# AI in softwareontwikkeling: welke tools wanneer | Miyagami > Interactieve whitepaper van Bo Wesdorp over vier jaar AI in engineering: van Copilot tot chat, context, harnesses en loops, en wat elke stap veranderde. Source: https://www.miyagami.com/nl/resources/whitepapers/how-ai-changed-engineering Whitepaper · 14 pagina's · door Bo Wesdorp # Hoe AI engineering veranderde Sinds 2022 nemen engineeringteams AI-tools in zes golven in gebruik, van autocomplete in de editor tot agents die zelfstandig draaien. Deze pagina volgt dat traject: welke tools wanneer kwamen, hoe elke tool het dagelijkse werk veranderde en wat teams die er het meeste uit haalden anders deden. Volg de reis 1. 1 Completion 2. 2 Chat 3. 3 Context 4. 4 Harness 5. 5 Loop 6. 6 Verificatie 7. → Wat te doen Inleiding Bo Wesdorp **Bo Wesdorp** Medeoprichter en CTO, Miyagami Sinds 2022 heb ik de manier waarop onze engineers werken vier keer opnieuw opgebouwd. Elke keer kwam er iets dat een beperking wegnam. Binnen een paar maanden was duidelijk dat het werk niet was verdwenen. Het was verschoven. De meeste teams die ik spreek kochten de tools in die volgorde en veranderden verder niets. Ze hebben Copilot-seats uit 2023 en agentbudgetten van dit jaar. Daarnaast draaien ze een reviewproces, een definition of done en een bezettingsplan die allemaal stammen uit de tijd dat het schrijven van code het dure deel was. Bij onze eigen builds komt nu 80 tot 90 procent van de productiecode uit een model. Dat maakte ons op zichzelf niet sneller. Door alles eromheen opnieuw op te bouwen gingen we van tien engineers naar vier. **80 tot 90%** van de productiecode in onze builds komt uit een model **10 naar 4** engineers op een project dat in 2024 nog tien nodig had **6** golven AI-tools in vier jaar De adoptiereis ## Vier jaar AI-tools in engineering De meeste teams kochten deze tools in deze volgorde en veranderden verder niets. Kies een golf om te zien wat teams invoerden, hoe het werk veranderde en wat er openbleef voor de volgende golf. De stack groeit mee terwijl je doorklikt. 2022 tot 2023Completion *GitHub Copilot* *T**Tabnine* *Amazon CodeWhisperer* *JetBrains full-line completion* *K**Kite* 2023 tot 2024Chat *ChatGPT* *Claude* *GitHub Copilot Chat* *Cursor* 2024 tot 2025Context *Model Context Protocol* *CLAUDE.md* *A**AGENTS.md* *.cursorrules* *A**Aider* Begin 2026Harness *Claude Code* *OpenAI Codex* *LangChain Deep Agents* *L**Langfuse* *Braintrust* Medio 2026Loop *Claude Code /loop* *Codex goals* *GitHub Copilot coding agent* *O**OpenClaw* *GitHub Actions* NuVerificatie *CodeRabbit* *Greptile* *Qodo* *Graphite* *S**Semgrep* Nu · Golf 6 ### Verificatie Wat teams gingen gebruiken : Teams voegen AI-review toe (CodeRabbit, Greptile, Qodo, Graphite), scannen op waar de agent bij kwam (Semgrep, Snyk, Socket) en gebruiken tools die de reviewwachtrij zichtbaar maken (Faros, LinearB). De teams die het snelst gaan, veranderen ook de volgorde van het werk. Hoe het werk veranderde : De spec en de acceptatietests staan er voordat de agent begint. Zo worden de meeste wijzigingen automatisch gecontroleerd en lezen mensen alleen de riskante. Bleef liggen voor de volgende golf : De spec en de tests één keer schrijven, voordat de agent draait Lees het hoofdstuk 01 2022 tot 2023 · Completion Golf 1 van 6 ## Completion nam het typewerk uit handen Wat teams gingen gebruiken Teams kochten GitHub Copilot-seats. Completion zat in de editor en vroeg niemand om anders te werken. Daarom verspreidde het zich zo snel. Hoe het werk veranderde Engineers stopten met het typen van boilerplate en accepteerden suggesties met Tab. GitHub Copilot zette een model