AI- en ontwikkelaarstrends: meer code, niet meer issues

In het overzicht van AI- en ontwikkelaarstrends van 12 oktober 2026 komt de opvallendste bevinding uit een working paper van Harvard: na de invoering van agents nam de codeeractiviteit toe, maar steeg het aantal opgeloste issues niet statistisch significant. Gegenereerde code gelijkstellen aan productiviteit is de verkeerde keuze. De releases van deze week maken codegeneratie goedkoper en toegankelijker, terwijl de knelpunten bij de oplevering verderop in het proces blijven zitten.

Coding agents zorgden voor meer activiteit, niet aantoonbaar voor meer afgerond werk

Het working paper van Harvard over knelpunten in softwareproductie onderzocht de invoering van agents bij honderden bedrijven.

Deze maatstaven zijn geen onderling uitwisselbare definities van productiviteit. De bevinding over opgeloste issues bewijst niet dat agents nooit helpen; dit onderzoek biedt geen onderbouwing om meer codeeractiviteit te zien als bewijs voor meer opgeleverde software. De resultaten leidden ook tot discussie in deze Reddit-thread.

Tel bij een pilot voor het oplossen van bugs de geaccepteerde oplossingen die de tests doorstaan en door de review komen. Leg daarnaast vast hoeveel tijd reviewers eraan besteden.

Haiku 5.5 maakt gerichte subagents aantrekkelijker dan een upgrade voor alles

Anthropic kondigde Claude Haiku 5.5 aan als zijn snelste kleine model voor taken met grote volumes en subagents voor codeertaken.

• Aankondigingsdatum: 7 oktober.
• Gemiddelde kosten per taak: volgens Anthropic ongeveer 75% lager dan bij Haiku 4.5.
• Beschikbaarheid: Claude Platform en Claude Code, bevestigd in de aankondiging voor ontwikkelaars.

Meer pogingen, een grotere context of een dure overstap naar een zwaarder model kunnen de besparing per taak tenietdoen. Meet daarom wat dit voor uw eigen takenpakket betekent.

Zet eerst een goedkoper model in voor afgebakend werk, zoals issues classificeren, relevante bestanden zoeken of mislukte tests samenvatten. Voor zulke taken zijn de acceptatiecriteria duidelijker dan voor het herontwerpen van een onbekende service. Bovendien zijn fouten makkelijker te ontdekken voordat ze tot codewijzigingen leiden.

In het vorige wekelijkse AI-overzicht stelde Joulyan IT de vraag wat een agent mag doen. Geef een subagent die bestanden zoekt alleen leestoegang.

Lokale Copilot-inferentie verandert de kosten, maar vertelt niet het hele privacyverhaal

Met de aankondiging van 7 oktober introduceerde Microsoft lokale MAI-Code-1.1-Flash-aanroepen in GitHub Copilot. De genoemde voordelen zijn lokale inferentie, privacy en geen inferentiekosten voor die lokale aanroepen.

Lokale inferentie betekent niet automatisch dat elk onderdeel van een Copilot-sessie op het apparaat blijft. Controleer wat het apparaat verlaat voordat u een workflow voor gevoelige code goedkeurt.

• Ga na welke codeertaken daadwerkelijk het lokale model gebruiken.
• Controleer of prompts, repositorycontext of diagnostische gegevens naar externe diensten worden verstuurd.
• Breng eventuele terugval op de cloud in kaart en leg vast wanneer die plaatsvindt.
• Test de reactiesnelheid op de hardware die ontwikkelaars al gebruiken.

Geef bij gevoelige repositorycontext de voorkeur aan lokale inferentie als deze controles geen bezwaren opleveren. Voordat inkoop kan stellen dat de totale kosten nul zijn, moet duidelijk zijn welk abonnement nodig is, welke apparaten worden ondersteund en wat eventuele externe aanroepen kosten. Voer een pilot uit met één gangbare repositorytaak op een goedgekeurde laptop en leg vast of de uitvoering lokaal of extern plaatsvindt.

GPT-6 Intelligent UI vraagt om meer dan alleen tekst beoordelen

OpenAI begon op 7 oktober met de wereldwijde uitbreiding van GPT-6 met Intelligent UI. De uitrol voegt interactieve formulieren, grafieken, knoppen en tools toe aan ChatGPT-antwoorden, eerst voor betaalde abonnementen en vervolgens voor gebruikers van Free en Go.

Met een bewerkbaar formulier kan een gebruiker invoer aanpassen zonder een nieuw bericht te schrijven. Ook de bedieningselementen moeten worden gecontroleerd:

• Blijft de betekenis van het oorspronkelijke verzoek behouden als een veld wordt aangepast?
• Kan een gebruiker een weergegeven antwoord onderscheiden van een actie die iets verandert?
• Geeft een grafiek de onderliggende gegevens correct weer?

