S08E78 - AI coding harnas: zo dwing je controle technisch af

Twee derde van de Nederlandse IT-organisaties kan achteraf niet reconstrueren wat een AI-coding agent precies heeft gedaan, blijkt uit onderzoek onder 330 IT-beslissers. Het probleem is niet dat mensen de risico's niet zien, maar dat ze die risico's afdekken met beleid in plaats van technische maatregelen, terwijl een taalmodel je beleidsdocument niet leest.

De oplossing is een coding harnas: een ontwikkelomgeving waarin architectuurprincipes, security-regels en testen technisch zijn afgedwongen in plaats van opgeschreven. Daarmee verschuift de vraag van "heeft de agent zich aan de regels gehouden" naar "staan de goede regels in ons harnas".

Morgen kun je beginnen met één vraag aan bestuur, architecten en teamleden afzonderlijk: waarop baseer jij je oordeel dat het goed gaat met coding agents in onze ontwikkelstraat? Het verschil tussen die antwoorden is je agenda voor de komende maanden.

Onderwerpen

• Het verschil in risicoperceptie tussen directie en architecten bij AI-coding agents
• De kloof tussen beleidsmaatregelen op papier en technische afdwinging in de praktijk
• AI coding harnas als technische oplossing voor het afdwingen van architectuurprincipes en security-regels
• De verschuiving van vakmanschap naar beoordeling en het inrichten van kaders bij AI-adoptie

Links

• Checklist: Checklist: van indruk naar meting
• Onderzoeksrapport: Info Support & Markteffect (2026). Agentic Engineering-onderzoek 2026 — Sneller bouwen vraagt om sterker vakmanschap
• Artikel: Dutch IT Leaders - Hoe veilig is AI in softwareontwikkeling?
• Wetenschappelijk artikel: [2211.03622] Do Users Write More Insecure Code with AI Assistants?
• Wetenschappelijk artikel: [2507.09089] Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity
• Boek: Doeltreffend met AI-agents door Joop Snijder - Managementboek.nl

Genoemde entiteiten: GitHub Copilot - Claude - Stanford - METR

Aigency
Aigency ontwerpt en ontwikkelt waardevolle, robuuste en betrouwbare Machine Learning-modellen.

Info Support
Info Support is de specialist in maatwerk software en leidend in kunstmatige intelligentie (AI).

Disclaimer: This post contains affiliate links. If you make a purchase, I may receive a commission at no extra cost to you.

Schrijf je in voor onze nieuwsbrief en ontvang exclusieve toegang tot nieuws, blik achter de schermen en meer!

Transcript

1
00:00:01,839 --> 00:00:05,120
Hoi, welkom weer bij de korte aflevering van AIToday Live.

2
00:00:05,120 --> 00:00:08,240
Ik ben Joop Snijder, Head of AI bij Info Support.

3
00:00:09,759 --> 00:00:13,440
Ik heb vandaag denk ik echt wel een gave aflevering.

4
00:00:13,440 --> 00:00:18,160
Want ik begin vandaag met een vraag waarop ik geen definitief antwoord heb.

5
00:00:18,160 --> 00:00:21,520
En dat is precies waarom hij denk ik juist de moeite waard is.

6
00:00:21,840 --> 00:00:27,280
Stel, je zit in een organisatie waar AI-agents meebouwen aan software.

7
00:00:27,519 --> 00:00:33,600
Dat je met coding agents zoals Claude Copilot, GitHub Copilot, dat je software bouwt.

8
00:00:34,479 --> 00:00:39,520
De directeur zegt we hebben dit onder controle, we kunnen opschalen.

9
00:00:39,519 --> 00:00:46,639
Maar de architect, de beïnvloeders op de werkvloer zeggen we hebben dit niet onder controle.

10
00:00:46,640 --> 00:00:49,839
Ik wil dat er bij elke actie iemand meekijkt.

11
00:00:49,840 --> 00:00:52,320
Wie van de twee heeft dan gelijk.

12
00:00:52,320 --> 00:00:55,919
Ik kan die vraag stellen omdat we hem hebben gemeten.

13
00:00:56,159 --> 00:01:09,279
Ik heb namelijk aan het onderzoek van Info Support meegewerkt, het Agentic Engineering-onderzoek uitgevoerd in opdracht van Info Support onder 330 Nederlandse IT-beslissers.

14
00:01:10,480 --> 00:01:14,959
Voordat ik de uitkomst geef iets over waarom dit onderzoek bestaat.

