19 tips voor succesvol programmeren met AI en Claude Code

In dit stuk leg ik de 19 belangrijkste punten uit die het verschil maken tussen frustratie en succes als het gaat om programmeren met AI. Want ja, AI kan je productiviteit verhogen. Maar alleen als je weet hoe je het succesvol kunt gebruiken.

Hier alvast de lessen op een rij:

1. De perfecte AI-omgeving opzetten
2. Programmeren met AI: MCP-servers voor superkrachten
3. Maak je AI-coderingsassistent kritisch
4. Ga door met documentatie
5. AI-memory gebruiken bij automatisch programmeren: voordelen en valkuilen
6. UX-onderzoek integreren in het AI-ontwikkelproces
7. De logische beperkingen
8. Contextveries voorkomen in AI-programmeringsessies
9. Goed programmeren is niet eenvoudig, ook niet met automatische code genereren
10. Herkennen van verborgen projectkosten bij AI-ontwikkeling
11. De kosten van programmaontwikkeling met AI herkennen en beheren
12. Software-onderhoud in het AI-ontwikkeltijdperk
13. Privacy- en databeveiliging bij automatisch programmeren
14. Code-onderhoud met AI
15. Code-architectuur en programmeerprincipes voor AI-ontwikkeling
16. Productieklaar ontwikkelen met AI vanaf dag één
17. Code testen met AI: automatisering en validatie
18. Standaarden gebruiken bij het programmeren met AI
19. Git gebruiken en de stappen klein houden bij het automatisch genereren van code

Daarom volg ik de lessen stap voor stap. Veel leesplezier!

Claude Code en AI-ontwikkeltools: de perfecte opstelling

1. De perfecte AI-ontwikkelomgeving instellen

Er zijn veel verschillende manieren om met AI te programmeren. Ik ga voor de meest geavanceerde opzet, waarbij de AI gewoon alle code schrijft. Claude Code is daarom op dit moment de meest populaire tool. Claude Code is echter nog maar het begin. Er zijn MCP-servers, andere tools en slanke code die echt het verschil maken.

2. Programmeren met AI: MCP-servers voor superkrachten

MCP-servers geven een taalmodel als Claude superkrachten. Ze laten het taalmodel namelijk niet alleen denken, maar ook doen. Ik heb dus een MCP die Claude toegang geeft tot mijn inventarissysteem, waarmee Claude zichzelf kan passeren. Ik heb ook een poppenspeler gemaakt, zodat Claude zelf kan zien wat de resultaten zijn van de code die hij schrijft.

MCP’s die ik in Claude gebruik:

• Sequentieel denken – Laat de AI beredeneerd nadenken.
• Puppeteer – Kan webpagina’s bekijken, analyseren, doorklikken en screenshotten. Ideaal voor het testen van front-end code.
• Fetch – Websites ophalen en lezen.
• Geheugen – Geeft je taalmodel een geheugen.
• Bestandssysteem – Geeft je taalmodel toegang tot bestanden.
• GIT – Geeft je AI toegang tot GIT, maar pas op: voor je het weet overschrijft hij bestaande code met oude code omdat hij vastloopt.
• Win-CLI – Laat de AI cmd en PowerShell commando’s uitvoeren waarmee je taalmodel zelf code kan testen.

Laat wel, ik gebruik bovenstaande MCP’s in Claude Desktop voor Windows. Claude Code heeft namelijk zelf al een hoop van deze tools beschikbaar. In Claude Code heb ik alleen Sequential Thinking en Puppeteer geactiveerd.

AI-code-generator kritisch maken: vermijd de ‘yes man’-valkuil

3. Maak je AI-coderingsassistent kritisch

Van nature heeft een AI de neiging om een lust voor het oog te zijn, in plaats van je gedachten . Dit zorgt voor een hoge mate van validatie en slechte stopmechanismen. Dit maakt AI meer een ‘ja-maker’ dan een kritisch denkende partner. Dat is niet handig, en al helemaal niet als je aan het programmeren bent. Dan wil je het meestal vergeten.

