AI kan vandaag in minuten code produceren. Maar zonder heldere specificaties, controlepunten én een gedeelde kennisbasis levert snelheid vooral méér code op — niet vanzelf betere software.
In deze driedaagse opleiding AI-native softwareontwikkeling leer je daarom voorbij vibe coding te werken. Je begint met Spec-Driven Development: eerst scherp vastleggen wat er moet veranderen. Daarna richt je gecontroleerde AI-loops in voor plannen, bouwen, testen en reviewen. Ten slotte bouw je met een llm-wiki de basis voor een kennisgraaf waarin besluiten, domeinkennis, specs en verificatiebewijs vindbaar blijven voor ontwikkelaars én AI-agents. Zo ontstaat een AI-native ontwikkelproces waarin AI niet alleen code schrijft, maar werkt binnen de context, kwaliteitseisen en kennis van jouw organisatie.
Doelstelling
We helpen je om AI-ondersteunde softwareontwikkeling professioneel in te richten.
Na deze opleiding kun je AI gericht inzetten voor analyse, specificatie, implementatie, testen en review. Je weet wanneer een korte vraag aan een AI-assistent volstaat, wanneer een expliciete specificatie nodig is en hoe je controle houdt over de uitkomst.
Om dit doel te bereiken werken we met drie samenhangende onderwerpen:
- Spec-Driven Development: eerst helder vastleggen wat je wilt veranderen, inclusief scope, acceptatiecriteria en grenzen
- Loop Engineering: AI-werk organiseren als een herhaalbare cyclus van plannen, uitvoeren, testen, reviewen en bijsturen
- AI-kennisbasis: kennis uit specificaties, wijzigingen en reviews zó vastleggen dat deze herbruikbaar en vindbaar wordt voor teams en AI-agents
- Veiligheid en governance: omgaan met risico’s rond AI-gegenereerde code, data, secrets, toegangsrechten en prompt injection
- Samenwerken met AI: heldere rollen voor planner, implementer, reviewer en de AI-agent als uitvoerend teamlid
Geen vrijblijvende “vibe coding”, maar bewust samenwerken met AI binnen duidelijke kwaliteits- en veiligheidskaders.
Leerdoelen
Na afloop van deze driedaagse opleiding kun je:
- Een wijziging vertalen naar een reviewbare specificatie met doel, scope, acceptatiecriteria en expliciete grenzen
- Bepalen welke context een AI-agent nodig heeft om een betrouwbare bijdrage te leveren
- AI inzetten voor code-analyse, het maken van een wijzigingsplan, implementatie, tests en documentatie
- AI-gegenereerde wijzigingen beoordelen op correctheid, regressierisico, security en overeenstemming met de specificatie
- Een ontwikkellus inrichten volgens het patroon plan → specificeer → implementeer → test → review → opleveren
- Heldere handoffs en verantwoordelijkheden organiseren tussen ontwikkelaars, reviewers en AI-agents
- Context engineering toepassen: relevante informatie selecteren, structureren en beheersbaar houden
- Evals en verificatie als kwaliteitsgates opnemen in het ontwikkelproces
- Kennis uit bronmateriaal, code, specs en reviews vastleggen in een gestructureerde llm-wiki
- De eerste stap zetten van losse documentatie naar een kennisgraaf die bruikbaar is voor mens en agent
- Een kansrijk en afgebakend pilotexperiment formuleren voor de eigen organisatie
Programma
Dag 1: Specificeren, beveiligen en gecontroleerd veranderen
De eerste dag gaat over de veranderende rol van de softwareontwikkelaar. AI kan code produceren, maar goede software ontstaat alleen wanneer mensen de juiste context, grenzen en kwaliteitsnormen meegeven.
Je leert werken volgens Spec-Driven Development: de mens bepaalt wat er gebouwd moet worden; AI helpt bij het uitwerken hoe. Vervolgens oefen je met een kleine wijziging in een bestaande codebase, inclusief test- en verificatiebewijs.