15
00:01:15,119 --> 00:01:20,719
De cijfers in dit vakgebied die rondgaan, komen bijna allemaal uit twee hoeken.

16
00:01:20,719 --> 00:01:33,439
Namelijk Amerikaanse leveranciersrapporten over hun eigen tooling en academisch werk waarin individuele ontwikkelaars in een laboratorium of in open source-projecten worden gevolgd.

17
00:01:33,599 --> 00:01:35,599
Beide zijn natuurlijk hartstikke nuttig.

18
00:01:35,600 --> 00:01:41,599
Maar beide meten iets anders dan wat een Nederlandse organisatie nodig heeft om een besluit te nemen.

19
00:01:41,760 --> 00:01:46,640
Wat wij hebben gemeten, is juist dat besluitsvormingsniveau.

20
00:01:46,640 --> 00:01:53,439
Dus niet hoe snel typt een developer, wel hoe is toezicht geregeld, waar ligt eigenaarschap.

21
00:01:53,439 --> 00:01:55,359
Wat is er formeel verankerd?

22
00:01:55,359 --> 00:02:00,799
En hoe denken bestuur en werkvloer over hoe klaar de organisatie is.

23
00:02:00,799 --> 00:02:12,799
En dat in een markt waarin de AVG en de AI Act juist dagelijks praktijk is, waarin veel maatwerksoftware wordt gebouwd bij overheid, zorg, finance, logistiek, noem maar op.

24
00:02:12,799 --> 00:02:19,280
En waarin het gesprek over digitale soevereiniteit scherper wordt gevoerd dan in de meeste landen.

25
00:02:19,439 --> 00:02:21,520
Die combinatie die bestond nog niet.

26
00:02:21,519 --> 00:02:25,599
Daarom is denk ik dit onderzoek zo'n moeite waard.

27
00:02:26,159 --> 00:02:30,400
Kijk, wat ik niet ga doen is je helemaal vol gooien met allerlei percentages.

28
00:02:30,399 --> 00:02:33,359
Als je die exact wil nalezen.

29
00:02:33,599 --> 00:02:37,759
De link naar het rapport staat in de shownotes.

30
00:02:37,759 --> 00:02:39,840
En je kan hem gewoon gratis lezen.

31
00:02:39,840 --> 00:02:41,520
Je hoeft ook helemaal niets achter te laten.

32
00:02:41,520 --> 00:02:44,640
Je kan het gewoon meteen lezen op die link.

33
00:02:45,919 --> 00:02:50,240
Dan de metingen waar mijn openingsvraag over gaat.

34
00:02:50,560 --> 00:02:58,479
Van de hoofdbeslissers vindt ongeveer een kwart namelijk dat elke AI-actie menselijke controle vereist.

35
00:02:58,479 --> 00:03:03,839
Maar van de adviseurs met invloed op IT-beleid vindt ongeveer de helft dat.

36
00:03:04,639 --> 00:03:06,319
Het is het dubbele.

37
00:03:07,040 --> 00:03:10,960
En dat is geen meningsverschil over smaak.

38
00:03:10,960 --> 00:03:19,680
Dat is een verschil over hoeveel ruimte uiteindelijk zo'n coding agent krijgt, welke controles nodig zijn en hoe snel je kunt opschalen.

39
00:03:19,680 --> 00:03:25,840
Dus twee mensen in dezelfde organisatie kijken naar dezelfde situatie en zien iets anders.

40
00:03:25,840 --> 00:03:27,840
En loopt dat er ver uit één.

41
00:03:28,079 --> 00:03:36,479
Dan geeft een organisatie coding agents meer ruimte dan haar processen, security en misschien zelfs kwaliteitscontroles aankunnen.

42
00:03:37,680 --> 00:03:40,799
Nu de vraag dan zelf: wie heeft het dan gelijk.

43
00:03:41,119 --> 00:03:45,439
Kijk je naar de rest van het onderzoek, dan blijkt dat wel de verkeerde vraag.

44
00:03:45,439 --> 00:03:50,000
Want geen van beide meet namelijk iets, ze schatten allebei.

45
00:03:50,000 --> 00:03:51,280
Neem het toezicht.

46
00:03:51,680 --> 00:04:01,359
Actief toezicht op coding agents, als logging, audits, duidelijke rolverdeling, vindt bij ongeveer een derde van de organisaties plaats.

