Code LLM’s in softwareontwikkeling: drie lessen uit de praktijk

Les 1: Copilots zijn pas waardevol als je ze echt beheerst 

Over de programmeercapaciteiten van code-LLM’s is al veel geschreven. Succesverhalen over efficiëntiewinsten duiken overal op. Maar een terecht vraag blijft: werken deze tools ook in onze specifieke context?

We wilden dat niet op aannames baseren, maar meten in de praktijk. Daarom organiseerden we gerichte infosessies en activeerden we GitHub Copilot-licenties voor verschillende teams en projecten. Steeds met goedkeuring van onze klanten. Zo gaven we ontwikkelaars gecontroleerde toegang tot de relevante functionaliteiten en moedigden we hen aan om die bewust in hun werkwijze te integreren. Na enkele weken evalueerden we de integratie. De conclusie was helder: de effectieve adoptie bleef beperkt tot enkele basisfunctionaliteiten. Uit een rondvraag bij de teams bleek dat LLM’s in de praktijk vooral werden ingezet als:

• geavanceerde auto-aanvulling

• een handige chat, geïntegreerd in de code-editor 

Die functies zijn nuttig, maar ze benutten slechts een fractie van wat code-LLM’s kunnen. Dit gebruik beperkt zich tot de meest eenvoudige vormen van vier standaard agents of gespecialiseerde LLM-profielen die GitHub Copilot aanbiedt:

• Ask: het standaard vraag-en-antwoordprofiel van LLM’s 

• Edit: om gerichte wijzigingen te laten uitvoeren  
• Plan: om structuur en aanpak uit te denken 
• Agent: om taken autonoom te laten uitvoeren

Vooral Plan en Agent gaan een stap verder: ze ondersteunen het ontwikkelproces niet alleen, maar automatiseren delen ervan.

Om de adoptie structureel te verdiepen (minder Ask, meer Plan en Agent), hebben we een intern expertiseprogramma opgezet met ervaren gebruikers als trekkers, onze champions. Via gerichte opleidingen en workshops verspreiden zij hun praktijkkennis over de teams heen. Zo bouwen we gecontroleerd competentie op in plaats van afhankelijk te blijven van losse, individuele experimenten.

Zonder gerichte begeleiding, voorbeeldgebruik en structurele kennisdeling blijft het grootste deel van de meerwaarde onbenut. Wie rendement verwacht, moet dus actief investeren in opleiding, coaching en duidelijke werkkaders.

Les 2: De juiste context is cruciaal voor een LLM 

Onze champions leerden een tweede belangrijke les: stel de juiste verwachtingen. De huidige modellen zijn goed te vergelijken met een “boekwijze” junior developer: ze beschikken over indrukwekkend veel kennis, maar hebben duidelijke en uitgebreide context nodig om precies te leveren wat je verwacht. Wanneer we die context expliciet aanreiken, genereren code-LLM’s zelfstandig middelgrote tot grotere stukken code. Een grondige code review blijft daarbij onmisbaar, want de verantwoordelijkheid voor kwaliteit blijft bij de ontwikkelaar.

Gelukkig bestaan er intussen gestandaardiseerde manieren om die context expliciet en herbruikbaar vast te leggen, los van een specifiek LLM-platform. Een bijkomend voordeel hierbij is dat deze contextbestanden ook voor mensen duidelijk te begrijpen zijn. Teams leggen er expliciet afspraken, normen en architectuurkeuzes vast. Dat levert drie concrete voordelen op:

• Lagere instapdrempel: Er is minder impliciete kennis nodig waardoor de afhankelijkheid van specifieke teamleden afneemt. 

• Zichtbare intentie: Niet alleen het hoe, maar ook het waarom achter de code wordt duidelijk. 
• Consistentie en auditeerbaarheid: Afspraken rond codestijl, commits en reviews blijven controleerbaar.. 

Goede contextbestanden zijn dus tegelijk werkafspraken, onboardingsmateriaal en input voor LLM’s.

Les 3: Door asynchroon te werken win je vandaag al tijd 

Die contextbestanden creëren bovendien nieuwe vormen van efficiëntie. Asynchroon werken is daar een concreet voorbeeld van. Een LLM kan bijvoorbeeld code genereren terwijl een ontwikkelaar in een vergadering zit.

In een concreet, gemeten experiment volstond minder dan vijf minuten om een gerichte opdracht te formuleren, Copilot vóór de meeting te starten en het resultaat erna na te lezen. Zo kan een LLM tot 75% tijdswinst op vergadertijd, omzetten in productieve ontwikkeltijd.

Dit is zeker waardevol voor ontwikkelaars die veel vergaderen, vaak senior profielen. Maar ook hier geldt dezelfde les: die asynchrone winst ontstaat alleen wanneer de noodzakelijke context vooraf helder en volledig is aangeleverd.

Richting verdere automatisering 

Met de juiste context en wanneer ze doelgericht worden ingezet, automatiseren code-LLM’s vandaag al eenvoudige tot middelcomplexe ontwikkeltaken. Menselijke expertise blijft daarbij essentieel op strategisch niveau: de ontwikkelaar bepaalt de richting, lost nieuwe en onvoorspelbare problemen op en neemt onderbouwde beslissingen.

Door repetitief werk aan AI over te laten, ontstaat er ruimte voor diepere analyse en creatief denken. Een goed rendement uit code-LLM’s vraagt dus gerichte investering. Wie ze structureel wil inzetten, start best klein en gecontroleerd:

1. begin met afgebakende toepassingen in een veilige experimenteeromgeving 

2. leer uit die experimenten en vertaal de inzichten naar herbruikbare bouwstenen van de infrastructuur 
3. schaal pas op wanneer de aanpak voldoende gevalideerd is 

Pas dan kunnen we oplossingen gecontroleerd opschalen en industrialiseren over projecten heen.

AI-Enablement in de Cegeka Software Factory 

Binnen de Cegeka Software Factory, een werkwijze om softwareontwikkeling over teams, landen en projecten heen op dezelfde kwaliteitsvolle en schaalbare manier te organiseren, verankeren we vandaag onze geslaagde experimenten structureel in onze infrastructuur.

We investeren in meer gespecialiseerde agents en het Model Context Protocol (MCP). Gespecialiseerde agents voeren binnen een duidelijk afgebakende context autonome deeltaken uit, van brainstorm en implementatie tot tests en code reviews, waardoor een multi‑agent‑systeem ontstaat dat consistenter en efficiënter werkt. MCP breidt die agents uit met veilige toegang tot externe tools zoals code‑repositories, build servers en notificatieplatformen, zodat ze veel verder gaan dan enkel tekst- of codegeneratie.

Wil je je teams ook AI‑enabled laten werken in elke stap van de software­ontwikkelingsketen? We ondersteunen je graag met gerichte adoptietrajecten, opleidingen en hands‑on workshops die je teams snel en veilig op weg zetten. Contact opnemen kan via het onderstaande formulier.