Voorbij AI-codering: de echte productiviteitssprong is code helemaal overslaan

Voor alle aandacht voor AI-ondersteund ontwikkeling, van autocomplete-hulpmiddelen tot systemen die complete repositories genereren, blijft de discussie gefocust op snelheid. Iedereen praat over snellere scaffolding, snellere prototyping en snellere codegeneratie. Productteams vieren de mogelijkheid om natuurlijke taalbeschrijvingen om te zetten in functies of API’s binnen enkele minuten. Ja, deze voordelen zijn betekenisvol, maar ze opereren nog steeds binnen hetzelfde softwareparadigma. Code wordt geschreven, gecompileerd, geïmplementeerd, getest en onderhouden. De cyclus versnelt, maar de structuur blijft intact.

Op een dieper niveau is echter een verschuiving gaande, een die wijst op de volgende echte productiviteitsdoorbraak. Voor werkelijk adembenemende voordelen hebben we een paradigma-verschuiving nodig: niet snellere code, maar minder code. In plaats van AI te gebruiken om bedrijfsregels om te zetten in programma’s die machines later uitvoeren, zal bedrijfslogica rechtstreeks in natuurlijke taal worden uitgedrukt en uitgevoerd door intelligente systemen. Het model wordt de runtime. De vertaallagen vallen weg.

Dit is geen kwestie van gemak. Het verandert hoe organisaties opereren. Het verandert hoe beleid wordt omgezet in software, hoe regelgeving wordt omgezet in actie, en hoe bedrijven zich aanpassen aan externe druk. Het brengt de mogelijkheid met zich mee om multi-maandse engineeringscycli in te korten tot snelle, beleidsgeleide updates die zo snel zijn als de instellingen die ze regelen.

Hoe AI van coderen naar logica-uitvoering gaat

Er zijn drie brede fasen van AI-adoptie in softwareontwikkeling. De eerste is AI-ondersteund coderen, waar de machine helpt bij het genereren van codefragmenten of functies tijdens de ontwikkeling. De tweede is AI-gegenereerde systemen, waar grote componenten of architecturen kunnen worden geproduceerd uit natuurlijke taal. De derde is AI-uitgevoerde logica, waar ontwikkelaars geen code schrijven. In plaats daarvan geven ze beleid, regels of intentie. Het systeem interpreteert die instructies en handelt ernaar.

De meeste industrie-discussies blijven beperkt tot de eerste twee fasen. Ze produceren efficiëntie, maar veranderen de diepere structuur van software niet. Branching-logica, implementatiepijplijnen, regressietests en omgevingsbeheer blijven. Zo ook technische schuld, afhankelijkheidsverschuiving en de behoefte aan teams die complexe vertaallagen tussen beleid, vereisten en code kunnen navigeren.

De kans in fase drie is meer significant. Wanneer het bedrijfsinstructie het uitgangspunt van waarheid wordt, verplaatsen organisaties zich van software-release-cycli naar prompt-gedreven uitvoering. Het bijwerken van een compliance-regel wordt één instructie. Het aanpassen van een fraude-score-drempel wordt één instructie. Het wijzigen van een jurisdictie-specifieke terugbetalingslogica wordt één instructie. Deze veranderingen worden niet gevoerd in een backlog. Ze verplaatsen zich rechtstreeks naar gecontroleerde uitvoering via simulatie, validatie en goedkeuringsstromen.

Dit model is nog maar net in ontwikkeling. De componenten bestaan, maar de integratie is nog niet wijdverspreid. Toch is de richting van de reis duidelijk.

Waarom het verminderen van coderingsinspanning niet genoeg is

AI-gegenereerde code draagt nog steeds dezelfde lasten als door mensen geschreven code. Systemen vereisen onderhoud en afhankelijkheden verschuiven. Bovendien wordt refactoring onvermijdelijk omdat logica evolueert, en testen en regressiecycli blijven bestaan omdat correctheid nog steeds afhankelijk is van statische instructies geschreven in een deterministische taal. Veel van deze beperkingen hebben niets te maken met wie de code schreef. Ze weerspiegelen wat code fundamenteel is: een vertaallaag tussen bedrijfsintentie en machine-uitvoering.

