Alle IT-kennis onder één wereldwijd dak
Werken bij de beste IT dienstverlener van Nederland?
Resultaat door passie voor IT
Start trefwoorden te typen om de site te doorzoeken. Druk enter om te verzenden.
Generative AI
Cloud
Testing
Artificial intelligence
Security
November 09, 2026
AI kan in korte tijd grote hoeveelheden output produceren. Denk aan code, analyses, documentatie en testcases.
Maar meer output betekent niet vanzelfsprekend meer waarde.
Neem het genereren van testcases. AI kan er in korte tijd veel produceren. Dat betekent alleen niet automatisch dat we daarmee een betere testdekking krijgen. Zonder voldoende context en kennis van de risico’s kan de variatie beperkt zijn en ontstaat het gevaar van een illusie van coverage.
Juist daarom moeten we niet beginnen met de vraag:
“Wat kan AI voor mij genereren?”
Maar met:
“Welk probleem probeer ik eigenlijk op te lossen?”
Hoe beter we zelf het probleem, de risico’s en de context begrijpen, hoe beter we AI kunnen inzetten om ons daarbij te helpen.
AI-agents kunnen steeds zelfstandiger handelen. Dat biedt nieuwe moAI kan in korte tijd grote hoeveelheden output produceren. Denk aan code, analyses, documentatie en testcases.
Er ontstaat nog een andere uitdaging wanneer we steeds meer denkwerk uitbesteden.
Leren vraagt om inspanning. Om onderzoeken, proberen, fouten maken en opnieuw beginnen. Juist tijdens dat proces bouwen we kennis en vaardigheden op. Wanneer AI dat proces volledig van ons overneemt, bestaat het risico dat we zelf minder leren.
Stel bijvoorbeeld dat je nieuwe software moet doorgronden. Je kunt AI vragen om de beschikbare informatie te analyseren en daar direct een overzicht van te maken. Binnen enkele minuten heb je een resultaat. Maar dat betekent nog niet dat je zelf begrijpt hoe het product werkt.
Voor Quality Engineering raakt dat precies de kern van het vak.
Testen draait immers voor een groot deel om leren. Hoe werkt het systeem? Wat is belangrijk? Waar zitten de risico’s? Waar zitten mogelijke fouten? En wanneer is de kwaliteit goed genoeg?
Daarom is het uitgangspunt eenvoudig:
Denk eerst zelf. Gebruik daarna AI om je denken te versterken.
Dat betekent niet dat we AI minder moeten gebruiken. Het betekent dat we AI slimmer moeten gebruiken. Een user story rechtstreeks invoeren met de vraag om testcases te genereren levert iets op. Maar wanneer je eerst zelf een risicoanalyse uitvoert en AI vervolgens die risico’s, context en relevante informatie meegeeft, ontstaat een veel sterkere basis voor het resultaat.
AI verandert daarmee ook het werk van developers en testers.
Wanneer meer code met behulp van AI wordt gegenereerd, verschuift een deel van het werk van produceren naar beoordelen: werkt de gegenereerde code daadwerkelijk en blijft deze werken?
Ook voor testers verandert de rol.
De toegevoegde waarde zit steeds minder alleen in het uitvoeren van tests en steeds meer in het begrijpen van risico’s, het overzien van systemen, het stellen van kritische vragen en het bepalen wat kwaliteit in een specifieke context betekent.
Daarmee wordt Quality Engineering belangrijker.
Kwaliteit is niet iets wat je aan het einde controleert. Het is iets waarvoor het hele team verantwoordelijkheid draagt.
Daar hoort ook de business bij. Product owners kunnen samen met Quality Engineers kijken naar de risico’s, het belang voor de business en hoeveel testen daadwerkelijk nodig is. Zo verschuift de focus van zoveel mogelijk output naar de waarde die een team uiteindelijk creëert.
Bij het gebruik van AI wordt vaak gesproken over human in the loop: zorg ervoor dat er ergens in het proces een mens betrokken blijft.
Maar alleen een mens toevoegen is niet genoeg.
We hebben mensen nodig die begrijpen waar ze naar kijken. Die vragen stellen. Die aannames ter discussie durven stellen. Die kunnen beoordelen of informatie betrouwbaar is en die verantwoordelijkheid nemen voor hun beslissingen.
Daarmee verandert ook de vraag.
Niet alleen:
“Hoe houden we een human in the loop?”
Maar vooral:
“Hoe zorgen we voor een critical thinker in the loop?”
Dat vraagt om transparantie en inzicht in het systeem. Om kritisch denken en betere besluitvorming. En misschien wel het belangrijkste: om eigenaarschap.
Dat brengt ons bij een belangrijke verschuiving.
AI kan steeds meer output leveren: software, tests, analyses en documenten. Maar uiteindelijk bepaalt de hoeveelheid output niet hoeveel waarde we creëren.
Meer output is niet automatisch meer waarde.
Mensen blijven richting geven. Welke kwaliteit willen we bereiken? Waar liggen de belangrijkste risico’s? Hoe organiseren we het werk? En op basis waarvan nemen we onze beslissingen?
De uiteindelijke waarde voor de klant zit niet in de hoeveelheid die we produceren, maar in wat het daadwerkelijk oplevert. Oftewel: niet alleen output, maar vooral outcome.
AI kan ons helpen sneller te werken, grote hoeveelheden informatie te verwerken en ons denkwerk te versterken. Maar daarmee neemt AI onze verantwoordelijkheid niet over.
Juist naarmate AI een grotere rol krijgt in softwareontwikkeling, wordt het belangrijker dat we zelf blijven begrijpen wat we doen.
Dat betekent: zorg dat je het probleem begrijpt. Denk na over de risico’s. Kies bewust waar AI toegevoegde waarde heeft. Controleer de uitkomsten. En zorg dat je over de kennis en vaardigheden beschikt om te beoordelen of wat AI produceert daadwerkelijk goed genoeg is.
Gebruik AI dus vooral. Profiteer van de snelheid en mogelijkheden. Maar blijf zelf denken, blijf vragen stellen en geef je oordeel nooit volledig uit handen.
Want hoe slimmer onze technologie wordt, hoe belangrijker ons vermogen wordt om kritisch te blijven denken.
AI kan ons werk versnellen. Maar wij bepalen of die snelheid ons ook daadwerkelijk vooruitbrengt.
Lead Management Consultant
Contact
Benieuwd hoe je snelheid, AI en autonomie kunt combineren met vertrouwen en kwaliteit? Onze experts denken graag met je mee over de kansen en uitdagingen voor jouw organisatie.
