"Kan AI dit niet gewoon herschrijven?" De eerlijke versie van die vraag krijgen we vaker dan je denkt. Het antwoord is ja en nee, afhankelijk van wat je bedoelt. Tijd om de mist op te trekken: wat AI-agents wél kunnen in een legacy-migratie, en waar ze stoppen met nuttig zijn.
Wat AI-agents goed doen
Drie dingen waar agents écht beter in zijn dan een team dat het handmatig doet.
1. Tempo over volume. Een agent leest een halve miljoen regels code in een ochtend. Een team van vier mensen doet daar weken over. Voor het in kaart brengen van een legacy-codebase is dat een gamechanger.
2. Patroonherkenning. Welke modules praten met welke? Welke validatieregels herhalen zich? Waar zitten dezelfde anti-patterns? Een agent ziet die structuur direct, zonder vooringenomenheid.
3. Mechanisch tilwerk. Boilerplate omzetten, types invoegen, tests genereren voor bestaand gedrag, code formatteren naar moderne stijl. Saai werk dat AI fluitend en consistent doet.
In een migratieproject is dat alleen al goud waard. De fase van begrip die vroeger maanden duurde, doe je nu in dagen.
Waar AI-agents het niet doen
Drie plekken waar je niet zonder mens kunt.
1. Wat de bedoeling was. Code beschrijft wat er gebeurt. Niet waarom. Waarom staat hier een uitzondering voor klanten in regio X? Welke regelgeving zat hierachter? Een agent kan de uitzondering vinden, maar niet uitleggen waarom hij er hoort te staan. Daar moet iemand met domeinkennis bij.
2. Beslissen wat ertussenuit mag. Veel legacy-code is een verzameling regels die ooit hun reden hadden. Sommige zijn verdwenen, andere niet. Een agent kan niet zelf bepalen welke nog relevant is, dat is mensenwerk, en het is meestal het belangrijkste werk van het hele project.
3. Eindverantwoordelijkheid voor wat live gaat. AI-agents leveren code. Mensen tekenen voor productie. Bij een audit, een bug, of een compliance-vraag zit aan het andere eind van de lijn altijd een mens.
Hoe wij agents inzetten
Praktisch, in volgorde, zoals het in onze projecten verloopt.
Fase 1: Inventarisatie
Agents lezen de codebase, brengen modules in kaart, identificeren patronen. Output: een rapport dat een mens leest en valideert. Geen herschrijving nog, alleen begrip.
Fase 2: Tests vastleggen
Vóór we iets aanraken, leggen agents het bestaande gedrag vast in tests. Soms zijn er tests, vaker niet. Die tests worden de waarheid: pas als nieuwe code dezelfde tests groen krijgt, mag hij erbij.
Fase 3: Modulaire herschrijving
Module voor module, met menselijke review op elke pull request. Een agent stelt voor; een engineer beoordeelt, past aan, accepteert. Net als bij een junior collega, alleen veel sneller.
Fase 4: Vergelijking op echte data
Oud en nieuw draaien naast elkaar. We vergelijken uitkomsten op productie-achtige data. Pas als ze aantoonbaar gelijk zijn (binnen door jou geaccepteerde marges) is een module klaar.
De gouden vuistregel
AI versnelt. De mens beslist. Altijd.
Niet omdat we technologie wantrouwen, we werken er dagelijks mee, maar omdat de risico's van bedrijfskritische software te groot zijn voor "het lijkt te werken". Een agent die zelfstandig live gaat is een ongeluk in de maak. Een agent die het werk van een ervaren engineer 4× sneller maakt, is een serieuze versneller.
Wil je weten wat dat voor jouw situatie betekent? Plan een vrijblijvende kennismaking. We laten op één module van je systeem zien wat agents bij ons echt doen, en waar onze mensen het overnemen.