Technisch directeur vernieuwt de engineeringlevenscyclus — en de impact daarvan op zijn team

Sergey Terentyev geeft leiding aan technologie en engineering binnen een gereguleerde digitale bankomgeving. In het afgelopen jaar heeft hij de volledige engineeringlevenscyclus herzien, zodat AI in elke stap is geïntegreerd.

We spraken met Sergey om meer te weten te komen. Hij vertelde ons wat hij heeft veranderd en welke gevolgen dat voor zijn team had.

AI verandert meer dan alleen de tools

Ik ben Sergey en momenteel CTO in de bank- en fintechsector in de VAE. Ik ben begonnen als software-engineer en ben doorgegroeid naar een leidinggevende functie door producten te ontwikkelen, teams op te schalen en complexe technologieproblemen op te lossen.

Mijn weg naar AI-transformatie was eenvoudig: traditionele methoden voor het opbouwen en aansturen van technologieteams worden te traag. Teams besteden nog steeds te veel tijd aan repetitief werk, coördinatie, documentatie, ondersteuning en handmatige processen.

Nu richt ik me op praktische AI-adoptie binnen engineering- en productorganisaties. Niet op AI als hype, maar als een manier om sneller te werken, de oplevering te verbeteren, verspilling te verminderen en kleinere teams te helpen veel meer te bereiken.

Ik zie dit moment als een tijd om opnieuw na te denken over hoe technologieorganisaties werken. AI verandert niet alleen de tools, maar ook teams, leiderschap en de manier waarop bedrijven producten ontwikkelen.

Innovatie en regelgeving in balans brengen

De organisatie waar ik leiding geef aan technologie en engineering opereert in een sterk gereguleerde sector. Het technologielandschap combineert daarom moderne productontwikkeling met beveiliging, compliance en operationele vereisten op ondernemingsniveau.

De engineeringorganisatie omvat mobiele en webplatforms, backenddiensten, cloudinfrastructuur, cybersecurity, integraties, dataplatforms en leveranciersbeheer. We werken zowel met interne ontwikkeling als met strategische externe partners, terwijl we geleidelijk meer essentiële capaciteiten intern onderbrengen.

Vanuit architectuurperspectief bewegen we naar een modulairder en meer API-gestuurd model, met sterker eigenaarschap binnen product-engineeringteams. De omgeving is behoorlijk complex, omdat we werken met banksystemen, fintechintegraties, betalingsinfrastructuur, klantgerichte applicaties en interne operationele platforms.

Implementatie en oplevering verlopen zeer iteratief, met een sterke focus op automatisering, CI/CD, cloudinfrastructuur, observability en operationele veerkracht. Een belangrijke prioriteit is het verminderen van de afhankelijkheid van traditionele opleveringsmodellen en het verhogen van de engineeringproductiviteit door AI-ondersteunde ontwikkeling en automatisering.

Een groot deel van mijn rol bestaat uit het in balans brengen van de snelheid van innovatie met de realiteit van het opereren in een gereguleerde financiële omgeving, waar betrouwbaarheid, beveiliging en governance cruciaal zijn.

Hoe verplichte AI de engineeringworkflows verandert

We hebben AI rechtstreeks in de engineeringworkflow voor oplevering geïntroduceerd, in plaats van het te beschouwen als een optionele tool voor individueel gebruik.

Daarvoor besteedden engineers veel tijd aan repetitieve taken zoals het implementeren van standaardcode, documentatie, codeanalyse, foutopsporing, testvoorbereiding, het beoordelen van code van leveranciers en het vertalen van bedrijfsvereisten naar technische taken. De operationele overhead overbelastte senior engineers, waardoor ze zich niet konden richten op architectuur- en productbeslissingen.

In het afgelopen jaar hebben we AI-ondersteunde ontwikkeling systematisch geïntegreerd in de dagelijkse engineeringprocessen. Dit omvatte het genereren van code, ondersteuning bij codebeoordelingen, het genereren van documentatie, impactanalyses, incidentonderzoek en sneller prototypen.

