De integratie van generatieve kunstmatige intelligentie (GenAI) in softwareontwikkeling zorgt voor een paradoxale verschuiving in de productiviteit. Hoewel de initiële fase van het schrijven van code aanzienlijk versnelt, blijkt uit recent onderzoek dat de werklast niet verdwijnt, maar simpelweg verplaatst wordt naar kritieke fasen zoals validatie, debugging en documentatie.
In een uitgebreide studie naar softwareprojecten op GitHub, getiteld "Maintenance Signals in AI-Assisted GitHub Repositories", is geanalyseerd hoe AI-ondersteuning de structuur van projecten beïnvloedt. De onderzoekers richtten zich op een dataset bestaande uit 622 gebruikers van GenAI, 179 repositories met specifieke AI-configuraties en 248 gerapporteerde issues. Ter referentie werden deze resultaten afgezet tegen 179 traditionele projecten die geen gebruikmaken van AI-assistentie. Volgens de publicatie op arxiv.org is er een duidelijk verschil zichtbaar in de manier waarop projecten worden gedocumenteerd.
Projecten die gebruikmaken van AI vertonen een opvallende trend in hun README-bestanden. Deze documenten zijn doorgaans langer en bevatten meer koppen en codefragmenten dan in traditionele projecten. Opvallend is dat traditionele repositories vaker verwijzen naar externe URL's. De auteurs van het onderzoek op suggereren dat dit erop wijst dat ontwikkelaars bij AI-gestuurde projecten meer nadruk leggen op het intern beschrijven en verifiëren van de door de machine gegenereerde inhoud.
Deze verschuiving heeft directe gevolgen voor het softwareonderhoud. In de traditionele industriële zin wordt onderhoud vaak gedefinieerd als een reeks routineuze handelingen om defecten te voorkomen en de levensduur van activa te maximaliseren, zoals uitgelegd in de definities van makula.io. In de context van AI-ondersteunde softwareontwikkeling verandert deze dynamiek echter. De focus verschuift van preventief onderhoud van de code zelf naar het beheren van de grillige output van AI-modellen.
De analyse laat zien dat issues in AI-ondersteunde repositories vaak betrekking hebben op externe afhankelijkheden. Ontwikkelaars kampen regelmatig met beperkingen van GenAI-providers, zoals strikte 'rate limits' op API-verzoeken. Dit betekent dat de tijd die wordt bespaard bij het typen van code, nu wordt geïnvesteerd in het beheren van de infrastructuur en het valideren van de AI-output. De definitie van onderhoud, die volgens gericht is op het behoud van functionaliteit, moet in de softwarewereld dus worden uitgebreid naar het corrigeren van AI-specifiek gedrag.
De conclusie van de onderzoekers is dat de initiële tijdwinst van GenAI wordt gecompenseerd door nieuwe kostenposten. De belangrijkste uitdagingen liggen nu bij de verificatie van veiligheid en correctheid, het beheer van externe AI-afhankelijkheden en de validatie van machine-gegenereerde logica. De volledige methodologie van dit onderzoek is beschikbaar via de .
Deze bevindingen onderstrepen dat de rol van de software engineer fundamenteel verandert. De nadruk verschuift van het creatief schrijven van oplossingen naar een controlerende functie, waarbij de menselijke ontwikkelaar fungeert als de uiteindelijke validator van machine-gegenereerde code.