Hoe ziet AI-gestuurde agile softwareontwikkeling er in de toekomst uit? (Gids voor CTO's)

AI versnelt vandaag al onderdelen van de agile softwareontwikkeling. De beslissende vraag is echter niet langer of teams met AI sneller worden, maar of die snelheid ook resulteert in klantwaarde en hoe je het AI-gebruik in de toekomst zinvol kunt sturen.

Voor CTO’s is dat de echte managementvraag achter de AI-hype. Want meer output levert weinig op als je niet meer zeker kunt beoordelen of er aan het juiste probleem wordt gewerkt of dat de code op de lange termijn duurzaam blijft. We geven hier een gids ter oriëntatie.

Waar AI-optimisten de toekomst van de agile softwareontwikkeling zien

AI-gestuurd programmeren is allang meer dan alleen “Vibe Coding”. Terwijl Vibe Coding vaak wordt geassocieerd met snelle prototypes en geringe onderhoudbaarheid, gaan actuele benaderingen al verder. Ze proberen productieklare resultaten te borgen met betere specificaties, tests en iteratie.

Ook in productmanagement ontstaan nieuwe mogelijkheden. Tools zoals Linear formuleren al de visie van een systeem dat gesprekken uit Slack of Microsoft Teams omzet in gestructureerd werk, prioriteert en doorgeeft aan coding agents.

Bron: Issue tracking is dood (Karri Saarinen, CEO van Linear)

De fout van AI-optimisten is vaak dat ze daaruit te snel concluderen dat menselijk beoordelingsvermogen binnenkort zijn waarde verliest. In werkelijkheid wordt het waardevoller.

Waar AI-centrische toekomstbeelden in de praktijk breken

Veel meningen over de toekomst van AI-gestuurde softwareontwikkeling zijn belangengekleurd. Aanbieders van foundation models, adviesbureaus, coaches en build-in-public-creators hebben er allemaal belang bij om de reikwijdte en impact van AI zo groot mogelijk voor te stellen. Dat betekent niet dat hun stellingen onjuist zijn. Het betekent alleen dat leiders ze moeten lezen als marketing, niet als neutrale bedieningsinstructie.

Vooral duidelijk wordt de spanning in zeer agressieve productiviteitsvisies. Galen Hunt van Microsoft formuleerde op LinkedIn:

Ons leidmotief luidt: ‘1 ontwikkelaar, 1 maand, 1 miljoen regels code’.

Dergelijke uitspraken onthullen de kernvraag: wie kan nog zinvol zoveel artefacten begrijpen, reviewen en verantwoorden? Als het antwoord “niemand” luidt, is de visie geen opgeschaalde productiviteit, maar opgeschaald blind varen.

Het “AI Agile Manifesto” formuleert het tegenwicht in één zin:

Als intelligentie groeit zonder menselijk beoordelingsvermogen, beschouwt AI Agile dat als falen, niet als vooruitgang.

Bron: AI Agile Manifesto Org

Dat is vanuit ons perspectief de realistische toekomstprognose: AI verschuift taken, maar vervangt niet de noodzaak van goede productoordelen, goede architectuurkeuzes en goede organisatorische systemen.

De echte bottleneck is vertrouwen, niet tokensnelheid

Veel discussies over AI-gestuurde agile softwareontwikkeling draaien om modelkwaliteit, agents of productiviteitsmetingen. In de praktijk falen organisaties echter meestal eerder: door gebrek aan vertrouwen in door AI gegenereerde code, door onduidelijke verantwoordelijkheid en door zwakke controlemechanismen.

Kent Beck beschrijft precies dit punt in zijn blogpost Trust Factory: Tests, reviews, refactoring, pairing, observability en incrementele oplevering zijn niet alleen technieken voor codekwaliteit, maar mechanismen om vertrouwen op te bouwen.

Dit geldt nog sterker voor AI-gestuurde ontwikkeling. Zodra code sneller ontstaat dan teams deze kunnen begrijpen, testen en verantwoorden, slaat de snelheidswinst om in het tegendeel.