De verandering had niet alleen invloed op de snelheid, maar ook op de manier waarop teams werken. Engineers besteden nu minder tijd aan repetitieve activiteiten met een lage waarde en meer tijd aan systeemontwerp, productdenken en besluitvorming. Ook verminderde dit de afhankelijkheid van een klein aantal senior medewerkers, doordat kennis gemakkelijker over teams heen kan worden verspreid.

De grootste verandering was waarschijnlijk cultureel. Teams zagen AI niet langer als een experimentele tool; het werd onderdeel van de normale engineeringworkflow. Ze verwachten nu standaard automatisering, in plaats van ervan uit te gaan dat elk proces handmatig moet verlopen.

Sergey deelt

We hebben AI rechtstreeks in de engineeringworkflow voor oplevering geïntroduceerd, in plaats van het te beschouwen als een optionele tool voor individueel gebruik.

Hoe AI elk onderdeel van de engineeringlevenscyclus kan raken

Laten we kijken naar het traject van bedrijfsvereiste tot productieklare technische implementatie.

Het begint meestal met een product- of bedrijfsverzoek dat in algemene bewoordingen is opgesteld. AI helpt dit te vertalen naar gestructureerde technische vereisten, identificeert afhankelijkheden, stelt API-contracten voor en brengt mogelijke randgevallen of integratierisico's al vroeg in het proces onder de aandacht.

Vervolgens gebruiken engineers AI-ondersteunde ontwikkeltools tijdens de implementatie om diensten als basis op te zetten, repetitieve codepatronen te genereren, testgevallen te maken en documentatie sneller op te stellen. Het doel is niet volledig autonoom programmeren, maar het verminderen van handmatig werk met weinig toegevoegde waarde, zodat engineers zich kunnen richten op architectuur en logica.

Tijdens de ontwikkeling helpt AI ook bij codebeoordelingen, legt het onbekende delen van de codebase uit, identificeert het mogelijke kwetsbaarheden en valideert het implementatiebenaderingen. Voor systemen waarin incidenten vaak voorkomen, gebruiken engineers AI om logboeken te analyseren en afwijkend gedrag veel sneller samen te vatten dan bij traditioneel handmatig onderzoek.

Zodra wijzigingen in implementatiepijplijnen terechtkomen, verzorgt automatisering het testen, valideren en monitoren. Na de implementatie wordt AI opnieuw nuttig door teams te helpen waarschuwingen te interpreteren, incidenten met elkaar in verband te brengen en de onderzoektijd tijdens operationele problemen te verkorten.

Zoals je ziet, is AI nu ingebed in de volledige technische levenscyclus, in plaats van alleen als een geïsoleerde chatbot of programmeerassistent te worden gebruikt. Het is onderdeel geworden van de dagelijkse workflow, van planning tot operations.

Waarom CTO's de machinale leesbaarheid moeten verbeteren

We hebben de afhankelijkheid van gecentraliseerde kennis en handmatige coördinatie verminderd. In plaats van kritieke informatie uitsluitend bij bepaalde mensen of teams te laten berusten, hebben we workflows geïntroduceerd waarin AI engineers hielp systemen te navigeren, architectuur te begrijpen, incidenten te analyseren en zelfstandig sneller ingewerkt te raken.

Dat brengt me bij een andere belangrijke verandering die we hebben doorgevoerd: systemen ontwerpen voor machinale leesbaarheid, niet alleen voor menselijke leesbaarheid.

Schone API's, gestructureerde documentatie, monitoring, modulaire diensten en goed gedefinieerde interfaces verbeteren zowel de menselijke productiviteit als de effectiviteit van AI aanzienlijk.

