Bij AI gaat het niet langer om code, maar om samenwerking met intelligente systemen
De opkomst van AI-codeassistenten verandert softwareontwikkeling in een ongekend tempo. Waar programmeurs enkele jaren geleden nog vooral zelf code schreven, verschuift hun rol steeds meer naar die van regisseur, evaluator en systeemontwerper. Tijdens een uitgebreid gesprek vertelt Thariq Shihipar, engineer binnen het Claude Code-team van Anthropic, hoe de ontwikkeling van AI-programmeertools verloopt achter de schermen en waarom vrijwel alle bestaande aannames over softwareontwikkeling opnieuw moeten worden bekeken.
Zijn verhaal laat zien dat de toekomst van programmeren minder draait om syntaxis en steeds meer om het slim samenwerken met steeds krachtigere AI-modellen.
Van startup-oprichter naar ontwikkelaar van een van de slimste AI-codeassistenten
De carrière van Shihipar begon zoals die van veel ondernemers: met een eigen gamingstartup. Uiteindelijk bracht een onverwacht bericht over Claude Code hem naar Anthropic, waar hij nu meewerkt aan een van de meest geavanceerde AI-programmeeromgevingen ter wereld.
Volgens hem bevindt AI zich in een uitzonderlijke fase waarin producten voortdurend veranderen omdat de onderliggende modellen bijna maandelijks nieuwe mogelijkheden krijgen. Dat betekent dat functies die vandaag logisch lijken, morgen alweer achterhaald kunnen zijn.
Softwareontwikkeling wordt daardoor minder voorspelbaar dan ooit.
Waarom Anthropic bewust afscheid nam van Plan Mode
Een opvallend voorbeeld daarvan is het verdwijnen van de zogenaamde Plan Mode binnen Claude Code.
Oorspronkelijk moest deze functie gebruikers helpen eerst een volledig plan op te stellen voordat AI code genereerde. In de praktijk bleek echter dat de nieuwste modellen zelf steeds beter konden bepalen wanneer planning noodzakelijk was.
Het team ontdekte dat extra tussenstappen juist vertraging konden veroorzaken. In plaats van gebruikers meer controle te geven, maakten ze de interactie vaak ingewikkelder.
De les was duidelijk: wanneer AI slimmer wordt, verdwijnen soms juist de functies die vroeger noodzakelijk leken.
RAG verliest langzaam zijn vanzelfsprekende plaats
Ook Retrieval-Augmented Generation (RAG), jarenlang gezien als dé oplossing om AI van actuele kennis te voorzien, wordt volgens Shihipar steeds minder vanzelfsprekend.
Naarmate contextvensters groeien en modellen beter leren redeneren, kan het voortdurend ophalen van externe informatie zelfs nadelig worden. Extra context betekent immers niet automatisch betere antwoorden.
In sommige gevallen introduceert RAG juist meer complexiteit dan waarde.
Dat betekent niet dat RAG verdwijnt, maar wel dat ontwikkelaars kritischer moeten nadenken wanneer externe kennis werkelijk nodig is.
Evaluaties zijn belangrijker dan prompts
Veel ontwikkelaars besteden uren aan het perfectioneren van prompts. Volgens Shihipar ligt de echte uitdaging echter ergens anders.
De kwaliteit van een AI-product wordt uiteindelijk bepaald door de manier waarop het wordt geëvalueerd.
Goede evaluaties meten niet alleen of een antwoord technisch correct is, maar ook of het bruikbaar is voor echte gebruikers. Dat vraagt creativiteit, ervaring en voortdurend experimenteren.
Het ontwerpen van sterke evaluaties is daardoor eerder een kunstvorm dan een exacte wetenschap.
Capability Overhang verandert de spelregels
Een belangrijk concept dat tijdens het gesprek naar voren komt is de zogenaamde capability overhang.
Nieuwe AI-modellen beschikken vaak al over veel meer mogelijkheden dan ontwikkelaars direct benutten. Het duurt maanden voordat bedrijven ontdekken welke toepassingen werkelijk mogelijk zijn.
Dat betekent dat software niet alleen sneller verandert omdat modellen verbeteren, maar ook omdat ontwikkelaars voortdurend nieuwe toepassingen ontdekken voor bestaande capaciteiten.
Innovatie wordt daardoor steeds minder afhankelijk van nieuwe technologie en steeds meer van menselijke creativiteit.
Harness engineering wordt een nieuw vakgebied
Volgens Shihipar verschuift de aandacht van modelontwikkeling naar wat hij harness engineering noemt.
Daarbij draait het niet om het bouwen van een beter taalmodel, maar om het ontwikkelen van de complete omgeving waarin AI optimaal kan functioneren.
Denk aan:
- slimme workflows;
- geheugenbeheer;
- tool-integraties;
- contextbeheer;
- veiligheidscontroles;
- evaluatiesystemen;
- gebruikersinteractie.
Juist deze laag bepaalt steeds vaker hoe goed een AI-agent daadwerkelijk presteert.
Prompten wordt eenvoudiger, context wordt belangrijker
Ironisch genoeg verwacht Shihipar dat prompt engineering zelf minder belangrijk wordt.
De nieuwste modellen begrijpen natuurlijke taal steeds beter en hebben minder uitgebreide instructies nodig.
Daarvoor in de plaats komt context engineering: het zorgvuldig bepalen welke informatie AI op welk moment ontvangt.
Niet de perfecte prompt, maar de juiste context zal steeds vaker het verschil maken tussen een gemiddelde en een uitstekende AI-oplossing.
Productteams veranderen fundamenteel
Ook de samenstelling van softwareteams verandert ingrijpend.
Wanneer AI een groot deel van het programmeerwerk automatiseert, verschuift de nadruk naar:
- productdenken;
- systeemontwerp;
- kwaliteitscontrole;
- evaluatie;
- gebruikerservaring;
- samenwerking tussen mens en AI.
Programmeurs worden steeds minder uitvoerders en steeds meer architecten die AI aansturen.
Advies aan AI-startups: bouw voor morgen, niet voor vandaag
Shihipar sluit af met een duidelijke boodschap voor ondernemers.
Veel startups ontwerpen hun producten rond de beperkingen van de huidige AI-modellen. Dat is volgens hem een vergissing.
Omdat modellen zo snel verbeteren, verdwijnen veel technische beperkingen vanzelf. Wie nu complexe oplossingen bouwt voor tijdelijke tekortkomingen, loopt het risico dat zijn product binnen enkele maanden achterhaald is.
Succesvolle AI-bedrijven ontwerpen daarom systemen die kunnen meegroeien met steeds krachtigere modellen in plaats van afhankelijk te zijn van de huidige generatie technologie.
Conclusie
Het gesprek maakt duidelijk dat AI-programmeren zich in een fundamentele overgangsfase bevindt. Prompt engineering maakt langzaam plaats voor context engineering, traditionele softwarearchitectuur evolueert naar harness engineering en evaluaties worden belangrijker dan het schrijven van perfecte instructies.
Voor ontwikkelaars betekent dit dat hun belangrijkste vaardigheid steeds minder het schrijven van code wordt en steeds meer het ontwerpen van slimme samenwerkingen tussen mensen en AI. In een wereld waarin modellen voortdurend krachtiger worden, ligt het echte concurrentievoordeel niet langer in de technologie zelf, maar in de manier waarop organisaties die technologie weten te benutten.
