Agentic Coding

Wat is Agentic Coding?

Agentic coding is de praktijk van software maken door een AI-coding-agent aan te sturen die de codebase leest, bestanden bewerkt, commando's uitvoert en itereert op de resultaten, in plaats van zelf de code te typen. De developer levert intentie, beperkingen en review; de agent levert de toetsaanslagen. De praktijk draait al op echte schaal: GitHub's Octoverse 2025-rapport telde meer dan 1 miljoen pull requests gegenereerd door zijn Copilot coding agent tussen mei en september 2025, geconcentreerd in gevestigde repositories in plaats van experimentele projecten [1].

De belangrijkste punten

• De inbreng van de developer verschuift van code naar instructies: taakomschrijvingen, acceptatiecriteria en projectconventies die de agent moet volgen.
• De feedbacklus is wat het laat werken. Agents die tests, builds en linters kunnen draaien, corrigeren zichzelf; agents die alleen tekst genereren, gokken slechts met zelfvertrouwen.
• Repository-contextbestanden zoals AGENTS.md of CLAUDE.md zijn dragend. Ze vertellen elke sessie hoe het project bouwt, test en verwacht dat code eruitziet.
• Agentic coding is een praktijk, geen toolcategorie. Dezelfde tool ondersteunt zorgvuldige engineering of achteloze vibe coding, afhankelijk van of output wordt gereviewd.

Hoe het werkt

Een sessie begint met een taak in natuurlijke taal, idealiter met acceptatiecriteria erbij. De agent verkent de repository, zoekt relevante bestanden en leest genoeg code om een werkbaar beeld van de wijziging te vormen. Dan bewerkt hij. Na elke betekenisvolle wijziging draait hij welke verificatie het project ook biedt: de typechecker, de testsuite, een build, een linter. Mislukkingen gaan direct terug zijn context in, en hij herstelt ze en draait opnieuw tot de checks slagen of hij vastloopt en om hulp vraagt. Gebruiksdata weerspiegelt hoeveel van het werk de agent draagt: in de analyse van 500.000 coding-interacties door de Anthropic Economic Index werd 79% van de Claude Code-gesprekken geclassificeerd als automatisering waarbij de AI de taak direct uitvoert, tegenover 49% op het chatgebaseerde Claude.ai [2].

De kwaliteit van het resultaat volgt de kwaliteit van drie inputs. Ten eerste de taakdefinitie: vage verzoeken leveren aannemelijke code op die het verkeerde probleem oplost, en daarom neigen volwassen teams naar spec driven development. Ten tweede projectcontext: conventies die in een contextbestand staan, worden gevolgd; conventies die alleen in iemands hoofd zitten, worden geschonden. Ten derde verificatie: een project met snelle, betrouwbare tests laat de agent zijn eigen lus sluiten, terwijl een project zonder tests de mens tot enige vangnet maakt.

Dag in dag uit verandert agentic coding de vorm van de aandacht van een developer. Minder tijd in de editor, meer tijd besteed aan het schrijven van precieze taakomschrijvingen en het lezen van diffs. Review wordt de primaire technische activiteit, want in de diff wordt fout-maar-aannemelijke output opgevangen voordat die live gaat.

Voorbeeld

Een developer moet paginering toevoegen aan een admin-endpoint. Ze schrijven: "Voeg cursor-gebaseerde paginering toe aan GET /admin/orders, standaard paginagrootte 50, max 200, cursor moet ondoorzichtig zijn, werk de OpenAPI-spec bij, en breid de bestaande endpoint-tests uit." De agent vindt de handler, merkt dat de codebase al een cursor-helper heeft die door twee andere endpoints wordt gebruikt, hergebruikt die, werkt de spec bij en voegt vier tests toe. De suite faalt één keer omdat de eerste cursor-encoding van de agent brak op lege resultatensets; hij leest de mislukking, herstelt het randgeval en draait schoon opnieuw. De developer reviewt een gerichte diff en merget binnen een half uur.

Veelvoorkomende misvattingen

De hardnekkige misvatting is dat agentic coding minder engineeringvaardigheid vereist. Wat werkelijk gebeurt, is dat de vaardigheid verschuift. Beslissen wat te bouwen, het opdelen in taken van agent-formaat, en kritisch gegenereerde diffs lezen vragen allemaal het oordeel van iemand die de code ook zelf had kunnen schrijven. Teams die agents geven aan developers die de output niet kunnen beoordelen, krijgen geen hefboomwerking; ze krijgen ongereviewd risico dat sneller wordt gemerged, en comprehension debt die op het slechtst mogelijke moment naar boven komt. Ervaren snelheid is ook een onbetrouwbare gids: METR's gerandomiseerde gecontroleerde proef uit 2025 met 16 ervaren open-source-developers vond dat het gebruik van AI-codingtools hen 19% langer deed doen over taken, ook al verwachtten ze een versnelling van 24% [3].

FAQ

Is agentic coding hetzelfde als Copilot-achtige autocomplete gebruiken? Nee. Autocomplete suggereert de volgende regels terwijl je typt en jij blijft de auteur van het bestand. Bij agentic coding is de agent de auteur: hij navigeert door de repo, maakt wijzigingen over meerdere bestanden en draait op eigen kracht commando's, terwijl jij stuurt en reviewt.

Werkt agentic coding op grote legacy-codebases? Ja, vaak beter dan verwacht, omdat agents goed zijn in het snel lezen van onbekende code. De beperkende factoren zijn context: een codebase zonder tests, zonder documentatie en met inconsistente conventies geeft de agent niets om tegen te verifiëren, dus stijgt de menselijke reviewlast navenant.

Hoe verschilt agentic coding van agentic engineering? Agentic coding is de praktische activiteit van één persoon die een agent door taken stuurt. Agentic Engineering is de omringende discipline: de specs, guardrails en reviewprocessen die een team bouwt zodat die praktijk op schaal betrouwbare software oplevert.

Bronnen

1. GitHub Octoverse 2025. "Copilot coding agent genereerde meer dan 1 miljoen pull requests tussen mei en september 2025." https://github.blog/news-insights/octoverse/octoverse-a-new-developer-joins-github-every-second-as-ai-leads-typescript-to-1/. Geraadpleegd augustus 2026.
2. Anthropic Economic Index. "79% van de Claude Code-gesprekken geclassificeerd als automatisering, tegenover 49% op Claude.ai, over 500.000 coding-interacties." https://www.anthropic.com/research/impact-software-development. Geraadpleegd augustus 2026.
3. METR. "Gerandomiseerde proef: ervaren developers deden 19% langer over taken met AI-codingtools, ondanks een verwachte versnelling van 24%." https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/. Geraadpleegd augustus 2026.