De Lava-laag: Waarom AI-code je codebase langzaam versteent
Het gaat tegenwoordig zo snel dat het bijna bedwelmend werkt. Je voert een prompt in, je ziet de regels code over je scherm vliegen, en binnen tien minuten heb je een feature die vroeger drie dagen kostte. Het voelt als vliegen.
Maar wie wel eens in de buurt van een vulkaan is geweest, weet dit: vloeibare lava stroomt razendsnel en ziet er indrukwekkend uit, maar zodra het afkoelt, verandert het in keihard gesteente.
In de software-engineering noemen we dit de Lava-laag. En we zijn deze laag op dit moment met recordtempo over onze codebases aan het storten.
De illusie van eigenaarschap
Wanneer je zelf een algoritme schrijft, bouw je een mentale kaart op. Je weet waarom die if-statement daar staat, waarom je voor die specifieke array-methode koos en welke edge cases je (bewust of onbewust) hebt meegenomen. Dat is geen abstracte kennis; dat is intuïtie die je nodig hebt op het moment dat er om drie uur 's nachts iets knapt.
Bij AI-gegenereerde code ontbreekt die kaart. Je bent geen architect, maar een curator. Je kijkt naar de code, ziet dat het "werkt" (de tests zijn immers groen, toch?), en je klikt op merge.
Op dat moment ontstaat de eerste korst van de lava-laag. Je hebt code toegevoegd die technisch functioneel is, maar waarvan niemand in het team de "ziel" begrijpt.
De refactoring-valkuil
Het echte probleem ontstaat pas na zes maanden. De business-eisen veranderen (zoals altijd) en die complexe module die de AI heeft uitgespuugd moet op de schop.
In een gezonde codebase is dat een kwestie van chirurgisch ingrijpen. Maar bij een lava-laag durft niemand er aan te komen. Omdat de oorspronkelijke logica niet uit een menselijk denkproces voortkwam, maar uit een statistische waarschijnlijkheid, zijn de verbanden vaak fragiel en onlogisch voor ons brein.
Het resultaat?
- Angst-gedreven ontwikkeling: "Raak die module maar niet aan, want we weten niet wat er dan omvalt."
- Hacks-op-hacks: In plaats van de code te verbeteren, bouw je er omheen. De lava-laag wordt dikker en dikker.
- Snelheidsverlies: De initiële winst die je boekte met de AI-agent, betaal je nu met rente terug omdat elke wijziging drie keer zo lang duurt.
Hoe herken je de Lava-laag?
Je kunt de verstening van je project vrij simpel meten. Stel jezelf en je team de volgende vragen:
| Symptoom | Oorzaak | Gevaarniveau |
|---|---|---|
| "De AI snapt het beter dan ik" | Je hebt de regie over de logica verloren. | 🔴 Kritiek |
| "Ik durf deze unit test niet aan te passen" | De test is een echoput van de AI-fout. | 🟠 Hoog |
| "Laten we deze file gewoon weggooien en opnieuw prompte" | Je bent aan het gokken, niet aan het bouwen. | 🔴 Kritiek |
Sloop de drilboor eruit
Betekent dit dat we terug moeten naar de typmachine? Natuurlijk niet. Maar we moeten stoppen met het storten van vloeibare lava.
- Beperk de scope: Laat de AI kleine, overzichtelijke functies schrijven. Geen complete classes of complexe orchestratielagen.
- De 15-minuten regel: Als je de code die de AI genereert niet binnen 15 minuten volledig aan een junior developer kunt uitleggen, dan mag het niet de repo in.
- Review als een scepticus: Behandel AI-code niet als een suggestie van een briljante collega, maar als een pull request van een enthousiaste stagiair die net iets te veel koffie op heeft.
Tot slot
Snelheid is prachtig, maar onderhoudbaarheid is wat je bedrijf overeind houdt. Een codebase die volledig uit AI-lava bestaat, is op korte termijn een sprintkampioen, maar op de lange termijn een standbeeld: mooi om naar te kijken, maar er zit geen beweging meer in.
Houd de regie. Blijf de eigenaar. En laat de lava niet uitharden.