Agentic coding verandert het engineeringpersoneel, maar anders dan je denkt

90% van de Fortune 100-bedrijven gebruikt inmiddels GitHub Copilot.¹ Gartner verwacht dat 90% van de enterprise-software-engineers in 2028 AI-codeassistenten gebruikt, tegen minder dan 14% begin 2024.² De adoptiecurve staat verticaal.

Maar het gesprek zit vast op de verkeerde vraag. Iedereen vraagt “hoeveel sneller zijn individuele engineers?” terwijl de vraag zou moeten zijn “wat kan mijn engineeringorganisatie hierdoor extra aan?”

Dit is de verschuiving: een team van 14 dat vroeger een productverticaal beheerde, heeft nu misschien nog maar 3 mensen nodig voor dezelfde output. Dat betekent niet dat je 11 mensen ontslaat. Het betekent dat je ineens 11 engineers hebt voor prioriteiten die in de backlog bleven liggen. De beperking op wat je bedrijf kan bouwen is zojuist veranderd.

Engineering is hiervoor het ideale proefterrein. Anders dan bij contentgeneratie of klantenservice hebben we harde feedbackloops. Code compileert of niet. Tests slagen of falen. Features gaan live of niet. Hallucinaties worden gevangen in de PR-review en niet gepubliceerd voor klanten. Daardoor is engineering een van de domeinen met het laagste risico om AI te integreren, en een van de makkelijkste om goed te meten.

Individuele productiviteit leidt af

De onderzoeken geven op individueel niveau een rommelig beeld. Het degelijke METR-experiment van juli 2025 vond dat ervaren developers taken 19% langzamer afrondden met AI-hulp, terwijl ze dachten dat ze 20% sneller waren.³ McKinsey vond het tegenovergestelde: developers met AI-hulp schreven nieuwe code bijna twee keer zo snel.⁴

Beide kunnen waar zijn. Junior developers in onbekende codebases halen winst van 26 tot 39%. Senior developers die werken in systemen die ze zelf hebben gebouwd zien een paar procent of niets. De spreiding hangt af van de taak, de codebase en hoe goed je met de tools overweg kunt.

Maar dit is het verkeerde kader. Cijfers over individuele productiviteit zeggen weinig over wat telt: het vermogen van je organisatie om ROI te leveren.

Dat schaalde vroeger lineair met headcount. Wilde je meer output, dan nam je meer mensen aan. AI verandert de som. Als drie engineers nu leveren wat er veertien deden, heb je niet alleen de productiviteit verbeterd, je hebt capaciteit vrijgemaakt. De vraag wordt: wat doe je ermee?

Het vervangingsverhaal mist de kern

Thomas Dohmke, CEO van GitHub: “The companies that are the smartest are going to hire more developers. If you 10x a single developer, then 10 developers can do 100x.”⁵ Hij heeft nog geen “single company say, ‘We’ve finished everything on our backlog thanks to AI.’ If anything, AI is creating more possibilities and more work.”

Goldman Sachs zette Devin AI in voor routinetaken en hield tegelijk het engineeringteam van 12.000 mensen intact.⁶ Hun CIO zag engineers als mensen die problemen definiëren en de output van agents superviseren, niet als mensen die erdoor worden vervangen.

Het personeelsbestand krimpt niet. Het wordt herverdeeld. Senior engineers genereren niet langer alleen zelf output, ze leiden een team van AI-agents om een project af te ronden. De rol is verschoven van individuele bijdrager naar dirigent: het probleem definiëren, de agents aansturen, de output beoordelen en het echt creatieve werk doen. De vrijgekomen capaciteit gaat naar initiatieven die eerder aan capaciteit ten onder gingen.

Dit is het gesprek dat we voeren met engineeringleiders in heel Europa en de VS. Niemand vraagt “hoeveel mensen kan ik schrappen?” Ze vragen “wat kunnen we nu aanpakken wat eerder niet kon?”

De meetkloof

Het probleem is dit: de meeste organisaties zien dit niet helder.

Het DORA-rapport van 2024 vond dat bij toenemende AI-adoptie de leveringsdoorvoer op organisatieniveau juist daalde, met een daling van 7% in leveringsstabiliteit.⁷ Individuele activiteitsmetrics schieten omhoog, zoals gemergede PR’s en afgeronde taken, terwijl de resultaten van de organisatie gelijk blijven of dalen.

De oude maatstaven (story points, velocity, regels code) waren al verdacht. Nu zijn ze actief misleidend. Een engineer die twee keer zoveel PR’s uitpompt, schiet niets op als de reviewtijd verdubbelt en het aantal bugs oploopt.

Ik heb eerder geschreven over de uitdaging om te antwoorden op “Wat heeft die £20M aan engineeringuitgaven nu eigenlijk opgeleverd?” AI maakt dat tegelijk lastiger en belangrijker.

