AI kan nu websites bouwen. Maar iemand moet nog steeds de leiding nemen.

Enkele jaren geleden was een AI vragen om een volledige website te bouwen vooral een efficiënte manier om een puinhoop te creëren.

AI kon een behoorlijke landingspagina genereren. Het kende voldoende HTML en CSS om iets te maken dat er op een screenshot overtuigend uitzag. Het kon JavaScript uitleggen, afzonderlijke componenten schrijven en oplossingen voor foutmeldingen voorstellen.

Maar zodra het werk een bestaand project, actuele platformstructuren, meerdere bestanden, echte bedrijfsvereisten of beslissingen vereiste die doorheen een volledige website consistent moesten blijven, kwamen de problemen snel boven.

De AI vergat eerdere instructies. Ze verzon functies die niet bestonden. Ze gebruikte met veel zelfvertrouwen verouderde structuren van zelfs de grootste platformen. Ze paste één component aan en brak ondertussen een andere. Ze loste het zichtbare probleem op zonder het systeem eromheen te begrijpen.

Nuttig, maar onhandig.

Dat is op opmerkelijk korte tijd veranderd.

Moderne programmeeragents kunnen repositories onderzoeken, meerdere bestanden aanpassen, commando’s uitvoeren, tests draaien, externe tools gebruiken en blijven doorwerken aan opdrachten waarvoor vroeger een lange reeks handmatig gecoördineerde prompts nodig was. OpenAI beschrijft Codex als een software-engineeringagent die functies kan bouwen, bugs kan oplossen, vragen over een codebase kan beantwoorden en wijzigingen kan voorstellen vanuit een afgeschermde ontwikkelomgeving.

Dat is een fundamentele vooruitgang.

Het betekent niet dat AI zonder toezicht op eender welk project kan worden losgelaten. Het betekent dat de beperkende factor verschuift. De vraag is niet langer alleen of AI code kan schrijven.

De belangrijkere vraag is of iemand een omgeving heeft gebouwd waarin AI nuttig werk kan leveren.

Van losse codefragmenten naar werken binnen systemen

De eerste generatie van breed gebruikte AI-programmeerhulp werkte voornamelijk op het niveau van suggesties.

Je beschreef een knop, functie of pagina. Het model genereerde code. Je kopieerde die naar je project, ontdekte wat er niet klopte en keerde terug met een nieuwe prompt.

Het gedroeg zich als een razendsnelle assistent met een onbetrouwbaar geheugen.

Tools zoals GitHub Copilot toonden al aan dat die hulp ontwikkeling kon versnellen. In een gecontroleerd onderzoek van GitHub voltooiden ontwikkelaars met Copilot een programmeeropdracht aanzienlijk sneller dan de controlegroep. Die generatie tools hielp echter vooral een mens die zelf verantwoordelijk bleef voor elke stap van de implementatie.

Huidige agents werken anders.

Ze kunnen een bredere doelstelling krijgen, het project onderzoeken, relevante bestanden vinden, gecoördineerde wijzigingen uitvoeren en delen van hun eigen werk controleren. Het SWE-bench-project werd ontwikkeld om te meten of taalmodellen echte softwareproblemen uit bestaande GitHub-repositories kunnen oplossen. De eerste systemen slaagden slechts in een klein deel van die opdrachten. Recentere agents presteren veel sterker, al moeten benchmarkresultaten voorzichtig worden geïnterpreteerd.

AI is niet plots onfeilbaar geworden.

Ze kreeg wel een werkcyclus:

De opdracht begrijpen.
De omgeving onderzoeken.
Een actie kiezen.
Een tool gebruiken.
Het resultaat observeren.
De aanpak corrigeren.
Doorgaan tot de opdracht voltooid of geblokkeerd is.

OpenAI noemt dit de agent loop: het systeem dat het model, de instructies, de tools en de ontvangen feedback tijdens het werk op elkaar afstemt.

Die cyclus verandert een chatbot in iets dat meer op een uitvoerende agent lijkt.

