.Plan - Dev Summit 2026: Software-archeologie bij Enexis: developers weten meer dan AI

In dit artikel:

Enexis onderzoekt hoe het zijn digitale infrastructuur voor het veranderende energienet toekomstbestendig kan maken. Door de energietransitie neemt de complexiteit toe: zonnepanelen, laadpalen, warmtepompen en lokale opslag zorgen voor meer variatie in productie en verbruik. Sensoren, slimme stations en digitale besturing moeten helpen om het netwerk betrouwbaar te beheren.

Een centraal systeem daarin is GEN, dat al ruim dertig jaar de fysieke opbouw en technische samenhang van het energienet vastlegt. De software registreert onder meer kabels, stations, transformatoren en schakelaars en kan berekenen welke gevolgen een ingreep heeft voor de elektriciteitsstromen. Het systeem wordt nog actief onderhouden, maar is grotendeels geschreven in Magik, een specialistische taal waarvoor maar weinig ervaren ontwikkelaars beschikbaar zijn.

Enexis bekijkt daarom meerdere opties: doorgaan met moderniseren, onderdelen onderbrengen in andere technologie of een groter deel opnieuw ontwikkelen. GEN is echter omvangrijk en nauw verweven met bedrijfsprocessen, historische keuzes en databases. Een eerdere technische analyse concludeerde dat de code ondanks haar leeftijd zorgvuldig is opgebouwd. Dat gaf inzicht in de kwaliteit, maar nog geen antwoord op de strategische vraag welke onderdelen in de toekomst waar moeten blijven.

Daarop liet Enexis een AI-systeem de volledige codebase onderzoeken. Het model moest mogelijkheden voor opschoning en modernisering vinden en vragen over de technische houdbaarheid beantwoorden. De proef liet zien dat AI grote hoeveelheden code snel kan doorzoeken en verbanden kan blootleggen. Voor kleinere systemen, onboarding en ondersteuning bij het schrijven van software ziet Enexis dan ook duidelijke toepassingen.

Bij GEN liep de aanpak echter tegen grenzen aan. De betekenis van het systeem staat niet uitsluitend in de broncode, maar ook in databases, processen, architectuurkeuzes en jarenlang opgebouwde praktijkkennis. Het model trok daardoor soms verkeerde conclusies of zocht logica op de verkeerde plaats. Ontwikkelaars moesten de resultaten voortdurend controleren en aanvullende context geven. Zij herkenden bovendien uitzonderingen en historische oplossingen waarvan de reden niet uit de code bleek.

De belangrijkste uitkomst van het experiment is daarom dat een AI-analyse niet automatisch leidt tot een bruikbare moderniseringsstrategie. Het systeem kan delen van een complexe omgeving sneller inzichtelijk maken, maar overziet niet zelfstandig de gevolgen voor de organisatie en het energienet. Enexis sluit AI niet uit, maar wil de technologie stapsgewijs en zorgvuldig inzetten. Volgens enterprise architect Jaap blijven menselijke ontwikkelaars vooral bij grote, gespecialiseerde systemen onmisbaar vanwege hun begrip van ontwerpkeuzes, risico’s en onderlinge afhankelijkheden.