AI maakt ons sneller. Dat is precies het probleem.

AI laat ons code sneller schrijven dan we die kunnen controleren. De meest voorkomende reactie op dat probleem is meer tools aanschaffen. Wie beide aannames onderzoekt, ziet dat ze niet kloppen.

Dit artikel ontrafelt die dubbele vergissing: de paradox van snelheid, en de reflex die hem verergert. En het laat zien wat er wel werkt.

De paradox

De meeste defecten duiken op in net gewijzigde code. Dat weten we al jaren. Wat nieuw is: AI vergroot de hoeveelheid gewijzigde code sneller dan teams die kunnen bijbenen. Pull requests groeien. Reviewcycli worden korter. Het aantal escaped defects neemt aantoonbaar toe.

En het blijft niet bij functionele fouten. AI-gegenereerde code brengt ook beveiligings- en compliancerisico’s mee die niemand expliciet heeft beoordeeld: datalekken, de eisen van de EU AI Act, aannames over gedrag die nooit zijn gevalideerd.

Het DORA-rapport 2024 maakt dit concreet. Dat onderzoek loopt al tien jaar en verzamelde dit jaar input van ongeveer 3.000 professionals. AI-adoptie leidt tot hogere individuele productiviteit, maar ook tot een meetbare daling in de stabiliteit van releases. De conclusie van het rapport: fundamenten als kleine batchgroottes en structureel testen blijven onmisbaar.

Sneller leveren voelt als vooruitgang. Code die ongelezen naar productie stroomt, is geen winst. Het is uitgesteld verlies.

Teams staan op een kruispunt: of ze accepteren meer incidenten in productie als de prijs van snelheid, of ze herijken wie en wat er in het kwaliteitsproces het verschil maakt.

De begrijpelijke reflex

De reactie van veel organisaties laat zich raden: als AI het probleem creëert, lost meer AI het op. Een nieuw platform, een extra licentie, een aanvullende tool voor testautomatisering.

Maar een onderzoek van BCG en onderzoekers van de University of California, Riverside, gepubliceerd in de Harvard Business Review in maart 2026, scherpt dit in een specifieke waarschuwing: productiviteit piekt wanneer mensen met ongeveer drie AI-tools tegelijk werken. Voeg een vierde toe, en output daalt. Cognitief omschakelen, voortdurende outputverificatie en informatie-overload combineren tot wat de onderzoekers “AI Brain Fry” noemen. Een tool erbij die om aandacht vraagt, is niet meer capaciteit. Het is meer wrijving, verpakt als vooruitgang.

Voor een kwaliteitsgerichte organisatie is die wrijving niet alleen een efficiëntieprobleem. Het is een structurele bron van fouten. Een vermoeide tester die met meer dan drie AI-interfaces werkt, mist dingen. Niet omdat het platform faalt, maar omdat niemand het team heeft leren werken met wat het heeft aangeschaft.

Dat is geen toeval, maar een vast patroon. Een demo overtuigt het management, er wordt getekend, en de “uitrol” bestaat uit het doorsturen van een loginlink. Daar houdt het op. De tool belandt virtueel in de la en het team valt terug op oude gewoonten. De licentie is niet het probleem en de tool evenmin. Wat ontbreekt is adoptie: een team dat leert werken met AI, niet een team dat alleen toegang krijgt. Een tool aanschaffen is geen adoptie. Dat onderscheid is het hele punt.

Waar de waarde zit

Als AI steeds meer code produceert, verschuift de waarde van de tester naar wat AI niet levert: een voortrekker van kwaliteit in een dev-team, testontwerp op basis van risico, kritisch oordeel over wat de business raakt, en het vermogen om aannames vroegtijdig aan te pakken. Niet elke regel nalezen, maar bepalen wat het waard is om na te lezen.

Testers zien AI-gegenereerde code niet als een probleem, maar als een goudmijn aan bugs.

Goed testwerk begint waar geautomatiseerde generatie ophoudt.

Een voorbeeld maakt het concreet. Een goede tester leest niet elke regel die AI produceert, maar zoekt op waar AI-code doorgaans faalt: in de randgevallen, niet in de hoofdlijn die al klopt. Wat gebeurt er bij lege invoer, bij een uitzondering, bij het geval dat in de opdracht ontbrak? Daar vult AI een aanname in die overtuigend leest maar niet klopt. Dat is testontwerp op basis van risico, gericht op waar de code de mist ingaat in plaats van op hoe netjes hij oogt.

