Dit is een van die knagende, ietwat verontrustende vragen die sluipt in nachtelijke Slack-chats en door koffie aangewakkerde debatten tussen programmeurs, oprichters en eigenlijk iedereen die ooit een mysterieuze bug heeft aangekeken. Aan de ene kant worden AI-tools steeds sneller, scherper en bijna griezelig in de manier waarop ze code uitspuwen. Aan de andere kant ging software engineering nooit alleen maar over het uitwerken van syntaxis. Laten we het eens nader bekijken - zonder te vervallen in het gebruikelijke dystopische sciencefictionscript van "machines zullen het overnemen".
Artikelen die u wellicht na dit artikel wilt lezen:
🔗 Top AI-tools voor softwaretesten
Ontdek AI-gestuurde testtools waarmee u QA slimmer en sneller kunt maken.
🔗 Hoe word je een AI-ingenieur?
Stapsgewijze handleiding voor het opbouwen van een succesvolle carrière in AI.
🔗 Beste no-code AI-tools
Creëer eenvoudig AI-oplossingen zonder te coderen met behulp van toonaangevende platforms.
Software-engineers zijn belangrijk 🧠✨
Onder al die toetsenborden en stacktraces draait engineering altijd om probleemoplossing, creativiteit en beoordelingsvermogen op systeemniveau . Natuurlijk kan AI in enkele seconden fragmenten produceren of zelfs een app bouwen, maar echte engineers brengen dingen tot stand die machines niet kunnen:
-
Het vermogen om een rommelige context .
-
Afwegingen maken (snelheid versus kosten versus veiligheid… altijd een afweging).
-
Werken met mensen , niet alleen met code.
-
Het opsporen van bizarre randgevallen die niet in een duidelijk patroon passen.
Zie AI als een belachelijk snelle, onvermoeibare stagiair. Nuttig? Ja. De architectuur aansturen? Nee.
Stel je voor: een groeiteam wil een functie die aansluit bij prijsregels, oude factureringslogica en tarieflimieten. Een AI kan onderdelen ervan opstellen, maar beslissen waar de logica moet worden geplaatst , wat moet worden verwijderd en hoe facturen niet halverwege de migratie moeten worden vernietigd - die beslissing is aan een mens. Dat is het verschil.
Wat de data werkelijk laat zien 📊
De cijfers zijn opvallend. In gestructureerde studies voltooiden ontwikkelaars die GitHub Copilot gebruikten taken zo'n 55% sneller dan degenen die solo codeerden [1]. Rapporten over bredere velden? Soms tot wel 2× sneller met gen-AI ingebed in workflows [2]. De adoptie is ook enorm: 84% van de ontwikkelaars gebruikt of is van plan AI-tools te gebruiken, en meer dan de helft van de professionals gebruikt ze dagelijks [3].
Maar er is een addertje onder het gras. Uit peer-reviewed onderzoek blijkt dat programmeurs met AI-ondersteuning vaker overmoedig wegliepen [5]. Dat is precies waarom frameworks de nadruk leggen op beperkingen: toezicht, controles, menselijke beoordelingen, vooral in gevoelige domeinen [4].
Snelle vergelijking: AI versus ingenieurs
| Factor | AI-hulpmiddelen 🛠️ | Software-ingenieurs 👩💻👨💻 | Waarom het belangrijk is |
|---|---|---|---|
| Snelheid | Bliksem bij het starten van fragmenten [1][2] | Langzamer, voorzichtiger | Pure snelheid is niet de hoofdprijs |
| Creativiteit | Gebonden aan zijn trainingsgegevens | Kan daadwerkelijk uitvinden | Innovatie is geen patroonkopie |
| Foutopsporing | Stelt oppervlaktereparaties voor | Begrijpt waarom het kapot ging | De grondoorzaak is van belang |
| Samenwerking | Solo-operator | Onderwijst, onderhandelt, communiceert | Software = teamwerk |
| Kosten 💵 | Goedkoop per taak | Duur (salaris + voordelen) | Lage kosten ≠ beter resultaat |
| Betrouwbaarheid | Hallucineert, risicovolle beveiliging [5] | Vertrouwen groeit met ervaring | Veiligheid en vertrouwen tellen |
| Naleving | Er zijn audits en toezicht nodig [4] | Ontwerpen voor regels en audits | Op veel gebieden niet onderhandelbaar |
De opkomst van AI-codeerhulpjes 🚀
Tools zoals Copilot en LLM-gestuurde IDE's veranderen workflows. Ze:
-
Maak direct een standaardtekstontwerp.
-
Geef refactoringtips.
-
Leg uit welke API's je nog nooit hebt gebruikt.
-
Zelfs tests uitspugen (soms schilferig, soms vast).