47
00:04:01,680 --> 00:04:12,639
Dus dat betekent dat twee derde achteraf niet kan reconstrueren wat een agent van een coding agent precies heeft gedaan op basis waarvan.

48
00:04:13,280 --> 00:04:17,360
In die twee derde is het oordeel van de directeur een indruk.

49
00:04:17,920 --> 00:04:21,759
Het oordeel van een architect of een developer, dus ook.

50
00:04:22,319 --> 00:04:25,519
Alleen komen ze via een andere route tot die indruk.

51
00:04:25,519 --> 00:04:32,719
De een misschien via een rapportage, de ander via een enorme review stapel aan code op zijn bureau.

52
00:04:32,879 --> 00:04:35,199
Dat verklaart waarom het verschil zo groot is.

53
00:04:36,000 --> 00:04:42,959
Zonder gedeelde meting wint niet het beste argument, maar de positie waar je zit.

54
00:04:44,959 --> 00:04:49,040
Het tweede patroon uit het onderzoek maakt nog iets duidelijker.

55
00:04:49,040 --> 00:04:53,120
Namelijk vrijwel iedere IT-beslisser die ziet risico's.

56
00:04:53,279 --> 00:04:58,319
De groep die zegt geen enkele belemmering te zien, is verwaarloosbaar klein.

57
00:04:58,319 --> 00:05:01,320
De zorgen liggen best wel dicht bij elkaar.

58
00:05:01,319 --> 00:05:09,719
Gevoelige bedrijfsdata die bij externe AI-providers belandt bijvoorbeeld, of twijfel over de kwaliteit van AI-gegenereerde code.

59
00:05:09,720 --> 00:05:16,120
Of de vraag of toepassingen voldoen aan die AVG of AI Act en sectorspecifieke eisen.

60
00:05:16,120 --> 00:05:18,439
Maar ook gebrek aan observability.

61
00:05:18,439 --> 00:05:25,319
Dus kunnen zien, observeren wat een AI-agent doet of gedaan heeft.

62
00:05:25,319 --> 00:05:27,639
En agent security.

63
00:05:27,639 --> 00:05:36,519
Dus het risico dat een autonome agent onbedoeld of schadelijke acties uitvoert op interne systemen.

64
00:05:36,840 --> 00:05:40,759
En let op hoe precies deze lijst eigenlijk is.

65
00:05:41,000 --> 00:05:47,160
Want wie zo scherp kan benoemen wat er mis kan gaan, weet dus waar de gevaren zitten.

66
00:05:47,160 --> 00:05:53,160
Het ontbreekt de Nederlandse organisaties dus niet aan inzicht in de risico's van de coding agents.

67
00:05:53,399 --> 00:05:59,079
Kijk vervolgens naar wat ze er tegen doen en dan wordt het gat zichtbaar.

68
00:05:59,079 --> 00:06:03,080
Want wat het vaakst wordt ingericht, zijn namelijk afspraken.

69
00:06:03,079 --> 00:06:08,600
Beleid en data-uitwisseling met AI-tools, goedkeuringsprocessen rondom nieuwe tools.

70
00:06:08,600 --> 00:06:13,560
Maar wat achterblijft, zijn juist de maatregelen die iets echt afdwingen.

71
00:06:13,560 --> 00:06:22,360
Dus logging, monitoring, een afgeschermde sandbox, waarin een coding agent kan werken zonder productiesystemen te bereiken.

72
00:06:22,360 --> 00:06:26,840
Precies de maatregelen die de genoemde risico's zouden ondervangen.

73
00:06:27,159 --> 00:06:31,480
En organisaties beheerst dus AI vooral op papier.

74
00:06:31,720 --> 00:06:35,240
En het taalmodel, lees je beleidsdocument niet.

75
00:06:35,240 --> 00:06:39,960
Misschien als je hem meegeven, maar dat wil niet zeggen dat hij zich daar dan ook daadwerkelijk aan houdt.

76
00:06:40,439 --> 00:06:43,639
Hetzelfde zie je in de trechter van adoptie naar volwassenheid.

77
00:06:43,639 --> 00:06:49,800
Dus ruim acht op de tien organisaties zetten AI in tijdens het ontwikkelproces.

78
00:06:49,800 --> 00:06:55,000
Kijk je naar wie het werkelijk heeft geïntegreerd in de engineeringpraktijk.