Wanneer je code sneller oplevert dan technici deze kunnen lezen, in domeinen waar niemand de volledige context heeft, doe je opnames van een vertrouwensrekening die jaren heeft gekost om op te bouwen.

Dit is precies waar volgens ons de centrale grens van AI in agile softwareontwikkeling ligt: AI is een versterker. Het versterkt goede systemen, maar ook een slecht beoordelingsvermogen, slechte processen en zwakke teamcoördinatie.

Hoe groot deze kloof tussen individuele productiviteit en organisatorische volwassenheid momenteel nog is, blijkt ook uit onze samenvatting van de huidige stand van onderzoek: Stand van onderzoek 2026 over AI in agile softwareontwikkeling .

Hieruit vloeit de volgende leidraad voort voor AI-gestuurde agile softwareontwikkeling voor CTO’s en engineering managers vanaf nu.

1. Verantwoordelijkheid duidelijk bij de mens houden

Teams hebben een duidelijke rode lijn nodig: AI mag beslissingen ondersteunen, maar geen verantwoordelijkheid overnemen. Dit geldt voor architectuur, prioritering, veiligheidsrisico’s en productrelevante afwegingen.

Het oude IBM-principe oogt hier verbazingwekkend modern:

Een computer kan nooit ter verantwoording worden geroepen, daarom mag een computer nooit een managementbeslissing nemen.

Bron: IBM Post: AI decision-making

Voor leidinggevenden betekent dit in de praktijk: geen onrealistische productiviteitsdoelstellingen formuleren, geen illusie van volledige autonomie bevorderen en geen diffusie van verantwoordelijkheid toestaan.

2. Een sterk engineering-harness opbouwen

Hoe meer AI-code er wordt gegenereerd, hoe belangrijker nauwkeurige specificaties, geïsoleerde werkomgevingen, automatische tests en gecontroleerde feedbackloops worden. Daarom winnen benaderingen zoals Spec-Driven Development of Agentic Harness Engineering aan relevantie.

• Spec-Driven Development: Specificaties worden een gezamenlijk werkstuk tussen mens en AI. Voorbeelden: OpenSpec en GitHub Spec Kit
• Agentic / Closed-Loop Engineering: Agenten verbeteren hun oplossingen iteratief in een gecontroleerde omgeving op basis van analyses en tests. Zie Agentic Harness Engineering (AHE)

De managementvraag is dus niet alleen: “Welk model gebruiken we?” Maar: “Onder welke technische en procesmatige voorwaarden mag dit model überhaupt autonoom werken?“

3. Agile delivery en feedbackloops met klanten versnellen

AI verkort de weg van prompt naar code. Als de weg van code naar echte gebruikersfeedback traag blijft, ontstaat er slechts lokale output in plaats van echte waardecreatie.

Daarom is Continuous Agile Delivery in een AI-wereld nog belangrijker dan voorheen. Kleine, frequente incrementen verminderen het risico, verkorten leercycli en voorkomen dat grote hoeveelheden onnodige functies en wijzigingen in het systeem wegzakken.

4. Observability en productanalyse upgraden

Wie met behulp van AI versneld software ontwikkelt, moet ook des te sneller herkennen wanneer er iets misgaat. Technische observability en productanalyse worden daarmee essentieel voor het vertrouwen in AI-gestuurde softwareontwikkeling.

Het gaat hierbij expliciet niet alleen om het monitoren van fouten, maar ook om de gebruiksanalyse van nieuwe features en het nut ervan (bijv. door AB-tests). Met AI wordt de verleiding namelijk groot om simpelweg elke denkbare feature te ontwikkelen, zonder het klantnut vooraf voldoende te valideren.

Productiviteit doet er niet toe als je aan het verkeerde werkt.

5. Leercultuur versterken in plaats van blinde focus op productiviteit

Een organisatie die AI goed wil inzetten, heeft een snel leer- en aanpassingsvermogen nodig. Pair programming, retrospectives en iteratieve procesverbetering worden daarmee onderdeel van de AI-strategie.

