Coderen vóór AI

De vroege dagen #

Ik ben nu meer dan negen jaar volledig ondergedompeld in softwareontwikkeling, waarvan zeven vóór de explosie van moderne AI-tools. In die tijd was “luxe” een goed gevulde lijst met bladwijzers voor GitHub, StackOverflow, Reddit en talloze niche-forums. Wanneer ik vastliep, ging ik als volgt te werk:

1. Breed zoeken naar vergelijkbare problemen
2. Fragmenten van antwoorden uit verschillende discussies samenvoegen
3. Experimenteren totdat iets werkte (of spectaculair fout ging)

Er was geen AI-autocompletion of directe code-uitleg, alleen je eigen vindingrijkheid, doorzettingsvermogen en de bereidheid om falen als leermoment te omarmen.

De opkomst van LLM’s en “vibe” coderen #

Spoel vooruit naar vandaag: ChatGPT, Claude, Perplexity (en vele anderen) zijn vaste onderdelen in de toolkit van een “vibe coder”. Zelf maak ik dagelijks gebruik van AI om:

• Repetitieve taken uit te besteden (bv. boilerplate-code, docstrings)
• Snel prototypes te genereren
• Moeilijke API-gebruikssituaties te verduidelijken met voorbeelden

Wanneer je deze modellen verstandig inzet, kunnen ze je productiviteit een enorme boost geven, zodat jij je kunt richten op architectuur, algoritmen en het grotere geheel in plaats van op routinematige implementatiedetails.

Waarom AI ons niet zal vervangen #

Toch kom ik regelmatig beginnende programmeurs tegen die ervan overtuigd zijn dat:

AI de software-engineering zal overnemen, dus waarom zou ik nog leren coderen?

Ik begrijp het: YouTube-titels en alarmistische blogposts schetsen AI als vervanging in plaats van als hulpmiddel. Op community-forums zie ik vaak vragen als:

• “Moet ik nog wel informatica studeren als AI mijn code kan schrijven?”
• “Ik durf niet meer te leren programmeren omdat AI me overbodig maakt.”

Steeds leg ik dan uit dat:

1. LLM’s begrijpen code niet echt. Ze voorspellen tokens op basis van patronen, niet op basis van semantiek.
2. Ze kunnen geen complexe, domeinspecifieke logica debuggen. Echte ontwerp- en optimalisatiebeslissingen vereisen menselijk inzicht.
3. Tool-vaardigheid vervangt de fundamenten niet. Inzicht in datastructuren, algoritmen en systeemontwerp blijft cruciaal.

AI omarmen als samenwerkingspartner #

In plaats van AI te vrezen, kun je het zien als een collaborator:

• Gebruik AI voor het opzetten van de structuur. Laat het het skelet van je functie of klasse schrijven.
• Beoordeel de suggesties kritisch. Controleer altijd de correctheid, prestaties en beveiligingsimplicaties.
• Investeer in de basisprincipes. Hoe beter je de kernconcepten begrijpt, hoe effectiever je AI-outputs kunt sturen en bijsturen.

Deze samenwerking versterkt je vaardigheden, maar vervangt nooit de noodzaak voor diep domeinkennis, creatief probleemoplossen en zorgvuldig testen.

De weg vooruit #

Ben je een beginnende informaticastudent of maak je je zorgen dat AI het einde van coderen betekent? Mijn advies:

• Leer het waarom, niet alleen het hoe. Begrijp de onderliggende principes.
• Bouw kleine projecten helemaal zelf. Weersta de verleiding om je eerste app end-to-end “vibe te coderen”.
• Doe mee in communities. Stel vragen, deel je eigen oplossingen en leer van praktijkvoorbeelden.

AI is een fantastisch hulpmiddel, maar het blijft slechts dat: een hulpmiddel. De toekomst van software-engineering wordt gevormd door degenen die AI effectief inzetten, kritisch op zijn output zijn en menselijke vindingrijkheid toepassen op problemen die machines nog niet kunnen oplossen.