79
00:06:55,159 --> 00:06:58,279
Dan blijft echt een hele kleine minderheid over.

80
00:06:58,600 --> 00:07:07,160
En bij minder dan één op de tien is AI-governance formeel verankerd met verantwoordelijkheden en een roadmap.

81
00:07:07,159 --> 00:07:09,560
Dus ja, adoptie is makkelijk.

82
00:07:09,560 --> 00:07:13,000
Beheersing is toch echt wel een heel stuk moeilijker.

83
00:07:13,800 --> 00:07:17,960
Je zou dit kunnen wegzetten als een soort van Nederlandse eigenaardigheid.

84
00:07:17,959 --> 00:07:18,920
Maar dat is het niet.

85
00:07:18,919 --> 00:07:22,520
Daarvoor moet ik wel even kort buiten ons onderzoek stappen.

86
00:07:22,519 --> 00:07:27,240
Er bestaat namelijk academisch werk dat het mechanisme achter deze kloof laat zien.
87
00:07:27,240 --> 00:07:29,560
alleen dan op individueel niveau.
 87
00:07:29,560 --> 00:07:39,400
Een studie van Stanford bijvoorbeeld, die liet deelnemers beveiligingsgevoelige programmeeropdrachten maken met en zonder AI-coding agents.
 88
00:07:40,040 --> 00:07:49,560
De groep met die agents, schreef minder veilige code, maar dacht tegelijkertijd veilige code te hebben geschreven.
 89
00:07:49,560 --> 00:07:51,479
Beetje apart natuurlijk, toch.
 90
00:07:51,480 --> 00:08:02,120
En een ander experiment van METR, die liet ervaren ontwikkelaars aan echte taken werken in hun eigen codebases.
 91
00:08:02,439 --> 00:08:09,240
Gemeten waren ze achteraf met AI langzamer.
 92
00:08:09,240 --> 00:08:12,440
Maar achteraf dachten ze dus dat ze sneller waren geweest.
 93
00:08:12,439 --> 00:08:17,080
En die studies gaan dan uiteindelijk over één developer aan één taak.
 94
00:08:17,399 --> 00:08:20,519
Wat wij meten is de laag daarboven met ons onderzoek.
 95
00:08:20,519 --> 00:08:25,479
Dus hoe een organisatie zichzelf beoordeelt en welke controles ze inricht.
 96
00:08:26,039 --> 00:08:31,400
Dat de overschatting op beide niveaus terugkomt maakt hem wel aannemelijker.
 97
00:08:32,039 --> 00:08:39,079
Maar goed, je zou nu kunnen concluderen dat de architect wint en dat alles langs de mens zou moeten.
 98
00:08:39,080 --> 00:08:40,679
Maar ik denk dat dat niet werkt.
 99
00:08:40,680 --> 00:08:49,879
Het onderzoek van ons laat ook zien dat AI vandaag vooral het coderen, programmeren, code review en het testen versnelt.
 100
00:08:49,879 --> 00:08:54,360
Het knelpunt verplaatst zich daarmee naar juist requirements, architectuur.
 101
00:08:54,360 --> 00:08:57,080
en aan de andere kant deployment en beheer.
 102
00:08:57,079 --> 00:09:01,720
Dus menselijke review is precies de plek waar dan uiteindelijk de file ontstaat.
 103
00:09:01,720 --> 00:09:09,320
Dus meer handmatige controle betekent dan meer stapels en minder aandacht per stuk binnen zo'n stapel.
 104
00:09:09,319 --> 00:09:15,799
Dus de vraag is niet hoeveel controle je uitoefent, maar of je controle meetbaar uiteindelijk is.
 105
00:09:16,039 --> 00:09:21,240
Menselijke goedkeuring die niemand kan reconstrueren, is uiteindelijk ook helemaal geen controle.
 106
00:09:21,240 --> 00:09:26,600
Een geautomatiseerde test die faalt, je achteraf ook kan zien.
 107
00:09:27,240 --> 00:09:28,680
Die is dat wel.
 108
