19 tips voor succesvol programmeren met AI en Claude Code

In dit stuk deel ik de 19 belangrijkste lessen die het verschil maken tussen frustratie en succes als het gaat om programmeren met AI. Want ja, AI kan je productiviteit vertienvoudigen. Maar alleen als je weet hoe je er succesvol mee samenwerkt.

Hier alvast de lessen op een rij:

1. De perfecte AI-ontwikkelomgeving instellen
2. Programmeren met AI: MCP-servers voor superkrachten
3. Maak je AI-coding-assistent kritisch
4. Continue documentatie
5. AI-memory gebruiken bij automatisch programmeren: voordelen en valkuilen
6. UX-onderzoek integreren in het AI-developmentproces
7. De logische beperkingen
8. Contextverlies voorkomen in AI-programmeringsessies
9. Goed programmeren is niet eenvoudig, ook niet met automatisch code genereren
10. Verborgen projectkosten bij AI-development herkennen
11. Verslaving aan programmeren met AI herkennen en beheersen
12. Software-onderhoud in het AI-developmenttijdperk
13. Privacy- en databeveiliging bij automatisch programmeren
14. Code-onderhoud met AI
15. Code-architectuur en programming principles voor AI-development
16. Production ready development met AI vanaf dag één
17. Code testen met AI: automatisering en validatie
18. Gebruiken standaarden bij programmeren met AI
19. Gebruik Git en houd de stappen klein bij automatisch code genereren

Hieronder ga ik de lessen stuk voor stuk bij langs. Veel leesplezier!

Claude Code en AI-development-tools: de perfecte set-up

1. De perfecte AI-ontwikkelomgeving instellen

Er zijn veel verschillende manieren waarop je met AI kunt programmeren. Ik koos voor de meest geavanceerde set-up, waarbij de AI nagenoeg alle code schrijft. Claude Code is daarvoor op dit moment de meest volwassen tool. Echter is Claude Code slechts het begin. Het zijn MCP-servers, andere tools en slim gebruik wat echte het verschil gaat maken.

2. Programmeren met AI: MCP-servers voor superkrachten

MCP-servers geven een language model als Claude superkrachten. Ze laten het language model namelijk niet alleen denken, maar ook doen. Zo heb ik een MCP die Claude toegang geeft tot mijn bestandssysteem, waarmee Claude zelf bestanden kan bewerken. Ook heb ik Puppeteer geïnstalleerd, waarmee Claude zelf kan kijken wat de resultaten zijn van de code die hij schrijft.

MCP’s die ik gebruik in Claude:

• Sequential Thinking – Laat de AI beredeneerd nadenken.
• Puppeteer – Kan webpagina’s bekijken, analyseren, doorklikken en screenshots maken. Ideaal voor het testen van front-end code.
• Fetch – Websites ophalen en lezen.
• Memory – Geeft je taalmodel een geheugen.
• File system – Geeft je taalmodel toegang tot bestanden.
• GIT – Geeft je AI toegang tot GIT, maar pas op: voor je het weet overschrijft hij bestaande code met oude code omdat hij vastloopt.
• Win-CLI – Laat de AI cmd en PowerShell commando’s uitvoeren waarmee je taalmodel zelf code kan testen.

Let wel, ik gebruik bovenstaande MCP’s in Claude Desktop voor Windows. Claude Code heeft namelijk zelf al een hoop van deze tools beschikbaar. In Claude Code heb ik alleen Sequential Thinking en Puppeteer geactiveerd.

AI-code-generator kritisch maken: vermijd de ‘yes man’-valkuil

3. Maak je AI-coding-assistant kritisch

Van nature heeft een AI de neiging om je te willen pleasen, in plaats van je gedachten te challengen. Dit zorgt vaak voor onvoldoende validatie en slechte stopmechanismes. Daarmee wordt de AI meer een ‘yes man’ dan een kritische denkpartner. Dat is niet handig, en vooral niet wenselijk als je aan het programmeren bent. Dan wil je juist het tegenovergestelde.

Zorg er dus voor dat de prompts die je gebruikt kritische vragen bevatten, zoals:

• Welk probleem proberen we werkelijk op te lossen?
• Is dit de meest eenvoudige manier om dit probleem op te lossen?
• Zijn we niet te snel aan het implementeren zonder voldoende validatie?

Geef ook aan dat de AI een denkpartner moet zijn en geen codegenerator. Laat hem push-back geven op complexiteit en assumptie valideren voordat er code wordt geschreven.

Voor Claude Code kun je ook kijken naar het SuperClaude framework. Het breidt de standaard prompt van Claude Code uit met slimme extra’s. Dit is zelfs als je ervaren bent met het schrijven van AI-prompts een mooie toevoeging.

Best practices voor AI-programmering: documentatie en validatie

4. Continue documentatie

Ik kan niet genoeg benadrukken hoe belangrijk het is om te documenteren. Of het nu gaat om het beschrijven van een feature of het updaten van het bestand waarin je database, tabellen en velden beschreven staan. Vooral naarmate het project groter wordt, is het handig om bijvoorbeeld een code-architectuurbestand te hebben dat de AI snel kan doorlezen. Hiermee kan de AI snel bepalen waar verder gewerkt kan worden of waar problemen moeten worden opgelost.