De twist? Taken op juniorniveau zijn nu gebagatelliseerd. Dat verandert de manier waarop beginners leren. Het eindeloos doorlopen van lussen is minder relevant. Een slimmere aanpak: laat AI ontwerpen en vervolgens verifiëren : schrijf beweringen, voer linters uit, test agressief en controleer op sluwe beveiligingslekken voordat u ze samenvoegt [5].
Waarom AI nog steeds geen volledige vervanging is
Laten we eerlijk zijn: AI is krachtig, maar ook… naïef. Het mist:
-
Intuïtie - het opvangen van onzinnige vereisten.
-
Ethiek - afweging van eerlijkheid, vooringenomenheid en risico.
-
Context - weten waarom een functie wel of niet zou moeten bestaan.
Voor missiekritische software – financiën, gezondheidszorg, lucht- en ruimtevaart – gok je niet op een black-box-systeem. Frameworks maken het duidelijk: mensen blijven verantwoordelijk, van testen tot en met monitoring [4].
Het 'middle-out'-effect op banen 📉📈
AI slaat het hardst toe in het midden van de vaardigheidsladder:
-
Beginnende ontwikkelaars : Kwetsbaar - basiscodering wordt geautomatiseerd. Groeipad? Testen, tooling, datacontroles, beveiligingsbeoordelingen.
-
Senior engineers/architecten : Veiliger - eigenaarschap van ontwerp, leiderschap, complexiteit en orkestratie van AI.
-
Nichespecialisten : nog veiliger - beveiliging, embedded systemen, ML-infrastructuur, zaken waarbij domeinspecifieke kenmerken van belang zijn.
Denk aan rekenmachines: ze hebben wiskunde niet weggevaagd. Ze hebben wel een verandering teweeggebracht in welke vaardigheden onmisbaar werden.
Menselijke eigenschappen waar AI over struikelt
Een paar superkrachten die AI nog niet heeft:
-
Worstelen met lastige, spaghetti-achtige code.
-
De frustraties van de gebruiker interpreteren en empathie meenemen in het ontwerp.
-
Navigeren in kantoorpolitiek en onderhandelingen met klanten.
-
Aanpassen aan paradigma's die nog niet eens zijn uitgevonden.
Ironisch genoeg zijn het juist de menselijke factoren die het meeste voordeel opleveren.
Hoe je je carrière toekomstbestendig houdt 🔧
-
Orkestreren, niet concurreren : behandel AI als een collega.
-
Verdubbel de beoordeling : bedreigingsmodellering, specificaties als tests, observeerbaarheid.
-
Leer de diepte van het domein kennen : betalingen, gezondheid, lucht- en ruimtevaart, klimaat: context is alles.
-
Maak een persoonlijke toolkit : linters, fuzzers, getypte API's, reproduceerbare builds.
-
Documentbeslissingen : ADR's en checklists zorgen ervoor dat AI-wijzigingen traceerbaar blijven [4].
De waarschijnlijke toekomst: samenwerking, geen vervanging 👫🤖
Het echte plaatje is niet "AI versus ingenieurs". Het is AI mét ingenieurs . Degenen die zich inzetten, zullen sneller handelen, groter denken en het zware werk uitbesteden. Degenen die zich verzetten, lopen het risico achterop te raken.
Realiteitscheck:
-
Routinecode → AI.
-
Strategie + kritische beslissingen → Mensen.
-
Beste resultaten → AI-versterkte ingenieurs [1][2][3].
Afronden 📝
Dus, worden ingenieurs vervangen? Nee. Hun banen zullen veranderen. Het is minder "het einde van programmeren" en meer "programmeren evolueert". De winnaars zullen degenen zijn die leren AI te gebruiken , in plaats van ertegen te vechten.
Het is een nieuwe supermacht, geen ontslagbrief.
Referenties
[1] GitHub. “Onderzoek: kwantificering van de impact van GitHub Copilot op de productiviteit en het geluk van ontwikkelaars.” (2022). https://github.blog/news-insights/research/research-quantifying-github-copilots-impact-on-developer-productivity-and-happiness/
[2] McKinsey & Company. “Ontwikkelaarsproductiviteit ontketenen met generatieve AI.” (27 juni 2023). https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/unleashing-developer-productivity-with-generative-ai
[3] Stack Overflow. “Ontwikkelaarsenquête 2025 — AI.” (2025). https://survey.stackoverflow.co/2025/ai
[4] NIST. “AI-risicomanagementkader (AI RMF).” (2023–). https://www.nist.gov/itl/ai-risk-management-framework
[5] Perry, N., Srivastava, M., Kumar, D., & Boneh, D. “Schrijven gebruikers onveiligere code met AI-assistenten?” ACM CCS (2023). https://dl.acm.org/doi/10.1145/3576915.3623157