Zorg ervoor dat de aanwijzingen die je gebruikt antwoord geven op kritische vragen, bijvoorbeeld:

• Welk probleem proberen we werkelijk op te lossen?
• Is dit de beste manier om dit probleem op te lossen?
• Zijn we niet te snel aan het implementeren zonder voldoende validatie?

Geef ook aan dat de AI een denkpartner moet zijn en geen codegenerator. Laat hem terugkomen op complexiteit en validatie van aannames voordat hij code schrijft.

Voor Claude Code kun je ook kijken naar het SuperClaude framework. Dit breekt de standaard prompt van Claude Code af met slanke extra’s. Dit is zelfs als je ervaren bent met het schrijven van AI-prompts een mooie toevoeging.

Best practices voor AI-programmeren: documentatie en validatie

4. Documentatie voortzetten

Ik kan niet genoeg uitdrukken hoe belangrijk het is om te documenteren. Als het gaat om het beschrijven van een functie of het bijwerken van de database, tabellen en waarden die in de database zijn beschreven. Vooral omdat het project groter wordt, is het handig om een code-architectuur inventaris te hebben waar de AI snel bij kan. Op deze manier kan de AI snel bepalen waar verder aan gewerkt kan worden of waar problemen opgelost moeten worden.

Start grote, nieuwe functies met een featuredocument waarin je onderzoekt:

• Welke zijn er aangeharkt?
• Hoe moet het werken?
• Hoe ziet de front-end eruit?

Dit leidt tot een enthousiaste implementatie van de AI en stelt je in staat om de meeste vragen te stellen voordat je begint.

Tip: Als je Claude Desktop gebruikt, dan kun je passed schrijven en bijwerken. Gebruik niet de artefactfunctie, maar schrijf direct naar passed. Met Claude Code moet je er zelfs aan denken dat je je hele pas moet inlezen en in één stap na elkaar moet bijwerken, wat gewoon iets sneller werkt.

5. AI-geheugen gebruiken voor automatisch programmeren: regels en waarden

Je kunt nog een stap verder gaan door geheugen te gebruiken. Op deze manier kun je ook de voortgang en het geleerde tijdens een coderingssessie overbrengen. Zo is er een uitgebreide database van alle oplossingen die je hebt gevonden of welke problemen je bent tegengekomen.

6. UX-onderzoek integreren in het AI-ontwikkelproces

Een van de grootste waarden van ontwikkeling met AI is dat je zo snel kunt bouwen dat je vergeet te valideren of je het juiste bouwt. Terwijl traditionele softwareontwikkeling natuurlijk tijd neemt voor gebruikersonderzoek, neemt AI-ontwikkeling tijd voor deze belangrijke momenten. Daarom moet UX-onderzoek een bewust onderdeel worden van je workflow.

Kwantitatieve validatie als startpunt
Begin elke functie met marktonderzoek via Google Trends en zoekvolumes. Werkt het voor jouw organisatie? Welke trends zie je in gerelateerde programma’s? Zo krijg je snel inzicht in de markt voordat je gaat kopen. AI maakt het moeilijk om direct te implementeren, maar de eerste validatiefase betekent dat je zult moeten werken aan functies die niemand wil.

Definieer je UX-metrics vóór
Bepaal voordat je begint met metrics. Essentiële metrics voor AI-toepassingen zijn:

• Gebruiksfrequentie: Hoe vaak loggen mensen in en blijven ze terugkomen?
• Duur sessie: Hoelang blijven gebruikers actief in je applicatie?
• Taakvoltooiingspercentage: Kunnen mensen hun doel bereiken?
• Afhaakpunten: Waar haken gebruikers af in de customer journey?
• Time to value: Hoe snel realiseren gebruikers de waarde van hun applicatie?

Dit type KPI kan vanaf het begin in je applicatie worden opgenomen.

