De non-coder en de augmented engineer — Deel 1

Waarom het doomverhaal niet klopt, en wat er werkelijk verandert

In 2016 stond Geoffrey Hinton — de "godfather of AI", later Nobelprijswinnaar — op een podium in Toronto. Hij was stellig: "People should stop training radiologists now. It's just completely obvious that within five years deep learning is going to do better than radiologists." Vijf jaar. Misschien tien. Maar de richting was helder. Stop. Geen radiologen meer opleiden. De technologie zou ze inhalen.

Negen jaar later. De Mayo Clinic heeft sinds 2016 zijn radiologie-staf met 55% uitgebreid, naar zo'n 400 specialisten. De American College of Radiology voorspelt nog eens 26% groei in de komende dertig jaar. In de hele Verenigde Staten is het radiologen-tekort groter dan ooit; sommige centra hebben maanden achterstand op beeldinterpretatie. AI in de radiologie is geen mislukking — er zijn meer dan tachtig FDA-goedgekeurde algoritmes — maar de uitkomst is heel anders dan voorspeld. Radiologen zijn niet vervangen. Ze hebben meer werk dan ooit. En AI helpt ze het werk te doen.

Hinton heeft zijn voorspelling inmiddels zelf bijgesteld. Niet omdat hij ongelijk had over de richting, zegt hij, maar omdat hij de timing en de breedte verkeerd inschatte. Hij had alleen over beeldanalyse moeten spreken, en hij had moeten erkennen dat het werk van een radioloog veel meer omvat dan dat. AI maakt radiologen efficiënter en accurater. Het maakt ze niet overbodig.

Maar zelfs in zijn bijstelling mist Hinton iets fundamenteels. Hij erkent dat AI radiologen niet vervangt — maar hij legt het uit binnen de oude hoeveelheid radiologisch werk. Wat hij niet noemt: AI heeft de hoeveelheid radiologisch werk zelf vergroot. Goedkopere en snellere beeldherkenning betekent meer indicaties voor scans, een lagere drempel voor diagnostisch onderzoek, bredere toepassingen waar het voorheen te duur was. Het radiologen-tekort komt niet alleen omdat het werk meer omvat dan beeldanalyse. Het komt ook omdat er simpelweg meer beeldanalyse nodig is. Dat verschil — van 'het werk is breder dan we dachten' naar 'er is meer werk gekomen' — is precies wat doom-voorspellingen telkens missen.

Onder het doomverhaal: het fixed-pie denken

Dit is niet uniek voor radiologie. Bij elke significante technologische vernieuwing volgt hetzelfde verhaal. Er wordt verlies voorspeld. Beroepen zouden verdwijnen, taken zouden overbodig worden, mensen zouden hun werk kwijtraken. Keer op keer pakt het anders uit.

Onder al die voorspellingen ligt dezelfde aanname. Je kunt haar fixed-pie denken noemen: het idee dat de economische taart een vaste omvang heeft, en dat wat de technologie wint ten koste gaat van de mens. Uit die aanname volgt onvermijdelijk een zero-sum logica: elke winst voor de machine is een verlies voor de mens. Op de korte termijn, in specifieke functies, klopt dat beeld soms. Maar over de geschiedenis genomen klopt het bijna nooit. De taart blijkt geen vaste taart. Hij groeit. En hij groeit op manieren die vooraf niet voorzienbaar waren.

Het mechanische weefgetouw verdrievoudigde de textielproductie en creëerde een hele industrie rondom het ontwerpen, onderhouden en verbeteren van die machines — een industrie die niemand had voorzien. De stoommachine creëerde spoorwegen, massaproductie, en daarmee beroepen die ervoor letterlijk niet bestonden: machinist, ingenieur, fabrieksmanager, stedenbouwkundige. Elektrificatie maakte de gaslantaarnopsteker overbodig, maar maakte ook de filmindustrie, de elektronische communicatie en de hele consumentenelektronica mogelijk. De computer verving de typist en de boekhoudster, en bracht softwareontwikkelaar, UX-designer, data-analist, social media manager — beroepen zonder naam in 1980. Telkens is hetzelfde patroon zichtbaar: het zichtbare verlies is wat we voorspellen, de onzichtbare kansen zijn wat we missen.

Frédéric Bastiat formuleerde dat onderscheid in 1850 al: "Het verschil tussen een slechte en een goede econoom is dit: de slechte houdt zich aan het zichtbare effect. De goede houdt rekening met zowel wat je ziet als met wat je moet voorzien." De doom-voorspellingen zien wat verdwijnt. Ze zien niet wat ervoor in de plaats komt — omdat dat per definitie nog niet bestaat als je de voorspelling doet.

Dat zegt overigens niets over hoe het uitpakt voor het individu dat niet meebeweegt. Het beroep blijft bestaan; jij moet wel meeschuiven in wat je doet. Wie blijft hangen in de taken die het snelst verdwijnen, krijgt het zwaar — ook al is het beroep zelf niet weg. Maar in het grote geheel is de boodschap helder: het werk verdampt niet, de taart groeit, en wat verandert is wat mensen daarbinnen doen.

