Een AI-native engineer bouwt applicaties met AI-tools als een kernonderdeel van zijn workflow. Een AI engineer werkt op de modellaag: evaluatie, fine-tuning, RAG pipelines en inference serving. De overlap is reëel maar beperkt.
Het belangrijkste onderscheid
De verwarring is begrijpelijk. Beide rollen hebben met AI te maken en zijn relatief nieuw in vacatureteksten. Het verschil zit in waar het werk plaatsvindt.
Een AI-native engineer werkt op de applicatielaag. Die gebruikt modellen als bouwstenen, net zoals een eerdere generatie engineers databases of message queues gebruikte. Ze leveren productieklare software. Hun AI-kennis is zichtbaar in hoe ze bouwen, niet in wat ze bouwen.
Een AI engineer werkt op de modellaag. Zijn taak is om modellen correct te laten werken voor een specifiek probleem: evals ontwerpen, RAG pipelines bouwen, fine-tunen, vector databases beheren en de infrastructuur verzorgen die modeluitvoer op schaal serveert.
Wat elke rol dagelijks doet
AI-native engineer: - Schrijft en levert productiefeatures met behulp van AI-assisted coding - Beoordeelt AI-gegenereerde code kritisch voordat die wordt samengevoegd - Integreert third-party modellen via API's zonder de modelinternals te hoeven aanraken - Gebruikt agentic coding-tools en coding agents als vast onderdeel van zijn workflow
AI engineer: - Ontwerpt evaluatieframeworks om de kwaliteit van modeluitvoer te meten - Bouwt retrieval pipelines en beheert embedding-strategieën - Fine-tunet of prompts modellen om te voldoen aan domeinspecifieke eisen - Bepaalt wanneer een model niet de juiste aanpak is en adviseert dienovereenkomstig
Waar ze overlappen
Beide rollen moeten context windows, promptgedrag en de faalpatronen van modeluitvoer begrijpen. Een AI-native engineer die een RAG-systeem in een product integreert, moet globaal begrijpen hoe het werkt. Een AI engineer die interne tooling bouwt, heeft baat bij software engineering-discipline.
De overlap wordt een probleem als bedrijven de twee rollen door elkaar halen en de ene aannemen terwijl ze de andere verwachten. Een sterke AI-native engineer is niet automatisch gekwalificeerd om fine-tuning runs te ontwerpen. Een sterke AI engineer is niet automatisch een productieve applicatieontwikkelaar.
Wanneer heb je welke rol nodig
Als je probleem is dat je sneller software wilt leveren, met betere tooling en met AI-mogelijkheden in het product, heb je AI-native engineers nodig.
Als je probleem modelkwaliteit, evaluatie, retrieval-nauwkeurigheid of de infrastructuur waarop modellen draaien betreft, heb je AI engineers nodig.
Veel teams hebben beide nodig, maar in andere verhoudingen en op andere momenten. Vroege producten willen doorgaans AI-native engineers die snel door de hele stack kunnen werken. Naarmate AI-features volwassener worden en modelgedrag zelf een productrisico wordt, loont een dedicated AI engineering-functie de investering.
Een noot over terminologie
Geen van beide termen is gestandaardiseerd in de sector. Sommige bedrijven gebruiken 'AI engineer' voor wat anderen 'ML engineer' of 'LLM engineer' noemen. Vacatures zijn inconsistent. Bij het beoordelen van een kandidaat of een plaatsing maakt de titel minder uit dan een heldere beschrijving van op welke laag iemand werkt en wat hij heeft opgeleverd.
Waar we op testen
Miyagami hanteert aparte selectiecriteria voor de twee rollen, al vallen beide onder hetzelfde proces met twee sessies dat je leest bij hoe we selecteren. AI-native engineers worden in beide assessments beoordeeld op onder meer tool-orkestratie, verificatie van AI-output en oordeelsvermogen op basis van risico. AI engineers worden op dezelfde criteria beoordeeld en daarnaast op het ontwerpen van evaluaties en op het herkennen van situaties waarin een model het verkeerde gereedschap is. Dit onderscheid telt bij de selectie, omdat de twee rollen om andere werkgewoonten en om andere kennis vragen.
Korte antwoorden
Kan iemand tegelijk AI-native engineer en AI engineer zijn?
Sommige mensen werken geloofwaardig op beide lagen, maar dat is zeldzaam op seniorniveau. Zowel de applicatie- als de modellaag vereist diepgang. De meeste beslissingen over inhuren worden helderder als de twee rollen als afzonderlijk worden behandeld, ook al is er enige overlap in kennis.
Is een AI engineer hetzelfde als een ML engineer?
Grotendeels vergelijkbaar, maar niet identiek. ML engineer is een oudere term die geassocieerd wordt met trainingspipelines en klassieke modelontwikkeling. AI engineer wordt nu vaker gebruikt voor rollen die gericht zijn op grote taalmodellen, evaluatie en retrieval. Het gebruik verschilt per bedrijf.
Moeten AI-native engineers de modelinternals begrijpen?
Niet diepgaand. Ze hebben voldoende begrip nodig om modellen betrouwbaar te integreren, hun faalpatronen te interpreteren en verstandige architectuurbeslissingen te nemen. Ze hoeven doorgaans geen trainingsprocedures te ontwerpen of evaluatieframeworks van de grond op te bouwen.