Integreer feedback-lussen in je ontwikkelingscyclus
Bouw kleine feedbackmomenten in je AI-workflow. Na elke iteratie van twee tot drie dagen: test met echte gebruikers, ook binnen vijf minuten. AI maakt het mogelijk om snel te itereren op basis van feedback van gebruikers, maar alleen als de feedback ook wordt gedocumenteerd.

Breng de customer journey in kaart
Zorg dat je helder hebt wat de reis is van behoefte naar vervulde behoefte. Waar zitten de obstakels? Welke fases zijn overbelast? AI-tools kunnen helpen om deze klantreis te analyseren, maar je moet je eerst bewust zijn van welke reis je optimaliseert.

De kracht van ontwikkeling met AI ligt niet alleen in snelheid, maar in het vermogen om snel te leren en aan te passen. Maar je kunt alleen leren als je weet wat je doet en als je weet hoe je het moet gebruiken.

De technische realiteit van programmeren met AI

7. De logische beperkingen

Je kunt prachtige code produceren die qua syntaxis helemaal klopt, maar die enorme hoeveelheden logica bevat die je als ervaren ontwikkelaar snel kunt herkennen. Ik kan niet echt schaduwen of het mogelijk is voor mensen die helemaal geen code kunnen lezen om goed AI codeerwerk te benaderen.

De realiteit: AI is een hulpmiddel voor codegeneratie, maar mensen zijn codelogica-validators.

Als je het programma zelf wilt leren, lees dan in elk geval de essentie ervan:

• schone code’ – Robert C. Martin: Functies doen EEN ding, betekenisvolle namen, expliciete foutafhandeling.
• schone architectuur’ – Robert C. Martin: bedrijfslogica gescheiden van infrastructuur, afhankelijkheidsomkering.
• refactoring’ – Martin Fowler: Codegeuren herkennen, eruit halen wanneer je commentaar nodig hebt.
• ‘Test Driven Development’ – Kent Beck: Schrijf testbare code, expliciete neveneffecten.

Hoelang dit nog noodzakelijk is, blijft de vraag. Want de AI-tools ontwikkelen zich in rap tempo door.

8. Context dungeon voorkomen in AI-programmeringsessies

Het is goed om te beseffen dat een AI context gaat verliezen. Dit geldt zowel tussen verschillende codes als in mindere gevallen wanneer codes langer zijn. Daarom is het gebruik van tools zo belangrijk en is goede documentatie cruciaal.

De overdracht van ontwikkelingsvoortgang, situaties en taken die allemaal getest zijn, is daarom erg nuttig om effectief verder te kunnen gaan met het programma. Deze contextualisering betekent ook dat je vaak dingen moet bijwerken met een AI.

9. Goed programmeren is niet moeilijk, zelfs niet met automatische codegeneratie

Dit is een belangrijke les die ik opnieuw moet leren. Ik heb altijd in mijn hoofd gehad, als product, dat dit gewoon de API is waar je naar moet linken met een stukje front-end code. Eenvoudig, dus dat moet toch snel kunnen? Maar in de praktijk is het nooit zo eenvoudig, want goed programmeren is niet eenvoudig.

Een eenvoudig formulier dat iets opslaat in een database vereist:

• Validatie van formulieren
• Bescherming tegen SQL-injectie
• Verificatie van gebruikers
• Sessiebeheer
• Foutafhandeling
• Back-up strategie
• Bewaking

Programmeren klinkt misschien zo eenvoudig en magisch, maar elk klein probleem vereist een solide oplossing, vooral als de code dagelijks wordt gebruikt door 150.000 gebruikers en miljoenen gebruikers.

Machine learning-programmeren: projectmanagement en organisatie

10. Verborgen projectkosten herkennen bij AI-ontwikkeling

Het is goed om te beseffen dat er in elk programmaproject verborgen kosten kunnen zitten en dat is bij AI niet anders. Dit zijn voornamelijk menselijke samenwerkingskosten. Ik kon het project dus zelf bouwen, maar niet voordat ik het recht kreeg om toepassingen in ons CRM-pakket te installeren. Een van mijn collega’s wilde me laten zien hoe onze API’s goed werken. Ik kreeg een cursus van een andere collega. En via Slack kreeg ik veel input van andere ontwikkelaars.

