Traditionele ontwikkeling
- Mensen schrijven code handmatig.
- Deterministische controle bestaat al.
- De doorvoer blijft beperkt door de menselijke snelheid.
Door mensen geschreven, deterministisch
Terug naar strategische stellingen
Strategische thesis 01
Het AI-evolutiemodel voor softwareontwikkeling
euphile ziet de ontwikkeling van AI-software als een evolutie door middel van controleniveaus. De belangrijke vraag is niet alleen hoeveel code AI kan produceren, maar ook hoe deterministisch, bestuurbaar en herbruikbaar het omringende systeem wordt naarmate AI meer werk op zich neemt.
De AI-softwareontwikkeling Evolutie Model
Van traditioneel programmeren naar machinegerichte codegeneratie gaat echte vooruitgang niet alleen over snelheid. Het is een verschuiving naar meer controle, meer determinisme en sterkere formele hefboomwerking.
AI-geleide codering
- AI wordt de belangrijkste codeproducerende actor.
- Vibe-codering en autonome lussen versnellen de uitvoer.
- De kwetsbaarheid neemt toe naarmate systemen complexer worden.
Snel, AI-gestuurd, brozer
AI met waarborgen
- AI werkt binnen een gecontroleerde workflow.
- Tests, builds, scans en validators beperken de output.
- Feedbacklussen begeleiden de volgende correctie.
AI-aangedreven, feedbackgestuurd
Door AI gebouwde deterministische tools
- AI bouwt generatoren en validators.
- Patchtools, transformatoren en harnassen worden troeven.
- Herbruikbare hefboomwerking verslaat eenmalige output.
Tooling-hefboomwerking, door ontwerp
Enterprise-ontologieën, DSL's en compilers
- Gedeelde ontologieën modelleren het domein.
- DSL's, compilers, generatoren en beleidsmotoren structureren de productie.
- Software wordt formeler en herhaalbaar op schaal.
Formele, domeinbewuste productie
Machinegerichte codegeneratie
- Generatie beweegt dichter naar wat machines werkelijk uitvoeren.
- Runtime-artefacten en geverifieerde plannen worden steeds belangrijker.
- Code is niet langer het belangrijkste artefact.
Vereist een andere generatie AI-modellen
Alleen voorspelling
Dit panel beschrijft welke eufiele schattingen waarschijnlijk zullen gebeuren, en niet wat het standaard als wenselijk, ethisch of verantwoordelijk beschouwt.
Wat het model zegt
AI SDLC verandert naarmate zowel de codeproducerende actor als het besturingsoppervlak veranderen.
In het begin schrijven mensen de software rechtstreeks. Op de hogere niveaus gebruiken organisaties AI om deterministische systemen, validators en formele domeininterfaces te helpen bouwen. Tussen deze punten is de belangrijkste variabele hoeveel betrouwbare controle er bestaat rond de softwareproductie.
Controle is de variabele
Op elk niveau verandert wie de code produceert, maar de belangrijkste vraag is wat die productie beperkt, valideert en regelt.
Copiloot is niet niveau 1
Automatisch aanvullen en inline-suggesties blijven lokale versnellers terwijl de ontwikkelaar aan het stuur blijft. Nuttige, maar nog niet door AI geleide ontwikkeling.
Vangrails maken AI operationeel
Tests, linters, build-checks, beveiligingsscans, validators en regressiesuites creëren de deterministische feedbacklus die nodig is voor veilige correctie.
Formalisering creëert een duurzame hefboomwerking
Gedeelde ontologieën, DSL'scompilers, generatoren en beleidsmotoren zetten impliciete domeinkennis om in systemen die betrouwbaarder schalen dan alleen informele interpretatie.
Niveaus van controle
Het model beschrijft de voortgang van handmatige doorvoer naar deterministische softwareproductie.
De reeks gaat minder over het vieren van autonomie omwille van zichzelf, maar meer over het begrijpen waar snelheid kwetsbaar wordt, waar vangrails noodzakelijk worden, en waar formele systemen beter beginnen te presteren dan informele codeerworkflows.
