AI-ontwikkeling verschuift van plannen naar experimenteren

In dit artikel:

In de eerste aflevering van de OpenAI-podcast Builders Unscripted — waar TechCrunch ook over berichtte — praten Peter Steinberger (maker van de AI-agent OpenClaw) en Romain Huet (Head of Developer Experience bij OpenAI) over hoe AI-projecten tegenwoordig vaker ontstaan: niet vanuit een strak plan, maar via experimenten, herhaald gebruik en geleidelijke bijstelling. OpenClaw zelf begon als een losse proef voor toegang via WhatsApp, werd even opgeborgen en later nieuw leven ingeblazen toen bleek dat praktische oplossingen ontbraken; pas door alledaags gebruik kreeg de tool zijn uiteindelijke vorm.

Het gesprek illustreert een bredere verschuiving in ontwikkelpraktijk: moderne modellen kunnen veel taken autonoom oplossen, waardoor ontwikkelaars minder alles van tevoren hoeven vast te leggen. Daardoor verschuift het werk naar testen, itereren en leren van echte gebruikersinteracties — het eindproduct ontstaat deels onderweg. Volgens Steinberger vraagt dat ook om andere verwachtingen: succes komt vaak langzaam, en teams die tijd nemen om te leren wat modellen doen en hoe prompts en workflows samenwerken, behalen betere resultaten.

Daarnaast blijkt uit het gesprek dat veel nuttige AI-toepassingen voortkomen uit persoonlijke behoeften in plaats van strategische roadmaps. Door AI te koppelen aan bestaande communicatiekanalen en tools ontstaat software die aansluit op dagelijkse routines, zodat gebruikers hun manier van werken niet radicaal hoeven aan te passen. De casus van OpenClaw toont daarmee aan dat praktische integratie en gebruikservaring cruciaal zijn voor adoptie.

Kortom: AI-producten worden steeds vaker via iteratie en praktijkgebruik vormgegeven, een patroon dat waarschijnlijk dominant blijft zolang modelcapaciteiten sneller groeien dan gevestigde ontwikkelmethodes. Deze benadering benadrukt experimenteren, geduld en het leren van echte workflows boven vastomlijnde planning.