Veel mensen hebben AI-tools geprobeerd en zijn niet onder de indruk weggelopen. Ik begrijp het: veel demo’s beloven magie, maar in de praktijk kunnen de resultaten teleurstellend aanvoelen.
Daarom wil ik dit niet schrijven als een futuristische voorspelling, maar vanuit geleefde ervaring. De afgelopen zes maanden heb ik mijn technische organisatie AI-first gemaakt. Ik heb eerder verteld over het systeem achter die transformatie: hoe we de workflows, de statistieken en de vangrails hebben gebouwd. Vandaag wil ik uitzoomen op de mechanismen en praten over wat ik heb geleerd vanuit die ervaring – over waar ons beroep naartoe gaat als de softwareontwikkeling zelf binnenstebuiten keert.
Voordat ik dat doe, eerst een paar cijfers om de omvang van de verandering te illustreren. Subjectief gezien voelt het alsof we twee keer zo snel gaan. Objectief gezien is dit hoe de doorvoer is geëvolueerd. Het totale personeelsbestand van ons technische team steeg van 36 aan het begin van het jaar naar 30. U krijgt dus ~170% doorvoer op ~80% personeelsbestand, wat overeenkomt met de subjectieve ~2x.
Toen ik inzoomde, koos ik een paar van onze senior engineers die het jaar begonnen met een meer traditioneel software-engineeringproces en het op de AI-first-manier afsloten. (De dalingen komen overeen met vakanties en off-sites):
Houd er rekening mee dat onze PR’s gekoppeld zijn aan JIRA-tickets, en dat de gemiddelde omvang van die tickets in de loop van het jaar niet veel is veranderd, dus het is een zo goed mogelijke indicatie als de gegevens ons kunnen bieden.
Kwalitatief gezien, als ik naar de bedrijfswaarde kijk, zie ik zelfs een nog grotere stijging. Eén reden is dat, toen we vorig jaar begonnen, ons kwaliteitsborgingsteam (QA) de snelheid van onze ingenieurs niet kon bijhouden. Als bedrijfsleider was ik niet blij met de kwaliteit van sommige van onze vroege releases. Naarmate we vorderden door het jaar, en onze AI-workflows Door schrijfeenheid- en end-to-end-tests op te nemen, verbeterde onze dekking, daalde het aantal bugs, werden gebruikers fans en vermenigvuldigde de zakelijke waarde van technisch werk.
Van groots ontwerp tot snel experimenteren
Vóór AI waren we wekenlang bezig met het perfectioneren van gebruikersstromen voordat we code schreven. Het was logisch toen verandering duur was. Agile hielp, maar zelfs toen was het testen van meerdere productideeën te duur.
Toen we eenmaal AI-first gingen, verdween die afweging. De kosten van experimenteren ingestort. Een idee kan in één dag van whiteboard naar een werkend prototype gaan: van idee naar door AI gegenereerd productvereistendocument (PRD), naar door AI gegenereerde technische specificaties, naar door AI ondersteunde implementatie.
Het manifesteerde zich in een aantal verbazingwekkende transformaties. Onze website, die centraal staat in onze acquisitie en inkomende vraag, is nu een systeem op productschaal met honderden op maat gemaakte componenten, allemaal rechtstreeks in code ontworpen, ontwikkeld en onderhouden door onze creatief directeur.
In plaats van te valideren met dia’s of statische prototypes, valideren we nu met werkende producten. We testen ideeën live, leren sneller en brengen om de maand grote updates uit, een tempo dat ik me drie jaar geleden niet kon voorstellen.
Zen CLI werd bijvoorbeeld eerst in Kotlin geschreven, maar daarna veranderden we van gedachten en verplaatsten we het naar TypeScript zonder dat de releasesnelheid verloren ging.
IIn plaats van de features te bespotten, coderen onze UX-ontwerpers en projectmanagers ze. En toen iedereen te maken kreeg met de releasetijd, kwamen ze in actie en repareerden tientallen kleine details met productieklare PR’s om ons te helpen een geweldig product te leveren. Dit omvatte een wijziging in de lay-out van de gebruikersinterface van de ene op de andere dag.