Deze beperkingen accumuleren. Ze consumeren tijd en geld. Zelfs de meest geavanceerde AI-gegenereerde repositories vereisen nog steeds toezicht en complexe tests. Onderhoud wordt de dominante kostenstuwmerk over de levensduur van een systeem.

Recent onderzoek heeft deze uitdagingen in detail uitgelegd. Een studie uit 2025 over technische schuld in AI-geactiveerde systemen vond dat organisaties die AI-gegenereerde code aannemen, nog steeds significante onderhoudsproblemen, architectonische inconsistentie en lange-termijn-refactoring-lasten tegenkomen. Deze problemen verschijnen ongeacht of code door mensen of modellen is geschreven, wat suggereert dat het versnellen van codegeneratie de structurele beperkingen van software-engineering niet oplost. Het verwijderen van de vertaallaag helemaal is de enige weg naar een stap-verandering in productiviteit.

Waarom de financiële sector deze verschuiving het eerste zal voelen

Betalingen, banken en financiële diensten opereren onder omstandigheden die aanpasbaarheid belonen. Regelgevingslandschappen veranderen frequent, en richtlijnen over domeinen zoals sterke klantauthenticatie, fraude-terugbetaling, grensoverschrijdende sancties en consumentenbescherming evolueren voortdurend. Als voorbeeld heeft de FCA duidelijke verwachtingen voor toezicht en systeemniveau-controles in deze omgeving. Instellingen besteden vaak maanden aan het vertalen van deze beleidsveranderingen in systeemgedrag, en die vertraging creëert een strategisch nadeel.

Een prompt-gedreven uitvoeringsmodel kan het tempo veranderen. In plaats van regels in meerdere systemen te coderen, kunnen financiële instellingen beleid rechtstreeks in natuurlijke taal bijwerken en de uitvoeringslaag toelaten om de instructies te interpreteren, simuleren en implementatievoorstellen te genereren. Als dit gebeurt, zal de ontwikkelingskost dalen. Bovendien zal het risico van misinterpretatie afnemen, en de afstand tussen regelgeving en implementatie zal dramatisch afnemen.

Regelgevingsverwachtingen in het VK bewegen in dezelfde richting. De FCA en de Bank of England’s 2024-beleidsverklaring over operationele veerkracht stelt striktere vereisten voor hoe financiële instellingen kwetsbaarheden identificeren, reageren op verandering en continuïteit behouden over kritieke diensten. De richtlijnen benadrukken duidelijke governance-structuren en sterker toezicht op systemen die betalingen en fraudecontroles ondersteunen. Instellingen die beleid snel in operationeel gedrag kunnen vertalen, zullen beter zijn gepositioneerd om aan deze verwachtingen te voldoen.

De risico’s die leiders moeten overwegen

Deze verschuiving is niet zonder uitdagingen. Het vervangen van code door model-gedreven uitvoering introduceert nieuwe vormen van risico. Determinisme wordt essentieel, vooral in betalingen waar voorspelbaarheid en auditeerbaarheid verplicht zijn. Verklaarbaarheid wordt kritisch voor compliance en regelgevingsbeoordeling. Compute-kosten moeten worden gecontroleerd. Governance heeft duidelijke verantwoordingslijnen nodig, vooral onder senior management-functies.

Recente werk over model-betrouwbaarheid en evaluatie benadrukt hoe moeilijk het is om deterministisch gedrag op grote schaal te behouden. Een studie die grote taalmodel-benchmarks beoordeelt vond dat kleine veranderingen in evaluatie-instelling inconsistent en soms tegenstrijdige resultaten produceerden. Deze variabiliteit betekent dat elke prompt-gedreven uitvoeringslaag controles zal nodig hebben die guardrail-modellen, validatieprocedures, simulatie-omgevingen en versiebeheerde prompts en modellen omvatten. Deze elementen zullen nodig zijn om aan regelgevingsverwachtingen voor toezicht en operationele veerkracht te voldoen.