De doorbraak was niet alleen betere code

Een modern AI-model schrijft doorgaans betere code dan zijn voorgangers. Maar codegeneratie alleen verklaart de recente vooruitgang niet.

De echte doorbraak is dat AI steeds beter met context kan werken.

Die context kan bestaan uit:

de structuur van een repository;
bestaande componenten en ontwerppatronen;
projectdocumentatie;
datamodellen;
naamgevingsconventies;
programmeerstandaarden;
eerdere beslissingen;
screenshots en visuele referenties;
testresultaten;
bedrijfsregels;
instructies die in het project zijn opgeslagen.

Daardoor verandert de samenwerking.

In plaats van te vragen:

“Maak een website voor mijn bedrijf.”

kunnen we een agent voorzien van:

een bestaande repository;
een gekozen technische stack;
een componentenbibliotheek;
een visueel systeem;
contentmodellen;
aanvaardingscriteria;
regels over wat wel en niet gewijzigd mag worden;
commando’s waarmee het werk kan worden getest.

Een goed resultaat is nog steeds niet gegarandeerd. De agent werkt nu echter binnen een systeem in plaats van het volledige project te improviseren op basis van één vage zin.

Anthropic beschrijft een vergelijkbaar principe in zijn richtlijnen voor Claude Code: sterke resultaten vereisen dat de agent de codebase kan onderzoeken, zijn werk kan controleren en de omgeving begrijpt waarin hij actief is. Het werk rond context engineering benadrukt bovendien dat agents informatie moeten ophalen wanneer die relevant wordt, in plaats van alle kennis van een organisatie in één gigantische prompt te proberen proppen.

Daarom is “prompt engineering” stilaan een te beperkte omschrijving.

Het echte werk verschuift naar context engineering en systeemontwerp.

AI is snel genoeg om razendsnel het verkeerde te bouwen

De gevaarlijkste misvatting is dat meer autonomie de nood aan menselijke sturing vermindert.

Het tegenovergestelde is waar.

Stel je een uitzonderlijk snelle bouwploeg voor. Ze kan dag en nacht werken, materialen verzamelen, machines bedienen en meerdere opdrachten tegelijk uitvoeren.

Maar er is geen architect, geen afgesproken plan en geen controleproces.

De snelheid van die ploeg beschermt het project niet. Ze vergroot elk onduidelijk besluit uit.

AI werkt op een vergelijkbare manier.

Ze kan snel een slechte architectuur implementeren. Ze kan tientallen inconsistente componenten maken in plaats van één herbruikbaar systeem. Ze kan een functie optimaliseren die nooit had mogen bestaan. Ze kan een verkeerde bedrijfsregel perfect consequent doorheen het volledige project toepassen.

Omdat het resultaat er vaak professioneel uitziet, valt de fout niet altijd onmiddellijk op.

Een verzorgde interface is geen bewijs van een degelijk product.

Werkende code is geen bewijs van een onderhoudbaar systeem.

Eén geslaagde test bewijst niet dat de bedrijfsbehoefte begrepen werd.

Daarom blijft menselijke verantwoordelijkheid essentieel.

Iemand moet nog steeds beslissen:

wat de website moet bereiken;
voor wie ze bedoeld is;
hoe de inhoud moet worden gestructureerd;
welke technologie geschikt is;
wat eenvoudig moet blijven;
welke risico’s aanvaardbaar zijn;
wat manueel moet worden gecontroleerd;
wanneer AI het verkeerde probleem aan het oplossen is.

AI kan steeds beter een plan uitvoeren.

Ze mag nog steeds niet zonder kritiek het volledige plan verzinnen.

Hoe we AI bij Vayluna gebruiken

Bij Vayluna gebruiken we AI niet als een magische knop die zogezegd volledige ondernemingen produceert.

We gebruiken het als een operationele laag over verschillende projecten.

Dat omvat onder meer:

een bestaande website onderzoeken en herbouwen;
herbruikbare paginastructuren creëren;
contentcollecties organiseren;
inhoud vertalen en aanpassen aan verschillende markten;
productgegevens analyseren;
eerste versies van visuele en redactionele middelen maken;
technische consistentie controleren;
workflows documenteren;
markten en concurrenten onderzoeken;
interne tools bouwen;
content voorbereiden voor artikelen en video’s.

