Vakmanschap in het AI-tijdperk

Waar deze gids over gaat ​

Elke paar jaar komt er gereedschap voorbij dat het vak zou opheffen. Frameworks, no-code, en nu agents. Het vak blijkt steeds hardnekkiger dan de voorspelling, omdat typen altijd maar een klein deel van het werk was. De kern is begrijpen wat er moet gebeuren, beoordelen of het klopt, en de gevolgen dragen als het draait. Deze cluster gaat over dat blijvende deel.

Ik zeg dat zonder nostalgie. Ik gebruik het nieuwe gereedschap volop. Hoe krachtiger dat gereedschap wordt, hoe zwaarder de basisvaardigheden gaan wegen die het niet vervangt.

Wat waar blijft ​

Sommige stukken hier gaan over tijdloze techniek. De magie van tries en DFS is er zo een: een traag stuk software razendsnel maken door de juiste datastructuur te kiezen. Hoe een database-index werkt is de tweede, waarin elke indexregel die je uit je hoofd hebt geleerd één eigenschap van een B-tree blijkt te zijn, anders opgeschreven. Dat soort kennis verdwijnt niet, hoe goed de generatie ook wordt, want je moet weten wat je zoekt om het te herkennen als het voorbijkomt.

Hetzelfde geldt voor de waarschuwing in stop met copy-paste engineering: wie code overneemt zonder hem te doorgronden, bouwt op andermans aannames. Dat gold in de Stack Overflow-tijd en het geldt nog steeds met een agent.

Het is bijna altijd je proces ​

Als AI-adoptie ergens pijn doet, is mijn eerste vraag zelden wat het model fout deed. Je hebt geen AI-probleem, je hebt een procesprobleem is de diagnose die het vaakst klopt: AI voegt geen nieuwe categorie fouten toe, het legt de gaten die je al had bloot in een tempo dat je niet meer kunt negeren.

De schaalversie daarvan speelt zich af ná het schrijven. Je 10x-developer zit vast in een 0,1x-pipeline laat zien waar de bottleneck heen schoof toen code goedkoop werd: naar review, deploy en besluitvorming. Dat is inmiddels een cluster op zich geworden, en die vind je hieronder bij de verwante onderwerpen.

Oordeel en code kunnen lezen ​

Om te beoordelen wat een model je geeft, moet je snappen wat het is. Het briljante papegaai-probleem legt uit wat een LLM eigenlijk doet als het denkt: next-token-predictie, buitengewoon goed, en fundamenteel blind voor waarheid. Je agent heeft geen wereldmodel is daar het praktische gevolg van, en laat zien dat de samenhang die je ervaart uit jouw koker kwam.

Wie dat eenmaal ziet, kalibreert vanzelf. Je stopt met vertrouwen op toon en zelfverzekerdheid, en gaat terug naar de enige toets die telt: zelf lezen, zelf begrijpen. Hoe het afloopt als je die toets overslaat, staat in de dag dat Claude mijn productiedatabase verwijderde, inmiddels mijn kortste argument voor discipline.

Lezen kun je trainen, en daar is beter code lezen voor: een routine voor de vaardigheid waarvan iedereen aanneemt dat hij hem al heeft. Bij oordeel hoort ook weten wanneer je het gereedschap beter kunt laten liggen, en wanneer je geen AI inzet bij programmeren werkt dat uit langs blootstelling in plaats van moeilijkheidsgraad.

De cijfers die ze je voorhouden ​

Veel ruis in dit vakgebied is meten dat misgaat. Benchmarks zeiden frontier, developers zeiden dom gaat over het gat tussen een ranglijst en een werkdag. Tokenmaxxing is wat er gebeurt als een team de meter optimaliseert in plaats van de uitkomst. Het plafond is van beton gaat over de grens waar niemand reclame voor maakt, en de teller stond altijd al te lopen over de prijsstelling die iedereen zag aankomen.

Daaronder ligt een vraag over zeggenschap. De uitknop was nooit van jou: een exportmaatregel haalde een topmodel binnen een dag wereldwijd offline, en geen enkele retry-logica had je daar doorheen geholpen.

Een duurzaam vak ​

Blijft de vraag waar het beroep zelf heen gaat. Het veerkrachtigste beroep eet zijn eigen zaaigoed op kijkt naar de cijfers: engineers blijken de veerkrachtigste functie in tech, terwijl de instroom van juniors opdroogt. Junior developers aannemen in 2026 pakt dat op vanaf de werkgeverskant: het cijfer dat iedereen bij die ineenstorting aanhaalt staat niet in het onderzoek waaraan het wordt toegeschreven, en het ene grote bedrijf dat toch aanneemt laat zien wat de functie dan moet worden. De vaardigheden uit deze cluster, lezen, beoordelen, proces bouwen, zijn precies de vaardigheden die schaars worden.

Leren programmeren in het AI-tijdperk is daar de praktische helft van: wat je als eerste leert, en wat je gerust kunt overslaan. En wie is verantwoordelijk voor AI-code laat zien waar de aansprakelijkheid werkelijk landt zodra een model de regel schreef, en dat blijkt telkens degene die hem gemerged heeft.

Waar dit raakt aan kwaliteit ​

Vakmanschap zonder meetlat blijft een gevoel. De cluster over AI en codekwaliteit maakt het concreet, en het scharnierstuk is snelheid werd goedkoop, je oordeel niet: de economie achter de vraag waarom juist oordeel het schaarse goed werd. De rest van die gids vind je hieronder bij de verwante onderwerpen.

Hieronder eerst drie startpunten, daarna alle stukken uit deze cluster, nieuwste eerst.