Wat ontbreekt is de verbinding tussen individuele output en organisatiecapaciteit, de kernuitdaging van Workforce Engineering. Je moet beide zien: wie waarde haalt uit AI-tools en hoe dat zich vertaalt naar wat je teams samen kunnen leveren. De correlatie tussen winst op individueel niveau en uitkomsten op macroniveau is waar het inzicht zit.

Dat bouwen we bij Flowstate. We volgen tijdsbesteding per persoon, per project, per kwartaal. Zo kunnen we modelleren hoe AI-adoptie de effectieve capaciteit van je hele organisatie verandert, niet alleen de individuele doorvoer.

AI-kosten vragen dezelfde nauwkeurigheid als cloudkosten

De andere dimensie die niemand goed bijhoudt: AI-uitgaven zijn gebruiksafhankelijk, net als cloudrekenkracht. En we weten allemaal nog wat er gebeurde toen bedrijven de cloud zonder governance gingen gebruiken.

De gemiddelde maandelijkse AI-uitgaven stijgen naar verwachting met 36% op jaarbasis.⁸ De meeste organisaties zeggen dat de kosten van agents hoger uitvielen dan verwacht. Bijna de helft wijst naar “runaway tool loops” als oorzaak van budgetoverschrijdingen.

De prijsdynamiek behandelde ik in Moore’s Law for AI is officially dead. De prijzen van frontiermodellen stijgen en dalen niet, en de tools erbovenop stappen allemaal over op gebruiksafhankelijke prijzen omdat abonnementen met een vast tarief onhoudbaar werden.

Tokenverbruik moet naast engineeringoutput in hetzelfde overzicht staan. Anders kun je de basisvraag niet beantwoorden: levert de AI-uitgave genoeg extra capaciteit op om de kosten te rechtvaardigen?

Ons onderzoek bij Flowstate laat zien dat dit cruciaal wordt voor Workforce Engineering. Je kunt headcount of budget niet voorspellen zonder te begrijpen hoe AI-uitgaven meegroeien met de activiteit van teams. Bedrijven die AI-kosten achteraf als regel in de boekhouding behandelen, worden verrast. Wie het meeneemt in Workforce Engineering, ziet de afwegingen helder.

Uitgaven koppelen aan uitkomsten

Als AI-uitgaven direct zijn verbonden met bedrijfsresultaten, wordt het ROI-gesprek eenvoudig.

Je verdedigt de toolkosten niet los van de rest. Je laat zien: “Dit team heeft 40% capaciteit vrijgemaakt met AI-tooling. Die hebben we ingezet voor het moderniseringsproject van betalingen. Dat leverde twee kwartalen eerder op. Dit is het effect op de omzet.”

Het inzicht dat telt is niet “zijn we productiever?” Het is “hoe moet ons personeelsplan veranderen, gegeven wat AI mogelijk maakt?”

Als je teams echt meer kunnen leveren met dezelfde headcount, heb je opties. Zet extra in op de roadmap. Pak aangrenzende kansen aan. Bouw de features die telkens werden gedeprioriteerd. De beperking was altijd capaciteit. AI verandert de beperking.

De bedrijven die dit kunnen zien, door individuele productiviteit en organisatiecapaciteit en AI-kosten in één overzicht te meten, nemen betere allocatiebeslissingen. Ze zien waar AI-investeringen renderen en waar niet. Ze sturen continu bij in plaats van op onderbuikgevoel te plannen.

Vooruitblik naar 2026

Het landschap van 2026 wordt bepaald door wie in 2025 het meten onder de knie kreeg.

AI-codeertools worden de basis. Het verschil komt uit gestructureerde adoptie, governance die kostenexplosies voorkomt en meetsystemen die AI-investeringen koppelen aan organisatiecapaciteit, niet alleen aan individuele doorvoer.

Het personeelsbestand blijft verschuiven richting engineers als probleemdefinieerders en toezichthouders op output, waarbij AI het mechanische werk doet. Teams die nu investeren in bijscholing krijgen engineers die de tools effectief kunnen inzetten. Teams die dat niet doen, verstoken tokens zonder extra capaciteit.

Het slimme geld zet in op meer doen met je engineeringorganisatie, niet op minder. Maar alleen als je helder kunt zien wat AI echt mogelijk maakt.

Daar werken we naartoe.

GitHub Copilot Statistics & Adoption Trends – Second Talent ↩
Gartner Says 75% of Enterprise Software Engineers Will Use AI Code Assistants by 2028 – Gartner ↩
Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity – METR ↩
Unleashing developer productivity with generative AI – McKinsey ↩
GitHub CEO says the ‘smartest’ companies will hire more software engineers – Yahoo Finance ↩
Goldman Sachs is piloting its first autonomous coder – CNBC ↩
Announcing the 2024 DORA Report – Google Cloud ↩
The State Of AI Costs In 2025 – CloudZero ↩