00:09:29,480 --> 00:09:31,319
En wat helpt dan?
 109
00:09:31,319 --> 00:09:35,720
Wat helpt, is een zogenaamde AI coding harness.
 110
00:09:35,720 --> 00:09:37,720
De naam is niet toevallig gekozen.
 111
00:09:37,720 --> 00:09:43,799
Een harnas, fysiek harnas beschermt en beperkt bewegingsvrijheid tegelijkertijd.
 112
00:09:43,960 --> 00:09:45,520
En zo werkt het hier ook.
 113
00:09:46,080 --> 00:09:56,320
Het is de ontwikkelomgeving, waarin dan architectuurprincipes, specificaties, testen, security regels en feedback loops zijn vastgelegd.
 114
00:09:56,559 --> 00:09:59,600
Maar ook technisch worden afgedwongen.
 115
00:10:00,000 --> 00:10:01,680
Wat zit daar dan in.
 116
00:10:02,399 --> 00:10:12,000
Bijvoorbeeld een agent die krijgt toegang tot alleen de codebase die voor zijn taak nodig is, zodat de fout aan de ene kant van je landschap niet aan de andere kant schade aanricht.
 117
00:10:12,000 --> 00:10:23,040
Er staan testen klaar die de coding agent zelf kan draaien, waardoor hij zijn eigen werk afkeurt voordat er een mens überhaupt tijd in steekt.
 118
00:10:24,000 --> 00:10:28,800
Iets technisch uit, dus linters en type checkers fout in stijl en structuur.
 119
00:10:28,799 --> 00:10:33,680
en die geven de agent een signaal terug in laten zeggen.
 120
00:10:34,399 --> 00:10:35,919
Dezelfde seconde nog.
 121
00:10:35,919 --> 00:10:47,520
En in plaats van dat een reviewer dit drie dagen later opmerkt, krijgt de coding agent dat terug en kan die ook direct de problemen oppakken.
 122
00:10:48,159 --> 00:10:53,920
Zo zijn er nog heel veel meer dingen die je kan regelen.
 123
00:10:54,559 --> 00:11:03,600
Het hele idee is zo'n coding agent die moet voldoen aan de regels die opgesteld zijn.
 124
00:11:03,919 --> 00:11:07,600
De omgeving corrigeert steeds de agent voortdurend.
 125
00:11:07,600 --> 00:11:11,519
In plaats van dat de mens achteraf moet uitzoeken wat er is gebeurd.
 126
00:11:11,519 --> 00:11:16,160
En de agent weet wanneer hij moet stoppen en iemand moet inschakelen.
 127
00:11:16,399 --> 00:11:20,399
Dus hier zit ook het antwoord op de discussie over human-in-the-loop.
 128
00:11:20,399 --> 00:11:23,760
Het idee dat er bij elke stap een mens moet meekijken.
 129
00:11:24,080 --> 00:11:26,480
Dat klinkt misschien zorgvuldig.
 130
00:11:26,960 --> 00:11:28,800
Maar het is wel behoorlijk uitputtend.
 131
00:11:29,039 --> 00:11:36,879
Dus iemand die regel voor regel nakijkt of de agent binnen de stappen is gebleven, doet werk waar hij na een uur niet meer scherp bij blijft.
 132
00:11:36,879 --> 00:11:38,960
Ik vind trouwens een uur nog steeds lang.
 133
00:11:38,960 --> 00:11:41,600
Maar goed, je gaat het principe.
 134
00:11:42,080 --> 00:11:45,360
En zo'n harnas, die verplaatst die controle.
 135
00:11:45,360 --> 00:11:49,199
En wat in de omgeving is afgedwongen, hoeft niemand meer te controleren.
 136
00:11:49,200 --> 00:11:51,360
Want de agent kon niet anders.
 137
00:11:52,480 --> 00:11:55,039
Buiten zijn codebase komen, kan niet.
 138
00:11:55,039 --> 00:11:57,200
Langs de testen komen, kan niet.
 139
00:11:57,200 --> 00:12:06,080
De vraag verschuift daarmee van heeft deze agent zich aan de regels gehouden, naar staan de goede regels in ons harnas.
