In de hooggestoken wereld van technologie-startups is snelheid vaak de enige valuta die telt. Deze jonge bedrijven werken volgens een filosofie die bekend staat als de "Lean Startup", waarbij het doel is om een "Minimum Viable Product" te bouwen—een basisversie van een softwaretool die goed genoeg is om te testen met echte klanten, maar simpel genoeg om snel te bouwen. Het idee is om te leren van die eerste release en te verbeteren, in plaats om jarenlang een product te perfectioneren waar niemand iets aan heeft. Om dit snelle tempo te beheersen, gebruiken teams "Agile"-methoden, die werk opdelen in kleine, beheersbare brokken en plannen constant aanpassen. Echter, een hardnekkig probleem teistert deze kleine teams: ze raken vaak door tijd of geld heen voordat ze zelfs maar kunnen lanceren. Hun engineeringteams zijn klein, hun budgetten zijn krap en het handmatige werk dat nodig is om software te plannen, te schatten en te bouwen, vertraagt hen. Wanneer een startup afhankelijk is van één enkel product om te overleven, kan een vertraging in de levering het verschil betekenen tussen succes en definitief de deuren moeten sluiten.

Maak kennis met de belofte van kunstmatige intelligentie. In de afgelopen jaren is er een nieuw type computerprogramma opgekomen, genaamd "Generatieve AI", dat in staat is om code te schrijven, vragen te beantwoorden en problemen op te lossen, net zoals een mens dat zou doen. Hoewel veel ontwikkelaars hebben geprobeerd deze tools te gebruiken om hun werk te versnellen, was er geen duidelijke, geteste gids voor hoe ze in het gehele proces van het bouwen van een startup-product geweven kunnen worden. Werkt de technologie daadwerkelijk wanneer een team onder druk staat? Maakt het het product beter, of alleen sneller? Een onderzoeker genaamd Muhammad Owais Mushtaq zette zich in om deze vragen te beantwoorden door een nieuwe manier van werken te testen in een echte bedrijfsomgeving. Hij vroeg mensen niet alleen naar hun mening; hij bouwde een specifiek framework voor het gebruik van AI en observeerde vervolgens hoe het presteerde tijdens een live project om te zien of het de chronische vertragingen kon oplossen die zoveel startups fataal worden.

Het onderzoek richtte zich op een specifieke uitdaging: het verplaatsen van een oud softwaresysteem naar een nieuw, modern systeem. Dit is een veelvoorkomende taak voor bedrijven, vaak een "migratie" genoemd, en het is berucht moeilijk omdat de oude code complex en slecht gedocumenteerd is. Mushtaq werkte met een team bij een fintech-bedrijf dat hun systeem snel moest upgraden. Hij introduceerde een gestructureerde aanpak waarbij kunstmatige intelligentie verschillende delen van de taak op verschillende momenten afhandelde. Het proces werd verdeeld in twee hoofdfasen. Eerst moest het team plannen en inschatten hoe lang het werk zou duren. Ten tweede moesten ze de code daadwerkelijk schrijven en controleren op fouten. In de planningsfase gebruikten de onderzoekers AI-tools om de oude code te lezen en te suggereren hoeveel inspanning elk deel van het nieuwe systeem zou vereisen. Ze vergeleken deze AI-suggesties met de schattingen gemaakt door ervaren menselijke experts.

De resultaten van deze planningsfase waren opmerkelijk. Het door AI-ondersteunde team was in staat om hun projectramingen in slechts tweeënhalf dag te maken, terwijl de menselijke experts vijf dagen nodig hadden voor hetzelfde werk. Dit betekende dat het planningsproces twee keer zo snel was. Nog belangrijker was dat de snelheid niet ten koste ging van de nauwkeurigheid. De schattingen van de AI waren 94 procent accuraat in vergelijking met de uiteindelijke oordelen van de menselijke experts. Dit bewees dat een computer een rommelig, oud systeem kon bekijken en de benodigde inspanning bijna even goed kon begrijpen als een ervaren mens, maar in de helft van de tijd. Deze bevinding is significant omdat het suggereert dat kleine startups, die vaak een tekort hebben aan grote teams van senior planners, deze tools kunnen gebruiken om een realistisch stappenplan voor hun projecten te krijgen zonder hun weinige beschikbare experts uit te putten.

