AI-toepassingen in IT die breed toegepast zouden moeten worden
TL;DR
- De AI-aangedreven tool CodeConcise van Thoughtworks analyseert verouderde code, extraheert bedrijfsregels en versnelt de modernisering van mainframes. Tot nu toe heeft de tool 4 weken per module bespaard op de transformatietijd en 240 FTE-jaren bespaard bij een grootschalige modernisering.
- De AI-aangedreven technische peilingen van Finastra brachten een niet-geregistreerde wekelijkse werkpiek van 6 uur aan het licht. Dit inzicht stelde het leiderschap in staat werkstromen te verfijnen, de taakverdeling te optimaliseren en risico's op burn-out te beperken. AI-aangedreven IDE's, intelligente codesuggesties en geautomatiseerde werkstromen verminderen de cognitieve belasting.
- CreateFuture gebruikte AI-aangedreven backlogbeheer om de tijd die aan het beheren van gebruikersverhalen wordt besteed met 30% te verlagen en 4-8 uur per sprint terug te winnen. AI helpt teams sluipende scope-uitbreiding te detecteren, sprintrapportages te automatiseren en functies met een te beperkte scope te voorspellen voordat ze de ontwikkeling verstoren.
- De LLM-aangedreven loganalyse van Chamomile.ai detecteert subtiele anomalieën, voorspelt storingen en automatiseert herstelacties. Hierdoor is de tijd voor handmatig onderzoek afgenomen en kunnen teams problemen oplossen voordat deze escaleren tot grote uitval.
AI heeft inmiddels vrijwel elke hoek van IT en ontwikkeling bereikt. We horen hoe het de efficiëntie van engineers zal verhogen, de balans tussen werk en privé zal verbeteren en een slimme, alleswetende assistent zal bieden die altijd beschikbaar is. Genoeg om iedereen het hoofd op hol te brengen.
Maar ondanks dat AI praktisch overal aanwezig is, levert het niet helemaal wat we verwachtten, of zelfs maar iets. Meer dan de helft van de IT-leiders heeft moeite om de ROI van AI aan te tonen en verbrandt daarbij miljarden.
In bestuurskamers ligt de focus op agentische AI, risico's en de nieuwste hype rond DeepSeek, maar er is een grotere vraag die niemand lijkt te stellen: lossen we met AI daadwerkelijk de juiste problemen op? Misschien ligt de echte uitdaging niet in de technologie zelf, maar in weten waar we die moeten toepassen.
Want more from The CTO Club?
Create a free account to finish this piece and join a community of CTOs and engineering leaders sharing real-world frameworks, tools, and insights for designing, deploying, and scaling AI-driven technology.
Have an account? Log In
Het is echter niet alleen maar kommer en kwel. Sommige teams hebben dit doorgrond. We spraken met enkele pioniers op het gebied van AI die met verrassend eenvoudige (maar effectieve) bedrijfstoepassingen echte impact realiseren. Dit zijn de AI-toepassingen waar zij het meeste vertrouwen in hebben:
1. Verouderde IT moderniseren
AI lost een al lang bestaande uitdaging op het gebied van modernisering van verouderde systemen op: voorkomen dat verouderde logica in moderne systemen terechtkomt. “Overheidsinstanties werken nog steeds met enorme, monolithische systemen,” zegt Noel Hara, VP & CTO publieke sector bij NTT DATA. “Zelfs wanneer bedrijfslogica wordt geëxtraheerd of code wordt geherstructureerd, bevat deze vaak verouderde logica die diep in de code verborgen zit.”
Het team van Noel gebruikt nu AI om geëxtraheerde regels te analyseren en deze intelligent te vergelijken met het huidige beleid. Nog beter: de tools kunnen slimme updates voorstellen wanneer beleid is gewijzigd, zonder bedrijfseigenaren te overladen. “Deze aanpak houdt het moderniseringsproces soepel en voorkomt een opeenstapeling van technische schuld in het nieuwe systeem.”
Thoughtworks heeft CodeConcise ontwikkeld, een interne AI-aangedreven versneller die complexe codestructuren ontleedt, afhankelijkheden in kaart brengt en cruciale inzichten blootlegt, zelfs wanneer belangrijke ontwikkelaars al lang vertrokken zijn. De tool kan verouderde code ook vertalen naar moderne talen om naleving en afstemming met het ontwikkelingsteam te garanderen.