Onderwerpen:
- Van generatieve AI en code-assistenten naar agents
- De nieuwe arbeidsverdeling tussen ontwikkelaar en AI
- Spec-Driven Development: van vraag naar specificatie
- Acceptatiecriteria, architectuurgrenzen en vaste ontwikkelregels
- Security en governance van AI-gegenereerde code
- Eerste hands-on werk met GitHub Copilot en een afgebakende wijziging
- Bewijsgedreven peer review: niet alleen de code, maar ook de spec en het bewijs beoordelen
Praktische opbrengst: een kleine specificatie, een beperkte AI-ondersteunde wijziging en aantoonbaar verificatiebewijs.
Dag 2: Van losse prompts naar een herhaalbare ontwikkellus
Een losse AI-sessie kan nuttig zijn, maar is nog geen betrouwbaar ontwikkelproces. Op de tweede dag ontwerp je een gecontroleerde ontwikkellus waarin AI niet onbeperkt doorgaat, maar werkt met duidelijke rollen, tussenproducten, reviewgates en escalatiemomenten.
Je oefent met een teamopstelling waarin de planner specificeert, de implementer de AI-agent aanstuurt en de reviewer onafhankelijk controleert. Zo wordt AI een junior teamlid dat snel kan uitvoeren, maar niet zelfstandig de kwaliteitslat bepaalt.
Onderwerpen:
- Loop Engineering: AI-iteraties organiseren als een beheersbaar proces
- De ontwikkellus: plan → spec → code → test → review → opleveren
- Veelvoorkomende faalpatronen en effectieve escalatiemomenten
- Teamwerk met AI: rollen, rechten, verantwoordelijkheden en handoffs
- Context engineering: de juiste informatie beschikbaar maken voor mens en model
- Evals, CI-guardrails en meetbare kwaliteitsverbetering
- Custom agents en de planner–implementer–reviewer-werkwijze
Praktische opbrengst: een eenvoudige, herhaalbare workflow voor AI-ondersteund ontwikkelen met een expliciete reviewgate.
Dag 3: Van wiki naar AI-kennisgraaf
AI-ondersteund ontwikkelen wordt waardevoller wanneer kennis niet verdwijnt in chats, tickets en pull requests. De derde dag gaat daarom over het vastleggen en verbinden van kennis uit jullie ontwikkelwerk.
Je leert hoe je met een llm-wiki een gestructureerde kennisbasis opbouwt in Markdown. Deze kennisbasis helpt ontwikkelaars én AI-agents om eerdere besluiten, begrippen, bronnen en afspraken terug te vinden. Daarna kijken we vooruit naar kennisgrafen en Graph Engineering: wanneer zijn gespecialiseerde agents en uitvoerbare workflows zinvol?
Onderwerpen:
- Waarom kennis uit specs, reviews en tickets vaak verloren gaat
- De llm-wiki als groeiende kennisbasis voor mens en AI
- Bronnen, concepten, entiteiten, wikilinks, metadata en herleidbaarheid
- Van losse documentatie naar een semantische laag en kennisgraaf
- Kennisgrafen versus RAG: gestructureerde, blijvende kennis in plaats van steeds opnieuw zoeken
- Graph Engineering als mogelijke vervolgstap na Spec-Driven Development en Loop Engineering
- Ontwerp van een realistisch pilotexperiment voor de eigen organisatie
Praktische opbrengst: een eerste AI-kennisbasis of llm-wiki, plus een concreet voorstel voor een afgebakende pilot.
Resultaat
Na deze opleiding heb je niet alleen kennisgemaakt met AI-coding tools, maar heb je een werkwijze ontwikkeld om AI betrouwbaar in softwareontwikkeling toe te passen.
Je gaat naar huis met:
- Reviewbare voorbeelden van AI-ondersteunde wijzigingen, inclusief specificatie en verificatiebewijs
- Een praktische workflow voor planner, implementer en reviewer
- Werkafspraken voor veilig en verantwoord gebruik van AI in het ontwikkelteam
- Een eerste opzet voor een AI-kennisbasis die voor mens en agent bruikbaar is
- Een overzicht van kansen, grenzen en open vragen voor jouw organisatie
- Een concreet voorstel voor één gecontroleerd pilotexperiment
De opleiding is bedoeld voor ervaren softwareontwikkelaars, technische leads, architecten en teams die AI niet alleen sneller, maar vooral beter en beheersbaar willen inzetten. De training combineert uitleg met oefeningen in kleine teams, op basis van een veilige oefenrepository en een praktische case.
