Wat organisaties missen als ze AI in softwareontwikkeling introduceren.
AI versnelt hoe je bouwt. Niet automatisch hoe je begrijpt.
Er is een patroon dat de afgelopen maanden telkens terugkomt in gesprekken met IT-verantwoordelijken en development leads. Bij klanten, maar ook in bredere kringen.
Ze zetten AI-tools in. Ze zien productiviteitswinst. En toch loopt het ergens spaak. Niet spectaculair, maar geleidelijk. Meer output, meer weerstand, meer ruis. Teams die op een ander tempo bewegen. Governance die achterloopt. De vraag wat je eigenlijk aan het bouwen bent, die steeds vaker blijft hangen.
Dat patroon heeft een naam. En het is geen technisch probleem.
De verschuiving die makkelijk over het hoofd wordt gezien
Vandaag wordt 40% van alle code die op GitHub gecommit wordt, mee geschreven door AI. In september 2025 waren er 4 miljoen AI-gegenereerde pull requests per maand. In maart 2026: 17 miljoen. De output groeit sneller dan de meeste organisaties hebben berekend.
Maar output is niet hetzelfde als begrip.
Naarmate AI meer van de uitvoering overneemt, verschuift de bottleneck. Vroeger zat die bij het schrijven van code, een schaarse vaardigheid die tijd kostte en mensen vroeg. Vandaag verschuift die bottleneck naar een plek waar veel organisaties minder structureel in geïnvesteerd hebben: de capaciteit om zeer helder te specificeren wat je wil bouwen.
Een taalmodel werkt goed als het goed gevoerd wordt. Wie vaag is over requirements, wat het systeem moet doen, voor wie, in welke context, met welke randvoorwaarden, geeft ook AI onvoldoende houvast. De output zal functioneel lijken. Maar de onderliggende vraag 'is dit wat we wilden?' wordt steeds lastiger te beantwoorden.
Dit is geen marginale observatie. Het raakt aan iets structureels: de waarde van een developer verschuift. Niet de snelste coder wint, maar degene die het beste begrijpt welk systeem hij wil bouwen en hoe hij de output van AI op kwaliteit kan beoordelen. Veel organisaties zijn daar nog niet op voorbereid.
Waarom adoptie moeilijker is dan het lijkt
Er is een reflex die bijna iedereen heeft als een pilot goed uitpakt: uitrollen. De tool werkt, de resultaten zijn tastbaar, dus schaal je op. Maar adoptie werkt niet zo...
In de praktijk zien teams van sceptici tot enthousiastelingen en elk profiel vraagt een andere aanpak. Wie sceptisch is, overtuig je niet met bewijs. Bewijs dat iets werkt, haalt de angst niet weg. Angst gaat over identiteit: wat betekent dit voor mijn rol, mijn expertise, mijn manier van werken? Die vraag verdient ruimte, niet druk.
Organisaties die AI-adoptie aanpakken als een rollout, missen dat onderscheid. Ze investeren in licenties en training, maar niet in de vraag hoe het team als geheel mee evolueert. Het resultaat is voorspelbaar: een groep enthousiastelingen die ver voorloopt, een groep sceptici die achterblijft, en een gemiddeld gebruik dat ver onder het potentieel blijft.
Wat werkt: richting geven in plaats van regels opleggen. Een duidelijk standpunt over hoe AI past in de manier van werken, niet als vaststaand plan, maar als gedeeld vertrekpunt. Dat creëert eigenaarschap in plaats van weerstand. Mensen gaan zelf zoeken, experimenteren en leren. Niet omdat het moet, maar omdat ze de richting begrijpen.
Het verschil tussen die twee aanpakken is groter dan het lijkt. En het zit niet in de tools.
Governance die remt, lost niets op
Meer AI-gebruik brengt nieuwe risico's mee. Dat is geen hypothese! Het is aantoonbaar. Prompt injection, supply chain attacks via AI-gegenereerde dependencies, code die functioneert maar niet begrepen wordt, shadow AI bij teams die rond te trage processen werken.
De reflex van veel organisaties: meer controle. Striktere regels. Toolwhitelists. Goedkeuringsprocessen.
Die reflex is begrijpelijk. Maar ze lost het probleem niet op, ze verschuift het.
Een developer die productief wil zijn, gebruikt AI-tools ook als er geen beleid voor is. Gevoelige data belandt in externe modellen. Klantinformatie wordt ingevoerd in omgevingen die buiten het zicht van IT opereren. Niet uit kwade wil, maar omdat het sneller gaat.
Shadow AI is niet het gevolg van te weinig regels. Het is het gevolg van regels die te traag bewegen.
Governance die werkt, is governance die meebeweegt. Een efficiënt proces om nieuwe tools te evalueren, van voorstel tot goedkeuring in dagen, niet maanden. Een heldere AI-policy die mensen niet tegenhoudt, maar kadergeeft. Security fundamentals die op orde zijn zodat de rest daarbovenop gebouwd kan worden.
