AI-Augmented SDLC: waar staat jouw organisatie en wat kun jij morgen doen?

Bijna elke ontwikkelorganisatie experimenteert inmiddels met AI. Toch levert dat vaak minder op dan verwacht: individuele medewerkers werken sneller, maar het team als geheel niet altijd. Op Hét Product Owner Event 2026 gaven we samen met onze strategische partner Trivium eSolutions drie keer de workshop AI-Augmented SDLC. In dit artikel delen we de belangrijkste lessen: waarom organisaties vastlopen, hoe ze hun AI-volwassenheid inschatten en welke stap ze morgen kunnen zetten.

Op 1 oktober kwamen zo’n duizend bezoekers naar Rotterdam Ahoy voor de vijfde editie van Hét Product Owner Event. We waren sponsor van het event. In alle drie de workshopsessies introduceerde onze CEO Jaap Merkus de spreker: Maarten de Jong, Managing Director van Trivium Benelux. Tijdens het interactieve deel hielpen Jaap en onze collega Anneke van der Putten de deelnemers op weg. Later die dag gaf Jaap de keynote ‘AI; an ill-posed problem’.

Dat we deze workshop samen met Trivium eSolutions deden, is geen toeval. Sinds juni 2026 maken NetRom en Trivium samen deel uit van de Software Engineering Group, een groeiplatform met steun van Investcorp Technology Partners. Trivium telt circa 180 medewerkers in Duitsland, Nederland en India. Het bedrijf is gespecialiseerd in Industrie 4.0, slimme infrastructuur, IoT en AI-toepassingen voor productiebedrijven. Beide bedrijven behouden hun eigen identiteit, maar investeren samen in AI-proposities.

Context bepaalt de uitkomst

Maarten opende elke sessie met een stelling die de zaal verdeelde: ChatGPT is geen large language model (LLM). Een deelnemer zag direct waarom: ChatGPT is de toepassing waarmee gebruikers met onderliggende taalmodellen werken. “Precies”, reageerde Maarten. Het LLM zit volgens hem achter ChatGPT, dat als interface dient. Voor wie AI in de software development lifecycle (SDLC) wil integreren, telt vooral hoe zo’n model met context omgaat.

“Een model kent geen feiten, alleen kansen”, zei Maarten. Zo’n taalmodel schat de waarschijnlijkheid van mogelijke volgende tokens: stukjes tekst waaruit een antwoord wordt opgebouwd. Welke tokens het genereert, hangt mede af van de context die het meekrijgt. “De tokens zelf zijn niet zo spannend”, legde Maarten uit. “Met de context die je het model geeft, maak je het verschil.”

Het doorfluisterspel in de ontwikkelstraat

Juist bij het doorgeven van context gaat het in veel organisaties mis. Een product owner heeft een volledig beeld van een nieuwe feature en laat AI daar een requirementsdocument of wireframes van maken. De UX-designer werkt die output in een nieuwe sessie met een eigen AI-tool verder uit, waarna engineering en QA volgen, telkens zonder de oorspronkelijke context.

“Het is een beetje het doorfluisterspelletje dat je vroeger speelde”, zei Maarten. Aan het eind test QA iets waarvan de product owner zich afvraagt waar het is misgegaan. Volgens Maarten lost technologie dat niet vanzelf op. “Sterker nog, AI gaat het versterken.”

AI is volgens hem niet meer dan een spiegel van de processen die je al hebt. Laten die processen gaten toe, dan maakt AI die alleen maar groter. Een ontwikkelaar die dankzij AI sneller werkt maar de context mist, bouwt vooral eerder het verkeerde product.

Vier niveaus van AI-volwassenheid

Om te bepalen waar een organisatie staat, gebruikte Maarten een op McKinsey geïnspireerde indeling. Die beschrijft vier niveaus waarop AI softwareontwikkeling ondersteunt en biedt een handvat om de AI-volwassenheid van een organisatie te bespreken.

Op niveau 1 draait softwareontwikkeling vrijwel volledig op mensen. Medewerkers gebruiken misschien incidenteel Copilot of ChatGPT, maar van structurele, meetbare versnelling is nog geen sprake. “Als we willen versnellen, nemen we meer mensen aan”, vatte Maarten het samen.

