AI-coderefactoring

Wat is AI-coderefactoring?

AI-coderefactoring is het gebruik van AI-coding-agents om bestaande code te herstructureren zonder te veranderen wat hij doet: hernoemen, functies extraheren, te grote modules opsplitsen, en verouderde patronen migreren door een codebase heen. De testsuite definieert het gedrag dat moet overleven, de agent voert de mechanische bewerkingen uit, en een mens reviewt het resultaat voordat het merget.

De belangrijkste punten

• Refactoring is de taak waar agents het best voor geschikt zijn, omdat "gedrag ongewijzigd, tests slagen nog steeds" een verifieerbare definitie van klaar is die een machine zelf kan controleren.
• Het vangnet komt eerst. Zonder betekenisvolle tests herschrijft een agent die code herstructureert de code, en niemand kan bewijzen dat de twee versies zich hetzelfde gedragen.
• Agents schitteren bij brede, repetitieve migraties die mensen uit verveling opgeven: honderden call sites, elk één mechanische transformatie.
• Kleine geverifieerde stappen verslaan één heldhaftige diff. Een agent die in reviewbare stappen refactort, met tests tussendoor, is veel veiliger dan een die een wijziging van 4.000 regels teruggeeft.

Hoe het werkt

De workflow begint met een beperking, geen wens. De engineer formuleert het structurele doel, extraheer de persistentielogica uit deze handlers, vervang deze verouderde clientlibrary, breek dit bestand van 2.000 regels op in modules, en formuleert de invariant: alle bestaande tests slagen, publieke interfaces ongewijzigd tenzij vermeld. Die framing doet ertoe omdat het de AI-coding-agent een objectief succes-signaal geeft. De agent werkt dan de lus af: bewerk, draai de suite, lees mislukkingen, pas aan, herhaal tot groen.

Goede opzetten dwingen de agent in kleine stappen. Elke transformatie landt als zijn eigen commit met slagende tests, zodat review op behapbare diffs gebeurt en een slechte stap teruggedraaid kan worden zonder de rest te verliezen. Waar dekking dun is, laten gedisciplineerde teams de agent eerst characterization tests schrijven, tests die het huidige gedrag vastpinnen inclusief zijn eigenaardigheden, zodat de refactor iets heeft om tegen te verifiëren. Dit gaat van nature samen met AI-assisted testgeneratie, en de uiteindelijke diff doorloopt nog steeds normale review, want gedragsbehoudende bewerkingen kunnen nog steeds leesbaarheid, prestaties, of de bedoelde architectuur aantasten. De reviewstap is geen verspilde tijd: het DORA-rapport van 2024 vond dat een stijging van 25% in AI-adoptie samenhing met een stijging van 3,4% in codekwaliteit en een stijging van 3,1% in codereviewsnelheid [1].

Agents veranderen de economie van refactoring meer dan de techniek. Migraties die nooit drie engineer-weken waard waren, een ORM-versie upgraden over 300 bestanden, een codebase converteren van callbacks naar async/await, foutafhandeling standaardiseren, worden een middag toezicht. De backlog van structurele opruiming die elke codebase opstapelt, stopt permanent te zijn.

Tot nu toe besteedt de industrie zijn AI-uren echter elders. GitClears analyse van 211 miljoen gewijzigde coderegels vond dat gerefactorde (verplaatste) code daalde van 25% van gewijzigde regels in 2021 naar onder 10% in 2024 terwijl AI-assistentadoptie groeide [2]. In dezelfde periode steeg gekopieerd/geplakte code van 8,3% naar 12,3% van gewijzigde regels, en overtrof gedupliceerde code voor het eerst in de geschiedenis van de dataset verplaatste code [3]. Het goedkope om te doen met een assistent is meer code genereren, en teams die agents niet bewust op opruiming richten, houden er minder van over.

Voorbeeld

Een team wil Moment.js, al lang verouderd, uitfaseren uit een Node-codebase met 214 gebruiken over 90 bestanden. Een engineer schrijft een kort briefje: vervang door date-fns, tijdzonegedrag mag niet veranderen, één commit per bestandscluster, de suite moet bij elke commit slagen. De agent werkt twee uur door de codebase, signaleert zes call sites waar de mutable API van Moment werd uitgebuit op manieren die date-fns niet kan nabootsen, en laat die over aan menselijke beslissing in plaats van te gokken. De engineer lost de zes met de hand op, reviewt de commitreeks, en merget. De afhankelijkheid is binnen een dag verdwenen, en de riskante gevallen kregen precies menselijke ogen omdat de agent gezegd was te stoppen in plaats van te improviseren.

Veelvoorkomende misvattingen

De klassieke fout is een agent vragen code "op te ruimen" of "te verbeteren" zonder tests en dat refactoring noemen. Wat terugkomt is een herschrijving: vaak mooier ogend, aannemelijk equivalent, en onverifieerbaar. Refactoring wordt gedefinieerd door behouden gedrag, en behoud dat je niet kunt controleren is een gok, geen eigenschap. Als de tests niet bestaan, is het genereren van characterization tests stap één, en die stap overslaan zet een laagrisico mechanische taak om in het riskantste soort wijziging dat een team kan uitleveren, een diff die er veilig uitziet.

FAQ

Is AI-refactoring veilig op legacy code zonder tests? Alleen als je eerst het net bouwt. Laat de agent characterization tests schrijven die huidig gedrag vastleggen, review ze, en refactor er dan tegen. Ongeteste legacy code is waar agents het meest helpen en waar de discipline overslaan het meest pijn doet.

Hoe verschilt dit van AI-codegeneratie? Codegeneratie produceert nieuw gedrag uit een spec; refactoring hervormt bestaande code onder een expliciete belofte dat gedrag vast blijft. De beperking verandert alles aan hoe je de output verifieert.

Moeten refactoring-diffs een lichtere review krijgen omdat gedrag ongewijzigd is? Nee. Tests bevestigen gedrag, maar review bevestigt dat de nieuwe structuur daadwerkelijk beter is: duidelijkere namen, verstandige modulegrenzen, geen prestatieregressies die de suite niet meet. Structuur is het hele punt van de oefening, dus dat is wat de mens controleert.

Bronnen

1. Google Cloud DORA. "Een stijging van 25% in AI-adoptie hing samen met een stijging van 3,4% in codekwaliteit en een stijging van 3,1% in codereviewsnelheid." https://cloud.google.com/blog/products/devops-sre/announcing-the-2024-dora-report. Geraadpleegd augustus 2026.
2. GitClear. "Gerefactorde (verplaatste) code daalde van 25% van gewijzigde regels in 2021 naar onder 10% in 2024, over 211 miljoen geanalyseerde gewijzigde regels." https://www.gitclear.com/ai_assistant_code_quality_2025_research. Geraadpleegd augustus 2026.
3. GitClear. "Gekopieerd/geplakte code steeg van 8,3% naar 12,3% van gewijzigde regels tussen 2021 en 2024; gedupliceerde code overtrof voor het eerst verplaatste code." https://www.gitclear.com/ai_assistant_code_quality_2025_research. Geraadpleegd augustus 2026.