~/blog/tag/ai
AI
Artikelen over AI in softwareontwikkeling, van blind genereren tot bewust bouwen.
Waar ik over schrijf
De stukken onder deze tag bestrijken een breed terrein. Sommige zijn kritisch over hoe AI in softwareteams wordt ingezet. Andere zijn praktische handleidingen voor het dagelijks werken met coding agents. De meeste zitten ergens daartussenin.
De rode draad, voor mij, is dat AI gereedschap is, geen collega. Nuttig als je het zo behandelt, schadelijk als je het andersom doet. Mijn kritische stukken betogen die framing, mijn praktische stukken gaan ervan uit.
Kom je voor de kritische kant, begin dan bij de ai-skeptic-serie. Briljante papegaaien, lavalagen, prompts die geen specs zijn, dat hele verhaal. Kom je voor "hoe werk ik hier nou eigenlijk mee", dan zijn de claude-pro-serie en de losse tooling-stukken nuttiger. CLAUDE.md-bestanden, hooks, gestructureerde prompts, de workflows die overeind blijven.
Beide helften komen uit dezelfde hoek. AI verandert hoe het voelt om code te schrijven. Het verandert niet wat code moet zijn om veilig in productie te draaien. Het meeste wat ik onder deze tag schrijf, is een variatie op dat verschil, en wat je eraan kunt doen.
De praktische helft heeft inmiddels een eigen gids: Agentic coding zet de belangrijkste stukken in leesvolgorde.
beste startpunten
- Waarom je nooit code moet shippen die je zelf niet snapt
De stelling onder deze hele blog. Genereren is het makkelijke deel, het oordeel is het werk.
- Het briljante papegaaiprobleem: wat AI eigenlijk doet als het 'denkt'
Wat een model doet als het denkt. Lees dit voordat je een agent iets toevertrouwt dat begrip vereist.
- Zo werk je met een agent
De praktische kant. Van eerste gedachte tot gemergede commit, met de grenzen die bepalen wat een agent alleen mag afmaken.
Waarom AI iedereen dezelfde naam geeft: 505 runs bij 19 modellen
Vraag een model om een naam voor je project en je krijgt de naam die het iedereen met een vergelijkbare opdracht geeft. Ik gaf 19 modellen tien naamopdrachten, van een game en een SaaS tot een fantasyheldin, 505 runs in totaal, en telde hoe vaak ze het eens zijn en hoeveel van hun favorieten al bezet zijn.
leesWat AI je team oplevert: meet dit in plaats van tokens
De token-scoreborden bij Meta en Amazon waren binnen weken weg, en een kleine proef met effort-niveaus laat zien waarom: verbruik en resultaat bewegen los van elkaar. Drie maatstaven die je niet verbetert door het model vaker iets te vragen, uitgewerkt voor een ontwikkelteam.
- 85%marge op inference, h1 2026
De prijsverlaging was nooit korting
OpenAI en Anthropic verlaagden hun prijzen in vier maanden met tot 80%, en de voor de hand liggende verklaring is marktaandeel kopen met geld van investeerders. De S-1 van Anthropic zegt iets anders: inference draaide vóór de verlagingen al op 85% marge, en juist met een lagere prijs per taak groeit de rekening.
Wie de patch leest, heeft de exploit
PHP kondigde een kritieke securityrelease aan, en er stond al een proof of concept online die remote code execution claimde voordat de fix er was. In dezelfde week ging Firefox zijn securitytests achterhouden en zette curl kleine bugs juist openbaar. Beide reageren op hetzelfde: een patch legt zijn eigen bug nu uit aan iedereen met een model.
- 56%extra kosten bij late correctie
Claude Code bijsturen tijdens het werk: Esc, de wachtrij en /btw
Zo stuur je Claude Code bij terwijl hij bezig is: wat Esc bewaart, wanneer een bericht uit de wachtrij aankomt, waar /btw voor is en wat een late correctie kost. Gemeten in 40 runs van één taak in twee groottes.
- 117uur wachten op tools
Waar Claude Code zijn tijd aan kwijt is: een maand eigen sessies gemeten
Bijna zeven weken geleden beloofde ik een getal. Ik heb elke stap in een maand aan eigen Claude Code-transcripts getimed: 74 uur was het model aan het werk, 117 uur wachtte het op zijn tools. De helft van de shell-tijd zit in 1,4% van de calls, en een flink deel van het wachten was wachten op mij.
- 69ongevraagde timestamps, van 83
Niemand vroeg erom: wat coding agents toevoegen als jij niet beslist
Drie dagen nadat ik de AI-tells van deze site weghaalde, wilde ik weten hoe ze er in code uitzien. Dus gaf ik 23 modellen dezelfde drie TypeScript-opdrachten, 266 runs, verdeeld over vijf harnesses. De meeste voegen velden toe waar niemand om vroeg, elke modellijn heeft een herkenbaar handschrift, en twee van de nieuwste GPT-modellen laten het datamodel zoals de prompt het beschreef.
De AI-tells op mijn site, en welke ik zelf koos
Afgelopen weekend ging een lijst rond met tien kenmerken waaraan je AI-gegenereerde UI herkent. Punt zeven, over fonts, beschrijft deze site precies, en de rest van het uiterlijk noemt Anthropic in zijn eigen design-skill een default. Door na te gaan bij welke onderdelen een reden op papier stond, kon ik mijn eigen keuzes scheiden van wat een agent had toegevoegd, en dat laatste is weg.
Er sloeg geen agent op hol
De voorzitter van de FTC zegt dat AI-agents gereedschap zijn, en dat de developer die de opdracht gaf aansprakelijk is. Over het gereedschap heeft hij gelijk, over de opdracht niet. De sporen van de aanval op Hugging Face laten een agent zien die veel meer deed dan de opdracht vroeg.
Acht rapporten, één meetlat: jureren bij een AI-safety sprint
Ik jureerde acht inzendingen bij de AI Incident Response Sprint van Apart Research. Lezen was het minste werk. Mijn meetlat van het eerste rapport tot het achtste op dezelfde hoogte houden vroeg om een instrument, en dat instrument betrapte me op drift.