Hoe AI de softwareontwikkeling voorgoed veranderde — De agentische toekomst bouwen met Andre Baltieri [MVP]

Kunstmatige intelligentie verandert softwareontwikkeling in een tempo dat we zelden eerder hebben gezien.Ontwikkelaars zijn al overgestapt van het zelf schrijven van elke regel code naar werken met AI-assistenten die code kunnen genereren, onbekende systemen kunnen uitleggen, tests kunnen opstellen, applicaties kunnen debuggen en repetitief werk kunnen automatiseren.Volgens Microsoft MVP Andre Baltieri is dat echter pas het begin.In deze aflevering van M365.FM gaat Mirko Peters in gesprek met Andre voor een diepgaande verkenning van de overgang van traditionele softwareontwikkeling naar AI-ondersteunde ontwikkeling, coding agents, agentische architecturen, Microsoft Agent Framework, .NET, RAG, context engineering, beveiliging en de economie van generatieve AI.

VAN .NET IN 2003 NAAR HET AI-TIJDPERK
Andre neemt ons mee terug naar de beginjaren van .NET en C#, toen het leren van een nieuwe Microsoft-technologie vaak betekende dat je officiële training moest aanschaffen en naar een andere stad moest reizen.Sindsdien heeft softwareontwikkeling zich ontwikkeld via desktop, web, mobiel, cloud, containers, microservices en serverless computing.Andre stelt dat de overgang naar AI fundamenteel anders aanvoelt. In plaats van simpelweg een nieuw platform of framework te introduceren, brengt AI een nieuwe manier met zich mee waarop mensen met software omgaan.

AI-ASSISTENTEN VS. AI CODING AGENTS
Er is een belangrijk verschil tussen het hebben van een AI-assistent in je IDE en het delegeren van werk aan een agent.Een assistent kan code uitleggen, refactoring voorstellen, vragen beantwoorden en ontwikkelaars helpen hun applicaties te begrijpen.Een agent kan een doel ontvangen, een plan maken, het werk opdelen in kleinere taken, tools gebruiken, aanvullende agents coördineren en belangrijke delen van de oplossing implementeren.Andre legt uit hoe dit al zijn eigen ontwikkelworkflow verandert, waarbij AI nu een groot deel van de code genereert die hij voorheen handmatig zou hebben geschreven.

SPEC-DRIVEN SOFTWAREONTWIKKELING
Naarmate agents capabeler worden, wordt een specificatie steeds belangrijker.In plaats van elk implementatiedetail te beschrijven, kunnen ontwikkelaars vereisten, architectuur, beperkingen en verwacht gedrag definiëren en agents laten bepalen hoe delen van de implementatie moeten worden uitgevoerd.Hierdoor verschuift de aandacht van de ontwikkelaar van het simpelweg produceren van code naar het definiëren van wat er gebouwd moet worden en waarom.

MICROSOFT AGENT FRAMEWORK
Het gesprek gaat over Microsoft Agent Framework en de rol ervan bij het brengen van AI-mogelijkheden in bestaande applicaties.Andre legt uit hoe het framework mogelijkheden combineert die geassocieerd worden met Semantic Kernel en AutoGen, en ontwikkelaars voorziet van tools voor het verbinden van modellen, het orkestreren van workflows, het gebruik van MCP, het implementeren van RAG, het verwerken van data-ingestie en het beschikbaar maken van applicatiefunctionaliteit voor AI.Voor .NET-ontwikkelaars in het bijzonder kan dit de hoeveelheid integratiecode aanzienlijk verminderen.

WAAROM .NET NOG STEEDS ERTOE DOET IN HET AI-TIJDPERK
Python blijft een van de dominante talen in AI-ontwikkeling, maar Andre betoogt krachtig dat .NET en C# uitstekend gepositioneerd zijn voor AI-toepassingen in het bedrijfsleven.Dit is het gevolg van het feit dat .NET zich snel blijft ontwikkelen, terwijl Microsofts AI-tooling C#-ontwikkelaars steeds vaker native toegang geeft tot moderne AI-mogelijkheden.Organisaties met jarenlange bedrijfslogica die al in .NET is geïmplementeerd, kunnen daardoor een groot voordeel hebben: ze hoeven niet noodzakelijkerwijs alles opnieuw te bouwen voordat ze AI introduceren.Bestaande functionaliteit kan in plaats daarvan selectief worden blootgesteld aan agents en AI-gestuurde applicaties.

VAN DETERMINISTISCHE SOFTWARE NAAR AGENTISCHE SYSTEMEN
Traditionele applicaties zijn grotendeels deterministisch:Als X gebeurt, voer dan Y uit.Agentische systemen introduceren een ander model:Hier is het doel. Bepaal welke acties nodig zijn om het te bereiken.Dat vertegenwoordigt een aanzienlijke architecturale verschuiving.In plaats van elk mogelijk pad expliciet te definiëren, definiëren ontwikkelaars steeds vaker doelen, tools, context, rechten, beperkingen en grenzen waarbinnen AI kan opereren.