in de editor dat de regel afmaakte die je aan het typen was. Boilerplate verdween uit het werk en niemand mist dat. Het maakte ook een verkeerde aanpak even snel te schrijven als een goede. De bottleneck verschoof van hoe snel iemand kon typen naar of diegene wist wat er getypt moest worden. Waar de focus ligt De juiste aanpak kennen voordat de suggestie verschijnt. Een snel fout antwoord blijft fout. Opgelost : Boilerplate en de volgende regel code Bleef liggen voor de volgende golf : Bepalen wat je typt De tools van deze golf [**GitHub Copilot**](https://github.com/features/copilot) [*T* **Tabnine**](https://www.tabnine.com/) [**Amazon CodeWhisperer** nu Amazon Q Developer](https://aws.amazon.com/q/developer/) [**JetBrains full-line completion**](https://www.jetbrains.com/help/idea/full-line-code-completion.html) *K* **Kite** gestopt in 2022, voordat de modellen goed genoeg waren Testen wij hierop? Deels We testen wat completion niet voor je doet Niemand krijgt een score op typesnelheid of op hoe goed iemand autocomplete gebruikt. De fundamentals-assessment draait met alle AI-tools uit. Een engineer die zonder suggesties niet over een systeem kan redeneren, ziet namelijk niet wanneer een suggestie fout is. [Technisch inzichtFundamentals-scorecard](https://www.miyagami.com/nl/how-we-vet#fundamentals)[DebuggenFundamentals-scorecard](https://www.miyagami.com/nl/how-we-vet#fundamentals) Hier op inhuren [Full-stack engineers](https://www.miyagami.com/nl/hire/full-stack-engineers) [Frontend engineers](https://www.miyagami.com/nl/hire/frontend-engineers) 02 2023 tot 2024 · Chat Golf 2 van 6 ## Chat maakte van een beschrijving een blok code Wat teams gingen gebruiken Engineers hielden ChatGPT of Claude naast de editor open en plakten code heen en weer. GitHub Copilot Chat bracht dat naar de IDE. Cursor maakte er een einde aan door het model de hele repository te laten lezen. Hoe het werk veranderde Het werk begon met het beschrijven van het probleem in woorden, in plaats van met het schrijven van de code. ChatGPT en Claude maakten van een probleemomschrijving een blok code. Voor een medior engineer was dit de grootste sprong van de hele tijdlijn. Geen van beide zag jouw systeem. Daarna volgde een jaar prompt engineering: een echte vaardigheid, toegepast op de verkeerde laag. Chat leerde de engineers die de uitleg lazen ook iets bij, en maakte de engineers die dat niet deden sneller. Waar de focus ligt Naast de code ook de uitleg lezen, en zien wanneer het antwoord is geschreven voor een ander systeem dan het jouwe. Opgelost : Een beschreven probleem omzetten in werkende code Bleef liggen voor de volgende golf : Het model jouw systeem laten begrijpen [**19% langzamer** Ervaren developers waren in een proef uit 2025 19 procent langzamer met AI-tools, terwijl ze dachten dat ze 20 procent sneller waren. METR, juli 2025](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) De tools van deze golf [**ChatGPT**](https://chatgpt.com/) [**Claude**](https://claude.ai/) [**GitHub Copilot Chat**](https://github.com/features/copilot) [**Cursor** maakte een einde aan die tijd door het model de hele repository te laten lezen](https://cursor.com/) Testen wij hierop? Ja We testen of ze een wijziging kunnen uitleggen die ze zelf niet hebben getypt In de AI-native assessment draait de engineer met zijn eigen tools en vragen we waarom de agent voor een bepaalde aanpak koos. “De agent deed het” is geen uitleg die we accepteren. Een engineer die steeds dezelfde vage opdracht opnieuw prompt in plaats van de input te verbeteren, scoort laag. [Verificatie van AI-outputAI-native