Deze redenering werk ik elders uitgebreider uit: zie Twee Vleugels voor de bredere argumentatie en de historische lijn die eronder ligt.

En nu in software

In software engineering heerst dezelfde doom-cyclus, gebouwd op dezelfde fixed-pie aanname. De voorspellingen zijn er weer, in alle varianten. AI neemt het softwarewerk over. We hebben minder developers nodig, of helemaal geen developers meer. Junior posities zijn niet meer nodig — wat een junior leerde te doen, doet de AI nu al. Het beroep loopt op zijn einde. Het beeld is donker en het is alomtegenwoordig.

Een deel van de waarneming klopt: AI codeert inderdaad sneller dan mensen. Sommige taken die juniors vroeger deden, kunnen nu door een agent in minuten worden afgemaakt. Maar uit die feiten volgt de doom-conclusie niet. Dat is precies de fixed-pie sprong: dezelfde hoeveelheid softwarewerk verdeeld over machine en mens, dus minder voor de mens. De aanname is fout. De hoeveelheid softwarewerk is geen vast getal — ze beweegt mee met wat er gemaakt kan worden, en wie het kan maken.

Sommige taken verdwijnen wel — code typen, vertalen van duidelijke specs naar werkende implementatie, wordt goedkoper en sneller. Maar het werk eromheen wordt groter. Voor het eerst kunnen mensen die de technische taal niet zelf spreken er direct aan meewerken. De vraag groeit, omdat de drempel om software te maken nu veel lager ligt dan voorheen. Bastiat's onzichtbare effect, opnieuw zichtbaar: er is meer werk dan ooit, niet minder. Wat verandert is welke rol ieder heeft, met welke gereedschappen, en hoe ze samenwerken.

Deze blog — twee delen — is een poging dat veranderde speelveld in kaart te brengen. De ontwikkelingen op AI-vlak en de impact op software engineering zijn groot, en de beelden die er nu over circuleren zijn talrijk en uiteenlopend. Ik probeer wat ik zie, lees en hoor te ordenen, en mijn beeld te gronden in mensen en bronnen die er dieper in zitten dan ik. Ik wil de beweging begrijpen en richting bepalen — niet beweren dat ik het wel weet. Niet als voorspelling, niet als geruststelling, niet als verkooppraat. Als oriëntatie: wie waar staat, wat ieder doet, en waar ze elkaar ontmoeten.

Eén speelveld, twee spelers, drie modaliteiten

Hieronder de kern. In Deel 2 werk ik elk element verder uit.

Op het speelveld staan twee spelers. Ze waren er allebei al, maar wat ze doen en waarmee ze het doen is veranderd.

De non-coder is de figuur die altijd al ideeën had voor wat er gebouwd moest worden. Domeinexpert, ondernemer, product owner, jurist, marketeer, ontwerper. Hij weet wat hij wil en waarom — hij staat midden in het probleem. Wat hij vroeger niet had, was een taal om dat direct uit te drukken in iets werkends. Die taal heeft hij nu wel: vibe coding. Hij beschrijft in gewone taal wat hij wil zien, de AI maakt het, hij stuurt bij. Een uur later staat er een werkend prototype waar voorheen alleen een whiteboard-schets stond. Dat is geen vervanging van de developer — dat is de drempel verlagen zodat zijn ideeën de werkelijkheid sneller bereiken.

De augmented engineer is wat de developer wordt. Niet een vervanger, niet een afgeleide, maar een figuur met andere verantwoordelijkheden, andere gereedschappen, en een fundamenteel groter impact-bereik. De term komt van Kent Beck — auteur van Test Driven Development, mede-architect van Extreme Programming en JUnit. Beck zet de term expliciet af tegen vibe coding: "In vibe coding you don't care about the code, just the behaviour. In augmented coding you care about the code, its complexity, the tests, and their coverage." De augmented engineer codeert nog wel, maar zelden meer regel voor regel — en de richting is dat steeds meer uitvoering naar agents verschuift terwijl hij stuurt op intent en oordeel. Hij articuleert intent in spec-vorm, hij richt de omgeving in waarin agents werken, hij grijpt in waar zijn oordeel het verschil maakt.

Hun werk vindt plaats in drie modaliteiten. Niet drie fases of treden, niet drie pilaren naast elkaar, maar drie soorten werk die in elkaar gevlochten zijn: vibe en spec als waar mens en AI samen werken, harness als het omhulsel daaromheen — in drie geneste lagen.

Vibe is de modus waarin intent wordt verkend. Beschrijven wat je wilt, reageren op wat de AI maakt, bijsturen op gevoel. Snel, intuïtief, direct — intent in zijn meest informele vorm. Voor de non-coder is dit de primaire taal — zijn manier van werken op het speelveld. De augmented engineer werkt er ook in, maar als modus waar hij in en uit stapt: wanneer hij met de non-coder meedenkt in een verkennend gesprek, of als hij zelfstandig een idee snel wil testen voordat hij naar spec gaat.

