Welke AI tools zijn er? AI business modelling

AI is inmiddels een vaste collega op de werkvloer. Waar we ooit begonnen met simpele code-suggesties, werken we nu met AI als echte sparringpartner. Niet om ons werk over te nemen, maar om het slimmer te maken. In deze blog vertellen we op welke manieren onze developers gebruik maken van AI tijdens hun werk.

Onze eerste stappen met AI begonnen in de code-editor. Terwijl we typen, maakt AI slimme suggesties. Net zoals je telefoon zinnen afmaakt, vult AI onze code aan.

We zijn gestart met tools zoals GitHub Copilot, en later volgden editors als Cursor. Inmiddels gebruiken we ook alternatieven zoals Augment Code, die vergelijkbare functionaliteit bieden. Deze tools helpen vooral bij herhalende en voorspelbare taken en zorgen ervoor dat we als developers veel minder tijd kwijt zijn aan boilerplate code.

Waar we nu steeds meer naartoe werken, is agentic development. Daarbij schrijf je geen code meer regel voor regel, maar geef je de Ai een omschrijving van wat je wilt bouwen. Op basis daarvan analyseert Ai de bestaande codebase en bepaalt zelf welke stappen nodig zijn om jouw idee te realiseren.

We werken met tools zoals Aider en vooral Claude Code, dat complexe context goed begrijpt. Deze aanpak vraagt een andere manier van werken. De AI-output hangt sterk af van de context die je geeft. Zonder die context maakt de AI sneller fouten. AI is niet vanzelf slim — het wordt pas krachtig met de juiste input.

Daarom gaat het niet alleen om de juiste AI-tool. Ook je omgeving, proces en ondersteunende tools moeten kloppen.

Een voorbeeld van hoe we AI combineren met goede ontwikkel praktijken is behavior driven development. We beschrijven eerst in ‘gewone’ taal welk gedrag we verwachten van een functionaliteit. Daarna schrijven we handmatig een test die dat gedrag controleert. Het programmeren zelf — alles tussen beschrijving en test — laten we door AI doen.

Dit zorgt voor een natuurlijke feedbackloop. Faalt de test? Dan weet de AI wat het moet aanpassen. Zo krijgt AI niet alleen een opdracht, maar ook een toetssteen.
We werken steeds meer toe naar een werkwijze waarin AI alleen de beschrijving en test krijgt. Daarna doet AI zelf iteraties tot het resultaat klopt.

Menselijke controle blijft nodig. Iemand moet blijven checken of we op het juiste spoor zitten. AI is onze assistent, geen vervanger.

De term Context Engineering begint snel terrein te winnen als opvolger van Prompt Engineering en Vibe Coding. Waar het bij prompts vooral draaide om slimme vragen stellen, verschuift de aandacht nu naar het genereren en beheren van de juiste context zodat een language model optimaal kan presteren.

Context Engineering draait om het slim vullen van de ‘gaten’ in wat een model zelf (nog) niet weet. In de praktijk betekent dat: zorgen dat het model beschikt over alle relevante informatie uit je organisatie, je codebase, je users, en eerdere interacties.

Belangrijke bouwstenen van context zijn onder meer:

• Prompts: De directe input aan het model, waaronder ook feature-definities en testresultaten vallen, zoals bij BDD.
• RAG (Retrieval-Augmented Generation): Een methode om live externe informatie op te halen, zoals uit je interne documentatie of kennisbank.
• State: De huidige status van je code, project of gesprek, inclusief resultaten uit eerdere iteraties.
• Memory: Voorgaande conversaties met het model, wat helpt bij continuïteit.
• Structured output: Duidelijk gedefinieerde, voorspelbare formats die als context voor vervolginteracties gebruikt kunnen worden.

De rol van MCP-servers

Bij het geven van context zijn MCP-servers (Model Context Providers) een krachtig hulpmiddel. Ze maken automatisch context beschikbaar door informatie op te halen uit bijvoorbeeld databases, logs of tools als Jira. Zo fungeert een MCP in feite als een organisatie-specifieke RAG-oplossing, waarbij het niet alleen gaat om tekstuele bronnen, maar ook om operationele data.

Een voorbeeld: is een website offline, dan kan de MCP relevante error-logs aanleveren. Het model gebruikt deze om in context een diagnose te stellen. Of denk aan Jira: een MCP kan automatisch user stories uit je sprint inladen, zodat het model het project begrijpt zonder extra uitleg.

Behavior Driven Development

Ook BDD (Behavior-Driven Development) sluit hier goed op aan. De omschrijvingen van features en de output van tests vormen waardevolle prompt-informatie. In feite zijn BDD-scenario’s een directe bijdrage aan de context waar het model op redeneert.

Met tools als MCP’s en methodes als BDD lopen we als developers voorop in deze verschuiving naar contextgedreven AI. Want context is de brandstof van AI: hoe rijker en relevanter die is, hoe beter het model presteert.

Een bekende frustratie: documentatie die niet up-to-date is. Veel developers vinden schrijven niet leuk, waardoor het vaak blijft liggen. Hier komt AI om de hoek kijken.

Language models kunnen code analyseren en in ‘gewone mensentaal’ uitleggen wat het doet. Wij gebruiken dit om automatisch documentatie bij te werken. Als een feature verandert, genereert AI een samenvatting van de wijziging, inclusief verwijzingen naar relevante code. Zo blijft kennis bewaard en kan een ander het werk makkelijk oppakken.

Daarnaast zijn we bezig onze eigen documentatie te indexeren. Die koppelen we aan onze language models. Zo kun je straks vragen stellen als: “Hoe werkt onze authenticatieflow?” en krijg je direct het juiste stuk uit de documentatie — of zelfs uit de code.

Wat al deze toepassingen gemeen hebben, is dat AI steeds meer taken kan overnemen. Maar altijd binnen een goed doordacht systeem, met de mens aan het stuur. Het werkt pas goed als je de juiste context aanlevert, je processen op orde hebt, en AI slim combineert met andere tools.

AI is geen magische oplossing. De inzet van modellen vraagt net zo goed om robuuste kwaliteitscontroles—denk aan code reviews, unit tests, functionele en end-to-end tests, maar ook aan security- en performance-tests. Deze zijn minstens zo belangrijk bij ai als bij menselijke developers. AI mag dan sneller zijn, de validatie blijft cruciaal.

Als je AI goed integreert én blijft controleren, verandert het wél fundamenteel hoe we software ontwikkelen: sneller, consistenter en met meer inzicht.