scorecard](https://www.miyagami.com/nl/how-we-vet#ai-native)[Prompt- en context engineeringAI-native scorecard](https://www.miyagami.com/nl/how-we-vet#ai-native) Hier op inhuren [AI-native engineers](https://www.miyagami.com/nl/hire/ai-native-engineers) [Full-stack engineers](https://www.miyagami.com/nl/hire/full-stack-engineers) 03 2024 tot 2025 · Context Golf 3 van 6 ## Met context werd wat je het model voedt het product Wat teams gingen gebruiken Eind 2024 kwam het Model Context Protocol. Teams voegden CLAUDE.md-, AGENTS.md- en .cursorrules-bestanden toe aan hun repositories. Aider, Cline en Windsurf brachten agentic editing naar de editor. Hoe het werk veranderde Engineers gingen schrijven voor het model: contextbestanden in de repository en live koppelingen naar tickets, schema's en foutlogs. Hier stopte de sector met het model als product te zien en ging het wat je erin stopt als product zien. Dit is ook de laag waar de meeste teams nog zitten, wat ze zelf ook denken. Waar niemand voor waarschuwt, is veroudering. Het bestand dat in maart klopte, beschrijft een systeem dat in september niet meer bestond. Een verouderd contextbestand is erger dan geen: de agent zit er overtuigd naast, op een manier die door de review komt. Wij rekenen het bijwerken ervan tot de definition of done. **Contextbestanden** CLAUDE.md, AGENTS.md en .cursorrules bevatten wat een nieuwe engineer moet weten, opgeschreven op de plek waar de tool het bij elke run leest. **Model Context Protocol** Eind 2024 gepubliceerd door Anthropic. Het is één standaard om een model toegang te geven tot dingen die geen bestanden zijn: de ticket tracker, het schema, de error log. Waar de focus ligt Contextbestanden actueel houden. Een verouderde CLAUDE.md levert overtuigend werk op dat door de review komt. Opgelost : Het model kan je repository, je tickets en je schema lezen Bleef liggen voor de volgende golf : Bepalen wat het model mag doen De tools van deze golf [**Model Context Protocol**](https://modelcontextprotocol.io/) [**CLAUDE.md**](https://code.claude.com/docs/en/memory) [*A* **AGENTS.md**](https://agents.md/) [**.cursorrules**](https://cursor.com/docs/context/rules) [*A* **Aider** bracht repositories in kaart die groter zijn dan het contextvenster](https://aider.chat/) [**Cline**](https://cline.bot/) [**Windsurf**](https://windsurf.com/) Testen wij hierop? Ja We beoordelen de context die ze opzetten en wat ze achterlaten Prompt- en context engineering is een van de zes AI-native criteria: levert de setup in één of twee rondes bruikbare output op? We kijken ook of iemand het volgende ticket makkelijker maakt, bijvoorbeeld met een strakkere CLAUDE.md of een herbruikbaar commando. [Prompt- en context engineeringAI-native scorecard](https://www.miyagami.com/nl/how-we-vet#ai-native)[Spec-driven developmentAI-native scorecard](https://www.miyagami.com/nl/how-we-vet#ai-native) Hier op inhuren [AI-native engineers](https://www.miyagami.com/nl/hire/ai-native-engineers) [LLM-integratie-engineers](https://www.miyagami.com/nl/hire/llm-integration-engineers) 04 Begin 2026 · Harness Golf 4 van 6 ## De harness: een agent is een model plus alles eromheen Wat teams gingen gebruiken Claude Code met hooks, skills en subagents, OpenAI Codex en LangChain Deep Agents maakten van het model een agent. Langfuse en Braintrust lieten zien wat de agent precies deed. Hoe het werk veranderde De agent draaide de tests, las de foutmelding, loste de fout op en opende de pull request. Engineers stelden in waar hij bij mocht. Het vocabulaire kwam in februari 2026. Mitchell Hashimoto gebruikte de term harness engineering en binnen een paar weken was het een vakgebied rond één zin: een agent is een model plus een harness. Het model is het deel waar je geen controle over hebt en dat je kunt vervangen. De harness is al het andere: de loop die het aanstuurt, de tools die het kan aanroepen, hoe de context wordt ingekort als een taak lang duurt, de sandbox waarin het draait, de permissiegrenzen, de hooks die vóór en na een actie afgaan, de subagents die het kan starten en de observability die je achteraf laat zien wat het deed. Daarom krijgen twee bedrijven met hetzelfde model en dezelfde licentie totaal verschillende resultaten. Security werkt hier anders. Een harness is een systeem met credentials en toegang tot tools, waarbij een model bepaalt wat het aanroept. Wat je reviewt is dus niet langer alleen de code. Het is ook waar de agent bij mocht. Waar de focus ligt De keuzes in de setup. Welke tools de agent mag aanroepen, waar de grens van de sandbox ligt en wat een hook blokkeert, gelden nu voor alles wat het team oplevert. Opgelost : Een agent die iets kan afmaken: de tests draaien, de fout lezen, die oplossen en de pull request openen Bleef liggen voor de volgende golf : Elke beurt prompten, en het oordeel in de setup De tools van deze golf [**Claude Code** hooks, skills en subagents](https://code.claude.com/docs) [**OpenAI Codex**](https://developers.openai.com/codex) [**LangChain Deep Agents**](https://docs.langchain.com/oss/python/deepagents/overview) [*L* **Langfuse** zien wat de agent deed](https://langfuse.com/) [**Braintrust**](https://www.braintrust.dev/) Testen wij hierop? Deels We testen orkestratie, geen volledige harness-bouw Tool-orkestratie wordt gescoord in de AI-native assessment: wat de engineer aan de agent overlaat, wat de engineer zelf houdt en of het werk parallel draait in worktrees. De sandbox, permissies en hooks van een team ontwerpen past niet in zestig minuten. Daarom voegt de DevOps-assessment voor platformrollen een gegenereerde pipeline-wijziging toe met een permissie die breder is dan hij lijkt. [Tool-orkestratieAI-native scorecard](https://www.miyagami.com/nl/how-we-vet#ai-native)[Hygiëne bij contextwisselsAI-native scorecard](https://www.miyagami.com/nl/how-we-vet#ai-native) Hier op inhuren [AI-native engineers](https://www.miyagami.com/nl/hire/ai-native-engineers) [DevOps engineers](https://www.miyagami.com/nl/hire/devops-engineers) [AI engineers](https://www.miyagami.com/nl/hire/ai-engineers) 05 Medio 2026 · Loop Golf 5 van 6 ## De loop draait agents zonder dat iemand elke stap goedkeurt Wat teams gingen gebruiken Claude Code bracht in maart 2026 /loop uit, Codex kreeg goals en de GitHub Copilot coding agent en OpenClaw pakten werk op uit tickets. Bestaande CI werd de trigger en meestal ook de controle. Hoe het werk veranderde Agents draaien op een schema of na een event, zonder dat iemand elke beurt goedkeurt. Engineers ontwerpen de check die bepaalt wanneer ze stoppen. We hadden agents die echte taken konden afmaken, en senior engineers die elke stap zaten goed te keuren. Een harness rust één run uit. Een loop combineert er veel, gestart op een schema of door een event en begrensd door iets wat een machine kan controleren. Claude Code bracht /loop uit in maart 2026 en Codex voegde goals toe in april. Je bestaande CI is meestal de trigger en de verifier. Waar de focus ligt De verifier en de stopconditie. Beide ontwerp je voordat de loop draait. Opgelost : Een senior engineer die “ja, ga door” intypt in vier vensters Bleef liggen voor de volgende golf : Controleren wat terugkomt Een loop die werkt - De verifier is ontworpen vóór de loop - De stopconditie is iets wat een machine kan controleren - Eerst draait de loop op een