10 ideeën van AI Engineer over hoe ontwikkeling verandert wanneer agents code schrijven
OpenAI
Anthropic
GitHub
OpenAI voerde een experiment uit waarbij drie ingenieurs in vijf maanden een product van ongeveer een miljoen regels code maakten, waarbij alle code door Codex werd gegenereerd, in ongeveer een tiende van de traditionele tijd. De belangrijkste bottleneck verschoven van codeproductie naar het vermogen om te specificeren wat er gebouwd moet worden, autonome agents te organiseren, resultaten te verifiëren en systeemvernietiging te voorkomen. Deze inzichten werden gepresenteerd op de AI Engineer 2026-conferenties in Londen en San Francisco, met lezingen over harness-engineering, langlopende agents, multi-agent-coördinatie en meer.
Op de AI Engineer 2026-conferenties in Europa en de Wereldtentoonstelling onderzochten verschillende lezingen hoe softwareontwikkeling verandert wanneer AI-agenten code schrijven. Het experiment van OpenAI met Codex, waarbij drie ingenieurs in vijf maanden een product van een miljoen regels code bouwden zonder een enkele regel handmatig te schrijven, toonde aan dat codegeneratiesnelheid niet langer de bottleneck is; de nieuwe beperking is het menselijke vermogen om vereisten te specificeren, autonome agenten te organiseren, output te verifiëren en versnelde systeeminstorting te voorkomen. Ryan Lopopolo introduceerde 'harness engineering': een raamwerk waarin mensen sturen en agenten uitvoeren, met infrastructuur zoals documentatie, tests, architectuurregels en feedbackmechanismen. Ash Prabaker en Andrew Wilson van Anthropic bespraken langlopende agenten en stelden extern statusbeheer, adversariële evaluatie en overdrachtsprocedures voor om coherentie over uren te behouden. Maggie Appleton van GitHub Next behandelde de sociale dimensie van multi-agentsystemen en waarschuwde dat twee dozijn agenten niet automatisch een team vormen en dat coördinatie, conflictoplossing en gefocust ontwerp nodig zijn om chaos te voorkomen.
Bron: Habr — хаб ИИ —
origineel