Op niveau 2 zitten volgens McKinsey de meeste organisaties. Teams hebben toegang tot AI-tools en er zijn afspraken over het gebruik, soms aangevuld met training in werkstandaarden. Individuen zetten AI effectief in en sommige teams delen al context, bijvoorbeeld via een repository of Confluence. Die afspraken gelden vaak alleen binnen het eigen team of project. Daardoor versnelt AI vooral individuele taken, maar nog niet de ontwikkelstraat als geheel.

Op niveau 3 automatiseert AI complete stappen in de ontwikkelstraat, bijvoorbeeld het uitwerken van een feature tot code, tests en documentatie. Niet iedere tussenstap hoeft nog afzonderlijk handmatig te worden uitgevoerd of gecontroleerd. Mensen houden wel de regie over kwaliteit en over besluiten met gevolgen voor productie. Volgens Maarten willen de meeste bedrijven naar dit niveau toe.

Op niveau 4 voeren teams van AI-agents het ontwerp-, ontwikkel- en testwerk grotendeels uit, onder regie van mensen. Maarten heeft zulke organisaties zelf nog niet gezien. Ook McKinsey ziet ze volgens hem nog niet in de praktijk. “Je wordt niet vervangen door AI, maar je rol gaat veranderen”, zei hij.

Bron: McKinsey, 'The AI revolution in software development', Rewired, 2e editie (Wiley, 2026)

Drie lagen die vertrouwen mogelijk maken

De overgang van niveau 2 naar 3 draait volgens Maarten om één vraag: durf je een complete processtap aan AI over te laten? Dat vertrouwen vraagt om een aanpak waarin alle rollen en AI-tools met dezelfde, actuele informatie kunnen werken.

Als basis noemt Maarten de substrate: een gedeelde contextlaag voor de hele organisatie, van business tot techniek. “Zie het als een grote Wikipedia-pagina waarin alle context voor een project, een klant of een omgeving gestructureerd is vastgelegd”, legde hij uit. Via API’s en MCP-servers kunnen AI-tools die context raadplegen. De toegang en koppelingen wil je als organisatie beheersen, zodat teams niet afhankelijk worden van ongetoetste oplossingen. Doordat iedereen uit dezelfde bron put, maakt het volgens Maarten minder uit of een team met Claude, Codex of Copilot werkt.

Daarbovenop komen skills en gates. Skills zijn vastgelegde werkstandaarden die een AI-model bij een taak kan gebruiken, bijvoorbeeld voor de structuur van een pull request. Zo beperk je de ruimte voor vrije interpretatie door het model. Een restrisico blijft. “Het is en blijft AI: een gokspelletje”, waarschuwde Maarten.

Gates moeten dat restrisico beperken: geautomatiseerde kwaliteitscontroles die werk tegenhouden als het niet aan vooraf vastgelegde eisen voldoet. Maarten plaatst die bij voorkeur in de deployment-pipeline. “Je wilt niet dat de AI zijn eigen werk controleert”, zei hij. “Een slager keurt immers niet zijn eigen vlees.”

Skills vergroten de kans op bruikbare output, terwijl gates het risico verkleinen dat fouten onopgemerkt doorgaan. Ontbreekt een van de drie onderdelen, dan wordt het lastiger om processtappen verantwoord te automatiseren en blijf je eerder op niveau 2 hangen. Met gedeelde context, skills en gates op orde kun je bewust bepalen op welke momenten een mens meekijkt.

Wie houdt de gedeelde context actueel?

Uit de zaal kwam steeds dezelfde vraag: wie beheert die gedeelde context? Volgens Maarten zijn daar nog geen breed gedragen best practices voor. Bij zijn klanten ligt die taak bij wie nu al verantwoordelijk is voor de afspraken, zoals de QA-lead en de head of software. Wie nu bepaalt hoe een pull request eruitziet, legt dat straks vast in de gedeelde context.

Een deelnemer gaf een tip die Maarten direct overnam: leg vast wat begrippen binnen jouw organisatie betekenen. Wat het ene team een parkeerpunt noemt, heet elders weer anders. Met een gedeelde woordenlijst kan AI die begrippen beter interpreteren. “Dat is een goede aanvulling, die ga ik zeker toepassen”, reageerde Maarten.

Begin klein, adviseerde hij. Bij de klanten waar Maarten nu actief is, starten organisaties met twee of drie frontrunnerteams waarin elke rol uit de ontwikkelcyclus vertegenwoordigd is. Hun opdracht is om binnen drie sprints één werkpakket volledig geautomatiseerd door de ontwikkelstraat te laten lopen. Wat ze daarbij aan skills en gates ontwikkelen, kun je volgens Maarten voor 30 tot 40% overzetten naar andere teams.

