365 Days of AI Code: een experiment in AI-gedreven softwareontwikkeling

Op 1 januari 2026 startte ik met iets waar ik al maanden over nadacht: een heel jaar lang software ontwikkelen met AI-agents, zonder zelf een regel code te schrijven.

Geen laboratoriumexperiment, maar echte software. Tools die ik dagelijks gebruik. Projecten voor collega’s. Code die in productie draait.

Waarom dit experiment?

De belofte van AI-agents is groot: ze kunnen niet alleen code schrijven, maar ook debuggen, refactoren en testen. Maar werkt dat in de praktijk? Kun je als product owner en architect een AI-team aansturen dat professionele software oplevert?

Dat wil ik uitzoeken. Niet door erover te theoretiseren, maar door het gewoon te doen — 365 dagen lang.

Hoe meet ik succes?

Ik gebruik de DORA metrics als kompas: deployment frequency, lead time for changes, change failure rate en time to restore. Geen vage “het voelt goed”, maar harde cijfers over wat er werkelijk uit de AI-samenwerking komt.

Mijn AI-team

Claude Code is mijn primaire code agent. CodeRabbit en GitHub Copilot doen automatische code reviews. En voor test coverage analyse gebruik ik een LangGraph-agent die Willem Meints heeft gebouwd.

Interessant detail: de agents werken het best wanneer ze goed geïnstrueerd zijn. Een combinatie van AGENTS.md en CLAUDE.md bestanden in elke repository zorgt ervoor dat elke sessie consistent verloopt. De agent weet wat de codebase is, welke conventies gelden, en hoe het werk georganiseerd moet worden.

Vertrouwen, maar verifiëren

AI-agents zijn krachtig, maar ik ben niet naïef. Naast de dynamische analyse van de agents gebruik ik statische tools: pytest voor tests, Pylance voor type checking, Ruff voor linting. De agents doen het creatieve werk. De tooling bewaakt de kwaliteit.

Mijn rol verandert

Wat me nu al opvalt: mijn manier van werken is fundamenteel anders. Ik schrijf geen code meer, maar ik stuur wel. Ik neem architectuurbeslissingen. Ik corrigeer wanneer de agent een verkeerde richting inslaat. Ik stel de juiste vragen voordat implementatie begint.

Het voelt als een nieuwe discipline — ergens tussen product ownership en technisch leiderschap. Je moet genoeg weten om richting te geven, maar loslaten dat jij degene bent die de code typt.

Eerste inzichten

Na de eerste dagen heb ik al een paar dingen geleerd. AI-agents zijn verrassend goed in het ontdekken van bestaande code die je kunt hergebruiken — beter dan ik verwacht had. Ze bouwen liever voort op wat er al is dan alles opnieuw te maken.

Ook interessant: de integratie tussen tools via MCP (Model Context Protocol) opent mogelijkheden die ik nog aan het verkennen ben. En LangGraph blijkt een elegante manier om complexe agent workflows te structureren.

Wekelijkse updates

Elke dag houd ik bij wat er gebouwd wordt, waar ik bijstuur, wat lastig was en wat ik geleerd heb. Die dagelijkse notities verwerk ik tot wekelijkse updates hier op de blog.

Volg je mee? Over 365 dagen weten we of AI-agents echt professionele software engineering kunnen ondersteunen — of dat het vooral een mooie belofte blijft.