AI bij softwareontwikkeling
Wat AI-agents, codegeneratie en LLM's concreet betekenen voor een .NET-team: wat werkt, wat het kost en waar het misgaat.
Ik bouw al ruim twintig jaar software, en het afgelopen jaar is de vraag van opdrachtgevers verschoven. Niet langer of we iets met AI gaan doen, maar waar het in een bestaande .NET-codebase daadwerkelijk iets oplevert — en waar het vooral risico toevoegt.
Op deze pagina staan mijn artikelen daarover bij elkaar, gegroepeerd naar het soort vraag dat eronder ligt. Geen voorspellingen over 2030: wel wat er gebeurt als je een agent op een echte repository loslaat, wat de rekening wordt, en welke dingen stuk gaan die je niet had zien aankomen.
Wat agents echt kunnen
De claims zijn groot en de demo's zijn mooi. Deze artikelen kijken naar wat er overblijft als je de benchmarks en de persberichten naast echte codebases legt.
AI-agents als senior engineer? Wat Senior SWE-Bench écht blootlegt
Frontier-modellen scoren nog geen 25% op Senior SWE-Bench. Een praktijkanalyse van correctness, taste en practice adherence — met concrete .NET-voorbeelden om je eigen agents te toetsen.
Bun is in zes dagen door AI herschreven in Rust. De les gaat niet over Rust.
Bun ging in zes dagen van Zig naar Rust, grotendeels door AI. De echte les voor .NET'ers: je testsuite is de specificatie die herschrijvingen meetbaar maakt.
Clean Code Is Niet Dood: Wat Nieuw Onderzoek Zegt Over Coding Agents en je Tokenrekening
Een minimal-pair studie van SonarSource laat zien dat schone code niet bepaalt óf een agent een taak afmaakt — maar wel 7-8% tokens en 34% file-heropeningen scheelt. Een .NET-praktijkblik met C#-voorbeelden.
Code was nooit het makkelijke deel: waarom programmeervakmanschap telt in het AI-tijdperk
Hacker News explodeerde rondom een blog dat 'code was never the hard part' bestempelt als belediging voor programmeurs. Waarom codekwaliteit, type safety en architectuurdenken er meer toe doen dan ooit, met concrete C#-voorbeelden.
Je kostenmodel is verouderd, je onderhoudsmodel niet: ambitieuzer bouwen met AI in .NET
Dan Luu vindt dat we met AI veel ambitieuzere software moeten bouwen. Hij heeft half gelijk. Hoe je als .NET-developer kiest wat de moeite waard is, met een Roslyn-analyzer en een benchmark-gate als voorbeeld.
AI in je ontwikkelstraat
Van genereren naar reviewen naar testen. Waar in je pipeline AI daadwerkelijk tijd scheelt, en waar je er alleen werk mee verplaatst.
AI Code Generation in de Praktijk: Wat Werkt en Wat Niet
Een nuchtere blik op AI-gestuurde code generation. Wanneer versnelt het je workflow écht, en waar loop je tegen grenzen aan?
Tests Genereren met AI: Slim of Lui?
AI kan unit tests en integration tests schrijven. Maar hoe bruikbaar zijn die tests echt? Een praktische kijk op AI-gegenereerde testcode.
Legacy Code Refactoren met AI: Praktijkresultaten
AI-tools beloven dat ze verouderde codebases kunnen moderniseren. Hoe pakt dat uit bij echte legacy .NET en Java projecten? Resultaten uit de praktijk.
AI-gestuurde Code Reviews: Sneller Bugs Vangen in Pull Requests
Code reviews kosten tijd. AI-tools beloven dat proces te versnellen door bugs, security issues en code smells automatisch te detecteren. Wat levert dat op?
AI voor Project Scaffolding: Boilerplate Genereren Zonder Hersendood te Worden
Boilerplate code is een noodzakelijk kwaad. AI-tools kunnen tegenwoordig complete projectstructuren opzetten. Maar hoe bruikbaar is dat resultaat in de praktijk?
AI-Gedreven Automatisering in Moderne Software Development
Ontdek hoe AI-tools de manier waarop we software ontwikkelen fundamenteel veranderen, van code generatie tot geautomatiseerde testing en deployment.
AI-Gestuurde Code Review: Sneller, Consistenter, Minder Gedoe
Hoe automatische code review met AI de feedback loop verkort en reviewers tijd geeft voor de écht complexe dingen.
AI-Gestuurde Testgeneratie: Van Handmatig Testen naar Zelfschrijvende Suites
Hoe AI-tools complete testsuites genereren op basis van productie-code, en waarom handmatig unit tests schrijven steeds minder nodig wordt.
Prompt engineering en LLM's
Een prompt is code die je niet compileert. Deze reeks behandelt hem dan ook zo: met versies, tests en een budget.
Prompt Engineering: Betere Resultaten uit Large Language Models
Praktische technieken om LLMs effectiever in te zetten. Van system prompts tot chain-of-thought — wat werkt er echt in productie?
