Nu Enterprise AI het tijdperk van waardeverhoging betreedt: wat ontwikkelingsteams kunnen leren van digitale toegankelijkheid

De economie van AI-integratie is drastisch veranderd nu de realiteit van tokenkosten is doorgeboord. Tokenmaxxing was misschien leuk zolang het duurde, maar innovatie zonder ROI is niet houdbaar. Nu we voorbij het tijdperk van goedkope tokens zijn, moet AI zichzelf rechtvaardigen met echte, meetbare bedrijfsresultaten door het hele bedrijf heen. Dat betekent dat AI niet langer op elk probleem wordt losgelaten. Organisaties moeten veel strategischer te werk gaan, AI inzetten voor wat het goed kan, en andere benaderingen toepassen wanneer er een betere oplossing bestaat.

De verborgen kosten van AI-snelheid

Stijgingen in ontwikkelingssnelheid door AI-tools zijn het vieren waard. Maar als de code vol zit met problemen, is de werkelijke vooruitgang verwaarloosbaar. De gevolgen zijn ernstig: verloren tijd en geld, juridisch risico en slechte klantbelevingen.

Het domein van digitale toegankelijkheid kan ons veel leren over hoe AI strategisch te gebruiken. Het is een arena waar gecodificeerde standaarden en strikte nalevingsvereisten dagelijkse realiteit zijn, en er is geen ruimte voor onnauwkeurigheid of inefficiëntie. Bij digitale toegankelijkheid is het doel niet beter worden in het oplossen van problemen; het is om die problemen in de eerste plaats te voorkomen. Dat doel zou hetzelfde moeten zijn voor elke toepassing van AI. Anders stapelt technische schuld zich snel op.

Volgens IBM kan het negeren van technische schuld leiden tot een ROI-daling van 18 – 29%. Dergelijke resultaten kunnen alle snelheidswinst van AI tenietdoen. In Deque’s onderzoek uit 2026 onder 200 enterprise engineering leiders, noemde 64% toegankelijkheid als de belangrijkste drijfveer voor herwerk na productie, hoewel deze teams hun AI‑agenten expliciet hadden aangemoedigd om toegankelijke code te schrijven.

Toegankelijkheidsschuld, net als technische schuld, is de ophoping van onopgeloste toegankelijkheidsproblemen over de digitale eigendommen van een organisatie. Het is schuld die in de loop van de tijd toeneemt — problemen die onbestraft blijven in ontwerp en ontwikkeling worden later duurder om te verhelpen. Recent onderzoek toont aan dat het 30 × duurder is om een toegankelijkheidsprobleem in productie te verhelpen dan in de ontwerpfase. Dat geeft organisaties een reëel financieel prikkel om problemen vroeg te detecteren, vooral met de huidige volumes van codeproductie.

Strategische AI versus deterministische tools

AI is niet altijd het antwoord. In veel gevallen leveren regelgebaseerde, deterministische tools consistenter resultaten, sneller en goedkoper. Om de juiste beslissing te nemen over wat wanneer te gebruiken, moeten teams beginnen met het opsplitsen van de workflow in subtaken en beoordelen hoe ze elke uitdaging het beste kunnen aanpakken. Bijvoorbeeld, taken die consistente verificatie vereisen — het controleren van elk element tegen een gedefinieerde standaard — zijn ideale kandidaten voor deterministische, regelgebaseerde tools.

AI leent zich voor oordeel, synthese en het genereren van opties. Het leent zich niet voor validatie: alles telkens op dezelfde manier controleren.

Sommige engineeringteams gaan hiermee om door dezelfde beoordeling herhaaldelijk uit te voeren en de resultaten te vergelijken. Het werkt, maar het is niet gratis. In Deque’s eigen experimenten verbruikte één code‑review‑ronde ongeveer 60 % van de tokens die aan een taak werden besteed. Coderen zelf nam ongeveer 13 % in beslag. Het schrijven van de tests nam een vergelijkbaar aandeel. En één ronde is zelden voldoende. Dezelfde beoordeling moet vaak drie tot tien keer tegen dezelfde codebasis worden uitgevoerd voordat deze convergeert naar de volledige lijst met echte problemen. Elke ronde is een nieuwe zoektocht, geen cumulatieve, dus er wordt niets overgedragen van de vorige uitvoering.

Of dat de moeite waard is, hangt af van de kostentolerantie. Een organisatie kan voldoende agenten inzetten, hen laten itereren en elkaars werk laten controleren, en zo tot een goed antwoord komen. Maar dat betekent betalen in tokens en cyclustijd. Het alternatief is eenvoudiger: een deterministische controle levert elke keer hetzelfde resultaat op, zonder herhaalde rondes.

Context benutten en mens‑in‑de‑lus

Een andere aanpak, beschreven in een recente case‑study, combineerde automatisering en agent‑AI met menselijke beoordeling. In de nieuwe workflow van de organisatie werden toegankelijkheidsbevindingen aan een AI‑agent gegeven, die een remedietool gebruikte om verwachte HTML‑correcties direct op de broncode toe te passen en vervolgens automatisch pull‑requests aanmaakte en documenteerde. Ingenieurs beoordeelden vervolgens de door AI gegenereerde wijzigingen, keurden pull‑requests goed en behielden governance over kwaliteit en resultaten. Het resultaat: 253 ingenieursuren teruggewonnen, met remediering 98 % sneller in totaal. Naar schatting bespaarde de workflow meer dan $25.000 aan ingenieurskosten.

Goede resultaten behalen met een AI‑agent hangt af van hoe deze is ingesteld, niet alleen van goede prompts. Ingenieurs noemen dit harness‑engineering en context‑engineering: het bouwen van specifieke tools, controles en beschikbare informatie die een agent in staat stellen goed werk te leveren in een bepaalde omgeving, in plaats van het model het zelf te laten uitzoeken. Een agent die code beoordeelt, hoeft niet de volledige codebase in zijn contextvenster te laden. Laat hem zoeken naar de relevante bestanden en alleen de omringende code die hij nodig heeft ophalen, en hij levert meestal beter werk voor minder geld dan wanneer alles in één keer wordt gegeven. dezelfde logica geldt voor het hergebruiken van context over meerdere oproepen in plaats van deze telkens opnieuw op te bouwen.

Als we een stap terug doen, onthoud dan dat de reden waarom dit allemaal van belang is, is dat het volume van door AI gegenereerde code in een werkelijk razendsnel tempo groeit. In die context lijken stijgende kosten onvermijdelijk: ofwel omdat alle problemen die ongeverifieerde AI‑code veroorzaakt moeten worden opgelost, of doordat steeds grotere hoeveelheden code moeten worden gecontroleerd voordat ze in productie gaan.

Maar stijgende kosten zijn niet onvermijdelijk. En digitale toegankelijkheid biedt een oplossing—een oplossing die verschillende afwegingen vereist, tussen AI en regelgebaseerde, deterministische tools; tussen AI‑gedreven automatisering en menselijke validatie; en tussen schaalbaarheid en kostenefficiëntie. Het vinden van de juiste balans draait om organisatorische discipline. Hoe sneller organisaties de discipline ontwikkelen om AI doelbewust, efficiënt en passend te gebruiken, hoe sneller ze positieve, meetbare rendementen op hun AI‑investeringen kunnen verwachten.