Bestaande systemen en beveiliging

Een deelnemer merkte op dat het model goed werkt voor nieuwe projecten, maar dat bestaande applicaties weerbarstiger zijn. Bij een multinational waarvoor Maarten werkt, rollen vier tot vijf frontrunnerteams het model uit in aparte workstreams voor nieuwbouw (greenfield) en legacy-systemen (brownfield). Die laatste groep heeft het duidelijk zwaarder. Volgens Maarten begint het bij de vraag waarom een systeem in die staat is beland, bijvoorbeeld door een verouderde programmeertaal. De levensvatbaarheid van de applicatie bepaalt of de investering zinvol is.

Beveiliging ziet Maarten als de grootste valkuil. Sneller opleveren is alleen winst als de kwaliteit minstens gelijk blijft, inclusief de beveiliging. “Kun je dezelfde securitygaranties geven en je quality gates handhaven?” vroeg hij. Is het antwoord daarop onzeker, dan is de rekensom nog niet rond.

Bestaande werkwijzen te snel loslaten raadt Maarten af. Zolang je het werk niet volledig aan AI overlaat, heb je monitoring in tools zoals Azure DevOps nodig. “Waar leg je anders verantwoording over af als er een bug in productie komt?”

Vijf vragen om je AI-volwassenheid te bepalen

Tijdens het interactieve deel verkenden de deelnemers met vijf vragen hoe volwassen hun organisatie met AI werkt. Je kunt die vragen ook met je eigen team doorlopen. Zie het als een praktische reflectieoefening, niet als een formele volwassenheidsmeting. Twijfel telt als ‘nee’. Het eerste ‘nee’ geeft aan waar je kunt beginnen.

1. Gebruikt je team dagelijks AI bij het werk dat je oplevert?
2. Kan iemand die niet bij een besluit was terugvinden waarom die keuze is gemaakt?
3. Volgt een nieuw teamlid jullie werkafspraken zonder dat iemand ze uitlegt?
4. Gaat een story pas op done als er bewijs is dat de functionaliteit werkt?
5. Is er werk gedaan door AI dat je niet meer nakijkt, omdat je erop vertrouwt?

Antwoord je op de eerste vraag ‘nee’, dan duidt dat op niveau 1. Een ‘nee’ bij de tweede vraag wijst op een gebrekkige gedeelde context, bij de derde op ontbrekende skills en bij de vierde op zwakke gates. Wie alleen de laatste vraag met ‘nee’ beantwoordt, zit volgens deze oefening dicht bij niveau 3. De basis is er, maar het vertrouwen om los te laten nog niet.

In groepen bespraken de deelnemers waarom het in hun organisatie stokt. Jaap en Anneke schoven aan en dachten mee. Iedereen schreef één ding op om de volgende dag anders te doen, zonder daarvoor toestemming van een manager nodig te hebben. De weg naar niveau 3 begint met kleine stappen, zoals een gedeelde woordenlijst of een definitie van done die bewijs van werkende functionaliteit vereist.

AI slim integreren in jouw ontwikkelproces

Voor IT-beslissers komt het er dus op aan om AI te verankeren in de manier waarop teams samenwerken. Een extra licentie of nieuwe tool verandert weinig aan het doorfluisterspel. Wat wel helpt, is gedeelde context met vastgelegde werkafspraken en controles waarop je kunt vertrouwen. Daarvoor zijn ontwikkelaars nodig die AI gebruiken en tegelijk scherp blijven op kwaliteit.

Bij NetRom zetten onze ontwikkelaars al jaren AI- en automatiseringstechnologie in als hulpmiddel bij het bouwen van software. Daarbij houden mensen de regie: we leggen werkafspraken vast, reviewen opgeleverde code en zorgen dat die begrijpelijk blijft voor ons eigen team. Goede ontwikkelaars worden zo beter met AI. Met Trivium delen we die aanpak en filosofie.

Ben je benieuwd hoe je AI succesvol integreert in jouw SDLC? Of wil je bespreken waar jouw organisatie nu staat? Plan dan een vrijblijvend gesprek met onze specialisten. We laten je graag zien hoe onze AI-oplossingen kunnen bijdragen aan jouw digitale ambities.

Plan een vrijblijvend gesprek over AI in de Software Development Lifecycle.