GitHub Copilot en vergelijkbare AI-assistenten hebben softwareontwikkeling veranderd. Code die eerder dagen kostte, staat nu in uren. Dat is indrukwekkend. Maar snelheid is niet het enige wat verandert. Je hoeft iets niet meer te begrijpen om het te kunnen maken, en dat heeft grote gevolgen voor hoe starters in ons vak leren. Kunnen we ze nog opleiden tot goede engineers? Wat verandert er in het leerproces? En hoe begeleid je dat goed als ervaren engineer? Dat is waar dit artikel over gaat.

Het engineeringskompas

In de GitHub Copilot workshops die ik geef zie ik een duidelijk patroon. Ervaren ontwikkelaars gebruiken GenAI steeds vaker om een nieuwe taal of technologie te leren. Ze laten AI snel werkende voorbeeldcode produceren, maar herkennen daarin patronen en architectuurprincipes die ze al jaren kennen. Ze hebben een vakinhoudelijk kompas. Russinovich en Hanselman beschrijven dit in Redefining the Software Engineering Profession for AI: ervaren engineers merken direct een productiviteitsboost omdat hun context en oordeelsvermogen al gevormd zijn.

Starters missen dat kompas. Met AI kunnen ook zij snel iets werkends bouwen, maar zonder het denkkader om te beoordelen of die oplossing morgen nog klopt: is de architectuur gezond? is het veilig? schaalt het? valt het te onderhouden? Een ervaren ontwikkelaar stelt die vragen automatisch. Het verschil tussen junior en senior zit niet meer in het kunnen bouwen van iets werkends, maar in het vermogen te beoordelen of het werkende ook juist is.

Daar komt bij dat snelle, zichtbare voortgang belonend voelt: je verandert iets, het werkt, je wilt door. Bij een starter is de beloning niet meer een regel code, maar een complete feature. Die beloning komt voordat het begrip er is. Daniel Kahneman beschrijft in Thinking, Fast and Slow precies die valkuil: Systeem 1 zegt “het werkt, we zijn klaar,” Systeem 2 vraagt “begrijp ik waarom het werkt, wanneer het faalt, wat ik anders zou doen?” Vibe coding, prompts geven tot iets werkt zonder het te doorgronden, is precies de Systeem 1-route. Het voelt productief en ziet er productief uit, maar bouwt geen vakmanschap op.

De investering in starters wordt een betere gok

Kent Beck kadert dit als een investeringsvraagstuk. Elke starter die je aanneemt is een gok: onboarding, begeleiding en review kosten meer dan de output oplevert. Beck noemt de periode tot het omslagpunt de Valley of Regret. Traditioneel duurt die valley gemiddeld 24 maanden. Met een jaarlijks verloop van 20% verlaat zo’n 36% van de starters de organisatie voordat ze dat punt bereiken. De investering verdampt.

AI kan die rekening verbeteren, maar alleen als je het bewust inzet. Beck laat zien dat een goed begeleid team van starters met AI-tools de valley kan comprimeren tot zo’n 9 maanden, met een voortijdig verloop van rond de 15%. Het mechanisme is simpel: een starter die drie uur kwijt was aan het uitzoeken van een geschikte API heeft die opties nu in twintig minuten op tafel. Maar die vrijgekomen tijd is geen bonus voor de volgende feature. Het is tijd die je moet investeren in het wegen van die opties en het opbouwen van een eigen oordeel. Beck noemt dat: learning fast becomes a habit.

Hoe leren vroeger werkte, en hoe AI dat doorbreekt

Als je vroeger als starter in een team begon, droeg het bouwproces zelf het begrip. Je moest een concept doorgronden voordat je het werkend kreeg, want een copy-paste van Stack Overflow paste zelden direct. Je mentor deed voor, jullie deden samen, en daarna werkte je alleen verder. Collins, Brown en Newman noemen dit cognitive apprenticeship: leren door modeling en coaching, waarbij de begeleiding geleidelijk afbouwt en de starter leert het eigen redeneren te verwoorden.

AI doorbreekt die keten als je niet oppast. De starter krijgt direct werkende code, zonder dat een expert het denkwerk zichtbaar heeft gemaakt en zonder dat hij zelf gedwongen wordt het te verwoorden. Begeleiding verschuift daarmee van helpen bij het bouwen naar helpen bij het maken van goede keuzes, met bewust ruimte voor reflectie.

Onderzoek bevestigt de spanning. Chen en Cheung (2025) analyseerden 57 studies met 5.389 studenten: GenAI heeft een groot positief effect op prestaties en hoger-ordedenken, maar op metacognitie (het eigen leerproces monitoren en bijsturen) is het effect niet statistisch significant. Precies de vaardigheid die een starter nodig heeft om niet in de Systeem 1-valkuil te stappen.