Er zijn minstens vijf uur externe input die je snel vergeet. En dan is het de tijd dat ik alles moet doen. Als je er nog eentje van je werk wilt houden, duurt het lang – 23 minuten volgens het onderzoek – voordat je collega weer in de flow zit.

11. De veelzijdigheid van programma’s met AI herkennen en verwerken

Dit is er een die ik niet wilde accepteren. De twee weken die ik met AI op het programma heb doorgebracht, was ik volledig ongeschikt voor het veld. Sorry Maris. Programmeren met AI gaat zo snel dat het kleine dopamine-shots geeft elke keer als je het volgende probleem oplost. Dit is een eenvoudige manier om te schakelen.

De gevaren van AI-snelheid:

• Doorstroming zonder natuurlijke stoppunten
• Het ‘nog één functie’-syndroom
• Scope creep real-time gegeven in plaats van in vergaderingen
• De technische afdeling stapelt zich onzichtbaar en snel op

Het enige wat echt helpt is het gebruik van kunstmatige stops: Je stopt om 18 uur of als je korte ritten moet maken. En dat is genoeg met AI om dit onder controle te krijgen.

12. Software-onderhoud in het AI-ontwikkeltijdperk

Het is goed om te weten dat alles wat je bouwt ook onderhouden moet worden. Dat wordt met AI, zeker op de lange termijn, steeds eenvoudiger, maar het moet wel gebeuren. Je niet bewust zijn van het onderhoud is een van de grootste en meest voorkomende uitdagingen bij softwareontwikkeling.

Ik heb hier een eenvoudig adagium: eerst gebruiken, dan kopen, dan bouwen. Gebruik wat je hebt, als het dat niet is, koop het dan, en als je het niet kunt kopen, dan is zelf ontwikkelen de beste optie.

• Dus gebruik standaard open source-systemen die door de community worden onderhouden en doorontwikkeld en daaraan worden toegevoegd.
• Gebruik tools zoals N8N voor workflows. Het beheren van workflows is ook eenvoudiger en eenvoudiger dan programmeren.

Dat AI code-onderhoud over vijf jaar volledig van ons heeft overgenomen, darf ik wel voorzichtig te stellen. Maar we zijn er nog niet. Use, before buy, before build is daarom de beste aanpak als het gaat om softwarebouw en -ontwikkeling voor elk bedrijf, hoe snel en goed de AI ook geprogrammeerd kan worden.

13. Privacy- en gegevensbeveiliging bij automatisch programmeren

Bij Voys vinden we privacy een groot goed. En dat wordt nog spannender met AI in het algemeen, wat ook geweldig is voor programma’s met AI. Vooral als je met live data van klanten werkt, is de kans groot dat de klantgegevens via een screenshot of een log naar de AI worden gestuurd. Wees je hier heel bewust van en zorg voor goede mock data. Zowel voor je tests als in realtime systemen waar je code moet testen. En zorg ervoor dat alles wat beschikbaar is voor de persoon, van een 06-nummer tot een e-mailadres, persoonlijke gegevens zijn van zowel je klanten als je collega’s.

Codekwaliteit en productieklare productontwikkeling met AI

14. Code-onderhoud met AI

Nog meer dan bij gereguleerde code moet je aandacht besteden aan de code die je hebt geschreven. Je kunt dit goed integreren in je workflow met AI. Op het moment dat de code goed werkt, kun je gewoon vragen of deze geoptimaliseerd en gesloten kan worden.

Je kunt er in je bedrijfsproces ook voor zorgen dat er geen oude passen, testpassen of andere taken zijn toegevoegd aan de beveiligde codebase. Refactors moeten worden overgenomen uit je gereguleerde werkprocessen.

Houd oude code weg, zodat de AI niet verloren gaat en de code schoon blijft. Want de AI kan soms echt verzanden in legacy-functies die nog ergens in je project rondzwerven.

