de nieuwe bouwers

Op 18 juni 2026 verloor Accenture ongeveer een vijfde van zijn beurswaarde, het grootste dagverlies ooit voor het aandeel. De omzet was gewoon gegroeid, zes procent in dollars. Maar de nieuwe boekingen krompen met twee procent, de groeiverwachting ging omlaag, en beleggers lazen er volgens Bloomberg een groter verhaal in: de vrees dat AI de consultingmarkt herprijst. Capgemini werd dezelfde dag meegetrokken, ruim acht procent omlaag naar het laagste punt in een jaar. Een jaar eerder had Accenture al ruim elfduizend banen geschrapt in een herstructurering van zo’n 865 miljoen dollar, en topvrouw Julie Sweet legde op de beleggerscall uit dat voor een deel van de vertrekkers omscholing naar de gevraagde AI-vaardigheden geen begaanbare weg meer was.

In diezelfde markt speelde het omgekeerde verhaal. Fortune beschreef hoe Maor Shlomo in vier maanden, vrijwel alleen, het platform Base44 bouwde, waarmee niet-technische gebruikers software maken door te beschrijven wat ze willen. De eerste maand na lancering leverde bijna anderhalf miljoen dollar aan abonnementen op. Zes maanden na oprichting kocht Wix het volgens TechCrunch voor tachtig miljoen dollar. Hetzelfde blad portretteerde rond dezelfde tijd Dana Snyder, een non-profitconsultant zonder technische achtergrond, die in een half jaar haar eigen softwareplatform bouwde en het draaiend houdt als enige fulltimekracht.

Twee uitersten van dezelfde beweging. Wat de reuzen kwijtraken en wat de eenlingen winnen komt uit dezelfde bron: software bouwen is van samenstelling veranderd.

het vak is niet sneller geworden, het is anders geworden

Het hardste bewijsmateriaal van dit moment komt uit de Anthropic Economic Index, een analyse van zo’n vierhonderdduizend werksessies van ongeveer 235.000 mensen die met agents bouwen, gemeten van oktober 2025 tot april 2026. Twee kanttekeningen vooraf. Anthropic meet zijn eigen gebruikers, dus dit is telemetrie van de voorhoede, geen foto van de hele markt. En succes is hier een classificatie van het gesprek, geen bewijs dat het resultaat ooit productie haalde.

Wat die telemetrie laat zien is geen versnelling maar een verschuiving. Het aandeel sessies dat opgaat aan het repareren van kapotte code zakte in een half jaar van 33 naar 19 procent. Het aandeel draaiend houden en bedienen van software steeg van 14 naar 21 procent, en het aandeel schrijfwerk en data-analyse verdubbelde ruwweg, van ongeveer tien naar twintig procent. Minder tijd aan wat stuk is, meer tijd aan wat er moet komen. Een rechte lijn naar volledige automatisering staat er trouwens niet in: tussen twee metingen daalde het aandeel geautomatiseerde interacties in het API-verkeer juist scherp.

Wie ooit in een traditioneel team heeft gewerkt, voelt wat die verschuiving betekent. Het klassieke softwareproject besteedt het grootste deel van zijn kalender niet aan denken maar aan wrijving: overdracht, afstemming, wachten, herstellen. Als een agent het tikwerk en het reparatiewerk overneemt, verdwijnt die wrijving niet, ze verhuist. De schaarse vaardigheid is niet langer code kunnen schrijven. Het is precies weten wat er gebouwd moet worden, en het gebouwde kunnen beoordelen.

domeinkennis verslaat het diploma

Het opvallendste cijfer uit datzelfde onderzoek gaat niet over snelheid. Anthropic vergeleek hoe vaak mensen uit verschillende beroepen hun bouwtaak succesvol afronden, en vond dat elke grote beroepsgroep, van managers tot juristen tot sociale wetenschappers, op codeertaken vrijwel even vaak slaagt als professionele software-engineers. De hele top tien zit binnen ongeveer zeven procentpunt van elkaar. En hoe meer domeinkennis iemand meebrengt, hoe meer werk de agent per instructie uitvoert.

Dat is de eigenlijke disruptie, en die is stiller dan de demo’s op LinkedIn. Niet dat iedereen nu kan programmeren, maar dat de voorspeller van succes is verschoven. Decennialang was de eerste vraag: wie kan dit bouwen? De vraag is geworden: wie begrijpt dit proces goed genoeg om een systeem te sturen dat het bouwt?