smal, goed getest deel van de code - Iemand leest 's ochtends de output Een loop die geld verbrandt - De agent schreef zelf de tests waarop hij wordt beoordeeld - De stopconditie is “tot het klaar lijkt” - Op dag één losgelaten op de hele codebase - Niemand kan zeggen wat er afgelopen nacht is gewijzigd De tools van deze golf [**Claude Code /loop**](https://code.claude.com/docs/en/scheduled-tasks) [**Codex goals**](https://developers.openai.com/cookbook/examples/codex/using_goals_in_codex) [**GitHub Copilot coding agent**](https://docs.github.com/en/copilot/concepts/agents/coding-agent) [*O* **OpenClaw**](https://github.com/openclaw/openclaw) [**GitHub Actions** CI als trigger en verifier](https://github.com/features/actions) Testen wij hierop? Nee We testen geen loops. We testen waar ze op leunen. Een loop zonder toezicht heeft uren nodig, een echte CI en een codebase die de engineer kent. Dat past niet in een assessment van zestig minuten. Wat we wel zien is het voorwerk dat zo'n loop vraagt: of de engineer een vaag ticket opknipt in stukken die een machine kan controleren, en of die output controleert in plaats van erop te vertrouwen omdat het compileert. [Spec-driven developmentAI-native scorecard](https://www.miyagami.com/nl/how-we-vet#ai-native)[Verificatie van AI-outputAI-native scorecard](https://www.miyagami.com/nl/how-we-vet#ai-native) Hier op inhuren [AI-native engineers](https://www.miyagami.com/nl/hire/ai-native-engineers) [DevOps engineers](https://www.miyagami.com/nl/hire/devops-engineers) 06 Nu · Verificatie Golf 6 van 6 ## Verificatie is de bottleneck, en spec- en test-driven development lost die op Wat teams gingen gebruiken Teams voegen AI-review toe (CodeRabbit, Greptile, Qodo, Graphite), scannen op waar de agent bij kwam (Semgrep, Snyk, Socket) en gebruiken tools die de reviewwachtrij zichtbaar maken (Faros, LinearB). De teams die het snelst gaan, veranderen ook de volgorde van het werk. Hoe het werk veranderde De spec en de acceptatietests staan er voordat de agent begint. Zo worden de meeste wijzigingen automatisch gecontroleerd en lezen mensen alleen de riskante. Vijf bottlenecks verdwenen met de volgende release. Deze niet. Een working paper van Harvard laat zien dat bedrijven die coding agents gingen gebruiken zo'n 30 procent meer code schreven, niet meer werk afkregen en 49 procent langer nodig hadden om die code door review te krijgen. AI-reviewtools dichtten dat gat niet. Als elke wijziging wacht tot een senior hem leest, worden je seniors zelf de wachtrij. Spec- en test-driven development haalt ze daaruit. De spec en de acceptatietests staan er vóór de agent iets genereert, dus elke run wordt automatisch gecontroleerd tegen iets wat de agent niet zelf bepaalt. Mensen lezen alleen wat de tests niet kunnen beoordelen. Waar de focus ligt Schrijf eerst de spec en de acceptatietests. Dan doen de tests het meeste verificatiewerk en lezen je seniors alleen wat de tests niet kunnen beoordelen. Opgelost : Spec- en test-driven development: de checks bestaan vóór de code Bleef liggen voor de volgende golf : De spec en de tests één keer schrijven, voordat de agent draait [**+30%** meer code bij bedrijven die coding agents gingen gebruiken, zonder statistisch significante stijging in afgerond werk Chen en Stratton, Harvard, 2026](https://fion.ac/jellyfish.pdf) [**+49%** langer van pull request tot merge na de komst van agents Chen en Stratton, Harvard, 2026](https://fion.ac/jellyfish.pdf) [**+31%** meer pull requests gemerged zonder enige review, door mens of agent, bij veel AI-gebruik Faros AI, 2026](https://www.faros.ai/research/ai-acceleration-whiplash) [**5.3x** langer