De nieuwste studie van Anthropic laat zien dat ontwikkelaars die leunen op AI voor het genereren van code, 17 procent lager scoren op tests voor conceptueel begrip en taken niet sneller voltooien dan collega's die vertrouwen op documentatie en webzoekopdrachten. De bevindingen onderstrepen dat, hoewel AI in enkele seconden werkende code kan produceren, het de kosten van echte technische expertise niet verlaagt.

Waarom de studie ertoe doet

Het experiment verdeelde ontwikkelaars in twee groepen. De ene groep kreeg onbeperkte toegang tot een AI-tool voor het genereren van code; de andere groep loste dezelfde problemen op met behulp van alleen officiële documentatie en internetzoekopdrachten. Na de opdrachten maakten de deelnemers een quiz die het begrip van de onderliggende principes testte. De gemiddelde score van de AI-ondersteunde groep lag 17 procent lager, en geen van beide groepen vertoonde een meetbaar snelheidsvoordeel.

In de praktijk verhoogt "vibe coding" — het aansturen van een AI om een codefragment te produceren en dit direct te implementeren zonder diepere inspectie — de productiviteit niet. Het maskeert slechts een kenniskloof die zich later manifesteert in de vorm van bugs, onderhoudsproblemen of kostbare herschrijvingen.

De context achter de cijfers

Het onderzoek van Anthropic laat zien dat de belofte onvolledig is. Deelnemers die AI voor elke stap gebruikten — suggesties kopiëren en plakken, variabelen aanpassen en doorgaan — leerden het minst over het probleemdomein. Ontwikkelaars die de tool als een samenwerkingspartner beschouwden — door precieze, gerichte vragen te stellen en vervolgens de gegenereerde code te analyseren — behielden meer van het conceptuele kader.

Dit onderscheid weerspiegelt een bredere observatie in de sector: prompt engineers kunnen binnen enkele minuten een functie genereren, maar een systems engineer werkt sneller naarmate de complexiteit toeneemt. Zij anticiperen op wat er kapot gaat en wat niet schaalbaar is. Hun snelheid is een reflectie van hun oordeelsvermogen, niet van inefficiëntie.

Wie wint, wie verliest

Engineers die hun oordeelsvermogen behouden Engineers die de architectuur begrijpen, weten waar structuren rigide of flexibel moeten zijn en componenten kunnen herschrijven zonder het systeem te breken, besparen organisaties op de lange termijn geld. Hun vaardigheden beschermen tegen verborgen technische schuld die vaak volgt op AI-gegenereerde code die er schoon uitziet, maar geen expliciete bedoeling heeft.

Prompt-specialisten Degenen die AI als een toverstaf behandelen, kunnen snelle prototypes leveren of geïsoleerde bugs oplossen. Op de korte termijn lijken ze productief, maar wanneer de codebase groeit, worden verborgen aannames in door AI geproduceerde fragmenten een aansprakelijkheid. Debuggen verandert dan in een zoektocht naar de oorspronkelijke bedoeling, wat de onderhoudskosten opdrijft.

De organisatie Bedrijven die zwaar leunen op alleen AI-gestuurde ontwikkeling lopen het risico op hogere toekomstige kosten: meer tijd besteed aan debugging, refactoring en het inwerken van nieuwe engineers die ondoorzichtige code moeten ontcijferen. Bedrijven die AI-ondersteuning combineren met gedisciplineerde engineering-praktijken plukken de vruchten van snelheid terwijl ze de stabiliteit op de lange termijn waarborgen.

De details die de meeste rapporten overslaan

  • Impact op het leerproces: Het gat van 17 procent werd gemeten met een quiz die het begrip testte, niet alleen het onthouden van syntaxis. Het wijst op een echte erosie van mentale modellen, niet op oppervlakkige kennis.
  • Tijd voor taakvoltooiing: Ondanks de verleiding van directe code, vond de studie geen statistisch significant verschil in de tijd die elke groep nodig had om de opdracht te voltooien. Snelheidswinst was een illusie.
  • De methode is cruciaal: De studie belichtte een spectrum van AI-gebruik. Puur vertrouwen op AI leverde de slechtste leerresultaten op, terwijl selectief en onderzoekend prompten betere resultaten opleverde. Koppen die beweren dat "AI coderen sneller maakt", missen vaak deze nuance.

Tegenargument: AI is niet nutteloos

De studie ontkent geen nichevoordelen; het waarschuwt simpelweg tegen het extrapoleren ervan naar het gehele softwareontwikkelingsproces. Wanneer het probleem systeemontwerp, prestatieoptimalisatie of beveiligingsaspecten betreft, blijft menselijk oordeelsvermogen onmisbaar.

Conclusie

AI kan je een skateboard geven, maar zonder kennis van remmen en sturen zul je crashen wanneer de weg een bocht maakt. De technologie verlaagt de drempel om code te schrijven, maar de schaarste blijft bestaan bij engineers die over systemen kunnen redeneren, falen kunnen voorzien en software levend kunnen houden terwijl deze groeit. Investeren in dat oordeelsvermogen, in plaats van hopen dat een prompt het vervangt, blijft de slimste manier om de kosten op de lange termijn te beheersen.