Tip: wat erg helpt is om de code goed en duidelijk te loggen. Om de AI te leren van de logs, moet je niet alleen mogelijke oplossingen vinden en optimaliseren, maar ook eventuele architectuurproblemen die zijn ontstaan regelmatig oplossen.

15. Code-architectuur en programmeerprincipes voor AI-ontwikkeling

Het helpt heel erg als je vaf het begin zorgt voor een goede architectuur en codeerprincipes. Het maakt je leven niet alleen eenvoudiger, maar het maakt de code ook beheersbaar, overzichtelijk, onderhoudbaar en uitbreidbaar.

Een goede start-prompt voor elke AI-codingsessie, gebaseerd op de eerder genoemde boeken, kan enorm helpen.

16. Productieklare ontwikkeling met AI vanaf dag één

Vanaf deze dag kun je ervoor kiezen om te werken aan een product clearingsysteem. Dit betekent dat je nadenkt over zaken als beveiliging en privacy by design. De latere ontwikkeling is ook complexer dan in het begin.

Overweeg vanaf het begin:

• Beveiliging (authenticatie, snelheidsbeperking, invoervalidatie)
• Monitoring (gezondheidscontroles, structureel loggen)
• Graceful degradation (wat geeft het als optionele services?)
• Onderhoud (logrotatie, databaseback-ups, updates)

Bovendien is het heel gemakkelijk om te werken in een productmanagementsysteem dat ook echt gebruikt wordt. Dan leer je namelijk niet alleen van concepten, maar vooral van werkelijk gebruik en feedback. Oh en nog een tip. De goede logboeken? Ze kunnen ook helpen om architectuurproblemen in de code of inefficiëntie van code op te sporen.

17. Code testen met AI: automatisering en validatie

Zorg ervoor dat je product goed testbaar is. Het scheelt heel erg dat de AI vaak zelf functionaliteit kan testen en goede test voor je kan schrijven.

Let op: een AI schrijft tests die de code valideren die hij niet heeft geschreven, en niet alleen tests die de functionaliteit controleren die de code probeert te realiseren.

Zorg dus voor:

• Een eenvoudige en complete testsuite
• Gedetailleerde logboeken voor foutopsporing
• Code die zowel direct als langdurig is
• Logs die veronderstellingen over bedrijfslogica bevatten, niet alleen technische gegevens
• Zichtbaarheid van de staat van je systeem

Laten we nu beginnen met de functionele test: wat moet deze code doen en hoe bewijs ik met een test dat de code dat goed doet, voordat je de AI de echte code laat schrijven.

Van AI-experiment naar AI-programmeren in productie

18. Standaarden gebruiken voor programmeren met AI

Gebruik de standaarden die in de codeerwereld bekend en veelgebruikt zijn. Hoe meer er wordt geschreven over een juiste toepassing, hoe beter de AI kan worden toegepast op de principes. Dit komt omdat de principes ook bekend zijn bij collega-programmeurs.

Een goed voorbeeld: ik heb een mooie Bootstrap 5-template gekocht, waar heel veel standaard front-end code in zit. Ja het is handig dat ik de AI kan verwijzen naar het beschikbare codevoorbeeld of specifieke UI-elementen die ik wil gebruiken. Het is echter vooral handig dat de AI Bootstrap 5 heel goed kent en zo heel eenvoudig slimme aanpassingen als ‘maak de lijst sorteerbaar op de naam-kolom’ kan toevoegen, omdat de AI weet hoe dit standaard werkt in Bootstrap 5.

19. Gebruik Git en houd de stappen klein bij automatisch code genereren

Het gebruik van Git zorgt er niet alleen voor dat je code netjes beheerd wordt opgeslagen, maar ook dat de code-evolutie duidelijk zichtbaar is. Het gebruik van Git zorgt er ook voor dat je af en toe moet nadenken over de validatie van je code in je workflow.

