We hebben allemaal de verhalen gehoord over AI die “even” code voor je schrijft. Maar na ons experiment – 30.000 regels werkende code in twee weken – is het voor ons glashelder: AI is niet een tooltje dat je gebruikt, het is een volwaardige sparringpartner in ons ontwikkelproces. Inmiddels bouwen we bij Blis complete enterprise-applicaties op een tempo en kwaliteitsniveau waar we twee jaar geleden alleen van konden dromen. Hoe dat werkt?
Hieronder delen we onze learnings . Geen theorie, maar praktische inzichten die het verschil maken tussen een proof-of-concept en een productiewaardig systeem
Van code schrijven naar systemen ontwerpen
Het grootste misverstand over AI in softwareontwikkeling is dat het alleen maar een “slimmere autocomplete” is. Wat we hebben ontdekt is fundamenteel anders: AI is een volwaardige denkpartner die je helpt betere architecturale beslissingen te maken.
Neem ons recente project voor een intelligent documentverwerkingssysteem. Vroeger zouden we weken besteden aan het uitschrijven van specificaties, het ontwerpen van de architectuur, en dan pas beginnen met bouwen. Nu starten we met een simpele vraag aan onze AI-partner: “We willen documenten automatisch verwerken en classificeren. Wat is de minimale code om te bewijzen dat dit kan?”
Binnen 30 minuten hadden we een werkend prototype. Niet perfect, maar functioneel genoeg om te leren wat we écht nodig hadden.
Progressive specificity
Onze grootste valkuil was: te veel willen specificeren vooraf. We dachten aanvankelijk dat we AI een compleet bestek moesten geven – een 50 pagina’s tellend document met alle requirements. Het resultaat was rampzalig: de gegenereerde code was technisch correct maar praktisch onbruikbaar.
Wat wél werkt is wat we “Progressive Specificity” noemen. We beginnen breed en worden steeds specifieker:
Week 1: “Bouw een systeem dat data uit websites kan halen”
Week 2: “Het systeem moet ook JavaScript-rendered pagina’s aankunnen”
Week 3: “Voeg intelligente rate-limiting toe die leert van response patterns”
Week 4: “Implementeer een cache-laag die semantisch vergelijkbare queries herkent”
Elke iteratie bouwt voort op échte problemen die we tegenkomen, niet op theoretische edge cases. Het systeem evolueert organisch naar wat nodig is.
Structured prompt patterns
Een van onze belangrijkste doorbraken was het ontwikkelen van herbruikbare “prompt patterns” – gestructureerde manieren om AI opdrachten te geven. Dit is geen rocket science, maar het verschil tussen hobbymatig knutselen en professionele systemen bouwen.
Een simpel voorbeeld: in plaats van “maak een functie die HTML verwerkt”, gebruiken we nu:
Implementeer een HTML-verwerkingsfunctie met:
– Input: ruwe HTML als string
– Output: schone tekst of None bij falen
– Foutafhandeling: log waarschuwingen maar crash nooit
– Performance: moet 1000 pagina’s per minuut aankunnen
– Tests: [concrete voorbeelden van input en expected output]
Het verschil? De AI kan niet “creatief” worden op manieren die je systeem breken. Elke constraint is testbaar en verifieerbaar.
Het hallucination probleem: trust but verify
AI-modellen verzinnen soms dingen. Ze genereren code die er perfect uitziet maar subtiel fout is. Een klassiek voorbeeld: we vroegen om code voor asynchrone web requests, en de AI genereerde code die er asynchroon uitzag maar in werkelijkheid alles sequentieel uitvoerde.
Onze oplossing is drieledig:
- Competitive Validation: We laten AI hetzelfde probleem op twee verschillende manieren oplossen. Als de oplossingen fundamenteel verschillen, weten we dat er iets niet klopt.
- Reality Checkpoints: Door de code heen plaatsen we simpele checks. Bijvoorbeeld: assert len(urls) < 10000, “Onrealistische hoeveelheid URLs”. Als de AI compleet de weg kwijt is, vangen deze checks dat op.
- Semantic Barriers: We gebruiken type hints niet alleen voor documentatie, maar als semantische grenzen. Een ValidatedURL type kan niet zomaar elke string zijn – de AI moet de validatie respecteren.
Van prototype naar productie: De evolutionary architecture aanpak
Het grootste verschil tussen een demo en een productiesysteem? Evolutie versus planning.