Van coderen tot validatie
De volgende shift kwam waar ik die het minst verwachtte: Validatie.
In een traditionele organisatie schrijven de meeste mensen code en test een kleinere groep deze. Maar wanneer AI een groot deel van de implementatie genereert, beweegt het hefboompunt. De echte waarde ligt in het definiëren van hoe ‘goed’ eruit ziet – in het expliciet maken van correctheid.
Wij ondersteuning van meer dan 70 programmeertalen en talloze integraties. Onze QA engineers zijn uitgegroeid tot systeemarchitecten. Ze bouwen AI-agents die acceptatietests rechtstreeks vanuit vereisten genereren en onderhouden. En deze agenten zijn ingebed in de gecodificeerde AI-workflows waarmee we voorspelbare technische resultaten kunnen bereiken door een systeem te gebruiken.
Dit is wat ‘naar links verschuiven’ werkelijk betekent. Validatie is geen op zichzelf staande functie, maar een integraal onderdeel van het productieproces. Als de agent zijn werk niet kan valideren, kan hij niet worden vertrouwd om productiecode te genereren. Voor QA-professionals is dit een moment van heruitvinding, waarbij hun werk, met de juiste bijscholing, een cruciale katalysator en versneller wordt van de AI-adoptie.
Productmanagers, technische leiders en data-ingenieurs delen deze verantwoordelijkheid nu ook, omdat het definiëren van correctheid een cross-functionele vaardigheid is geworden, en niet een rol die beperkt is tot QA.
Van diamant tot dubbele trechter
Decennia lang volgde de softwareontwikkeling een ‘ruitvorm’: een klein productteam werd overgedragen aan een groot technisch team, dat vervolgens weer werd verkleind via QA.
Tegenwoordig is die geometrie aan het omdraaien. Mensen zijn in het begin dieper betrokken – het definiëren van de intentie, het verkennen van opties – en opnieuw aan het einde, het valideren van de resultaten. Het midden, waar AI wordt uitgevoerd, is sneller en smaller.
Het is niet alleen een nieuwe workflow; het is een structurele inversie.
Het model lijkt minder op een lopende band en meer op een verkeerstoren. Mensen bepalen de richting en beperkingen, AI zorgt voor snelle uitvoering en mensen stappen terug om de resultaten te valideren voordat beslissingen in productie worden genomen.
Engineering op een hoger abstractieniveau
Elke grote sprong in software verhoogde ons abstractieniveau – van ponskaarten tot programmeertalen op hoog niveau, van hardware tot cloud. AI is de volgende stap. Onze ingenieurs werken nu op een metalaag: het orkestreren van AI-workflows, het afstemmen van instructies en vaardigheden van agenten, en het definiëren van vangrails. De machines bouwen; de mensen beslissen Wat En Waarom.
Teams beslissen nu routinematig wanneer AI-output veilig kan worden samengevoegd zonder beoordeling, hoe strak de autonomie van agenten in productiesystemen moet worden gebonden en welke signalen daadwerkelijk op juistheid op schaal duiden; beslissingen die voorheen eenvoudigweg niet bestonden.
En dat is de paradox van AI-first engineering: het voelt minder als coderen, en meer als denken. Welkom in het nieuwe tijdperk van menselijke intelligentie, mogelijk gemaakt door AI.
Andrew Filev is oprichter en CEO van Zencoder
Welkom bij de VentureBeat-community!
In ons gastpostprogramma delen technische experts inzichten en bieden ze neutrale, niet-gevestigde diepgaande inzichten over AI, data-infrastructuur, cyberbeveiliging en andere geavanceerde technologieën die de toekomst van het bedrijfsleven vormgeven.
Lees meer uit ons gastpostprogramma — en bekijk ons richtlijnen als u geïnteresseerd bent om een eigen artikel bij te dragen!