Tot nu toe is de interne uitrol behoorlijk succesvol: de tool heeft de moderniseringstijd per module al met 4 weken verkort en maar liefst 240 FTE-jaren bespaard bij een grootschalige mainframetransformatie.
Dat gezegd hebbende, kan een andere optie voor het moderniseren van verouderde systemen zijn om samen te werken met de juiste partner voor softwareontwikkeling in een nabijgelegen land.
2. De productiviteit van medewerkers verbeteren
Zelfs vóór de huidige goudkoorts nam AI al het zware werk over van het genereren van standaardcode en het beheren van testgevallen– taken die IT-teams ooit uren kostten. Nu combineren AI-gestuurde IDE's zoals Tabnine en JetBrains AI deze taken met intelligente codebeoordelingen, contextuele samenvattingen en geautomatiseerde documentatie van kennis. Ontwikkelaars hoeven niet langer eindeloze contextwisselingen te maken of op zoek te gaan naar niet-gedocumenteerde oplossingen.
Jimmy Xu, CTO voor technische klantrelaties bij Cycode, ziet de toekomst van AI-ondersteunde engineering zich zo sterk ontvouwen dat hij AI het “middel” noemt om ontwikkelaars die tien keer zo productief zijn mogelijk te maken. Hij heeft een punt. Neem afstand en AI begint minder op een tool te lijken en meer op het bindweefsel van moderne softwareontwikkeling.
Het kan gefragmenteerde workflows aan elkaar knopen, slimmere overdrachten uitvoeren, gedetailleerd inzicht bieden en inefficiënties aan het licht brengen waarvan teams zich misschien niet eens bewust zijn. Finastra ondervond dit aan den lijve nadat het een aangepaste AI-tool had ingezet om de ontwikkelaarservaring te monitoren.
Aanvankelijk gebruikte de leiding door AI aangestuurde peilingen om het welzijn binnen het engineeringteam te beoordelen, maar al snel ontdekten ze een over het hoofd gezien probleem: ontwikkelaars werkten zes extra uur per week, die voorheen niet werden geregistreerd, als gevolg van aanhoudende eisen en voortdurende productupdates.
Omdat ze het risico op een burn-out onderkenden, gebruikte de leiding AI om werkbelastingen te optimaliseren, focusuren af te dwingen en communicatie-uren te verfijnen om onnodige onderbrekingen te beperken. Engineers konden hun energie nu aan innovatie wijden zonder te worden gehinderd door voortdurend wisselen van context.
3. Beheer de productomvang voordat die van “sluipend” in chaos verandert
“Voor een software-engineer neemt coderen slechts een klein deel van de werkweek in beslag—ongeveer twee uur per dag,” merkt Jeff Watkins, CTO bij CreateFuture, op. Het grootste deel van de week gaat op aan het aanpassen van gebruikersverhalen, epics, acceptatiecriteria, QA-workflows en, als je niet oppast, het worstelen met steeds verder groeiende scope-uitbreiding.
Gelukkig heeft AI CreateFuture hier enkele van zijn meest ingrijpende verbeteringen opgeleverd. “We hebben ongeveer 30% van de tijd bespaard die we besteden aan het schrijven, beoordelen en op elkaar afstemmen van epics, verhalen en acceptatiecriteria,” legt hij uit, waarmee hij benadrukt hoe AI hun productontwikkelingsproces heeft aangescherpt.
Zijn team gebruikt AI nu om:
- Vergaderingssamenvattingen te automatiseren om belangrijke discussies en afwijkingen van de oorspronkelijke scope bij te houden en een actielijst op te stellen om bij te sturen.
- Sprintverslagen te genereren door voltooide taken, verschuivingen in de achterstand en veranderende vereisten te monitoren—zodat teams scope-uitbreiding kunnen signaleren voordat die de voortgang ontspoort.
- Een voorspellende analyse uit te voeren op eerdere projecten om functies waarvan de scope te beperkt is ingeschat vroegtijdig op te sporen.
- Feedbacklussen op te bouwen die inzichten van collega's samenvatten en ontwikkelingsmogelijkheden aan het licht brengen.
Jeff ziet AI als een ‘rubber duck’ voor de productomvang: de juiste vragen stellen, blokkades blootleggen en engineeringinvesteringen koppelen aan bedrijfsdoelen. “Nu AI sprintverslagen en documentbeoordelingen afhandelt, winnen we vier tot acht uur per sprint terug.”
