De manier waarop AI-toepassingen tot stand komen, verandert zichtbaar. Niet zozeer door een nieuwe doorbraak in modellen of infrastructuur, maar door een andere benadering van het bouwen zelf. Experimenteren, herhalen en accepteren dat resultaten tijd nodig hebben om beter te worden, blijken steeds vaker de basis voor succesvolle AI-projecten.
Die observatie komt naar voren uit een gesprek in de podcast Builders Unscripted van OpenAI. In de eerste aflevering, waarover TechCrunch schrijft, spreekt Peter Steinberger, maker van de AI-agent OpenClaw, met Romain Huet, Head of Developer Experience bij OpenAI. Aanleiding voor het gesprek is de snelle aandacht die OpenClaw kreeg als voorbeeld van een praktische AI-agent die sterk leunt op bestaande communicatiekanalen.
In het gesprek beschrijft Steinberger hoe OpenClaw niet ontstond vanuit een vooraf uitgedacht plan, maar uit een reeks losse experimenten. Het project begon als een idee voor een AI-tool die via WhatsApp toegankelijk zou zijn, werd tijdelijk opzijgeschoven en later opnieuw opgepakt toen bleek dat vergelijkbare oplossingen uitbleven. Pas door het daadwerkelijke gebruik in alledaagse situaties werd duidelijk welke vorm de toepassing moest aannemen.
Daarmee raakt het gesprek aan een bredere ontwikkeling binnen AI-ontwikkeling. Moderne modellen blijken steeds beter in staat om zelfstandig oplossingen te genereren, zonder dat ontwikkelaars elk detail vooraf hoeven vast te leggen. Dat verschuift het zwaartepunt van ontwikkeling naar testen, aanpassen en opnieuw proberen. Het eindresultaat staat minder vast aan het begin en krijgt vorm tijdens het gebruik.
AI-ontwikkeling vraagt om andere verwachtingen
Volgens Steinberger vraagt werken met AI daardoor om andere verwachtingen. Het gebruik van AI in softwareontwikkeling is geen directe vervanging van bestaande werkwijzen, maar een vaardigheid die zich geleidelijk ontwikkelt. Ontwikkelaars die snel resultaat verwachten, lopen het risico teleurgesteld te raken, terwijl degenen die tijd nemen om te leren hoe modellen reageren en hoe prompts en workflows op elkaar inwerken, betere resultaten zien na verloop van tijd.
Ook komt naar voren dat veel waardevolle AI-toepassingen ontstaan vanuit persoonlijke behoeften. Niet omdat ze strategisch zijn gepland, maar omdat ze een concreet probleem oplossen dat nog geen goede oplossing had. Door AI te integreren in bestaande tools en communicatieplatforms ontstaat software die direct aansluit op dagelijkse routines, zonder dat gebruikers hun werkwijze ingrijpend hoeven aan te passen.
De aanleiding voor het gesprek is daarmee meer dan alleen het succes van één AI-agent. Het laat zien hoe AI-ontwikkeling zich in de praktijk manifesteert: minder lineair, minder voorspelbaar en sterker afhankelijk van experiment en gebruikservaring.
De conclusie die uit het gesprek volgt, is vooral beschrijvend van aard. AI-toepassingen worden steeds vaker gebouwd via iteratie en praktijkgebruik, waarbij vaardigheden zich ontwikkelen tijdens het proces. Dat patroon lijkt voorlopig bepalend voor hoe AI-producten tot stand komen, zeker nu de mogelijkheden van modellen sneller groeien dan vaste ontwikkelmethodes kunnen bijhouden.