ONTWERPPATRONEN ZIJN NIET DOOD
AI-gegenereerde code maakt ttientallen jaren aan softwareengineeringkennis niet overbodig.Clean code, onderhoudbaarheid, testen, architectuur en ontwerppatronen blijven belangrijk, omdat AI vaak leert hoe nieuwe functionaliteit moet worden geïmplementeerd door de bestaande codebase te onderzoeken.Rommelige code kan dus leiden tot nog meer rommelige code.Ontwikkelaars moeten nog steeds architectuur en engineeringprincipes begrijpen, zelfs wanneer een AI-agent het grootste deel van de implementatie uitvoert.

HET PROBLEEM VAN STOCHASTISCHE SOFTWARE
Traditionele ontwikkelaars verwachten dat identieke invoer identieke uitvoer oplevert.Generatieve AI is probabilistisch.Hetzelfde verzoek kan bij meerdere uitvoeringen verschillende implementaties, antwoorden of gedrag opleveren.Andre bespreekt waarom dit ontwikkelaars dwingt om testen en validatie opnieuw te overdenken, en waarom sterke guardrails steeds belangrijker worden wanneer AI-functionaliteit wordt blootgesteld aan grote aantallen gebruikers.

CONTEXT ENGINEERING IS BELANGRIJKER DAN PROMPTEN
Het kiezen van het nieuwste model is niet noodzakelijkerwijs de belangrijkste beslissing.Andre stelt dat context alles is.Ontwikkelaars moeten zowel het zakelijke probleem als de technische omgeving goed genoeg begrijpen om AI de juiste informatie te geven.Te weinig context levert zwakke resultaten op.Te veel context kan het model overweldigen.De uitdaging is het vinden van de informatie die er daadwerkelijk toe doet.

RAG, DATA EN HET CONTEXTVENSTER
Retrieval-Augmented Generation wordt bijzonder belangrijk wanneer organisaties willen dat AI-systemen met hun eigen kennis werken.Maar het bouwen van een RAG-systeem gaat niet simpelweg om het plaatsen van documenten in een vectordatabase.Data moet worden opgeschoond, gestructureerd, opgedeeld in chunks, opgehaald en intelligent in de context van het model worden ingevoegd.Andre deelt een voorbeeld uit zijn eigen onderwijsplatform, waar videolessen werden getranscribeerd en geïndexeerd zodat gebruikers konden zoeken naar concepten en direct naar het relevante moment in een video konden springen.

GEHEUGEN EN HET BEHEER VAN AI-CONTEXT
Langlopende AI-gesprekken brengen een andere uitdaging met zich mee: geheugen.Naarmate contextvensters volraken, moeten gesprekken worden samengevat of gecomprimeerd.Andre legt uit waarom ontwikkelaars dit proces actief moeten beheren in plaats van aan te nemen dat een AI-systeem altijd de belangrijkste informatie zal behouden.Soms is de beste oplossing verrassend eenvoudig: rond de taak af, sluit het gesprek en begin opnieuw met een schone context.Specificaties en Markdown-bestanden kunnen ook persistente projectcontext bieden voor coding agents.

BEVEILIGING, RECHTEN EN LEAST PRIVILEGE
Het geven van een AI-agent toegang tot tools en bedrijfsdata brengt aanzienlijke beveiligingsimplicaties met zich mee.Andre raadt aan agents te behandelen volgens principes die vergelijkbaar zijn met menselijke identiteiten: sluit alles standaard af en stel alleen beschikbaar wat de agent werkelijk nodig heeft.In plaats van een AI-systeem onbeperkte databasetoegang te geven, moeten ontwikkelaars zorgvuldig gecontroleerde functies blootstellen die alleen de informatie retourneren die voor een specifieke taak nodig is.Dit wordt vooral belangrijk wanneer agents bedrijfsdata kunnen lezen of wijzigen.

PROMPT INJECTION EN AI-GUARDRAILS
Prompt injection creëert een nieuw aanvalsoppervlak voor AI-gestuurde applicaties.Gebruikers kunnen prompts opzettelijk manipuleren, proberen informatie buiten de bedoelde context op te vragen, bedrijfsbronnen verbruiken of een AI-systeem overhalen om acties uit te voeren die de ontwerpers nooit hebben voorzien.De discussie gaat in op het belang van systeeminstructies, beperkingen op applicatieniveau, gecontroleerde functies, identiteit, rechten en platforms zoals Azure AI Foundry om extra beveiligingsgrenzen vast te stellen.

AI FINOPS — GEBRUIK GENERATIEVE AI NIET VOOR ALLES
Een van de meest praktische lessen uit het gesprek is dat het feit dat AI een taak kan uitvoeren, nog niet betekent dat AI die taak ook moet uitvoeren.Andre onderscheidt generatieve en deterministische workloads.Als iets altijd op dezelfde manier moet gebeuren, kan traditionele programmering sneller, goedkoper en betrouwbaarder zijn.Hij geeft het voorbeeld van