Test de interactie stap voor stap: wijzig een invoerwaarde, bekijk de resulterende toestand en controleer of een knop meer bevoegdheid suggereert dan hij daadwerkelijk heeft. Controleer bij een antwoord dat een zakelijke beslissing ondersteunt ook de onderliggende waarden.

OpenAI's wiskundepublicatie stelt controleerbare resultaten boven indrukwekkende antwoorden

Op 6 oktober publiceerde OpenAI wiskundige resultaten die door modellen waren geproduceerd, samen met formaliseringen in Lean, samenvattingen van de redeneringen en schattingen van de benodigde rekenkracht. Lean is een bewijsassistent: het controleert formele bewijzen aan de hand van expliciet vastgelegde definities en regels.

• De wiskundige resultaten bevatten de beweringen die moeten worden gecontroleerd.
• De Lean-formaliseringen leveren machinaal controleerbare bewijzen.
• De samenvattingen van de redeneringen en schattingen van de rekenkracht geven context bij het werk.

Formele verificatie controleert een formele uitspraak binnen de bijbehorende aannames; ze toont niet aan dat die uitspraak alle bedoelde vragen uit de praktijk dekt. Een geverifieerd resultaat is op zichzelf onvoldoende om een bredere claim over de betrouwbaarheid van een model te onderbouwen.

Hecht meer waarde aan een bescheiden patch waarvan de tests onafhankelijk slagen dan aan een ingrijpende herschrijving met alleen een overtuigende uitleg. Een agent die een wijziging aan een parser voorstelt, moet tests aanleveren die het gewijzigde gedrag toetsen. Die tests moeten vervolgens via de gebruikelijke controles van de repository worden uitgevoerd.

Uw volgende stappen

1. Registreer bij één pilot met een coding agent het aantal opgeloste issues, de reviewtijd voor pull requests en het herstelwerk, naast het aantal commits. Gebruik dezelfde maatstaven voor een vergelijkbare reeks taken zonder agent.
2. Laat Haiku 5.5 een vaste reeks taken uitvoeren voor het classificeren van issues of het zoeken naar bestanden. Leg geaccepteerde resultaten, totale kosten en escalaties naar zwaardere modellen vast voordat u uw standaardmodel wijzigt.
3. Documenteer welke bewerkingen lokaal worden uitgevoerd en of terugval op de cloud is ingeschakeld voordat u lokale Copilot-inferentie voor een gevoelige repository activeert.
4. Test één GPT-6 Intelligent UI-antwoord door de invoer aan te passen en de resulterende waarden te vergelijken met de onderliggende gegevens.
5. Eis dat door agents gegenereerde codewijzigingen de bestaande geautomatiseerde controles van de repository doorstaan voordat een menselijke review begint. Accepteer de testsamenvatting van de agent niet als bewijs.

Nuttige bronnen

• Harvard-working paper over softwareproductie - Omvang van het onderzoek, gerapporteerde effecten en de analyse van review als knelpunt.
• Anthropics aankondiging van Claude Haiku 5.5 - Positionering van het model en vergelijking van de gemiddelde kosten per taak.
• Microsofts aankondiging van lokale Copilot-inferentie - Officiële aankondiging van lokale aanroepen naar een model voor codeertaken.
• OpenAI's uitrol van GPT-6 Intelligent UI - Interactieve antwoordfuncties en uitbreiding van de toegang.
• OpenAI's wiskundepublicatie - Resultaten, formaliseringen en ondersteunend materiaal.

Om in de gaten te houden

• Kosten per Haiku-taak: Zoek naar evaluaties die herhaalde pogingen en escalaties voor de volledige taak meetellen.
• Grenzen van lokale Copilot-inferentie: Let op duidelijkere documentatie over ondersteunde apparaten, lokale bewerkingen en terugval op externe diensten.
• Toegang tot Intelligent UI: Controleer welke interactieve functies beschikbaar zijn binnen de ChatGPT-abonnementen die uw team daadwerkelijk gebruikt.
• Metingen van coding agents: Let op vervolganalyses die onderscheid maken tussen wachttijd voor reviews, de tijd die reviewers eraan besteden en geaccepteerd werk.

Wat betekent dit voor u?

Stel acceptatiecriteria vast voordat u agents meer werk laat uitvoeren. Kan uw team het extra werk niet controleren zonder dat de reviewlast toeneemt? Dan pakt snellere generatie het verkeerde knelpunt aan.