Traditionele softwareontwikkeling
Mensen blijven de directe auteurs van de software. De workflow is grotendeels deterministisch, maar de doorvoer wordt beperkt door handmatige inspanningen.
- Door mensen geschreven code is de standaard.
- De vertrouwde ontwerp-, beoordelings-, test-, bouw- en implementatiecyclus is nog steeds van toepassing.
- De controle is groot, maar de schaal wordt begrensd door mensen.
Assistentie in copilootstijl
AI versnelt lokale acties zoals automatisch aanvullen, inline suggesties en kleine refactoren, terwijl de ontwikkelaar de belangrijkste codeproducerende actor blijft.
- Dit is een nuttige versnelling, geen nieuwe SDLC model op zich.
- De mens bepaalt nog steeds de structuur en de beslissingen.
- De productiviteit verbetert lokaal, maar de levenscyclus verandert niet fundamenteel.
AI-geleide codering
AI wordt de belangrijkste codeproducerende actor door middel van vibe-codering, autonome loops, planning-first-workflows of end-to-end functieverzoeken.
- De snelheid kan extreem hoog zijn bij beperkte problemen.
- Grote hoeveelheden code kunnen snel verschijnen.
- De betrouwbaarheid neemt af naarmate de complexiteit, de koppeling en de operationele context toenemen.
Door AI georkestreerde ontwikkeling met deterministische vangrails
AI schrijft nog steeds een groot deel van de code, maar opereert nu binnen een gecontroleerde workflow die zijn werk controleert en de volgende correctie begeleidt.
- Tests, linters, build-checks, scans en validators beperken de output.
- Geautomatiseerde fitnessfuncties en regressiesuites detecteren vroegtijdig breuk.
- De feedbacklus wordt leesbaar genoeg voor betrouwbare iteratie.
Door AI gegenereerde deterministische tools
Het doel verschuift van het herhaaldelijk genereren van code naar het genereren van tools die code op herhaalbare manieren kunnen produceren, transformeren, valideren, patchen en testen.
- Generatoren, transformatoren, validators en harnassen worden kernmiddelen.
- AI begint herbruikbare mechanismen te produceren, niet alleen directe output.
- Het resultaat is een herhaalbare hefboomwerking in plaats van een eenmalige versnelling.
Ontologie op ondernemingsniveau, DSL'sen compilers gegenereerd met GenAI
Organisaties formaliseren het domein zelf en laten GenAI helpen bij het ontwerpen en ontwikkelen van de toolchain rond dat formele model.
- Gedeelde ontologieën definiëren het bedrijfsdomein.
- DSL's, compilers, generatoren, validators en beleidsengines structureren de productie.
- Software wordt formeler, herhaalbaar en minder afhankelijk van kwetsbare interpretaties.
Machinegerichte codegeneratie
Op termijn kan AI artefacten genereren die dichter liggen bij wat machines werkelijk uitvoeren dan bij huidige mensgerichte abstracties zoals bestanden, repositories en door frameworks gevormde broncode.
- Uitvoerbare representaties en geoptimaliseerde runtime-artefacten kunnen domineren.
- Hardwarebewuste instructies en geverifieerde plannen worden centraler.
- Voor mensen leesbare code wordt een interface, en niet noodzakelijkerwijs het primaire artefact.
Strategische implicatie
Euphile is van mening dat de evolutie van de ontwikkeling van AI-software steeds meer een kwestie wordt van het vragen van AI om te helpen bij het bouwen van deterministische systemen die software op betrouwbare wijze produceren. Het direct genereren van code is nog steeds van belang, maar het duurzamere voordeel komt van beheerde workflows, herbruikbare tools en formele domeininterfaces. Naarmate deze deterministische instrumenten veel gemakkelijker te creëren zijn, wordt het mogelijk om met meer vertrouwen veel complexere systemen te bouwen. Dat kan op zijn beurt uiteindelijk de mogelijkheid bieden om zich te concentreren op een nieuwe generatie AI-modellen die veel lager in de stapel opereren, dichter bij representaties op machineniveau dan bij de hedendaagse mensgerichte broncode-abstracties.