Toegepaste kunstmatige intelligentie in de ontwikkeling van web- en mobiele applicaties omvat een reeks technieken, van natuurlijke taalverwerking tot generatieve modellen, die op elke stap van de softwareproductiecyclus worden toegepast. De adoptie ervan door ontwikkelteams is inmiddels massaal: de Stack Overflow Developer Survey 2025, uitgevoerd onder meer dan 49.000 respondenten, geeft aan dat 84 % van de ontwikkelaars AI-tools gebruikt of van plan is deze te gebruiken.
Het opvallende feit ligt elders: slechts ongeveer 3 % geeft aan er veel vertrouwen in te hebben.
Verschil tussen adoptie en vertrouwen: wat de gegevens onthullen over AI in ontwikkeling
Deze dissociatie tussen wijdverspreid gebruik en zeer laag vertrouwen verdient het om als eerste te worden genoemd. Ontwikkelaars integreren code-assistenten in hun dagelijkse werkzaamheden, maar controleren systematisch de geproduceerde uitkomsten.
Het DORA 2025 State of AI-assisted Software Development-rapport, gepubliceerd door Google Cloud onder bijna 5.000 professionals, koppelt het gebruik van AI aan een toename van de leveringssnelheid. Tegelijkertijd merkt het meer instabiliteit in de implementaties op. Teams leveren sneller, maar het aantal incidenten na de implementatie neemt toe.
Een gerandomiseerde studie onder ervaren open source-ontwikkelaars heeft een verlenging van de uitvoeringstijd van taken met bepaalde AI-tools vastgesteld, ondanks een subjectieve perceptie van tijdswinst. De betrokken professionals hebben geavanceerde vaardigheden in de ontwikkeling van applicaties en beheersen de betreffende codebase, wat het idee van een universele versneller relativeert.
Specialistische platforms voor het ontwerpen van web- en mobiele applicaties documenteren deze realiteit. Het bureau dat wordt gepresenteerd op https://www.codyx.org/ ondersteunt de creatie van digitale oplossingen rekening houdend met deze beperkingen met betrekking tot de betrouwbaarheid van door AI ondersteunde code.
Veiligheid van door AI gegenereerde code: een gedocumenteerd structureel risico
Concurrenten presenteren AI vaak als een hulpmiddel dat de veiligheid van applicaties versterkt. De beschikbare gegevens nuanceren deze bewering.
Het Veracode 2025 GenAI Code Security Report meldt dat 45 % van de geteste programmeertaken een bekende kwetsbaarheid introduceerde. Dit cijfer betreft categorieën die worden gedekt door de standaard beveiligingsreferenties, niet exotische kwetsbaarheden.
Het probleem is niet incidenteel. De door taalmodellen gegenereerde code reproduceert kwetsbare patronen die aanwezig zijn in de trainingsgegevens. Een ontwikkelaar die een suggestie accepteert zonder handmatige analyse, kan potentieel een kwetsbaarheid in zijn codebase integreren. Bij webapplicaties die openbaar toegankelijk zijn of mobiele applicaties die gevoelige gebruikersgegevens verwerken, vormt deze mechaniek een structureel risico.
- SQL-injecties en XSS-kwetsbaarheden behoren tot de meest voorkomende kwetsbaarheden die door de gegenereerde code worden geïntroduceerd, omdat de modellen voorbeelden van onveilige tutorials reproduceren
- Menselijke code-review blijft het belangrijkste veiligheidsnet, maar deze wordt vaak ingekort wanneer het team de code als “gevalideerd” door het AI-hulpmiddel beschouwt
- Static Application Security Testing (SAST) tools detecteren een deel van deze kwetsbaarheden, mits ze systematisch in de continue integratieketen worden uitgevoerd
De veiligheid van de geproduceerde oplossingen hangt dus minder af van het gekozen AI-hulpmiddel dan van het verificatieproces dat door het team wordt gehandhaafd.
Europese regelgeving en applicatieontwikkeling: de AI Act in de praktijk
De Europese AI Act introduceert verplichtingen die rechtstreeks van invloed zijn op het ontwerp van applicaties die AI integreren. De artikelen met betrekking tot risicovolle systemen vereisen technische documentatie, traceerbaarheid van de trainingsgegevens en menselijke supervisie.
Voor bedrijven die web- of mobiele applicaties ontwikkelen voor de Europese markt, is naleving van de AI Act een voorwaarde voor productie. Een gepersonaliseerde aanbevelingstool, een gebruikersscore-module of een geautomatiseerd moderatiesysteem kan in de categorie “hoog risico” vallen, afhankelijk van de gebruiksomgeving.
De verplichtingen omvatten het bijhouden van een register van geautomatiseerde beslissingen en de mogelijkheid om de werking van het model aan de betrokken gebruikers uit te leggen. Deze vereisten wijzigen de softwarearchitectuur al in de ontwerpfase: er moeten lagen voor logging, auditinterfaces en mechanismen voor handmatige deactivering worden voorzien.
Impact op het ontwikkelingsproces
Deze regelgevende beperkingen vanaf het begin van het project integreren, is goedkoper dan ze achteraf toe te voegen. Teams die AI gebruiken om code te genereren, moeten ook het automatisch gegenereerde deel documenteren, zodat ze de oorsprong van onverwacht gedrag tijdens een audit kunnen traceren.
AI-tools voor ontwikkeling: wat werkt en wat blijft kwetsbaar
Code-assistenten zoals GitHub Copilot of Cursor dekken tegenwoordig drie hoofdgebruik: realtime autocompletie, generatie van functies op basis van beschrijvingen in natuurlijke taal, en analyse van bestaande codebases.
Autocompletie werkt goed voor repetitieve code (API-routes, formulieren, CRUD-query’s). Voor deze taken is de tijdwinst reëel en meetbaar. Het genereren van eenheidstests op basis van bestaande functies vermindert ook het handmatige werk, mits de relevantie van de geproduceerde testgevallen wordt gecontroleerd.
Daarentegen blijft de generatie van complexe bedrijfslogica kwetsbaar. Een taalmodel begrijpt de specifieke regels van een domein (financiën, gezondheid, logistiek) niet. De geproduceerde code kan syntactisch correct maar functioneel fout zijn, wat gevaarlijker is dan een zichtbare compilatiefout.
- Voor snelle prototyping en proof of concept versnelt AI de initiële ontwerpfase aanzienlijk
- Voor het onderhoud van grote codebases helpt AI-ondersteunde analyse om niet gedocumenteerde legacy-code te begrijpen
- Voor de architectuur van gedistribueerde systemen of de fijne afstemming van concurrentie blijft menselijke supervisie de bepalende factor
Kunstmatige intelligentie in de ontwikkeling van web- en mobiele applicaties is noch een universele versneller, noch een marketinggadget. De productiviteitswinsten zijn aanwezig bij repetitieve taken en prototyping. De gedocumenteerde risico’s met betrekking tot de veiligheid van de gegenereerde code en de instabiliteit van implementaties vereisen een rigoureus verificatiekader. De teams die het meeste uit deze tools halen, zijn degenen die ze als assistenten beschouwen, niet als vervangers.