Wie de fundamentals niet op orde heeft, gestructureerde code reviews, geautomatiseerde security scanning, verplichte review gates, bouwt AI-governance op een onsolide basis. De 'technical debt' stapelt sneller op naarmate de output groeit.
Twee sporen tegelijk
Er is een spanning die weinig organisaties expliciet benoemen, maar die iedereen voelt.
Enerzijds: de druk om snel te bewegen, AI te integreren, productiviteitswinst te realiseren. Anderzijds: de behoefte aan stabiliteit, voorspelbaarheid en controle over wat er gebouwd en uitgerold wordt.
Die spanning heeft een naam: het Innovator's Dilemma. Succesvolle organisaties falen zelden door incompetentie, maar doordat ze te goed zijn in het optimaliseren van wat ze al doen. Ze investeren in wat vandaag werkt. Nieuwe benaderingen worden genegeerd tot het te laat is.
Vertaald naar AI in software development: wie AI alleen inzet om bestaande processen te versnellen, mist wat er onder die processen mogelijk wordt. Incrementele verbetering is waardevol. Maar naast dat spoor is er ruimte nodig voor een ander type experiment, een klein, autonoom team dat volledig buiten de bestaande processen werkt, met als opdracht: radicaal anders bouwen en de learnings terugkoppelen naar de rest van de organisatie.
Die twee sporen hoeven niet te concurreren. Ze versterken elkaar. Het incrementele spoor geeft stabiliteit en vertrouwen. Het disruptieve spoor geeft inzicht in wat er in de volgende fase mogelijk wordt.
Organisaties die alleen het eerste pad nemen, zijn goed bezig. Maar ze missen wat er in het tweede sluimert.
Wanneer AI mee beslist, wordt uitlegbaarheid een vereiste
Er is een categorie toepassingen waar taalmodellen vandaag tekortkomen, en die categorie is groter dan veel mensen inschatten.
Overal waar beslissingen navolgbaar moeten zijn, verdwijnt het voordeel van een taalmodel snel. Verzekeringen. Industriële procedures. Compliance. Overheidsdiensten. Medische contexten. In die omgevingen is "het model heeft dit besloten" geen aanvaardbare uitleg.
Er zijn aanpakken die dat probleem fundamenteel anders aanpakken. Niet door het taalmodel beter te laten redeneren, maar door het redeneren volledig buiten het taalmodel te halen. Een symbolisch systeem, deterministisch, regelgebaseerd en auditeerbaar neemt de beslissing. Het taalmodel verwerkt de input en vertaalt de output naar begrijpbare taal. De logica zelf is reproduceerbaar en navolgbaar.
Dat onderscheid, taalmodel als interface, niet als redeneermotor, leeft nog onvoldoende in het gesprek over AI-implementaties. Voor organisaties in gereguleerde sectoren, of met hoge traceerbaarheidsvereisten, is het de moeite om dit expliciet in de architectuurkeuzes mee te nemen.
Wat dit betekent in de praktijk
De vraag die CIO's en digital leaders vandaag echt bezighoudt, is niet of ze AI moeten gebruiken. Dat doen ze al, formeel of informeel, bewust of niet. De vraag is hoe je het structureel aanpakt op een manier die houdbaar is.
Vier dingen die de praktijk vandaag duidelijk maakt:
- Adoptie vraagt een standpunt, geen toolkeuze. Wie alleen tools uitrolt, krijgt ongelijkmatig gebruik. Wie een gedeeld vertrekpunt creëert over hoe AI past in de manier van werken, creëert eigenaarschap.
- Requirements worden een kerncompetentie. Naarmate AI meer uitvoering overneemt, wordt de capaciteit om helder te specificeren wat je wil bouwen, de kritieke schakel. Dat vraagt investering in mensen en processen die daar vandaag nog niet altijd structureel op ingezet zijn.
- Governance die meebeweegt, beschermt beter dan governance die blokkeert. Een efficiënt evaluatieproces, heldere kaders en solide technische fundamentals geven teams het vertrouwen om sneller te bewegen — en verminderen tegelijk het risico op shadow AI.
- Plan voor twee sporen. Naast de geleidelijke integratie in bestaande processen is er ruimte nodig voor experimenten die fundamenteel anders werken. Die inzichten komen nergens anders vandaan.
“Maar het grootste risico is een ander. Niet te snel bewegen. Afwachten tot het duidelijker is.”
De markt beweegt snel. Pricing-modellen van AI-providers veranderen sneller dan organisaties hun budgetten aanpassen. Nieuwe tools en frameworks verschijnen wekelijks. Het risico op tool fatigue, te veel experimenteren, te weinig afmaken, is reëel. Maar het grootste risico is een ander. Niet te snel bewegen. Afwachten tot het duidelijker is. In een markt die elke maand verandert, is niets doen geen veilige optie meer.