Waarom AI geen oordeelsvermogen aankan in een gereguleerde sector

AI versnelt vooral de oplevering en vermindert repetitief technisch werk. Tijdens incidentrespons helpt AI engineers bijvoorbeeld logboeken te analyseren, mogelijke hoofdoorzaken te identificeren, bevindingen samen te vatten en het onderzoek te versnellen.

Tegelijkertijd blijven sommige gebieden nadrukkelijk door mensen gestuurd. Voor definitieve architectuurbeslissingen, beveiligingsgovernance, risicoacceptatie, prioritering en verantwoordelijkheid voor productie zijn nog steeds ervaren mensen nodig om afwegingen te maken.

Kort gezegd blinkt AI uit in versnelling en patroonherkenning, maar leiderschapsbeslissingen in complexe systemen blijven afhankelijk van context, afwegingen, bedrijfsprioriteiten, regelgeving en langetermijndenken. Vooral in de financiële dienstverlening kun je verantwoordelijkheid niet volledig automatiseren.

Hoe AI engineeringteams negatief kan beïnvloeden

Het grootste positieve resultaat is de hogere ontwikkelsnelheid geweest. Taken die vroeger dagen duurden, kunnen nu soms in enkele uren worden uitgevoerd. Ook operationele wrijving is verminderd, waardoor de algehele opleveringsstroom is verbeterd en senior medewerkers zich meer kunnen richten op architectuur en besluitvorming in plaats van voortdurend brandjes te blussen.

Daarnaast zagen we dat nieuwe medewerkers sneller werden ingewerkt, omdat AI-ondersteuning engineers helpt onbekende systemen veel sneller te begrijpen.

Er is echter ook een negatieve kant:

• We hebben geleerd dat AI een vals gevoel van vertrouwen kan creëren. Gegenereerde code ziet er vaak correct uit, zelfs wanneer de onderliggende aannames onjuist zijn. Zonder sterke technische basisprincipes en beoordelingsprocessen kunnen teams sneller de verkeerde richting op gaan.
• We merkten dat minder ervaren engineers soms te afhankelijk worden van AI-tools zonder de systemen die ze bouwen volledig te begrijpen. Een onverwachte uitdaging was daarom ervoor te zorgen dat AI de capaciteiten vergroot in plaats van de technische diepgang te verminderen.
• Governance en beveiliging zijn een grotere uitdaging geworden. In gereguleerde omgevingen heb je duidelijke grenzen nodig rond de gegevens waartoe externe AI-systemen toegang hebben, de manier waarop gegenereerde code wordt beoordeeld en hoe je ervoor zorgt dat beslissingen controleerbaar blijven.

Waar AI onder de verwachtingen blijft

AI heeft nog geen autonome software-engineering geleverd. Er is veel enthousiasme rond het idee van volledig door AI gegenereerde systemen of het vervangen van engineeringteams, maar in de praktijk zijn we daar in complexe bedrijfsomgevingen nog lang niet.

AI versnelt het werk van ervaren engineers, helpt hen bij het maken van prototypes en ondersteunt hen zeer goed. Maar zodra systemen groot, onderling verbonden, gereguleerd en operationeel kritiek worden, worden de beperkingen duidelijk. Het omgaan met context, consistentie op lange termijn, architecturale afwegingen en diepgaand systeeminzicht zijn nog steeds zwak in vergelijking met die van ervaren mensen.

Ook de betrouwbaarheid van resultaten voor productieomgevingen viel me tegen. Door AI gegenereerde code ziet er in eerste instantie vaak indrukwekkend uit, maar de kwaliteit kan snel afnemen bij uitzonderingssituaties, schaalbaarheidsproblemen, beveiligingsvereisten of onderhoudbaarheid. De laatste 20 procent van het engineeringwerk blijft grotendeels mensenwerk.

Sergey deelt

AI versnelt het werk van ervaren engineers, helpt hen bij het maken van prototypes en ondersteunt hen zeer goed. Maar zodra systemen groot, onderling verbonden, gereguleerd en operationeel kritiek worden, worden de beperkingen duidelijk.