Individuele problemen zullen in de toekomst steeds minder met afzonderlijke oplossingen kunnen worden opgelost, naarmate de snelheid toeneemt. Er is een aanpasbare organisatie nodig die de juiste systemische oplossingen voor terugkerende problemen kan vinden.

Jez Humble vat het managementprobleem kernachtig samen:

The paradox is that when managers focus on productivity, long-term improvements are rarely made. On the other hand, when managers focus on quality, productivity improves continuously.

Voor AI-transformaties geldt hetzelfde: wie output meet, krijgt op korte termijn meer output. Wie proceskwaliteit en leervermogen versterkt, krijgt de organisatie die op de lange termijn succesvoller is.

Conclusie: AI versnelt alleen voor zover de organisatie meekomt

De spannendste toekomstvraag is daarom niet wanneer AI de agile softwareontwikkeling “overnneemt”. De interessantere vraag is hoe organisaties hun systemen aanpassen om AI succesvol en verantwoord te gebruiken.

Als vertrouwen, delivery, observability en leercultuur zwak zijn, zal AI vooral meer onzekerheid en meer lastig te onderhouden artefacten opleveren. Als deze fundamenten sterk zijn, kan AI echt een verrijking zijn.

Voor CTO’s en engineering managers volgt daaruit een duidelijke leidraad:

• Verantwoordelijkheid en kwaliteitsnormen verduidelijken.
• Engineering Harness, tests en reviews versterken.
• Delivery-, observability- en leerlussen versnellen.

FAQ over AI-ondersteunde agile softwareontwikkeling

Wat is AI-ondersteunde agile softwareontwikkeling?

AI-ondersteunde agile softwareontwikkeling beschrijft het gebruik van AI over het gehele agile delivery-proces, niet alleen bij het coderen. Daaronder vallen bijvoorbeeld specificatie, implementatie, testen, documentatie, reviews en analyse van feedback. Doorslaggevend is daarbij dat AI het menselijk beoordelingsvermogen aanvult, maar verantwoordelijkheid niet vervangt.

Wat is de belangrijkste hefboom voor CTO's bij AI in softwareontwikkeling?

De belangrijkste hefboom is niet simpelweg meer gebruik van tools, maar een robuust systeem van verantwoordelijkheid, tests, reviews, observability en snelle feedbacklussen. Pas wanneer deze basis op orde is, kan AI productief en verantwoord worden opgeschaald in de agile softwareontwikkeling.

Hebben teams met AI minder agile rituelen nodig?

Gedeeltelijk wel. AI kan handmatige statusupdates, het opsplitsen van tickets of bepaalde soorten meetings compacter maken. Agile principes zoals leren, klantnabijheid, korte iteraties en continue verbetering worden daardoor echter juist belangrijker. Als je de stand van het onderzoek hierover zoekt, vind je het hier: Stand van onderzoek 2026 over AI in agile softwareontwikkeling .

Hoe kan vertrouwen in door AI gegenereerde code worden opgebouwd?

Vertrouwen ontstaat door duidelijke verantwoordelijkheden, goede specificaties, geautomatiseerde tests, sterke reviews en gecontroleerde delivery-processen. Precies deze mechanismen vormen het engineering-harnas dat het gebruik van AI in de praktijk houdbaar maakt. Zonder deze borging stijgt vaak wel de output, maar niet betrouwbaar de kwaliteit.

Wat maakt agentic delivery op de lange termijn succesvol?

Op de lange termijn is het leer- en aanpassingsvermogen van de organisatie doorslaggevend.

De grootste problemen bij agentic delivery liggen zelden alleen op het niveau van afzonderlijke prompts of AI-tools, maar in het samenspel van verantwoordelijkheid, besluitvormingsprocessen, kwaliteitscriteria en feedbacklussen. Retrospectives helpen organisaties om precies deze patronen systematisch zichtbaar te maken en daaruit duurzame procesaanpassingen af te leiden.

Voor CTO’s zijn ze daarom geen leuk agile ritueel, maar een centraal mechanisme voor organisationeel leren, waarmee teams hun samenwerking voortdurend kunnen aanpassen aan de nieuwe realiteit van AI-ondersteunde softwareontwikkeling.