Kazemitabaar et al. (2023) zoomden verder in. In een gecontroleerde studie met 69 jongeren (10–17 jaar) leerde de helft Python met toegang tot AI; de andere helft niet. De AI-groep voltooide 1,15 keer meer taken, scoorde 1,8 keer hoger op correctheid en maakte significant minder fouten. En cruciaal: op de code-aanpastaken die zonder AI werden gemaakt presteerden beide groepen vergelijkbaar. AI schaadde de handmatige vaardigheid niet.

Maar het onderzoek laat ook zien waar het misgaat. De uiteindelijke oplossing was gemiddeld voor 63% gelijk aan wat de AI had gegenereerd. In 49% van de taken werd de AI-code ingediend zonder dat de starter ook maar één regel aanpaste. Dat patroon was het sterkst bij complexere onderwerpen als loops (60%) en arrays (52%), precies de momenten waarop je zou willen dat iemand nét iets meer nadenkt. Wat het extra zorgelijk maakt: dit was geen gedeeld patroon. 10 van de 33 leerlingen in de AI-groep deden dit bij minder dan 4 van de 45 taken. Maar 14 van de 33 deden het bij meer dan de helft. Een deel van de groep leerde actief met AI; een ander deel leerde de kortste route naar een goedgekeurde inzending. En starters met meer voorkennis profiteerden significant méér van AI dan starters met minder voorkennis. AI versterkt een bestaand kompas, het bouwt er geen nieuw.

Een bewust kader: 4MAT

Als code snel en goedkoop te produceren is, wordt het wichtiger dat een starter leert hoe hij keuzes maakt en zijn aannames toetst. Dat vraagt om een bewust kader, in plaats van een impliciet proces waarbij je maar wat doet en hoopt dat het leren vanzelf gaat. De 4MAT-leercyclus van Bernice McCarthy biedt zo’n kader. Vier fasen, elk met een sleutelvraag:

Experiencing (Why?): waarom doet dit vraagstuk ertoe? AI maakt het makkelijk om relevantie te vinden: één prompt en je ziet hoe een concept in de praktijk werkt. Maar starters die de relevantie nooit zelf hoeven te ontdekken, bouwen minder snel een eigen oordeel op. De motivatie komt makkelijk; het kompas niet vanzelf.

Conceptualising (What?): welke concepten spelen hier, en welke principes bepalen of een oplossing goed genoeg is? AI is de nieuwe eerste kennislaag: uitleg, voorbeelden en foutopsporing zijn altijd beschikbaar. Daarmee verschuift de vaardigheid van “frameworks kennen” naar het stellen van de juiste vragen en het beoordelen van de uitvoer. Het risico is een illusie van begrip: je ziet veel werkende code en denkt dat je het begrijpt, terwijl je het eigenlijk alleen maar hebt laten genereren.

Applying (How?): bouw een klein, gericht experiment. In de geest van Farley: schrijf eerst op wat je verwacht voordat je AI een prompt geeft. Dat is een hypothese in toetsbare vorm. AI versnelt uitvoering enorm, van API tot test tot deployment. Maar daarmee verschuift het echte knelpunt: niet het schrijven van code, maar het valideren en integreren ervan in een groter systeem. Architectuurdenken, testdiscipline en debuggen worden de kernvaardigheden.

Refining (What if?): wat betekent deze uitkomst voor varianten, schaalbaarheid en risico’s? Met AI is rapid prototyping triviaal: meerdere architecturen verkennen in uren, varianten genereren op verzoek. Starters kunnen hierdoor eerder als mid-level experimenters opereren. Maar te veel opties zonder houvast leidt tot beslissingsmoeheid. Goede ontwikkelaars verkennen snel en kiezen snel. Begeleiding verschuift naar evaluatie en afwegingsdenken.

AI comprimeert de cyclus, maar verplaatst de druk. Vroeger zat het knelpunt bij het schrijven van code (How). Nu zitten de knelpunten bij het begrijpen van systemen (What), het kiezen van de juiste richting (Why) en beslissingen nemen onder onzekerheid (What if). Een senior kan niet meer alleen taken uitdelen en achteraf de output reviewen. Je moet ook denkwerk delegeren: de starter leert de Why en What zelf formuleren voordat AI de How versnelt. Dat is wat de Kazemitabaar-studie laat zien. Productiviteit en leren lopen uiteen als de leeromgeving dat niet actief tegengaat.

Wat dit betekent voor de begeleider?