Ons werk aan InstantTraveling is daar een voorbeeld van. AI kan helpen met onderzoek, informatiearchitectuur, contentsystemen, technische implementatie en herhaalbare productieworkflows. Ze kan echter niet zelfstandig bepalen wat een reisgids werkelijk nuttig maakt, welke gewoontes van klassieke reiswebsites we willen afwijzen of welke redactionele stem het project moet krijgen.

Dat zijn menselijke keuzes.

Hetzelfde geldt bij de heropbouw van een ecommerceproject zoals VaySafe. AI kan een productcatalogus onderzoeken, inconsistente gegevens vinden, templates maken en een vooraf bepaalde structuur implementeren. Een operator moet nog steeds bepalen welke producten relevant zijn, wat klanten moeten begrijpen en welke commerciële prioriteiten tellen.

De waarde zit niet in de opdracht “maak een website”.

De waarde zit in een intelligente taakverdeling:

Verantwoordelijkheid van de mens

de doelstelling bepalen;
de architectuur kiezen;
prioriteiten en grenzen vastleggen;
bedrijfscontext geven;
afwegingen herkennen;
belangrijke beslissingen goedkeuren;
de uiteindelijke kwaliteitscontrole uitvoeren.

Verantwoordelijkheid van AI

onderzoeken;
implementeren;
vergelijken;
transformeren;
testen;
documenteren;
herhalen;
inconsistenties zichtbaar maken.

Hoe duidelijker die taakverdeling wordt, hoe nuttiger de agent wordt.

We stopten met vertrouwen op één gigantische prompt

Een veelgebruikte aanpak is een steeds langere prompt schrijven met alles wat het model zou moeten weten.

Dat werkt tot het niet meer werkt.

Instructies spreken elkaar tegen. Belangrijke details raken begraven. Verouderde context blijft aanwezig nadat ze niet langer geldig is. Het model besteedt aandacht aan het verkeerde deel. De gebruiker neemt aan dat AI een beslissing onthoudt die nergens betrouwbaar werd opgeslagen.

Een sterkere workflow plaatst belangrijke kennis in het project zelf.

Dat kan bestaan uit:

een duidelijke README;
architectuurdocumentatie;
design tokens;
herbruikbare componenten;
voorbeelden van goedgekeurde output;
projectspecifieke instructies;
geautomatiseerde tests;
gestructureerde contentschema’s;
checklists voor oplevering.

OpenAI’s beschrijving van agent-first engineering maakt hetzelfde bredere punt: teams moeten steeds meer omgevingen ontwerpen, intenties expliciet maken en feedbacklussen bouwen waarmee agents betrouwbaar werk kunnen uitvoeren.

De kwaliteit van het resultaat hangt dus niet alleen af van de intelligentie van het model.

Ze hangt ook af van het systeem eromheen.

Autonomie begint na de architectuur

De term “autonome AI” wekt soms de indruk dat de mens verdwijnt.

Bij nuttig werk begint autonomie meestal pas nadat iemand de ambiguïteit heeft verminderd.

Een agent kan lange tijd zonder constante tussenkomst werken wanneer duidelijk is:

hoe succes eruitziet;
waar de relevante bestanden staan;
welke commando’s gebruikt mogen worden;
welke regels niet onderhandelbaar zijn;
hoe het resultaat getest wordt;
wanneer de agent moet stoppen en een beslissing vragen.

Dat is geen onbeperkte autonomie.

Het is gedelegeerde autonomie binnen een gecontroleerd kader.

Het lijkt op het aansturen van een bekwame medewerker. Elke toetsaanslag micromanagen verspilt diens vermogen. Geen doelstelling of grenzen geven creëert onnodige risico’s. Het doel is niet totale controle en ook niet totale vrijheid.

Het doel is een duidelijk afgebakend verantwoordelijkheidsgebied.

Waar AI nog steeds faalt

De vooruitgang is echt, maar de beperkingen zijn dat ook.