Spec is de modus waarin intent kristalliseert. Wat in vibe is verkend, wordt expliciet gemaakt: wat het systeem moet doen, waarom, voor wie, met welke randvoorwaarden. De plek waar de twee spelers elkaar ontmoeten — domeinkennis van de een, structuur-bewustzijn van de ander, samen tot één artefact waar ook een agent op kan werken.

Harness is de modus van omhulsel. De tools, het geheugen, de grenzen, de feedbackloops — alles wat een AI-model nodig heeft om iets te doen in de wereld in plaats van alleen tekst te produceren. De formule die inmiddels breed gangbaar is in het veld: agent = model + harness. Zonder harness is een AI een gesprekspartner. Mét harness is het een uitvoerder. Vibe en spec gebeuren niet naast harness maar erbinnen — de non-coder werkt vaak binnen een harness zonder dat te merken, de augmented engineer is daar wel van aware en richt hem in. Harness bestaat op drie niveaus die ik in Deel 2 verder uitwerk: de task-harness rond één agent, de organisatie-harness die teams gemeenschappelijk dragen, en de meta-harness als stabiele interface waaronder specifieke harnesses kunnen veranderen — door grote labs als Anthropic en OpenAI expliciet als de volgende OS-laag voor AI-agents gepositioneerd.

Eén speelveld, twee spelers, drie modaliteiten. Geen krimpend domein dat AI van mensen afpakt. Een groeiend domein waar meer mensen aan kunnen meedoen, en waarin de rol van professionals juist groter wordt. Voor de non-coder een nieuwe taal. Voor de augmented engineer een hoger plafond dan ooit.

Een eerlijke kanttekening over waar het veld staat: veel organisaties zijn hier nog niet. De meeste werken nog in een wereld waarin AI naast bestaand werk staat, niet de modus waarin het werk plaatsvindt. Het patroon dat ik schets, wordt zichtbaar bij de organisaties en mensen die het verst zijn, en het verbreedt zich. Wie zichzelf hierin nog niet herkent, is niet "achter"; het veld is nog niet uniform aangekomen.

Wil je weten hoe het speelveld er concreet uitziet, wat de augmented engineer op een dinsdagochtend doet, en hoe vibe, spec en harness in elkaar grijpen? In Deel 2 werk ik bovenstaande verder uit.

Deze blog maakt deel uit van een bredere reeks over AI als systeemverschuiving — van de economie van tokens tot de versnelling van de technologie en wat dat betekent voor mensen en organisaties. De technische kant van AI in de praktijk beschrijft Edwin van Dillen. De bredere gedachten over organisatie, intentie en uitvoering zijn uitgewerkt op augmentedorganisation.nl, intentdriven.nl en augmentedengineering.nl.

Bronnen voor Deel 1

• Geoffrey Hinton's voorspelling van 2016 en de daaropvolgende werkelijkheid van de radiologie zijn breed gedocumenteerd. Bronnen onder andere: Mahdi Byju in The New Republic ('The Godfather of AI Predicted I Wouldn't Have a Job. He Was Wrong.', oktober 2024); Radiology Business; Joshua Gans op Substack ('Radiologists are the canaries in a coal mine'). Hintons eigen herziening kwam onder andere in de New York Times-revisitatie van zijn voorspelling.
• Frédéric Bastiat, Ce qu'on voit et ce qu'on ne voit pas (1850) — voor het onderscheid tussen het zichtbare en het te voorziene effect. Het mechanisme dat verklaart waarom doom-voorspellingen telkens missen.
• Voor de bredere argumentatie rond fixed-pie denken en de historische lijn van technologische verschuivingen, zie mijn eerdere blog Twee Vleugels.
• Andrej Karpathy, X-post 'There's a new kind of coding I call vibe coding' (2 februari 2025) — de oorspronkelijke muntslag van de term vibe coding. Karpathy's herziening op Sequoia AI Ascent 2026 ('Vibe coding raises the floor; agentic engineering extrapolates the ceiling') is de centrale formulering die deze serie draagt. Transcript.
• Kent Beck, 'Augmented Coding: Beyond the Vibes' (Tidy First, Substack, 25 juni 2025) — de directe bron voor het onderscheid tussen vibe coding en augmented coding ('In vibe coding you don't care about the code...'). Beck is auteur van Test Driven Development by Example (2002), mede-architect van Extreme Programming en JUnit, en een van de zeventien ondertekenaars van het Agile Manifesto.
• Simon Willison, 'Not all AI-assisted programming is vibe coding' (maart 2025) — vroege en heldere afbakening van wat vibe wel en niet is.
• Mitchell Hashimoto destilleerde de formule agent = model + harness uit een OpenAI-publicatie over hun interne agent-infrastructuur. De formule is daarna breed overgenomen als standaardvocabulaire in het veld. Zie ook Birgitta Böckeler op martinfowler.com voor de meest rigoureuze uitwerking. Verder uitgewerkt in Deel 2.

Co-creatie: Dit stuk is gemaakt samen met Claude (Anthropic) en NotebookLM (Google). De gedachten, posities en interpretaties zijn van mij.