De waarde van jouw begeleiding zit niet meer in uitleggen hoe iets gebouwd moet worden. Dat kan AI sneller. De waarde zit in het ontwikkelen van professioneel oordeel: waarom kies je deze route, welke aannames zitten erin, wanneer is goed niet goed genoeg?

Concreet:

• Delegeer denkwerk, niet alleen werk. Laat de starter eerst context, hypothese en kwaliteitscriteria expliciet maken. Daarna mag AI helpen met bouwen.
• Review redenering, niet alleen code. Welke alternatieven zijn onderzocht? Waarom past deze oplossing? Wat heeft het experiment veranderd aan de aanname?
• Stem af op de leerstijl. Een doener heeft geen aanmoediging nodig om te experimenteren, maar wel om te vertragen: wat verwacht je dat er gaat gebeuren? Een denker heeft soms een zetje nodig om het prototype te starten ook als het model nog niet af voelt. Een dromer heeft ruimte nodig om patronen te herkennen. Een beslisser moet soms afgeremd worden om twee uitkomsten eerst naast elkaar te leggen voor er een derde komt.
• Corrigeer niet te snel. Een half-goede AI-oplossing rechttrekken voelt efficiënt, maar haalt het leermoment weg. Laat de starter zelf benoemen wat klopt, wat twijfelachtig is en wat hij anders zou doen.

De beste begeleider is degene die starters sneller senior gedrag laat oefenen, niet door meer taken, maar door eigenaarschap op redeneren, kiezen en toetsen. Mijn tip is vooral: rem de starter af en vraag door als het te makkelijk lijkt. De AI doet al het snelle werk. Jouw rol is om de starter te helpen dat snelle werk in een duurzaam kader te plaatsen.

Wat dit vraagt van organisaties en opleidingen?

Mentoren maken de dagelijkse leermomenten. Maar leiders bepalen of mentoren daar de ruimte en stimulans voor krijgen. Zonder die ruimte verdampt het effect.

Wie AI inzet zonder bewuste ontwikkelstrategie koopt kortetermijnsnelheid en bouwt langetermijnschuld op in kennis en kwaliteit. Dat is precies het risico dat Jeen Beckers in zijn linkedin artikel neerzet als “digitale zelfmoord”: meer output op papier, maar minder leervermogen in je team. Zijn punt is scherp: minder instroom van juniors, seniors die vooral AI-puin ruimen, en oplopende onderhoudslast. Dan lijkt AI je te versnellen, maar in de praktijk schuif je kwaliteitsschuld door.

Daar bovenop ontstaat een giftige afhankelijkheidscirkel: management stuurt op throughput, teams krijgen snelle oplossingen “over de schutting”, en vervolgens moet dezelfde organisatie de rommel duurzaam maken. Uit paniek volgt vaak het inhuur-infuus: extra externen voor kortetermijncapaciteit. Maar elke tijdelijke kracht die vertrekt, neemt context mee. Zonder interne opbouw van mensen en kennis hol je je digitale autonomie langzaam uit.

Wie alleen beoordeelt op output beloont oppervlakkige snelheid. Wie ook beoordeelt op onderbouwing, validatie en reflectie beloont vakvolwassenheid. En voor bedrijven betekent dat: niet alleen sturen op “features per sprint”, maar ook op hoe snel starters leren redeneren, risico’s zien en keuzes kunnen uitleggen. Zoals Kent Beck beschrijft, moet de tijd die je wint met snellere implementatie bewust terug de leerlus in. Niet meteen door naar meer output, maar investeren in begrip, afwegingen en vakmanschap.

Daarom investeert Delta-N in onderwijsrelaties, gastcolleges en de begeleiding van afstudeerders aan realistische vraagstukken. In die praktijk ervaren studenten dat AI hen sneller maakt, en dat professioneel oordeel bepaalt of die snelheid ook duurzame waarde oplevert.

Het bouwen gaat sneller. De waarde van pure codeproductie daalt. De waarde van conceptueel redeneren stijgt. Dat is geen verarming van het vak, maar een verdieping.

Een sterke professional laat niet alleen zien dat iets werkt, maar ook waarom het werkt, wanneer het kan falen en hoe de volgende keuze daardoor beter wordt. Daar begint duurzaam vakmanschap.

Aan de slag met Delta-N 

Delta-N helpt je bij het neerzetten van GitHub Copilot. Van inrichting tot dagelijks gebruik. 

Met onze expertise in Microsoft Azure en GitHub, en de Agentic DevOps with Microsoft Azure and GitHub Specialization, zorgen we voor een veilige en schaalbare inzet van AI in je ontwikkelproces. 

Plan een korte sparsessie met een van onze experts 
We kijken samen naar je huidige situatie en geven gericht advies over inrichting en gebruik.