 140
00:12:06,399 --> 00:12:11,840
Dat is een vraag waar je vak mensen wel scherp bij blijven, waar ze het verschil maken.
 141
00:12:12,160 --> 00:12:15,679
Daar blijft de mens, de human echt in de loop.
 142
00:12:15,919 --> 00:12:17,760
Alleen dus op een andere plek.
 143
00:12:17,920 --> 00:12:28,000
Dus bij het inrichten van de kaders en bij de beslissingen die er echt inhoudelijk toe doen, in plaats van narekenen en nakijken van details.
 144
00:12:28,240 --> 00:12:34,240
Één nuance van de collega van mij, Frank Thiele, die kan je dan ook teruglezen in het onderzoek.
 145
00:12:34,720 --> 00:12:36,960
Er bestaat geen universeel harnas.
 146
00:12:37,200 --> 00:12:45,200
Dus een interne medewerkers app vraagt om andere kaders dan een systeem dat energie-infrastructuur aanstuurt.
 147
00:12:45,360 --> 00:12:53,360
Mijn verwachting is dat zo'n harnas net zo vanzelfsprekend wordt als geautomatiseerd bouwen en het uitleveren nu is.
 148
00:12:54,720 --> 00:13:07,600
In mijn eigen boek Doeltreffend met AI-agents, schrijf ik dat we bij traditionele software vastleggen wat een applicatie moet doen en dat het bij agents zo belangrijk is vast te leggen wat een agent niet mag doen en wanneer hij moet stoppen.
 149
00:13:07,600 --> 00:13:11,520
En dat is exact wat zo'n harnas afdwingt.
 150
00:13:12,480 --> 00:13:33,679
Het beveiligingshoofdstuk voegt trouwens nog toe, dat je minimale rechten die tijdelijk en taakgebonden zijn, dat je een menselijke eigenaar per agent hebt en logging waaruit blijkt wat er is geraadpleegd en besloten. Ons onderzoek draagt de titel Sneller bouwen vraagt om sterker vakmanschap.
 151
00:13:33,679 --> 00:13:37,600
En dat is geen mooie zin achteraf of zo, dat is echt de uitkomst.
 152
00:13:37,920 --> 00:13:39,360
En hier komt hij vandaan.
 153
00:13:39,519 --> 00:13:43,920
De verwachting was namelijk dat AI het vak makkelijker zou maken.
 154
00:13:45,039 --> 00:13:48,560
Wat we gemeten hebben, wijst juist de andere kant op.
 155
00:13:48,720 --> 00:13:54,480
Kijk waar de agent het werk overneemt, het schrijven van code, het draaien van testen, het eerst nakijken.
 156
00:13:54,559 --> 00:13:57,840
Dat is het deel dat je leert, namelijk in je eerste jaren.
 157
00:13:57,839 --> 00:14:01,440
Wat overblijft, is het deel dat je in tien jaar leert.
 158
00:14:01,440 --> 00:14:09,520
Bepalen wat er gebouwd moet worden, beoordelen of een architectuur over vijf jaar nog houdbaar is, zien dat een oplossing werkt en toch niet deugt.
 159
00:14:09,759 --> 00:14:12,000
En dat harnas maakt dat scherper.
 160
00:14:12,000 --> 00:14:21,440
Iemand moet bepalen welke regels erin komen, wat een goede test is, waar de grens ligt tussen wat een coding agent zelf mag en wat niet.
 161
00:14:22,399 --> 00:14:26,960
Dat kun je alleen als je weet hoe goede software eruitziet.
 162
00:14:28,480 --> 00:14:39,240
Een organisatie zonder dat oordeel bouwt een harnas dat de verkeerde dingen afdwingt, en merkt dat pas zodra het misgaat.
164
00:14:39,240 --> 00:14:44,360
Daar komt bij wat ik eerder noemde over hoe overtuigend het werk van een coding agent eruit ziet.

