AI is overal. Het zit in je IDE, in je zoekmachine en in je backlog. Zelfs de boardroom-presentaties staan er vol mee. Maar als we eerlijk zijn: hoeveel van die technologie begrijp je echt, en hoeveel kun je er verantwoord mee bouwen?
Binnen ons team zijn we dit jaar gestart met een traject om AI niet alleen te gebruiken, maar ook echt te doorgronden. Geen hype, geen buzzwords en geen vaag “we moeten hier iets mee”. We kiezen voor een gestructureerde verkenning van wat AI kan, waar de harde grenzen liggen en hoe je het inzet in robuuste software-oplossingen. Dit artikel is het startpunt van die reis.
Waarom we dit doen
Als Java-developers bouwen we systemen die moeten excelleren in betrouwbaarheid. We leunen op voorspelbaar gedrag, reproduceerbare resultaten, duidelijke logging en een stabiele architectuur.
Large Language Models (LLM’s) werken fundamenteel anders; ze zijn probabilistisch. Soms zijn ze briljant, soms zijn ze overtuigend fout en ze zijn vrijwel altijd lastig te debuggen. Precies daarom duiken we er nu dieper in. Niet om alles met AI te vervangen, maar om te begrijpen waar de technologie een versterker is en waar het een risico vormt. Hoe ontwerp je een AI-architectuur zonder je systeem fragiel te maken?
Ons programma: Stap voor stap naar de kern
We hebben een reeks diepgaande sessies opgezet waarin we theorie combineren met hands-on code. Dit zijn de pijlers van ons traject:
- AI Fundamentals: Wat gebeurt er onder de motorkap? We beginnen bij de basis. Hoe werken LLM’s eigenlijk? We duiken in het 'AI-woordenboek' en kijken naar de verschillende verschijningsvormen van AI-oplossingen die we in de enterprise-wereld tegenkomen.
- Vibe Coding: Sneller werken zonder kwaliteitsverlies We evalueren kritisch wat AI-tools zoals Cursor en Windsurf toevoegen aan onze workflow. We gaan zelfs een stap verder door agents los te laten op volledig nieuwe features. Kunnen we straks echt complete software creëren met alleen een krachtige prompt?
- LLM-integratie in Java Hoe gebruiken we een LLM als volwaardig architectuurcomponent? We kijken hier specifiek naar Java-frameworks zoals LangChain4j en Spring AI om de brug te slaan tussen onze stack en de intelligentie van het model.
- RAG-architectuur: Onderzoek én realisatie We onderzoeken hoe embeddings en vector search werken en hoe je context injecteert via Retrieval Augmented Generation (RAG). Vervolgens bouwen we een eigen, end-to-end oplossing om te zien hoe dit presteert in de praktijk.
- Agents: Hype versus realiteit Agents kunnen autonoom beslissingen nemen en complexe takenreeksen uitvoeren. Maar wat betekent dat technisch voor ons als backenders? Hoeveel controle behoud je en hoe borg je de veiligheid?
Wat kun je van deze reeks verwachten?
Dit traject is geen evangelisatie of een marketingverhaal, het is een technisch leertraject. We willen stakeholders realistisch adviseren en AI inzetten als gereedschap, niet als gimmick. Of je nu backend-developer, architect of tech lead bent: AI raakt onze stack en de invloed ervan zal alleen maar toenemen.
Bij elke sessie publiceren we onze belangrijkste inzichten, technische voorbeelden, architectuur-overwegingen en de ongezouten 'lessons learned'. Geen theoretische whitepapers, maar het eerlijke perspectief van de developer.
De kernvraag van dit jaar
De belangrijkste vraag is voor ons niet: “Hoe gebruiken we AI overal?”, maar: “Waar voegt AI aantoonbaar waarde toe aan onze systemen?” Dat is een veel interessantere vraag, en we nodigen je uit om met ons mee te gaan op zoek naar het antwoord.
Wil je deze reis volgen? Blijf de blogposts in de gaten houden. De eerste inhoudelijke sessie staat gepland voor begin maart. We gaan van hype naar hands-on. 🚀