De belangrijkste tip: houd de stacks die je gebruikt echt klein. Als je stap voor stap kleine functionaliteiten moet implementeren die voortdurend worden getest, dan raak je met AI simpelweg de weg kwijt. Omdat de AI grootschalige taken moet implementeren zonder dat je actief hoeft na te denken en na te denken, is het vrij en kun je snel het overzicht in de code controleren.

Programmeren met AI in de praktijk: meer dan een tool

Na twee weken intensief programmeren met AI besef je al snel: dit is geen nieuwe tool, maar een nieuwe manier van werken. AI genereert code, maar blijft de architect, de kwaliteitsmanager en de probleemoplosser.

Dit is het geval als je een overenthousiast team bent van junior ontwikkelaars die gewend zijn om code te schrijven. En je hebt alle elementen van een volwaardig ontwikkelteam, maar je moet heel expliciet zijn in je ontwerp en ontwikkeling.

Als je je ontwikkelproces niet goed doet, dan is programmeren met AI een heel frustrerend proces. Doe je het goed, dan is het nog regelmatig frustrerend, maar dan… dan is het absolute magie.

De winnende combinatie? AI-snelheid met menselijke wijsheid. Technische uitvoering met zakelijk inzicht. Experimenteerdrift met productiediscipline. Ja, dit is een radicaal andere benadering van softwareontwikkelingsteams.

Begin klein, leeg snel, en bouw iets dat het doet. De eerste stap in programmeren is niet met de machine, maar met de machine. En met deze 19 lessen heb je een goede start om de samenwerking succesvol te maken.

Blogreeks ‘Programmeren met AI’

Dit is het tweede artikel in een serie van vier artikelen over programmeren met AI. De andere delen van de serie kun je lezen via de links hieronder:

• Deel 1: Hoe AI ontwikkelingskosten met 2900% verlaagt
• Deel 2: Programmeren met AI: slanke valsspelen
• Deel 4: De toekomst van programmeren: waarom Engels de nieuwe programmeertaal wordt

Veelgestelde vragen over programmeren met AI

Hoewel AI veel code kan genereren, heb je basiskennis van programmeerlogica nodig om functies te herkennen en AI goed te gebruiken. Begin met het leren van de basisprincipes voordat je gaat programmeren met AI.

Claude Code is momenteel de populairste tool voor AI-programmering. Andere populaire opties zijn GitHub Copilot, ChatGPT en Cursor. De keuze hangt af van je specifieke gedrag en programmering. Mijn ervaring is dat Claude Code verreweg de beste tool is voor de beschreven manier van programmeren.

Gebruik kleine stappen, test regelmatig, documenteer goed, zorg voor goede logging en gebruik een kritische AI prompt die vragen stelt in plaats van direct code te genereren. Het gebruik ervan voor verificatie is essentieel.

Wees zeer voorzichtig met persoonlijke of klantgegevens. Gebruik altijd schijngegevens voor ontwikkeling en zorg ervoor dat je AI-tool voldoet aan de privacyvereisten. Lees de eisen van je AI provider en wees je bewust van de privacy en AI omgeving. Natuurlijk is onze AI-klacht makkelijk te lezen.

Dit hangt af van de complexiteit en de taak. Ik denk dat AI in een gereguleerd ontwikkelingsproces het ontwikkelingsproces met vijf tot drie keer kan versnellen. Een gunstige testapplicatie kan in weken worden gebouwd in plaats van maanden. Als je de toepassing echt effectief wilt maken, moet je het idee vanaf het begin hebben en dan kun je echt van idee naar toepassing gaan.

Weten wat je wilt bouwen, welk probleem je wilt oplossen en hoe de gebruikersdienst moet zijn, is daarom echt cruciaal en dit neemt de meeste tijd in beslag als je software ontwikkelt. Test daarom snel en grondig met echte gebruikers als je het meeste uit AI-ontwikkeling wilt halen.

Nee, AI is heel goed in code genereren, maar heeft menselijke begeleiding nodig voor architectuur, logica-validatie, testen en business-eisen. Het is een krachtige assistent, geen vervanging.