AI-programmeeragents kunnen nog steeds:

verouderde documentatie gebruiken;
de actuele structuur van een platform verkeerd begrijpen;
API’s, instellingen of afhankelijkheden verzinnen;
randgevallen missen;
beveiligingsproblemen introduceren;
bestanden buiten de bedoelde scope aanpassen;
een symptoom oplossen in plaats van het onderliggende probleem;
melden dat een opdracht voltooid is terwijl belangrijk werk ontbreekt;
geloofwaardige maar ongefundeerde beweringen produceren;
een verkeerde architecturale aanname behouden omdat die in de oorspronkelijke opdracht stond.

Benchmarks nemen die onzekerheid niet volledig weg. Onderzoek waarschuwt bovendien dat formele softwarebenchmarks prestaties kunnen overschatten tegenover dagelijkse interactieve ontwikkeling, waarin opdrachten minder nauwkeurig geformuleerd zijn en omgevingen rommeliger zijn dan bij een zorgvuldig voorbereide test.

Dat betekent niet dat agents nutteloos zijn.

Het betekent dat verificatie onderdeel van het werk blijft.

Het juiste antwoord op de feilbaarheid van AI is niet de tool afwijzen. Het is controle, tests en bewijs in de workflow inbouwen.

Verdwijnt de nood aan ontwikkelaars?

Nee.

Maar waardevol ontwikkelwerk verandert wel.

Er kan minder tijd gaan naar het handmatig schrijven van repetitieve code. Meer tijd kan verschuiven naar:

architectuur;
productinzicht;
systeemdenken;
beveiliging;
gebruikerservaring;
verificatie;
integratie;
inzicht in de onderneming achter de software.

Voor kleinere bedrijven kan het effect nog groter zijn.

Een ondernemer met beperkte technische kennis kan nu veel directer deelnemen aan het bouwen van software. Die kan het bedrijfsprobleem uitleggen, zichtbare resultaten beoordelen en prioriteiten sturen, terwijl een agent werk uitvoert waarvoor vroeger veel meer manuele implementatie nodig was.

Dat maakt niet elke ondernemer plots een senior developer.

Het verkleint wel de afstand tussen een idee en een werkende eerste versie.

De grootste winnaars zullen niet noodzakelijk de mensen met de slimste prompt zijn. Het worden de mensen die hun probleem goed genoeg begrijpen om rond AI een nuttig systeem te bouwen.

Een website is niet het resultaat van één prompt

Een moderne website kan vandaag met bijzonder veel AI-ondersteuning worden gebouwd.

AI kan helpen met code, content, visuele middelen, vertalingen, tests en documentatie. Ze kan zelfstandig afgebakende opdrachten doorheen een repository uitvoeren. Ze kan zelfs sommige eigen fouten ontdekken en herstellen.

Maar een goede website blijft het resultaat van keuzes.

Wat moet verteld worden?

Wat moet worden weggelaten?

Wat heeft de bezoeker eerst nodig?

Welke interactie creëert vertrouwen?

Welke technologie past bij het project?

Wat kan foutlopen?

Wat mag nooit blind geautomatiseerd worden?

Die vragen kunnen niet gedachteloos worden gedelegeerd.

AI evolueerde van een onhandige assistent naar een capabele uitvoeringspartner. Die vooruitgang is echt en gebeurde sneller dan de meeste mensen verwachtten.

De beste resultaten ontstaan echter niet door AI zomaar los te laten.

Ze ontstaan door haar iets te geven dat het waard is om te volgen.

De toekomst van AI-ondersteunde ontwikkeling is geen lege prompt waaruit plots een afgewerkt bedrijf verschijnt.

Het is een mens die de architectuur bepaalt, feedbacklussen bouwt en de kwaliteitsnorm vastlegt—waarna AI een veel groter deel van de uitvoering op zich kan nemen dan vroeger mogelijk was.

Zo gebruiken we AI bij Vayluna.

Niet als vervanging voor richting.

Als vermenigvuldiger zodra die richting bestaat.