Waarom AI Software delivery versnelt en hoe je vermijdt dat je ook de waste versnelt

Generatieve AI, in de vorm van Large Language Models (LLM’s), wordt vaak geprezen als een versneller voor software delivery. Ze zijn bijzonder handig voor het snel genereren van boilerplate code en eenvoudige, geïsoleerde functies. Daarnaast zijn ze verrassend sterk in code reviews: nagaan of nieuwe code voldoet aan de coding style en verbeteringen voorstellen. Tot op zekere hoogte kunnen LLM’s zelfs debuggen, foutmeldingen analyseren en mogelijke oplossingen aanreiken. Bovendien helpen ze ontwikkelaars bij het doorgronden van legacy codebases door inzichten en documentatie aan te reiken, een sterke versneller. Door deze taken slim aan LLM’s toe te vertrouwen, kunnen developers hun efficiëntie aanzienlijk verhogen.

Maar voor andere taken worden de mogelijkheden van AI vaak overschat. AI kan kleine, afgebakende features goed genereren, maar voor enterprise software zonder sterke governance en architecturale sturing introduceert ze al snel structurele risico’s. Zonder de menselijke ervaring die nodig is voor grote, complexe applicaties loop je het risico op een ongeorganiseerde en moeilijk te onderhouden codebase. LLM’s hebben bovendien veel context nodig om kwalitatieve code te produceren. Je bespaart misschien tijd op het effectief schrijven van code, maar je spendeert meer tijd aan het duidelijk formuleren van functionele en niet functionele vereisten. Een menselijke developer heeft die context ook nodig, maar een LLM kan veel sneller ontsporen als die ontbreekt.

“Zonder sterke governance en duidelijke guardrails kan de snelheid van AI leiden tot inconsistenties, technische schuld, onnodige functionaliteit en overbodige codepaden.”

Change Management

Zonder de juiste projectcontext en duidelijke richtlijnen loop je het risico om extra waste te creëren: inconsistente implementaties, technische schuld, onnodige functionaliteit en redundante code. Met correcte instructies kan een LLM sterke resultaten opleveren, maar het is een dunne lijn tussen net genoeg context geven en tekortschieten, met enorme verschillen in output. Dit is vakmanschap dat ervaring vraagt, ondersteund door een strategisch change programma om mensen daarin op te leiden.

Een vaak voorkomende fout is dat organisaties té snel AI willen inzetten voor software delivery, zonder de nodige training, begeleiding en opvolging. Effectief change management is essentieel om door de hype heen te kijken, te bepalen wat écht werkt, processen te herbekijken en te verfijnen, en zo het maximale uit de tools te halen.

“Overhaast AI inzetten zonder training en opvolging is één van de grootste fouten die organisaties vandaag maken.”

Guardrails

We moeten ook erkennen dat dit domein razendsnel evolueert en dat veel nog onontgonnen is. Best practices, tools en technieken veranderen voortdurend. Daarom zijn guardrails — zowel technische constraints als gestructureerde processen, absoluut noodzakelijk.

Dat inzicht bepaalt steeds meer hoe we onze Software Factory verder ontwikkelen. We evolueren naar een model waarin teams met minimale frictie een volledige development pipeline kunnen opzetten, verrijkt met AI gedreven guardrails. Onze klanten profiteren zo van een geïndustrialiseerde, gestandaardiseerde en AI ondersteunde manier van werken.

We ontwikkelen verschillende AI agents als standaard bouwblokken van deze “factory”, terwijl teams bijkomende, projectspecifieke agents kunnen creëren. Denk aan een agent die architectuurdiagrammen synchroniseert met code, een die controleert of ontwikkelaars de juiste branching strategie hanteren, een die bewaakt of semantic versioning correct wordt toegepast, een die extra testen voorstelt om testcoverage te verhogen, of een agent die automatisch security patches doorvoert.

Sommige guardrails zijn zelfs AI‑agents. Daardoor krijg je een situatie waarin AI AI controleert. Feitelijk krijgen onze Cegeka‑teams deze agents als extra teamleden, elk gespecialiseerd in een bepaald domein. Sommige geven alleen suggesties, andere maken pull requests die door mensen worden beoordeeld, en sommige kunnen autonoom ingrijpen bij veiligheidsproblemen.

Een belangrijke les: zelfs met deze guardrails moeten developers voldoende vrijheid behouden om te experimenteren. Dit domein is nog te nieuw; het vereist voortdurende trial‑and‑error om te ontdekken wat werkt, en wat niet langer werkt. Maar met duidelijke richtlijnen en sterke governance kan AI software‑delivery veel meer verbeteren dan men vaak verwacht. Developers die zeggen dat AI hen niet helpt, hebben waarschijnlijk nog niet de juiste manier van werken gevonden.

“AI agents evolueren snel naar gespecialiseerde digitale assistenten. Sommige suggereren verbeteringen, andere maken pull requests, en sommigen kunnen autonoom binnen duidelijke grenzen handelen.”

Veel Veranderingen op Komst

Naarmate AI de productiviteit verhoogt, zullen de verwachtingen mee opschuiven. Wat vroeger “goed genoeg” was, zal in de toekomst niet meer volstaan. Klanten verwachten meer complete, meer gepolijste software, én snellere opleveringen. AI kan organisaties ertoe aanzetten om legacy‑applicaties sneller te moderniseren, omdat de ROI sneller positief wordt. Dat leidt tot een grotere vraag naar maatwerkontwikkeling.

We verwachten dat het volume automatisch gegenereerde code sterk zal stijgen naarmate de tooling verder volwassen wordt. AI zal ontwikkelaars niet vervangen, maar hun rol wél hertekenen. Minder focus op zelf code schrijven, meer focus op het orkestreren van AI‑agents. Developers zullen meer tijd besteden aan het correct prompten, het debuggen van AI‑output en het beoordelen van het gedrag van AI‑agents. Omdat AI nieuwe soorten fouten en inconsistenties introduceert, blijft menselijke expertise cruciaal om goede architectuur, veiligheid en onderhoudbaarheid te bewaken. De developer blijft de eindverantwoordelijke die ervoor zorgt dat snelheid niet ten koste gaat van kwaliteit.

“Wanneer AI de productiviteit verhoogt, stijgen de verwachtingen vanzelf. Wat gisteren nog voldeed, is morgen niet langer goed genoeg.”