Je agents werken te hard

Mijn agents werken te hard. En dat is nu juist het probleem.

Wat er gebeurt als je een dag lang vijf, tien, vijftien AI-agents parallel laat draaien is niet dat ze stuk gaan. Oh nee, ze leveren. Je krijgt screenshots, scripts, samenvattingen, code, pull requests, alles tegelijk en allemaal redelijk goed. Maar tegen het einde van de dag merk je dat je geen idee meer hebt wat er net door wie is gedaan, in welke volgorde, met welke aannames. Overprikkeld, leeggetrokken, geen overzicht. Wietse Hage benoemde het half mei in de AI Report-podcast letterlijk: het gefrituurde-brein-effect.

Hij is niet de enige die deze diagnose stelt. 404 Media kreeg ontwikkelaars bij Meta, Google en Microsoft anoniem aan het praten. Hun klacht is niet dat AI niet werkt. Het is dat ze hun eigen vakmanschap voelen wegslijten terwijl hun CEO's pochen over 75% AI-gegenereerde code. "We're building a rat's nest of tech debt that will be impossible to untangle." De code komt eruit, maar het beoordelingsvermogen om die code te wegen is in dezelfde periode verdampt.

Je houding is de variabele

Bij Anthropic werden engineers in een experiment willekeurig verdeeld in twee groepen — eentje die programmeerde met AI, eentje zonder. Achteraf kregen ze een quiz over de oplossingen die ze net hadden gebouwd. De AI-groep scoorde gemiddeld 50%, de groep zonder AI 67%. Maar binnen die AI-groep zat een tweede knip. Engineers die eerst conceptuele vragen stelden — wat is hier eigenlijk het probleem? — en daarna pas code lieten genereren, scoorden boven de 65%. Engineers die output direct kopieerden en doorgingen, onder de 40%.

Met andere woorden: het verschil zat niet in AI. Het zat in hoe iemand ermee om ging, hoe iemand deze toverstaf inzet. Wie de agent gebruikte als spar-partner hield zijn begrip vast. Wie 'm gebruikte als shortcut, verloor.

De agents zijn niet stuk. Hun defaults zijn afgestemd op één KPI: taken sluiten. Geen enkele coding-agent pauzeert om te vragen wat jíj denkt dat het probleem is voor hij begint. Anthropic shipte een Learning Mode die dat wél doet, OpenAI en Google hebben ook varianten van deze modus, maar de realiteit is dat niemand ze gebruikt.

We negeren die modi niet omdat we ze niet kennen, maar omdat er simpelweg een druk is om te leveren. De backlog staat altijd wel vol met nieuwe tickets. Een conceptuele vraag stellen kost extra seconden voor elke prompt. Zodra de druk omhoog gaat — release-week, een klant die wacht, vrijdagmiddag — kies je de snelste route. Dat is dus geen technisch probleem, maar iets met de cultuur waarin je werkt.

Dan Shipper schreef deze week dat dit het verkeerde frame is. "If you use a bicycle it weakens your walking abilities, too." Gebruik de tool, accepteer wat je verliest, win wat je wint. Ik weet niet of deze analogie opgaat. Als je niet leert van wat je doet, is de kans groot dat je in een repeterende loop terecht komt.

Een fiets vergroot je bereik zonder te raken aan hoe je morgen denkt. Wat hier gebeurt is iets anders: een interface die in real-time je interne modellen overneemt.

De vraag aan het einde van je dag is dus niet of de agents geleverd hebben. Die hebben geleverd. De vraag is die van Osmani:

Did I learn anything today, or did I just close issues?