De AI-revolutie die bedrijven onderschatten

Veel organisaties zijn de afgelopen tijd met AI aan de slag gegaan. De directie wil zichtbare resultaten zien. Teams experimenteren volop met tools als ChatGPT voor het schrijven van code en documentatie. Toch blijkt dat de meeste AI-projecten in de praktijk mislukken. Niet omdat de technologie tekortschiet, maar omdat er zonder duidelijke structuur wordt gebouwd.

Het verschil tussen een snelle proefopstelling en een systeem dat écht in productie kan, wordt vaak onderschat. Veel teams bouwen iets dat er goed uitziet, maar later problemen veroorzaakt.

Wanneer snelheid een risico wordt

In de startup-wereld geldt al jaren "move fast and break things". In een grote organisatie werkt dat principe heel anders. Fouten die in een klein project nog te overzien zijn, kunnen in een enterprise-omgeving leiden tot serieuze storingen of beveiligingslekken.

Sommige ontwikkelaars gebruiken AI om complete applicaties te genereren via simpele prompts. Dat werkt prima voor hobbyprojecten of testversies. Maar zodra het gaat om systemen met gevoelige data of kritieke processen, ontstaat een ander verhaal. AI-modellen missen namelijk het overzicht om consistente patronen aan te houden over grote hoeveelheden code. Wanneer ze een probleem oplossen, introduceren ze vaak nieuwe.

Onderzoek van Stack Overflow uit 2025 laat zien dat veel ontwikkelaars meer tijd kwijt zijn aan het herstellen van AI-gegenereerde code dan aan het zelf schrijven ervan. Opvallend is dat ervaren ontwikkelaars met AI zelfs langzamer werken, terwijl ze het idee hebben dat ze juist sneller zijn.

De verborgen beveiligingsrisico’s

Veel AI-gegenereerde code bevat kwetsbaarheden die later problemen kunnen veroorzaken. Uit recent onderzoek blijkt dat bijna de helft van deze code beveiligingslekken bevat. Vaak ontbreekt het aan een grondige controle voordat die code in productie gaat.

De oorzaken zijn steeds dezelfde: afhankelijkheden van onbeknown