Iemand die begrijpt hoe AI die code produceert, weet waar hij kritisch moet kijken. Een persoon die alleen de login heeft, niet. Dat onderscheid is de kern van wat er op het spel staat.

Die kennis laat zich niet installeren, maar groeit door het werk zelf: door AI-code te bevragen, te zien waar die faalt, en te leren wat dat betekent voor het product en de gebruiker die erop vertrouwt.

Geletterdheid als hefboom

Bij Polteq werken we met een strategie in twee bewegingen.

De eerste gaat intern: de AI-gedreven softwarekwaliteitsorganisatie. We zetten AI in als productiemiddel. Polteq levert sneller, met hogere dekking. De investering zit in de slimste uren, niet in de goedkoopste. Dat is wat het verschil maakt als een opdracht complex wordt en er niemand meer is die weet welke vragen hij moet stellen.

De tweede beweging gaat extern: de AI-versneller voor softwarekwaliteit, door de hele software development life cycle. Polteq begeleidt klanten in hun eigen AI-adoptie, van requirements engineering met AI tot AI-gedreven testrapportage. Hands-on, niet theoretisch. Wie zelf weet hoe je goed met AI werkt, kan een klant helpen dat ook te doen.

We werken ook aan bredere vraagstukken: AI Red Teaming, kwaliteitsborging in agentic workflows, AI Act-compliance. Maar de basis staat voorop: een team dat weet wat het doet, voordat je verdieping zoekt.

Kennis schaalt. Een licentie niet. Iedere concurrent kan dezelfde tools aanschaffen. Maar zonder de menselijke expertise om risico’s te valideren, schaal je alleen het volume van je fouten.

Meten wat telt

Er is een vergissing die minder zichtbaar is maar net zo kostbaar: organisaties meten hun AI-succes aan adoptiepercentages. Hoeveel mensen gebruiken de tool? Hoeveel tokens gebruiken ze per maand?

De vraag die meer zegt: hoeveel escaped defects in jouw team zijn afkomstig uit AI-gegenereerde code?

Dat getal is niet altijd direct af te lezen uit een bestaand dashboard. Het vraagt om bijhouden welke code AI-gegenereerd was en welke defects daarin na release zijn gevonden. Teams die dat doen, hebben een instrument dat hen in staat stelt gerichte keuzes te maken: over training, over risicogerichte teststrategie, over de grenzen van automatisering. En het is het getal dat aantoont waar de investering rendement heeft, en waar hij achterblijft.

Polteq’s visie

Polteq vat zijn visie samen in één beeld: software is als lucht in onze longen, vanzelfsprekend en absoluut onmisbaar. Naarmate AI meer code produceert, ademen we ook meer ongecontroleerde software in. De missie die daarbij hoort is even bondig: zorgen voor Premium software quality als drijvende kracht achter digitale vooruitgang. Geen belofte op een poster, maar het werk dat bepaalt of die vooruitgang standhoudt.

Tools commoditiseren snel. Binnen maanden na een grote release heeft elke concurrent toegang tot hetzelfde model, dezelfde API, dezelfde functies. Training commoditiseert niet. Een tester die prompt-engineering beheerst, technische kennis over LLM’s opbouwt, herkent wanneer een AI-antwoord op de verkeerde bron leunt, en adversarial prompts doorgrondt: dat oordeelsvermogen laat zich niet licentieren.

Dat is waarom opleiding het verschil maakt, niet als eenmalige cursus maar als continu leren en verbeteren. Dat is een van Polteq’s kernwaarden, en AI maakt het concreet: wat gisteren voldeed, is morgen achterhaald. Premium software quality is het resultaat van testers die weten wat ze zoeken. Die AI-output bevragen. Die standhouden wanneer snelheid ten koste dreigt te gaan van correctheid. AI-geletterdheid maakt dat standaard voor het hele team, niet alleen voor wie het zelf al had uitgevonden.

Wil je weten hoe jouw organisatie ervoor staat? Dat gesprek begint bij ons!

Jorre van Munster — AI Lead bij Polteq Test Services | juli 2026