Van twijfelaar tot fan: mijn eerste weekend met AI als programmeerhulp

AI-coderen: van scepticus naar overtuigd

We waren allemaal een beetje wantrouwig. ChatGPT kan een functie schrijven, Claude legt regex uit. Maar serieus een applicatie bouwen met AI als partner? Dat voelde als een brug te ver. Tot ik het zelf probeerde.

Eerst gebruikte ik AI-tools vooral voor kleine scripts of het oplossen van bugs in onbekende code. Het voelde als een digitaal badeendje: handig, maar geen echte samenwerking. Pas toen ik zag hoe anderen volledige projecten opleverden met AI, begon het te dagen. Wat als je AI niet als gimmick, maar als serieuze ontwikkelpraktijk gaat zien?

Het testproject: Cosmobot

Ik haalde een oud idee uit de kast: Cosmobot, een chatbot-framework dat verschillende messagingplatforms (Telegram, QQ, Discord) samenbrengt in één systeem. Een ideale testcase, want:

• Het was klein genoeg om in een weekend af te maken
• Het gebruikte technologie die ik niet kende, zoals Haskell met effect systems en streaming libraries
• Het ging verder dan speelgoedcode en vroeg om echte architectuur

De tech stack was bewust ambitieus:

Effectful – Een effect system waarmee je bijwerkingen expliciet modelleert. In plaats van I/O overal te verspreiden, geeft elke functie aan welke effecten het kan veroorzaken. Net als een geavanceerde permissiesysteem voor je code.

Streaming – Een bibliotheek voor het verwerken van continue datastromen. Ideaal om berichten van verschillende platforms te combineren, filteren en verwerken.

Eerste stappen

Ik begon met een prompt-document (AGENTS.md) waarin ik beschreef wat ik wilde:

• Een uniform chatbot-framework
• Industriële kwaliteit met leesbare code
• Goed gebruik van effect systems en streaming
• Een schone, algebraïsche domeinmodellering

En dan gewoon beginnen met vragen.

De verrassingen

Quick integrations

De grootste verrassing kwam toen I qq-support toevoegde. De OneBot API is een Chinese standaard met weinig Engelse documentatie. Ik verwachtte meerdere pogingen, maar de AI schreef meteen volledige, idiomatische Haskell-code die het effect system en streaming library gebruikt.

Smooth migration

We startten met dotenv. Toen ik naar TOML wilde migreren, was I verwachtte een langdurig gesprek. De AI begreep de scope meteen en uitgevoerd de migratie zonder problemen.

De feedbacklus

Het meest additieve was de snelheid: compile → run → gedrag checken → nieuwe feature toevoegen → repeat. Zo snel en zo betrouwbar dat ik nauwelijks nog de code las. Alleen output checken was genoeg.

Wat dit betekent

Dit experiment maakte iets duidelijk: AI-coderen gaat niet over vervanging. Het gaat over omhoogklimmen in de stack.

De AI neemt de vertaling van "dit wil ik" naar "dit is de code" voor zijn rekening. Jij richt je op:

• Architectuur en systeemdesign
• Gedrag controleren
• Strategische beslissingen nemen

De takeaway

Wat normaal 40 uur handmatig werk zou kosten, kon nu in 8 uur. Niet omdat de AI mijn oordeel vervangt, maar omdat het de vervelende implementatielaag wegneemt.

De nieuwe realiteit

AI-tools zijn geen experimentele hulpjes anymore. Ze zijn geworden tot een essentieel onderdeel van de moderne ontwikkeling. Als een scepticus was, ik getest het zelf. En dat raad ik ook aan: pick a real project, start een weekend met AI, you'll be amazed.