Het gevoel van productiviteit kan bedrieglijk zijn
Een ontwikkelaar deelde onlangs een onthutsende ervaringsverhaal op Reddit. Na drie maanden intensief gebruik van ChatGPT, Claude en GitHub Copilot voor een side project voelde alles goed. De code zag er netjes uit, de patterns waren consistent, features werden snel gebouwd. Het voelde als echte productiviteit.
Totdat het moment kwam waarop dit illusie crashte: hij moest een feature toevoegen die het hele codebase aanraakte. En toen realiseerde hij zich de waarheid. Hij kon het niet doen. Niet omdat de taak technisch moeilijk was, maar omdat hij fundamenteel niet begreep hoe zijn eigen project eigenlijk werkte.
Dit verhaal gaat niet over AI-haat. Het gaat over een kritisch leermoment dat elke organisatie die AI-hulpmiddelen inzet moet begrijpen.
Wat gebeurde hier eigenlijk?
De drie-maanden-illlusie
Wat we hier zien is een klassieke verdeling tussen schijnbare productiviteit en echte vakkundigheid. De AI had inderdaad werkende code gegenereerd. De patterns waren consistent. De code compileerde en draaide. Van buitenaf zag het project eruit als een succes.
Maar daar zit het probleem: van buitenaf.
De ontwikkelaar had zich volledig verlaten op AI-gegenereerde oplossingen zonder zelf door te dringen tot de logica eronder. Hij had niet geleerd *waarom* bepaalde patterns werden gekozen, hoe de verschillende modules samenhingen, of wat de trade-offs waren van architectuurkeuzes.
Wanneer hij later een wijziging moest doorvoeren die het hele systeem aanraakte, ontdekte hij dat hij geen mentaal model van het codebase had opgebouwd. Hij kon niet zeggen: "Als ik dit wijzig, breekt dat daar." Hij kon niet voorspellen. Hij kon niet ontwerpen met volle kennis.
De paradox van snelheid
Hier ligt een interessante paradox: AI-assistenten maken ons sneller, maar ze kunnen ons tegelijk minder diep begrijpen. We voelen ons productief omdat we snel features uitrollen. Maar we bouwen geen mentale modellen op. We niet leren.
Dit is niet uniek voor AI. Het gebeurt ook met copy-paste van StackOverflow, met het kopiëren van code van collega's, met het gebruiken van libraries zonder de documentatie echt te lezen. Maar AI versnelt dit probleem aanzienlijk.
Waarom nu kritiek?
De vraag is niet of AI-code slecht is. De vraag is: *zonder bewust leren, hoe bouw je expertise op?*
Expertise is niet hetzelfde als het kunnen uitvoeren van taken. Expertise is het vermogen om:
- Problemen te analyseren vanuit beginselen
- Patronen te herkennen op basis van diepgaand begrip
- Gegronde beslissingen te nemen onder onzekerheid
- Onverwachte situaties te navigeren
AI kan je helpen taken uit te voeren. Maar het kan je niet automatisch expertise geven.
Wat betekent dit voor bedrijven?
Het risico van fragiele systemen
Vaak bouwen bedrijven hun software ecosysteem op met snelheid als primair criterium. AI-assistenten versnellen dit nog verder. Maar wat gebeurt er wanneer:
- Een senior developer weggaat en niemand begrijpt eigenlijk hoe het systeem werkt?
- Er een kritieke bug optreedt die niet in standaard patterns past?
- Je moet schalen, optimaliseren of de architectuur fundamenteel wijzigen?
- Compliance of security vereisten ineens strenger worden?
Een codebase volledig gegenereerd door AI zonder diepgaand begrip van betrokken engineers wordt fragiel. Het ziet er solide uit totdat het niet meer het geval is.
De kosten van technische schuld
Dit is eigenlijk een zeer efficiënt manieren om technische schuld op te stapelen. Je krijgt working code (schijnbare winst) zonder het begrijpen ervan (verborgen schuld). De schuld wordt alleen zichtbaar wanneer je iets fundamenteels moet veranderen.
En dan? Dan duurt het drie keer zo lang omdat je eerst alles moet doorgronden wat AI voor je "genereerde".
Wat bedrijven echt nodig hebben
Bedrijven hebben niet alleen werkende code nodig. Ze hebben code nodig die:
- Begrijpelijk is voor meerdere teamleden
- Onderhoudsbaar is over jaren heen
- Veilig kan worden uitgebreid
- Gegeven kan worden door employees wanneer ze weggaan
Dit vereist bewuste keuzes over hoe AI wordt ingezet.
Hoe AI-agents kunnen helpen (op de juiste manier)
Assistentie versus automatisering
Het belangrijkste inzicht is dit: AI werkt het best als het assistent is, niet als vervanging.