De infrastructuur rondom AI-uitvoeringsmodellen zal bepalen of instellingen deze paradigma kunnen aannemen zonder risico. Het is niet genoeg om regels in natuurlijke taal uit te drukken. Organisaties moeten de lagen bouwen die correctheid, reproduceerbaarheid en observeerbaarheid garanderen.

Een potentieel architectuur voor beleid-naar-uitvoering-systemen

Een toekomstige uitvoeringsomgeving voor gereguleerde organisaties kan een structuur volgen waarin beleid de primaire bron van operationele waarheid wordt. Het proces kan werken via verschillende lagen:

• Beleid: bedrijfs- of compliance-regels uitgedrukt in natuurlijke taal.
• Gecontroleerde prompt-bibliotheek: een versiebeheerde repository waarin deze regels worden opgeslagen, beoordeeld en goedgekeurd met volledige audit-trails.
• AI-interpretatie en simulatie: systemen die het beleid testen, scenario’s uitvoeren, randgevallen controleren en inconsistenties identificeren voordat ze worden geïmplementeerd.
• Implementatieaanbevelingen: voorgestelde implementatiestappen, inclusief guardrails en impactbeoordelingen, die menselijke goedkeuring vereisen.
• Uitvoering via gestructureerde API’s: eenmaal goedgekeurd, past het systeem het gevalideerde beleid toe met behulp van bestaande deterministische mechanismen, zoals regel-engines of vooraf gedefinieerde API’s die configuraties, drempels of controles bijwerken. De AI-laag interpreteert de intentie; de uitvoeringslaag handhaaft deze zonder nieuwe code te genereren.

Een praktisch voorbeeld illustreert hoe deze lagen kunnen werken. De FCA werkt de richtlijnen voor APP-fraude-terugbetaling bij, en het compliance-team zet de verandering om in een beleid geschreven in natuurlijke taal. De instructie kan zo eenvoudig zijn als: “Markeer alle uitgaande betalingen boven de £ 500 waar de ontvanger in de afgelopen 48 uur is gemaakt, tenzij de verzender eerder naar deze ontvanger heeft gestuurd.” Het AI-systeem test de instructie, voert simulaties uit, controleert randgevallen, genereert documentatie en stelt een implementatiepad voor. Compliance beoordeelt en keurt de aanbeveling goed. De uitvoeringslaag werkt de relevante controles bij zonder dat code handmatig wordt geschreven of geïmplementeerd.

Deze architectuur behoudt menselijk toezicht terwijl de technische afstand tussen beleid en operationeel gedrag wordt verkleind. Het biedt ook een gecontroleerde omgeving waarin probabilistische interpretatie en deterministische handhaving kunnen coëxisteren.

Verschillende technische analyses hebben onderzocht hoe hybride architecturen systemen kunnen ondersteunen die model-gedreven interpretatie combineren met deterministische logica. Een onderzoek naar agente AI-kaders laat zien hoe organisaties neurale componenten kunnen integreren met regelgebaseerde structuren in een enkele operationele omgeving. Het onderzoek suggereert dat dit type ontwerp de coördinatie tussen systemen kan vereenvoudigen, duidelijkere grenzen rond kritieke operaties kan behouden en uitvoeringspaden kan creëren die voorspelbaar genoeg zijn voor gereguleerde contexten.

Slotgedachten

AI-coderingshulpmiddelen zullen blijven verbeteren. Ze zullen softwareontwikkeling versnellen en inspanning verminderen. Maar ze lossen de onderliggende beperkingen van het vertalen van bedrijfsintentie in deterministische code niet op. De volgende verschuiving in productiviteit zal komen van het verwijderen van die vertaallaag helemaal.

Organisaties die nu beginnen met het voorbereiden op prompt-gedreven uitvoering, zullen snelheid, veerkracht en duidelijkheid winnen. Ze zullen in staat zijn om snel te reageren op regelgevingsveranderingen en engineeringswrijving te verminderen. Ze zullen ook de infrastructuur bouwen die nodig is voor autonome, machine-gedreven workflows.

De instellingen die zich blijven richten op codegeneratie, zullen efficiëntie winnen. De instellingen die verder gaan dan code, zullen strategisch voordeel winnen.