Hoe AI aannames over teams en architectuur ter discussie stelt

Engineering op grote schaal komt niet langer voornamelijk voort uit het aannemen van meer mensen.

Kleinere, zeer technische teams met sterke AI-tools kunnen veel sneller werken dan veel grotere organisaties met zware procesmatige overhead. In sommige gevallen werd coördinatie zelf een grotere bottleneck dan het daadwerkelijke engineeringwerk.

Daarom zijn we overgestapt op kleinere, productgerichte engineeringteams met meer eigenaarschap en meer automatisering rond oplevering, beheer en documentatie.

AI heeft ook mijn kijk op senioriteit veranderd. Voorheen vormden toegang tot informatie en ervaring sterke bottlenecks rond enkele senior engineers of architecten. AI verkleint die asymmetrie deels, omdat kennis, documentatie en technische verkenning in de hele organisatie veel toegankelijker worden.

Architecturaal gezien heeft dit me ook in de richting van eenvoudigere en meer modulaire systemen geduwd. AI presteert veel beter wanneer systemen goed gestructureerd en observeerbaar zijn en onderdelen duidelijk van elkaar zijn gescheiden. Complexe, niet-gedocumenteerde omgevingen zorgen zowel voor mensen als voor AI-systemen voor wrijving.

Waarom mensen bij de invoering van AI meer aandacht nodig hebben dan tools

Ik heb de menselijke kant van de invoering onderschat.

In eerste instantie richtten we ons vooral op tools en mogelijkheden. We gingen ervan uit dat de invoering vanzelf zou plaatsvinden zodra engineers toegang hadden tot sterke AI-systemen. Teams reageerden zeer verschillend. Sommige engineers werden onmiddellijk veel productiever, terwijl anderen hun werkwijze nauwelijks veranderden.

Als ik een deel van de uitrol opnieuw zou kunnen doen, zou ik minder tijd besteden aan het evalueren van tientallen AI-tools en meer tijd aan het herontwerpen van werkprocessen, het trainen van teams en het definiëren van duidelijke operationele patronen voor het gebruik van AI binnen engineering.

Waarom CTO's dit als een verschuiving in het operationele model moeten zien

Mijn advies aan CTO's is om AI te zien als een verschuiving van het bedrijfsmodel, en niet alleen als een upgrade van hulpmiddelen.

Veel bedrijven benaderen AI nog steeds zoals ze eerdere softwaregolven benaderden — door platforms aan te schaffen, pilots uit te voeren en geïsoleerde toepassingen toe te voegen. Daarmee missen ze de grotere verandering. AI verandert de manier waarop engineeringteams werken, hoe producten worden gebouwd en hoe organisaties opschalen.

Ten tweede: blijf pragmatisch. Op dit moment is er enorm veel hype en veel bedrijven proberen AI te forceren in problemen waar het weinig waarde toevoegt. De beste resultaten komen meestal voort uit het eerst verbeteren van bestaande werkstromen, in plaats van het najagen van futuristische ideeën.

Ten derde: investeer sterk in technische basisprincipes in plaats van ervan uit te gaan dat AI deze vervangt. Een sterke architectuur, een goede engineeringcultuur, duidelijke verantwoordelijkheid, operationele discipline en ervaren mensen zijn nog belangrijker in een door AI aangestuurde omgeving.

En tot slot: CTO's zouden deze systemen persoonlijk moeten gebruiken — niet via rapporten of demonstraties van leveranciers, maar op een praktische manier. Het tempo van verandering ligt te hoog om dit onderwerp uitsluitend strategisch te beheren zonder directe ervaring met de technologie zelf.

Volg mee

Je kunt het werk van Sergey Terentyev volgen op LinkedIn.

Er volgen meer interviews met experts op The CTO Club.