wachten pull requests van agents voordat een reviewer ze oppakt LinearB, 2026](https://linearb.io/library/engineering-benchmarks-and-research) Review is je knelpunt - Steeds meer pull requests worden gemerged zonder enige review - Pull requests van agents wachten veel langer voordat iemand ze oppakt - Je seniors vormen de wachtrij, en nieuwe regels maken die langer - Agents laten hun eigen pull requests liggen als de feedback geen falende check is Dit heb je achter je - De spec en de tests bestaan voordat de code wordt gegenereerd - De verificatie staat los van wat de wijziging heeft geschreven - De diepte van de review hangt af van wat een wijziging kan breken - Aan het eind van de week is de wachtrij leeg De tools van deze golf Review [**CodeRabbit**](https://www.coderabbit.ai/) [**Greptile**](https://www.greptile.com/) [**Qodo**](https://www.qodo.ai/) [**Graphite**](https://graphite.dev/) Wat de agent heeft bereikt [*S* **Semgrep**](https://semgrep.dev/) [**Snyk**](https://snyk.io/) [**Socket**](https://socket.dev/) De wachtrij zichtbaar maken [*F* **Faros**](https://www.faros.ai/) [*L* **LinearB**](https://linearb.io/) Testen wij hierop? Ja Verificatie weegt het zwaarst in onze assessments Verificatie van AI-output is het criterium dat we het zwaarst wegen bij AI-native engineers: verzonnen API's, subtiel foute logica en beveiligingslekken opsporen voordat ze live gaan. Spec-driven development scoren we in dezelfde sessie: we kijken of de engineer vastlegt wat de wijziging moet doen en hoe dat wordt gecontroleerd, voordat de agent begint. Ook letten we op oordeelsvermogen per risiconiveau. QA engineers laten we een feature verifiëren die ze niet zelf hebben ontworpen, met gegenereerde tests die allemaal slagen en het verkeerde afdekken. [Verificatie van AI-outputAI-native scorecard](https://www.miyagami.com/nl/how-we-vet#ai-native)[Spec-driven developmentAI-native scorecard](https://www.miyagami.com/nl/how-we-vet#ai-native)[DebuggingScorecard basisvaardigheden](https://www.miyagami.com/nl/how-we-vet#fundamentals) Hier op inhuren [AI-native engineers](https://www.miyagami.com/nl/hire/ai-native-engineers) [QA engineers](https://www.miyagami.com/nl/hire/qa-engineers) Waar jouw team staat ## Zes werkwijzen van de teams die het verst zijn Vink aan wat jouw team al doet. Bij vier of meer heeft je team de werkwijze overgenomen en niet alleen de tools. **0** van 6 op orde Vink aan wat jouw team al doet. 1. 1 **Spec vóór de code** Schrijf op wat de wijziging moet doen, wat ze niet mag breken en welke modules ze raakt, en genereer daar pas tegenaan. Een vaag ticket aan een agent levert zelfverzekerd werk op dat op een gok is gebouwd. 2. 2 **Tests vóór de feature** Als hetzelfde model in één sessie de code en de tests schrijft, betekent een groene pipeline dat het model consistent was met zichzelf. Dat is nog niet hetzelfde als correct. 3. 3 **Een onafhankelijke verifier** Een type check, een performancebudget, een contracttest die van een andere service is. Iets waar het geverifieerde onderdeel zelf geen invloed op heeft. 4. 4 **Review op basis van impact** Een tekstwijziging en een schemamigratie horen niet op elkaar te wachten in dezelfde wachtrij. Bepaal welke categorieën altijd een volledige review door een mens krijgen en laat de rest lichter lopen. 5. 5 **Een vaste eigenaar per repository** Met het contextbestand in zijn takenpakket en de bevoegdheid om nee te zeggen. Een repository die input op agent-snelheid krijgt zonder eigenaar loopt binnen weken uit de hand. 6. 