Ai

In februari 1996 bedacht ik een manier om ‘op afstand’ website bezoek te meten en rapporteren. Ik zette een plaatje op mijn ‘HTML Hoek’ website die van mijn eigen server kwam, noemde het Nedstat (want de directory moest een naam), en maakte de eerste versie van de applicatie: Tijdens het laden werd een bestandje bijgewerkt op de server, en door te klikken op het plaatje startte een perl script dat een rapportage deed. Laatste 10 bezoekers (door een bug waren dat er 11, don’t ask), bezoekers per dag, uur, land. Real time. Simpel, maar dit idee bestond nog totaal niet. Ik dacht toen al: Dit kan wel eens een succes gaan worden.

De paradox

Ik lees vaak enthousiaste verhalen van mensen die met AI apps aan het bouwen zijn. Perfecte workflows, tickets in Linear, zelfstandige agents die programmeren, “in een weekend in elkaar gezet!” En het enthousiasme is ook terecht, de kracht die je als individu nu krijgt is ongelooflijk en de kwaliteit gaat met sprongen vooruit.

Maar dan heb ik ook de vraag: Waar zijn dan al die apps? Als iedereen zo super-productief is, en al die creativiteit ineens los wordt gelaten op de wereld, wat zijn dan die nieuwe hits? Hier zie ik dan 2 elkaar tegensprekende statistieken:

• Het aantal uploads naar de App Store is +24% in 2025, een ongekende stijging sinds de grote golf van 2016. Bron: AppFigures
• Het aantal downloads uit de App Store is -2.7% in 2025: De lange dalende trend zet gewoon door.
• Maar mensen geven wel +21.6% meer uit - het geld gaat naar de apps die goed zijn. Bron: Techcrunch

AI Coding werkt, maar is niet altijd alles

Programmeren met een AI tool, of dat nou via een web-based tool is of met een copilot in Cursor, werkt vaak goed. Sinds een paar maanden zelfs verbijsterend goed. Natuurlijk zijn er nog steeds bizarre blunders en leugens, maar als je het redelijk in toom houdt kan je prima iets in elkaar zetten. Het helpt om hierbij 3 verschillende doelen te onderscheiden voor je app.

Soms heb je van die projecten die net iets te lastig zijn om aan te pakken, voor de beloning die het oplevert. Ik ben de laatste tijd bezig met een grote IT schoonmaak, en daarbij kwam ik een aantal externe harddisks tegen, die ik allemaal naar mijn NAS heb gesynct. Ergens tijdens het scrollen zag ik dat de info langs kwam van mijn oude werkstation sirius, tijdens mijn astro tijd. Toen ik allerlei websites maakte, zoals HTMLHoek, de eerste Ajax site van het internet (samen met Edo Engel van de VU), en natuurlijk Nedstat.

Normaal is het te veel moeite om dat allemaal te gaan uitzoeken. Maar met een AI tool wordt het precies te doen. Claude code opgestart, toegang gegeven tot mijn NAS, en opdracht gegeven om, om te beginnen, eens een website terug te zetten, via Cloudflare Pages.

Veel software producten, wellicht alle, hebben nu of binnenkort een AI component, of zijn opgebouwd rondom AI. Ik was bij een prima verhaal van een mevrouw van Miro die goed heeft nagedacht over hoe de user experience van AI ontworpen moet worden. “We shape our tools, and thereafter, our tools shape us.” is een bekend citaat dus de design beslissingen van AI zijn belangrijk. Een presentatie vol met ‘5 ways’ achtige lijstjes. Here we go.

Uitdagingen van AI design. 

• Werken met bias. De spreekster ziet dit zowel als een probleem als als een kans. We kunnen de wereld van de AI namelijk zo maken zoals we willen door de trainingsdata goed te kiezen. 
• Veiligheid en privacy. De zorgen om een AI die de wereld overneemt zijn niet gegrond, maar privacy en deep fakes zijn wel een zorg, en psychologisch welbevinden door chatbots die verkeerde of agressieve adviezen geven
• Ontwerp voor kans. Een LLM is niet deterministisch, je kan van te voren niet voorspellen wat er uit gaat komen. 
• Vertrouwen en transparantie. Je ziet iedere dag voorbeelden van ‘hallucinaties’ van taalmodellen die zelf dingen verzinnen. Van belang is om de bronnen te laten zien, en daarmee het vertrouwen te blijven winnen

Dus hoe moet je dan ontwerpen?

Eerste verhaal waar ik heen ging was van Google en McKinsey, en was best prima. Er is ook al over geschreven door Erwin Blom en Michiel Buitelaar maar ik zal mijn perspectief geven.

Het beeld wat ik er uit haalde was: Je hebt goede data nodig, een goed taalmodel en je mensen moeten snappen wat ze daar aan hebben. Daarmee kan je krachtige impact maken.

Data: Bij Google hebben ze een geweldige codebase: De code waarop bijvoorbeeld Chrome en Search draait. 500,000 manjaar aan werk, met niet alleen goede code maar ook alle wijzigingen worden bijgehouden, alle vragen die ontwikkelaars in fora stellen en de antwoorden. Dus niet alleen het eindproduct maar ook het proces.