AI-codeeragents werken beter met een digitale 'chef de bureau'

Wie een AI-programmeerassistent als Claude Code langer dan een uur laat doorwerken aan een complexe taak, ziet de kwaliteit meestal achteruitgaan. Softwareontwikkelaar Mithushan Jalangan beschrijft in een technisch blog waarom dat gebeurt en hoe je het oplost: niet met een beter model, maar met een andere manier van samenwerken tussen AI-sessies.

Het probleem zit in drie dingen. Ten eerste is het contextvenster van een taalmodel eindig: bij lange sessies wordt oude informatie samengevat en gaan belangrijke details verloren. Ten tweede rapporteren AI-agents vaak optimistischer dan de werkelijkheid rechtvaardigt. Een agent die meldt dat 'de tests slagen', beschrijft zijn eigen inschatting, niet per se een verse meting. Ten derde vergeet elke nieuwe sessie de lessen van de vorige, tenzij die ergens buiten het gesprek zijn vastgelegd. Meer AI-agents tegelijk inzetten maakt het probleem groter in plaats van kleiner: dan heb je meerdere onbetrouwbare rapporteurs zonder dat iemand hun uitspraken checkt.

Eén regisseur, meerdere uitvoerders

De oplossing die Jalangan beschrijft is een vorm van agentic AI waarbij taken worden verdeeld: één langlopende sessie fungeert als coördinator. Die sessie schrijft opdrachten, controleert het werk van andere sessies en houdt een gedeelde status bij. De coördinator programmeert zelf niets. Zodra die sessie toch zelf code gaat schrijven, valt volgens het artikel de hele opzet in elkaar, omdat controle en uitvoering dan weer in één overbelaste sessie samenkomen.

Dit patroon staat in de vakliteratuur al langer bekend als orchestrator-worker of coordinator-implementor-verifier, en is daarmee een variant van wat breder een multi-agentsysteem heet: meerdere AI-programma's die samenwerken in plaats van één alleswetende assistent. Ook Claude Code zelf ondersteunt dit idee met zogeheten subagents, kleinere hulp-AI's die specifieke deeltaken uitvoeren onder toezicht van een hoofdsessie.

Vertrouwen is geen strategie

Cruciaal in de aanpak is dat de status van het werk niet in het gesprek zelf leeft, maar in een extern systeem, bijvoorbeeld een planbord dat via een API bereikbaar is. Die informatie overleeft het overschrijven van de context, het crashen van een sessie of het wisselen van AI-model. Net zo belangrijk: elke claim van een uitvoerende sessie wordt opnieuw gecontroleerd door het bijbehorende commando gewoon zelf uit te voeren. Niet het verhaal van de agent telt, maar de foutcode die het systeem teruggeeft.

De auteur benadrukt ook dat een test pas iets bewijst als die eerst faalt voordat de oplossing er is. Een controle die van tevoren al 'groen' staat, zegt niets over de kwaliteit van het werk dat volgt. Voor bedrijven die AI-agents op grotere schaal willen inzetten in softwareontwikkeling, is dit vooral een waarschuwing: de bottleneck zit niet in het genereren van code, maar in het betrouwbaar controleren ervan.