productprioriteiten en bedrijfsresultaten.

Deze richting vereist ook een sterker begrip van data. Analytisch werk richtte zich vaak op processen, functionaliteit en eisen, terwijl de datalaag op de achtergrond bleef. AI‑systemen maken die scheiding steeds moeilijker.

Een analist die zowel de zakelijke context als de data begrijpt, kan herkennen wanneer een model het juiste antwoord geeft op de verkeerde vraag. Dat kan gebeuren omdat de beschikbare data de situatie niet nauwkeurig weergeeft, de zakelijke definitie achter een metriek is veranderd of de oorspronkelijke vraag slecht geformuleerd was.

AI kan bijna iedereen helpen een dashboard of rapport te maken. Het interpreteren van wat het resultaat betekent voor een specifiek bedrijf, op een specifiek moment, vereist nog steeds context en oordeel. Forrester beschrijft een vergelijkbare verandering binnen software‑rollen, waarbij AI tijd wegneemt van repetitieve artefactproductie en richt op activiteiten zoals validatie, orkestratie en controle.

2. Naar Technische Prototyping

Analisten met een sterke affiniteit voor ontwikkeling kunnen met een klant spreken en vervolgens een werkend prototype bouwen – niet slechts een mock‑up, maar iets dat de klant kan testen en valideren.

Dit verandert de validatie van eisen: klanten kunnen met een idee interageren in plaats van het te proberen te interpreteren uit een document. Misverstanden kunnen eerder aan het licht komen, terwijl wijzigingen nog relatief goedkoop zijn.

Maar een prototype is geen productiesysteem.

Beveiliging, integratie, schaalbaarheid en prestaties onder belasting worden niet opgelost door “AI helpt me coderen”. Het bouwen van enterprise‑software voor productie vereist een ander niveau van engineering‑expertise. Sommige analisten kunnen die vaardigheden geleidelijk ontwikkelen en dichter bij productie‑niveau ontwikkeling komen. Het is een aanzienlijk veeleisender pad dan snelle prototyping doet vermoeden, maar het is realistisch.

3. Naar Project‑ en Leveringsmanagement

Analisten coördineren al klantdiscussies, dragen bij aan schattingen en beheren vragen rond scope, eisen en verandering. Dat zorgt voor een natuurlijke overlap met projectmanagement.

Bij kleinere projecten kan één persoon zowel analytische als coördinatietaken combineren omdat beide afhankelijk zijn van begrip van scope, belanghebbenden en afhankelijkheden. Dit kan communicatielijnen verkorten en het makkelijker maken om dagelijkse leveringsbeslissingen te koppelen aan de oorspronkelijke bedrijfsbehoefte.

Dit maakt de projectmanager niet overbodig. Bij grotere projecten, waar het coördineren van mensen, risico’s en afhankelijkheden echt complex is, blijft projectmanagement een specialistisch vakgebied. De gecombineerde aanpak heeft alleen zin wanneer de scope het toelaat.

Het onderscheid is belangrijk. AI kan de inspanning verminderen die nodig is om plannen, vergaderingssamenvattingen of statusrapporten te maken, maar het produceren van die artefacten was nooit de volledige waarde van projectmanagement.

Wat Onderscheidt Degenen die Dit Goed Navigeren

Alle drie de richtingen vragen van analisten dat ze verder gaan dan bekende rolgrenzen. Nieuwsgierigheid geeft hen de bereidheid om nieuwe tools en benaderingen te testen. Doorlopend leren voorkomt wat ik beschouw als kennisschuld: de geleidelijke ophoping van verouderde aannames en vaardigheden, vergelijkbaar met technische schuld in een legacy‑systeem.

Misschien wel het belangrijkste is echter het vermogen om te verifiëren. Analisten zijn gewend te vragen “Is dit echt correct?” voordat ze vragen “Is dit klaar?”. In een omgeving vol vloeiende, professioneel gepresenteerde AI‑output wordt die gewoonte waardevoller.

AI kan onjuiste antwoorden produceren in een zelfverzekerde en overtuigende vorm – een patroon dat door MIT Sloan‑onderzoekers wordt benadrukt als een van de belangrijkste redenen waarom menselijk toezicht essentieel blijft. De output kan gestructureerd, vloeiend en gepolijst zijn.

Falen treedt niet op op het moment dat AI wordt gebruikt. Het begint wanneer een plausibele output wordt geaccepteerd zonder verificatie.

De Vraag Is Niet Of BAs Zullen Verdwijnen

Veel artikelen over de toekomst van de analistenrol worden geschreven als voorspellingen. Dit is geen voorspelling. Het is een observatie: de rol verandert zoals altijd al. Wat dit keer anders is, is de snelheid – en het feit dat de periferie ervan voor bijna iedereen toegankelijk wordt.

Een ontwikkelaar kan AI gebruiken om een eisenanalyse uit te voeren. Een manager kan het gebruiken om user stories te genereren. Ze zullen elk van beide misschien niet bijzonder goed doen, maar een analist wiens waarde uitsluitend gebaseerd is op het leveren van deliverables zal het moeilijk hebben.

Wat centraal blijft in de rol is het vermogen om onuitgesproken behoeften te ontdekken, business‑ en technische contexten te verbinden, output te verifiëren en verbanden te zien die de klant niet kan. Volgens het IIBA‑rapport 2025 Global State of Business Analysis zegt 74 % van de beoefenaars dat AI een positieve invloed heeft op hun carrière, terwijl menselijke vaardigheden zoals communicatie, strategisch denken en aanpassingsvermogen steeds belangrijker worden.

De vraag is niet of businessanalyse zal verdwijnen. Het gaat erom wat overblijft wanneer de periferie ervan voor iedereen beschikbaar wordt.

Het antwoord is het oordeel dat jarenlange praktijk, gevarieerde projecten en ervaring met falen vereist om zich te ontwikkelen. Het is het vermogen om te herkennen dat een gedocumenteerde eis onvolledig is, een werkend prototype het verkeerde probleem oplost, of een gepolijst antwoord gebaseerd is op een valse veronderstelling.

Dat is het deel van businessanalyse dat niet snel kan worden verworven.