Few-Shot Prompting: LLMs Leren van Voorbeelden
Hoe few-shot prompting en structured output LLM-resultaten voorspelbaar en betrouwbaar maken in productieomgevingen.
Prompt Chaining: Complexe Taken Opsplitsen in LLM Pipelines
Waarom één prompt zelden genoeg is voor complexe taken, en hoe prompt chaining en multi-step pipelines betrouwbare resultaten opleveren.
LLM Prompts Testen: Van Gokken naar Meetbare Kwaliteit
Hoe prompt kwaliteit systematisch getest en gemeten wordt. Evaluatiestrategieën, regressietests en scoring voor LLM-applicaties in productie.
Prompt Injection Voorkomen: LLM-Applicaties Beveiligen
Hoe prompt injection werkt, waarom het gevaarlijk is voor productie-applicaties, en welke verdedigingsstrategieën echt effect hebben.
Context rot: waarom een groter context window je LLM-feature niet redt
Vendors adverteren met 1M-token context windows, maar de bruikbare ruimte groeit niet mee. Wat context rot betekent voor je .NET-LLM-features en hoe je eromheen bouwt.
Zelf-hosten legt je slordige prompts bloot: contextbudget voor .NET-agents
Een trending Hacker News-verhaal over het verhuizen van 35KB aan preprompts naar een lokaal model laat zien wat frontier-API's al die tijd voor je verborgen. Zo bouw je een agent in .NET die wel binnen zijn contextbudget past.
Agents veilig laten draaien
Een agent met shell-toegang is een gebruiker met shell-toegang. Over secrets, uitgaand verkeer en wat er gebeurt als je tooling instructies uit een document leest.
AI-agent leest je .env: waarom .codexignore telt
Waarom je AI-codeeragent je .env leest en hoe je secrets beschermt: een .codexignore plus de gelaagde verdediging die ik als .NET-freelancer echt inzet.
AI-agents ontsnappen niet, ze lopen door een open deur: egress-containment voor je eigen agents
Experts wijten de AI-hackincidenten aan ontbrekende containment en monitoring. Zo sluit je de deur voor je eigen agents: een intern Docker-netwerk, een egress-proxy en .NET-code die weigert en meet.
Toen een AI-agent inbrak bij Hugging Face: machine-speed aanvallen en je .NET-infra
Een agent ontsnapte uit zijn sandbox en liep vier dagen door de infra van Hugging Face. Wat template-injectie, pod-credentials en gestolen tokens betekenen voor je .NET-omgeving, met C#-code.
Witte tekst op wit papier: verborgen prompt-injectie in documenten opsporen met .NET
Een Braziliaanse rechtbank beboette advocaten voor een onzichtbare AI-instructie in een processtuk. Zo bouw je in .NET een detector voor verborgen tekst in PDF en Word, voordat je LLM het document leest.
Geef het model geen rijen: MCP-tools ontwerpen voor je eigen productdata
De meeste MCP-servers zijn een REST-API met een ander jasje aan. Waarom dat niet werkt, en hoe je tools ontwerpt rond de vragen die mensen stellen — met C#-voorbeelden uit de MCP-server van SurveyLane.
Markdown serveren aan AI-agents via Accept-headers: de .NET-versie
Een trending Hacker News-idee zegt: geef AI-agents markdown in plaats van HTML, via content negotiation. Zo bouw je dat correct in ASP.NET Core, met de afwegingen waar een senior echt wakker van ligt.
Docker Agent in je .NET-repo: agents als YAML, verificatie buiten de agent
Docker Agent zet AI-agents in YAML en een OCI-registry. Wat een .NET-team ermee wint: eigen MCP-tools in C#, deny-regels en verificatie buiten de agent.
Wat het kost, en wat het met je team doet
De rekening komt op twee plekken binnen: op je cloudfactuur en in de vaardigheden die je team niet meer oefent.
Harde budgetcaps: waarom je .NET-app zelf de stekker moet kunnen trekken
Simon Willison wil standaard harde budgetcaps op elke betaalde dienst. AWS en Google bewegen, Azure pay-as-you-go niet. Zo bouw je een echte kostenrem in je .NET-app en je Azure-infra.
AI lost je incidenten op en je engineers verleren hun systeem
Een HN-discussie over AI die incidenten afhandelt raakt een oude zenuw: de ironie van automatisering. Waarom dat je .NET-team harder raakt dan de gemiddelde MTTR-grafiek laat zien, en wat je eraan doet, met werkende C#.
Self-Healing Infrastructure met AI: Automatische Incident Response
Hoe AI-gestuurde systemen automatisch incidenten detecteren, diagnosticeren en oplossen — zonder dat er iemand wakker gebeld hoeft te worden.
Het Kubernetes-moment van open-weight AI: wat het betekent voor .NET-teams
Open-weight modellen worden een verplaatsbare basislaag, net zoals Kubernetes dat werd. Een .NET-freelancer over self-hosted inference, een OpenAI-compatibele endpoint vanuit C#, en hoe je dit niet verpest.
Zelf iets met AI in je codebase van plan?
Ik denk graag mee over wat in jouw situatie realistisch is — en wat je beter kunt laten.