163
00:14:44,360 --> 00:14:49,240
Dus beoordelen wordt daarmee moeilijker dan dat het was en echt niet makkelijker.

164
00:14:49,399 --> 00:14:53,480
Wie de fout niet herkent, keurt hem uiteindelijk dan wel goed.

165
00:14:54,120 --> 00:14:55,319
Dan het knelpunt.

166
00:14:55,320 --> 00:15:01,960
Ik zei al dat het verschuift naar requirements, architectuur aan de voorkant, deployment en beheer aan de achterkant.

167
00:15:02,120 --> 00:15:07,000
Dat zijn precies de plekken waar ervaring het verschil maakt en waar geen tool het van je overneemt.

168
00:15:07,000 --> 00:15:14,759
Sneller bouwen legt dus meer gewicht op minder mensen en op de zwaarste oordelen in het vak juist.

169
00:15:14,759 --> 00:15:21,000
Dus daarmee wordt vakmanschap wat mij betreft geen romantisch begrip, echt een investering die je kunt plannen.

170
00:15:21,000 --> 00:15:28,040
Dus wie coding agents wil opschalen, schaalt eerst het oordeel op waarmee hij zelf beoordeelt.

171
00:15:28,279 --> 00:15:30,840
Genoeg diagnose, wat mij betreft.

172
00:15:30,840 --> 00:15:35,960
De vraag die je nakrijgt, is natuurlijk: ja, waar begin ik dan morgen maandag.

173
00:15:36,039 --> 00:15:37,320
Ik zie drie fasen.

174
00:15:37,319 --> 00:15:39,320
De eerste is weten waar je staat.

175
00:15:39,320 --> 00:15:48,600
Vervang de vraag: gaat het sneller door een cijfer uit je eigen pipeline doorlooptijd, reviewrondes, aantal teruggedraaide releases.

176
00:15:48,759 --> 00:15:56,760
Laat daarna bestuur, architecten, teams, onafhankelijk van elkaar dezelfde vragen beantwoorden over volwassenheid en controle.

177
00:15:56,759 --> 00:16:01,960
Het verschil tussen die antwoorden is dan je agenda voor de aankomende periode.

178
00:16:02,440 --> 00:16:05,160
De tweede fase is het harnas inrichten.

179
00:16:05,159 --> 00:16:12,920
Bepaal per applicatie, per dataverzameling, wat via welke route verwerkt mag worden.

180
00:16:13,879 --> 00:16:17,159
Want daar volgt uit hoe streng dat harnas moet zijn.

181
00:16:17,319 --> 00:16:24,920
Dwing die grenzen vervolgens technisch af in plaats van alleen maar op te schrijven als een soort van beleidsdocument.

182
00:16:24,920 --> 00:16:32,600
Zet je ervaren mensen juist op die kaders en niet op het nakijken van allerlei details op de reviewzaken.

183
00:16:32,919 --> 00:16:38,759
Het laatste is de stap die het vaakst wordt overgeslagen en de stap waar het staat of valt.

184
00:16:39,000 --> 00:16:41,799
De derde fase is van alles leren.

185
00:16:41,799 --> 00:16:47,559
Dus ruim een derde van de IT-beslissers zegt dat teams soms successen delen en zelden mislukkingen.

186
00:16:47,720 --> 00:16:49,159
Draai dat nou eens om.

187
00:16:49,159 --> 00:16:53,879
Want een foutpatroon laat je zien welke regel namelijk in je harnas ontbrak.

188
00:16:53,879 --> 00:16:55,799
Wil je die stappen op papier?

189
00:16:55,799 --> 00:17:03,399
Dan heb ik ze in ieder geval uitgewerkt voor je tot een checklist met vragen die per fase op tafel horen.

190
00:17:03,720 --> 00:17:08,599
De link vind je in de shownotes en op AITodayLive.nl.

191
00:17:09,639 --> 00:17:15,400
Ik ben al veel verder en langer bezig dan iedere andere korte aflevering.

192
00:17:15,720 --> 00:17:17,639
Even terug naar de openingsvraag.

193
00:17:17,639 --> 00:17:22,519
De bestuurder en de engineer hoeven het niet eens te worden over een gevoel.

194
00:17:22,519 --> 00:17:26,279
Ze kunnen het eens worden, wat mij betreft, over de meting.

195
00:17:26,279 --> 00:17:30,519
En over wat erachter ligt, want het harnas bouwt zichzelf niet.

196
00:17:30,519 --> 00:17:33,480
Iemand moet bepalen welke regels erin horen.

197
00:17:33,640 --> 00:17:39,160
Dat is echt het zwaarste werk in ons vak geworden.

198
00:17:39,160 --> 00:17:45,000
Vandaar de titel van ons onderzoek: sneller bouwen vraagt om sterker vakmanschap.

199
00:17:45,079 --> 00:17:50,359
Het volledige onderzoek, de checklist en de overige bronnen vind je in de shownotes.

200
00:17:50,680 --> 00:17:54,600
En denk tot slot eens even na over je eigen organisatie.

201
00:17:54,599 --> 00:18:03,879
Waarop baseer jij je oordeel dat een coding agent in jouw ontwikkelstraat goed gaat, op een cijfer of op een indruk.

202
00:18:04,200 --> 00:18:06,119
Dank je wel voor het luisteren.

203
00:18:06,119 --> 00:18:09,559
Iets langere aflevering dan normaal, vergeet niet.

204
00:18:09,559 --> 00:18:14,920
AI niet de oplossing voor alles, maar onmisbaar waar het past.

205
00:18:14,920 --> 00:18:22,439
Tot de volgende keer.