Onze belangrijkste conclusie? De technologie is slechts een deel van het verhaal. Het verschil wordt gemaakt door de manier waarop je AI integreert in je ontwikkelproces.
De mogelijkheden van code-LLM's zijn groot. Toch blijkt uit de praktijk dat veel ontwikkelaars ze in eerste instantie vooral gebruiken als slimme auto-aanvulling of als chatfunctie binnen hun ontwikkelomgeving.
Dat levert tijdswinst op, maar benut slechts een klein deel van de mogelijkheden. Moderne code-LLM's kunnen namelijk veel meer dan code aanvullen. Ze helpen ook bij het uitwerken van een aanpak, het voorbereiden van oplossingen en het uitvoeren van afgebakende ontwikkeltaken.
Om die mogelijkheden beter te benutten, investeerde Cegeka in een intern expertiseprogramma. Ervaren gebruikers – onze champions – delen hun kennis via workshops en begeleiden collega's bij het toepassen van code-LLM's in de dagelijkse praktijk.
Die aanpak laat zien dat succesvolle adoptie niet vanzelf ontstaat. Wie rendement wil halen uit AI, moet investeren in kennisdeling, begeleiding en een gezamenlijke manier van werken.
Een tweede belangrijke les is dat een code-LLM niet vanzelf begrijpt hoe jouw applicatie werkt. Je kunt het vergelijken met een slimme junior ontwikkelaar: technisch sterk, maar afhankelijk van duidelijke instructies en voldoende context.
Hoe beter die context is, hoe beter de resultaten worden. Met voldoende achtergrondinformatie kunnen code-LLM's zelfstandig middelgrote tot grotere stukken code genereren. Tegelijkertijd blijft een grondige code review noodzakelijk. De verantwoordelijkheid voor de kwaliteit van de software ligt altijd bij de ontwikkelaar.
Steeds vaker leggen teams die context daarom expliciet vast in herbruikbare bestanden. Daarin staan afspraken over architectuur, codestijl en werkwijzen. Dat helpt niet alleen de LLM, maar maakt ook voor collega's inzichtelijk waarom bepaalde keuzes zijn gemaakt.
Die contextbestanden vervullen daardoor meerdere functies tegelijk. Ze vormen documentatie, ondersteunen nieuwe teamleden bij hun onboarding en zorgen voor een consistente manier van werken.
Goede context maakt ook nieuwe manieren van samenwerken mogelijk. Zo kan een code-LLM zelfstandig aan een afgebakende programmeertaak werken terwijl een ontwikkelaar bijvoorbeeld in een vergadering zit.
In een praktijkexperiment bleek dat een ontwikkelaar in minder dan vijf minuten een duidelijke opdracht kon formuleren en Copilot aan het werk kon zetten. Na de meeting hoefde alleen het resultaat nog te worden gecontroleerd en waar nodig aangepast.
Vooral ontwikkelaars die veel tijd besteden aan overleggen kunnen daar direct voordeel uit halen. Vergadertijd wordt zo deels omgezet in productieve ontwikkeltijd.
Ook hierbij geldt dezelfde voorwaarde: zonder voldoende context blijft de kwaliteit van de output achter.
Code-LLM's nemen vandaag al veel repetitieve ontwikkeltaken uit handen. Daardoor ontstaat meer ruimte voor werkzaamheden waarin menselijke expertise het verschil maakt, zoals architectuurkeuzes, complexe vraagstukken en het beoordelen van de kwaliteit van oplossingen.
De praktijk leert dat organisaties het meeste rendement behalen wanneer ze klein beginnen. Door eerst te experimenteren in een gecontroleerde omgeving, ervaringen vast te leggen en succesvolle werkwijzen stap voor stap op te schalen, ontstaat een solide basis voor verdere automatisering.
Binnen de Cegeka Software Factory passen we die aanpak dagelijks toe. Succesvolle experimenten vertalen we naar herbruikbare bouwstenen en integreren we stap voor stap in onze ontwikkelomgeving. Zo helpen we ontwikkelteams om AI verantwoord en schaalbaar in te zetten, zonder de kwaliteit, controle en vakmanschap uit het oog te verliezen.