We begonnen met een web scraper die alleen krantenkoppen kon extracten. Simpel, maar het werkte. Toen voegden we ondersteuning voor verschillende websites toe. Daarna JavaScript-rendering. Toen intelligente content-detectie. Elke stap was een werkend systeem, elke stap leerde ons iets nieuws.
Na twee maanden “evolutie” had ons systeem capabilities die we nooit hadden kunnen plannen:
- Het herkent automatisch of een website een nieuws-, e-commerce- of documentatiesite is
- Het past zijn extractiestrategie aan op basis van eerdere successen met vergelijkbare sites
- Het leert van fouten en wordt letterlijk beter met elk gebruik
Dit hadden we nooit kunnen specificeren in een traditioneel ontwikkeltraject. Het systeem heeft deze capabilities ontwikkeld door duizenden real-world interacties.
De praktijk: Concrete resultaten
Wat betekent dit concreet voor onze klanten?
Ontwikkelsnelheid: Een systeem dat traditioneel 6 maanden zou kosten, leveren we nu in 6 weken. Niet omdat we harder werken, maar omdat we slimmer bouwen.
Kwaliteit: Contra-intuïtief misschien, maar onze AI-first systemen hebben minder bugs. Waarom? Omdat we vanaf dag één met werkende software werken en continu testen tegen echte data.
Aanpasbaarheid: Wijzigingen die vroeger weken kostten, implementeren we nu in uren. De AI begrijpt de context en kan chirurgisch precise aanpassingen maken.
Schaalbaarheid: Omdat we vanaf het begin met productiedata werken, ontdekken we schaalbaarheidsproblemen meteen, niet pas bij de go-live.
De nieuwe rol van developers: Van coders naar conductors
De meest radicale les? De beste “AI developers” zijn niet per se de beste programmeurs. Ze zijn de mensen die het helderst kunnen beschrijven wat ze willen bouwen.
We hebben teamleden die geen sorting algorithm kunnen schrijven maar wel complete systemen bouwen. Hoe? Ze hebben glashelder voor ogen wat het systeem moet doen, en ze kunnen dat articuleren naar AI.
Dit is geen degradatie van het vak – het is evolutie. Zoals we van assembly naar high-level talen gingen, gaan we nu van syntax naar intentie. De computer begrijpt eindelijk wat we bedoelen, niet alleen wat we typen.
Wat dit betekent voor jouw organisatie
De implicaties voor enterprise IT zijn enorm:
- Time-to-market: Concurrentievoordeel komt niet meer van wie de meeste developers heeft, maar van wie het snelst kan itereren en leren.
- Innovatiecapaciteit: Ideeën die vroeger te duur waren om te proberen, kunnen nu in een weekend getest worden.
- Technische schuld: In plaats van legacy systemen jaren mee te slepen, kunnen we ze in weken herbouwen – beter, sneller, onderhoudbaarder.
- Talent: De bottleneck is niet meer technische kennis maar domeinkennis. Uw beste business analisten kunnen nu direct bouwen wat ze bedenken.
De toekomst is nu
We staan aan het begin van een fundamentele verschuiving in hoe software gemaakt wordt. Het is niet de vraag óf je AI gaat gebruiken, maar wanneer.Onze ervaring leert: organisaties die nu starten met AI-first development hebben over een jaar een onoverbrugbare voorsprong. Niet omdat de technologie dan beter is (hoewel dat ook), maar omdat ze geleerd hebben in deze nieuwe realiteit te opereren.
De vraag is niet of AI developers gaat vervangen. De vraag is of developers die AI niet gebruiken nog relevant blijven.
Wil je weten hoe je zelf met AI-first development start?
Onze tips:
- Start klein: Kies één intern probleem dat al jaren irriteert maar nooit prioriteit kreeg. Bouw daar in een week een oplossing voor met AI.
- Experimenteer zonder schaamte: De eerste versies zullen rommelig zijn. Dat is oké. Perfectie is de vijand van vooruitgang.
- Meet alles: Hoe lang duurde het? Hoeveel iteraties waren nodig? Wat werkte wel/niet? Deze data is goud waard voor optimalisatie.
- Investeer in prompt engineering training: Dit is de nieuwe core competency. Wie het beste kan communiceren met AI, wint.
In ons whitepaper ‘Het fundament van een AI-first bedrijf’ lees je over het framework dat wij gebruikten om Blis Digital AI-first te maken en wat we nu toepassen bij het AI-first maken van onze klanten.