6 **Meet de verificatiebelasting** Het percentage code dat door AI is geschreven zegt niets. Hoeveel wijzigingen je team in een week kan lezen, draaien en garanderen is je echte plafond. Engineering Leader Benchmark Q4 2026 ## Kijk op welk niveau je team zit De benchmark vraagt hoe je team met agents werkt, hoe je verifieert en hoe je plant. Je ziet je score in acht minuten, naast die van teams van jouw grootte zodra genoeg teams hebben gereageerd. [Doe de benchmark](https://www.miyagami.com/nl/resources/benchmarks/engineering-leader-q4-2026) Het rapport Engineering Leader Benchmark Q4 2026 Veelgestelde vragen ## Vragen over het whitepaper Onze andere whitepaper beschrijft de twee assessments die elke engineer doet. [The Next 10X Engineer](https://www.miyagami.com/nl/resources/whitepapers/the-next-10x-engineer) Wat is nu de bottleneck in AI-ondersteunde software engineering? Verificatie. Coding agents hebben de hoeveelheid code vergroot, maar de reviewtijd groeide mee: uit een Harvard working paper over 718 bedrijven blijkt 30 procent meer code, geen significante toename in afgerond werk en 49 procent meer tijd tussen pull request en merge. In welke volgorde hebben engineeringteams AI-tools overgenomen? In zes golven: code completion zoals GitHub Copilot (2022 tot 2023), chat zoals ChatGPT en Claude (2023 tot 2024), context via het Model Context Protocol en bestanden als CLAUDE.md en AGENTS.md (2024 tot 2025), agent harnesses zoals Claude Code en OpenAI Codex (begin 2026), loops die agents laten draaien zonder goedkeuring bij elke stap (medio 2026), en nu review, scanning en spec- en test-driven development om te verifiëren wat agents opleveren. Welke AI-tools moet een engineeringteam het eerst invoeren? De tools zelf zijn minder belangrijk dan de volgorde van het werk eromheen. De meeste teams hebben al completion en chat. De volgende stap die loont is context: een onderhouden CLAUDE.md of AGENTS.md en koppelingen met tickets en schema's. Agents en loops betalen zich pas terug als een team de spec en de tests schrijft voordat de agent begint. Wat is harness engineering? Harness engineering is het ontwerpen van alles rond het model: de loop die het draait, de tools die het kan aanroepen, contextcompactie, de sandbox, rechten, hooks, subagents en observability. Mitchell Hashimoto gaf het in februari 2026 een naam, samengevat als agent = model + harness. Wat is het verschil tussen context engineering en harness engineering? Context engineering bepaalt wat het model ziet, via bestanden als CLAUDE.md en AGENTS.md en protocollen als MCP. Harness engineering omvat de hele runtime rond het model, inclusief wat het mag doen en hoe zijn werk wordt gecontroleerd. Test Miyagami engineers op deze vaardigheden? Op de meeste wel. Verificatie, context engineering, tool orchestration en het uitleggen van gegenereerde code scoren we in ons AI-native assessment, en het assessment basisvaardigheden doen we met AI-tools uit. Onbewaakte loops testen we niet, omdat een sessie van zestig minuten die niet betrouwbaar kan laten zien. Laten we praten ## Ontvang binnen drie dagen een shortlist Je deelt de rollen en de stack in een kort formulier of in een gesprek van dertig minuten. Binnen drie werkdagen krijg je senior engineers op naam om te beoordelen, elk met beide scorecards, en je kunt binnen vijf werkdagen inhuren. [Vraag een shortlist aan](https://www.miyagami.com/nl/shortlist) Beoordeeld op **Clutch** 42 beoordelingen [ISO 27001 Gecertificeerd](https://trust.miyagami.com/) Plan een afspraak van dertig minuten met Dale De kalender wordt aangeboden door HubSpot, dat zijn eigen cookies plaatst. Laad hem hier, of boek via de pagina van HubSpot. [Boekingspagina openen](https://sales.miyagami.com/meetings/dwesdorp)