Bedrijven die AI optimaal inzetten, gebruiken het om:
Vind je dit interessant?
Ontvang wekelijks AI-tips en trends in je inbox.
- Repetitieve taken te versnellen terwijl mensen nog steeds controleren
- Brainstorming en ideation te ondersteunen
- Eerste drafts te genereren die mensen dan verfijnen
- Onderzoeks- en analysewerk te versnellen
Niet om volledig autonome systemen te bouwen zonder menselijk begrip.
Custom AI-agents voor strategie, niet zomaar tools
Er is een cruciaal verschil tussen "AI-tools gebruiken" en "AI-agents strategisch inzetten".
Een Automation agent bijvoorbeeld kan repetitieve bedrijfsprocessen vastleggen en optimaliseren. Maar het moet eerst duidelijk zijn wat die processen zijn, wat het gewenste resultaat is, en hoe je het effect meet. De automation zelf is het handwerk—de strategie is het moeilijke deel.
Een Content agent kan volume sneller produceren. Maar het moet gealigned zijn met merkstrategie, tone of voice, en kwaliteitseisen. Anders krijg je veel content van lage kwaliteit.
Een Data & Analytics agent kan enorme hoeveelheden data verwerken. Maar het moet duidelijk zijn welke vragen je stelt en wat je met de antwoorden doet.
De agentin zelf is maar de helft. De andere helft is jouw begrip van wat je probeert te bereiken.
Controle en transparantie
De veiligste manier om AI in te zetten is met controlelaag. Dit is waarom systemen als OpenClaw (klantencommunicatie met menselijke escalatie) en NemoClaw (onderzoeks-agent met geverifieerde data) effectief zijn:
Ze automatiseren repetitieve werk, maar het meeste werk gaat nog steeds door menselijke beoordeling. Een customer service agent beantwoordt eenvoudige vragen, maar complexe zaken worden geëscaleerd. Een research agent verzamelt data, maar analysts controleren en interpreteren de resultaten.
Dit model werkt. Het geeft je snelheid zonder blind te worden.
Praktische implicaties en wat komt er aan
Het leren moet weer centraal staan
Bedrijven die AI serieus nemen, zullen moeten investeren in:
- Training zodat teams begrijpen hoe AI-gegenereerde code werkt
- Code reviews die niet alleen naar syntaxis kijken, maar naar conceptueel begrip
- Documentatie die expliciet het "waarom" achter beslissingen vastlegt
- Mentoring waarbij seniors juniors leren denken, niet alleen coderen
Dit voelt als een stap terug in snelheid. Maar het is essentieel voor duurzaam vermogen.
De twee-klasse-problem
We gaan waarschijnlijk zien dat bedrijven zich verdelen in twee groepen:
- Snelle builders die veel features snel uitrollen maar fragiele systemen krijgen
- Geleerde builders die langzamer gaan, maar systemen hebben die duurzaam zijn
Op korte termijn ziet groep 1 er beter uit. Op lange termijn wint groep 2.
AI als tool voor betere mentaliteit
De paradox is dat AI op zijn best werkt wanneer mensen *eerst* begrijpen wat ze doen.
AI kan je dan helpen:
- Sneller te testen dan je zou kunnen
- Meer variaties te verkennen
- Fouten sneller op te sporen
- Repetitief werk weg te nemen zodat je op strategie kunt focussen
Maar als je start met "laat AI maar genereren", kom je uit waar onze Reddit-developer eindigde.
Het leermoment
De drie maanden code die werd verwijderd, was niet verloren tijd. Het was gewoon onderwijs. Duur onderwijs.
Het echte leermoment is: snelheid zonder begrip is geen winst, het is schuld.
Bedrijven die AI willen inzetten zonder dit te begrijpen, zullen hetzelfde leermoment hebben. Maar dan op schaal.
De slimste organisaties van nu begrijpen dat AI een hulpmiddel is voor betere mentaliteit, niet een vervanging ervan. Ze gebruiken het om sneller te testen, meer te leren, beter te begrijpen. En dat geeft echt duurzaam voordeel.
De vraag voor jouw organisatie is niet: "Kunnen we AI gebruiken om sneller te gaan?" Dat kan elke idioot. De vraag is: "Hoe gebruiken we AI zodat we beter *begrijpen*, niet minder?"
Klaar om AI agents in te zetten voor jouw bedrijf?
De AI-ontwikkelingen gaan razendsnel. Bedrijven die nu beginnen met AI agents bouwen een voorsprong die moeilijk in te halen is. NovaClaw bouwt custom AI agents op maat van jouw bedrijf — van klantenservice tot leadgeneratie, van content automation tot data analytics.
Plan een gratis kennismakingsgesprek en ontdek welke AI agents het verschil maken voor jouw bedrijf. Ga naar novaclaw.tech of mail naar info@novaclaw.tech.