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 de nieuwe gereedschappen volop. Maar hoe krachtiger het gereedschap, hoe zwaarder de basisvaardigheden gaan wegen die er niet door vervangen worden.

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. Dat soort werk 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 al 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 introduceert geen nieuwe categorie fouten, het legt bestaande gaten in je proces bloot op een tempo dat je niet meer kunt negeren. De schaalversie daarvan staat in je 10x-developer zit vast in een 0,1x-pipeline: code werd goedkoop, maar de pijplijn die code in waarde omzet is nooit meegegroeid, en dus verschuift de bottleneck naar review, deploy en besluitvorming.

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. 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 dat afloopt als je die toets overslaat, staat in de dag dat Claude mijn productie database verwijderde. Dat verhaal is inmiddels mijn kortste argument voor discipline.

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 junioren opdroogt. De vaardigheden uit deze cluster, lezen, beoordelen, proces bouwen, zijn precies de vaardigheden die schaars worden. Slecht nieuws voor wie erop rekende dat de tools het overnemen. Goed nieuws voor wie ze bijhoudt.

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.