Ik merk het dagelijks. Mijn waarde in een project zit steeds minder in de regels code die ik zelf tik, en steeds meer in de veertien CRM-trajecten die ik van begin tot eind heb gedaan. Die leerden me hoe een offerte echt door een bedrijf loopt, waar een serviceproces vastloopt, en welke uitzondering op dag negentig pijn gaat doen. Het klantportaal dat ik voor Elite Klimaat bouwde staat live na een maand bouwen, voor minder dan vijfduizend euro. Vijf jaar geleden had ik daar een team en een veelvoud van dat budget voor nodig gehad. Het verschil zit niet in harder werken. Het zit in een andere manier van bouwen, gestuurd door proceskennis.

de oude rekensom breekt

Het traditionele leveringsmodel is een rekensom: uurtarief maal teamgrootte maal maanden. Elke factor in die som staat onder druk. Als één bouwer met agents levert wat eerst een team deed, en de doorlooptijd van maanden naar weken gaat, blijft er van de som weinig over. Een hard, geverifieerd cijfer voor dat verschil bestaat nog niet; wie er een noemt, verzint hem. Maar de richting staat in de boeken: de nieuwe boekingen bij Accenture krompen afgelopen kwartaal, en de beurs prijst de twijfel alvast in.

De tegenwerping verdient haar podium: Accentures topvrouw bestrijdt de AI-verklaring. Zij wijst op zwakke vraag, bezuinigingen bij de Amerikaanse overheid en geopolitieke onrust, en zet er een eigen cijfer tegenover: de boekingen van opdrachten boven de honderd miljoen dollar groeiden juist met dertien procent. Dat kan allemaal tegelijk waar zijn, en een beurskoers meet vrees, geen bewezen oorzaak. Maar een sector die zichzelf herstructureert rond AI-vaardigheden, duizenden mensen laat gaan, deels omdat omscholen niet meer lukt, en door de markt wordt herprijsd op AI-angst, gedraagt zich niet als een sector die denkt dat er niets aan de hand is.

de keerzijde die de pioniers liever overslaan

Hier hoort een waarschuwing bij, en wie die weglaat verkoopt je iets.

Securitybedrijf Veracode testte ruim honderd taalmodellen op tachtig bouwopdrachten en vond dat 45 procent van de AI-gegenereerde code een bekende kwetsbaarheid bevat. Dat percentage is al twee jaar vrijwel vlak: voor de keuze gesteld tussen een veilige en een onveilige route pakt een model ongeveer de helft van de tijd de verkeerde. Het is een testbank van een leverancier met een eigen belang, dus lees het als richting, niet als eindcijfer. Maar die richting wordt elders bevestigd. Een studie van 302.600 geverifieerde AI-commits in ruim zesduizend GitHub-projecten, als preprint gedeeld en nog niet door vakgenoten getoetst, vond dat bij elke geteste tool meer dan vijftien procent van de commits minstens één aantoonbaar probleem introduceert, dat AI-commits anderhalf keer zoveel beveiligingsproblemen toevoegen als ze oplossen, en dat bijna een kwart van die problemen bij de laatste meting nog niet was hersteld. Technische schuld op machinetempo. En Daniel Stenberg, de maker van curl, software die op miljarden apparaten draait, stopte begin 2026 na zes jaar met zijn beloningsprogramma voor bugmeldingen: een vijfde van de meldingen was inmiddels AI-gegenereerd, elke melding kostte drie tot vier reviewers soms uren, en geen enkele AI-melding leverde ooit een geldige vondst op.

Dit is waarom snelheid alleen niets bewijst. AI verlaagt de drempel om te bouwen, maar niet de drempel om iets te bouwen dat deugt. Zonder vakmanschap produceert de nieuwe methode dezelfde fouten als de oude, alleen sneller en in grotere volumes. Onderzoekers van MIT die bestudeerden waarom bedrijfspilots stranden, komen op hetzelfde punt uit: het is zelden het model dat faalt, het is de organisatie die niet leert hoe je ermee bouwt. Over die kloof tussen demo en dienst schreef ik eerder de productiekloof; alles daarin is sindsdien alleen maar sterker gaan gelden. Hoe stevig de faalcijfers zelf staan, weeg ik apart in de 95-procent-mythe.

wie de nieuwe bouwers zijn

Tel de bevindingen bij elkaar op en er verschijnt een profiel. De nieuwe bouwers zijn geen grote teams met een AI-licentie erbij, en ook geen prompters zonder vak. Het zijn kleine, senior bouwers die twee dingen tegelijk meebrengen: domeinkennis die diep genoeg gaat om een systeem te sturen, en de discipline om machinewerk te wantrouwen. Specificatie eerst. Agents die elkaars werk controleren. Elke wijziging getest voordat die live gaat. En omdat de methodes elke maand verschuiven, gaat een serieus deel van de tijd, bij mij ongeveer de helft, naar bijblijven: testen wat zich bewijst, en de rest laten liggen.

De verschuiving komt niet, ze is gaande. De samenstelling van het werk is al veranderd, en de markt herprijst de oude som al. Daarmee is ook de vraag veranderd voor iedereen die software laat bouwen. Niet: gebruikt mijn leverancier AI? Iedereen gebruikt AI. Maar: staat er iemand aan het stuur die mijn proces echt begrijpt, die elke wijziging controleert voordat die live gaat, en die er nog is als het systeem zich op dag negentig anders gedraagt dan in de demo? Wie die vraag stelt, herkent de nieuwe bouwers vanzelf.