Toen het plan eenmaal vaststond, ging het team over naar de bouwfase. Hier testten de onderzoekers verschillende soorten AI-tools om te zien welke het beste was voor welke taak. Ze ontdekten dat de tools niet allemaal hetzelfde waren; sommige waren beter in het begrijpen van het grote plaatje, terwijl andere beter waren in het schrijven van standaard, repetitieve code. Voor taken die vereisten dat men begreep hoe verschillende onderdelen van het systeem in elkaar pasten, zoals het herschrijven van complexe beveiligingsfuncties of het verbinden van meerdere bestanden, gebruikte het team "deep-context" AI-agents. Deze tools konden het hele project in één keer bekijken. Ze presteerden uitzonderlijk goed, met een nauwkeurigheidspercentage van 95 tot 99 procent in hun werk, en vereisten zeer weinig correcties. Echter, voor eenvoudigere taken zoals het creëren van basisdatastructuren of het opzetten van de pipeline die de software automatisch test, was een meer standaard programmeerassistent voldoende. Dit onderscheid is cruciaal: het laat zien dat het gebruik van het juiste instrument voor de juiste taak belangrijker is dan alleen het algemeen gebruiken van AI.

De studie keek ook naar hoe het team het werk controleerde. De onderzoekers gebruikten AI om testgevallen te genereren—scenario's ontworpen om de software te breken en fouten te vinden—en om de code te controleren op beveiligingsgebreken. Dit deel van het proces was zeer effectief bij het vinden van edge cases, wat zeldzame situaties zijn die vaak ervoor zorgen dat software crasht. De AI hielp het quality assurance-team om tot wel vijf van dergelijke edge cases te vinden voor elke feature die ze bouwden, een aantal dat handmatig moeilijk te bereiken zou zijn. De onderzoeken brachten echter ook een aanzienlijke menselijke kosten aan het licht. Hoewel de AI de code snel schreef, moesten de mensen nog steeds elke regel ervan controleren. De geautomatiseerde tools markeerden veilige code vaak als gevaarlijk, wat leidde tot een hoog aantal valse alarmen. In sommige gevallen moest bijna de helft van de automatische waarschuwingen door een mens worden genegeerd.

Dit leidde tot de ontdekking van een nieuw fenomeen dat de onderzoeker "verificatievermoeidheid" noemt. De AI verving de behoefte aan menselijk oordeel niet; het verschoof simpelweg de last. In plaats van uren te besteden aan het schrijven van code, besteedden ontwikkelaars nu uren aan het verifiëren of de door de AI geschreven code correct en veilig was. De mentale inspanning die nodig was om het werk van de machine te controleren was intens, en de onderzoekers ontdekten dat de tools nog niet slim genoeg waren om de algehele architectuur van het systeem zelfstandig te begrijpen. Ze konden de details zien, maar misten het grote plaatje. Bij consequentie evolueerde de menselijke rol van een code-schrijver naar een code-auditor. De studie concludeert dat hoewel deze tools de creatie van een startup-product drastisch kunnen versnellen, ze nog niet in staat zijn om de leiding te nemen.

De uiteindelijke les uit dit onderzoek is dat kunstmatige intelligentie een krachtige partner is voor lean startups, maar dat het een gedisciplineerde aanpak vereist om effectief te zijn. De studie toonde aan dat door AI in een gestructureerde workflow te integreren, een klein team de planningsfase met de helft kan verkorten en complexe software met een hoge nauwkeurigheid kan bouwen. Het framework dat de onderzoeker voorstelt, biedt een duidelijk pad voor andere startups om te volgen: gebruik AI om het zware werk van schatting en complexe refactoring op zich te nemen, maar houd de mens in de loop om de architectuur te overzien en de resultaten te verifiëren. De technologie is klaar om te helpen, maar het is geen toverstaf die de noodzaak voor menselijk toezicht wegneemt. Succes komt voort uit weten waar je de machine het werk laat doen en waar je met menselijke expertise moet ingrijpen.