4. Maak een zelfherstellende IT-infrastructuur mogelijk
Uitvaltijd is een dure crisis voor IT-teams. Zelfs op goede dagen kan uitvaltijd grote organisaties maar liefst $9,000 per minuut kosten. Tel daar boetes wegens regelgeving, gegevensverlies en reputatieschade voor gereguleerde sectoren bij op, en de totale impact kan oplopen tot meer dan $5 miljoen. Desondanks blijven de meeste IT-monitoringtools reactief; ze detecteren incidenten maar voorkomen niet dat ze opnieuw optreden, en ze hebben moeite om op te schalen. Zoals Jimmy opmerkt: "Schaalbaarheid en levering worden cruciale uitdagingen in een steeds complexere omgeving."
Een zelfherstellende infrastructuur overbrugt deze hiaten met autonome monitoringtools. Voor Tirath Ramdas, CEO van Chamomile.ai, is loganalyse een uitstekend voorbeeld van hoe AI de werklast van ontwikkelaars kan verlichten en tegelijkertijd autonome IT-systemen kan versterken. “Analyse van bugrapporten is vervelend, zelden plezierig en vindt vaak plaats onder hoge druk wanneer storingen of uitval gebruikers al beginnen te raken,” zegt Tirath. Een echte hoofdoorzaakanalyse vereist echter meer dan alleen zoeken naar ERROR-logboeken.
“Het betekent dat je meerdere logboeken met elkaar in verband brengt en subtiele afwijkingen detecteert.” Hij gebruikt LLM's om vervelende zoektochten door logboeken te elimineren en contextuele patronen snel met elkaar te verbinden. “Ze zijn uitstekend in het op basis van gelijkenis koppelen van termen, het intelligent vergelijken van logboeken en het markeren van ongebruikelijk gedrag.” Nog beter: de tool kan kleine storingen in logboeken automatisch detecteren en het aantal handmatige onderzoeken verminderen om incidenten sneller op te lossen.
Naast loganalyse kunnen AI-tools ook kleine incidenten automatisch verhelpen. Autonome, door AI aangestuurde systemen monitoren continu realtimegegevens—CPU-gebruik, netwerklatentie en geheugengebruik—om afwijkingen te detecteren, fout-positieven te verminderen en in actie te komen wanneer drempelwaarden worden overschreden.
Als een systeemmetriek een vooraf gedefinieerde benchmark overschrijdt, kan AI een geautomatiseerd herstelprotocol activeren. “Voor herstel kan AI gerichte herstelbegeleiding bieden en voorgestelde codeoplossingen genereren met geautomatiseerde werkstromen. Vervolgens kun je AI gebruiken om een genormaliseerde risicoscore voor uiteenlopende bevindingen te kwantificeren en het prioriteren te automatiseren,” merkt Jimmy op.
AI stimuleert verandering als je cultuur dit ondersteunt
AI kan technische en IT-teams echt tijd besparen en volledig inzicht in werkstromen bieden– maar alleen als de cultuur klaar is om dit te ondersteunen. “Je hebt geen nieuwe geavanceerde technologie nodig om deze resultaten te behalen,” zegt Jeff. Dit is allemaal mogelijk met de AI-tools die al in je kantoorpakket zijn ingebouwd, zoals Microsoft Copilot 365 of Google Gemini Advanced.
“Wat er echt toe doet, is investeren in mensen. Laat hun zien hoe ze met deze tools kunnen krijgen wat ze nodig hebben,” voegt hij toe. Zelfs in kleine teams levert een paar uur coaching per persoon al snel resultaat op en zie je plotseling een echt rendement op je investering.
Grotere teams kunnen experimentele projecten proberen, zoals de beruchte dagen waarop je de scope ‘hackt’. Geef je engineers een ambigu project, een berg gegevens en AI-tools om problemen zoals risicovoorspelling of het opstellen van grote werkitems op te lossen. De beste oplossing wint opscheprechten, enkele stimulansen om hun volgende pilotproject aan te moedigen en waarschijnlijk een overdreven grote trofee.
“Dus mijn conclusie is: word eerst goed in het gebruiken van de tools die je tot je beschikking hebt voordat je meer aanschaft, anders loop je het risico het slachtoffer te worden van het oude gezegde ‘wel de uitrusting, maar geen idee’.”
Abonneer je op de nieuwsbrief van de CTO Club voor meer inzichten over AI, de afstemming tussen bedrijfsvoering en engineering en zelfherstellende IT.