Start grote, nieuwe features met een featuredocument waarin je onderzoekt:

• Welke bestanden worden geraakt?
• Hoe moet het werken?
• Hoe ziet de front-end eruit?

Dit voorkomt te enthousiaste implementatie van de AI en dwingt je om de juiste vragen te stellen voordat je begint.

Tip: Als je Claude Desktop gebruikt, dan kun je eenvoudig bestanden schrijven én updaten. Gebruik de artifact-feature vooral niet, maar schrijf direct naar bestanden. Bij Claude Code moet je even aangeven dat hij je gehele bestand moet lezen en in één keer moet updaten in plaats van dat stap voor stap doen, dat werkt simpelweg een stuk sneller.

5. AI-memory gebruiken bij automatisch programmeren: voordelen en valkuilen

Je kunt nog een stuk verder gaan door memory te gebruiken. Daarmee kun je bijvoorbeeld tijdens een codingsessie de voortgang en learnings vastleggen. Zo ontstaat er een uitgebreide database van alle beslissingen die je genomen hebt of welke oplossingen voor problemen er al zijn geprobeerd.

6. UX-onderzoek integreren in het AI-developmentproces

Een van de grootste valkuilen van ontwikkeling met AI is dat je zo snel kunt bouwen dat je vergeet te valideren of je het juiste bouwt. Terwijl traditionele softwareontwikkeling natuurlijke pauzes heeft voor user research, schiet AI-development voorbij deze belangrijke momenten. Daarom moet UX-onderzoek een bewust onderdeel worden van je workflow.

Kwantitatieve validatie als startpunt
Begin elke feature met marktonderzoek via Google Trends en zoekvolumes. Wordt er daadwerkelijk naar jouw oplossing gezocht? Welke trends zie je in verwante zoektermen? Dit geeft je snel inzicht in de marktbehoefte voordat je begint met bouwen. AI maakt het verleidelijk om direct te implementeren, maar die eerste validatiestap voorkomt dat je dagen besteedt aan features die niemand wil.

Definieer je UX-metrics vooraf
Bepaal voordat je begint met ontwikkelen wat je wilt meten. Essentiële metrics voor AI-applicaties zijn:

• Gebruiksfrequentie: Hoe vaak loggen mensen in en blijven ze terugkomen?
• Session duration: Hoelang blijven gebruikers actief in je applicatie?
• Task completion rate: Kunnen mensen hun doel bereiken?
• Drop-off points: Waar haken gebruikers af in de customer journey?
• Time to value: Hoe snel ervaren gebruikers waarde van je applicatie?

Dit soort KPI’s kun je vanaf het begin inbouwen in je applicatie.

Integreer feedback-loops in je developmentcyclus
Bouw kleine feedbackmomenten in je AI-workflow. Na elke iteratie van twee tot drie dagen: test met echte gebruikers, ook al is het maar vijf minuten. AI maakt het mogelijk om snel te itereren op basis van gebruikersfeedback, maar alleen als je die feedback ook daadwerkelijk verzamelt.

Breng de customer journey in kaart
Zorg dat je helder hebt wat de reis is van behoefte naar vervulde behoefte. Waar zitten de obstakels? Welke stappen zijn overbodig? AI-tools kunnen deze klantreis helpen analyseren, maar je moet eerst bewust zijn van welke journey je aan het optimaliseren bent.

De kracht van ontwikkeling met AI zit niet alleen in snelheid, maar in de mogelijkheid om snel te leren en aan te passen. Maar leren kan alleen als je weet wat er gebeurt en luistert naar je gebruikers.

De technische realiteit van programmeren met AI

7. De logische beperkingen

Je kunt prachtige code produceren die qua syntax volledig correct is, maar waar enorme logicafouten in zitten die je als ervaren ontwikkelaar snel kunt spotten. Ik kan daarmee niet goed inschatten of het voor mensen die helemaal geen code kunnen lezen mogelijk is om goede AI-coding-samenwerkingen aan te gaan.

De realiteit: AI is een tool voor codegeneratie, maar mensen zijn codelogica-validators.

Als je zelf wilt leren programmeren, lees dan in ieder geval de essentie van:

• ‘Clean Code’ – Robert C. Martin: Functions do ONE thing, meaningful names, explicit error handling.
• ‘Clean Architecture’ – Robert C. Martin: Business logic separate from infrastructure, dependency inversion.
• ‘Refactoring’ – Martin Fowler: Recognize code smells, extract when you need comments.
• ‘Test Driven Development’ – Kent Beck: Write testable code, explicit side effects.

Hoelang dit nog noodzakelijk is, blijft de vraag. Want de AI-tools ontwikkelen zich in rap tempo door.

8. Contextverlies voorkomen in AI-programmeringsessies

Het is goed om te beseffen dat een AI context gaat verliezen. Dat gebeurt zowel tussen verschillende codingsessies en in mindere mate wanneer codingsessies langer worden. Daarom is het gebruik van geheugen zo belangrijk en is goede documentatie cruciaal.

Het vastleggen van developmentvoortgang, tegenslagen en zaken die al getest zijn, is daarbij heel handig om effectief verder te kunnen gaan met programmeren. Dit contextverlies betekent ook dat je een AI vaak dingen opnieuw moet uitleggen.

9. Goed programmeren is niet eenvoudig, ook niet met automatisch code genereren

Dit is een belangrijke les die ik opnieuw moest leren. Ik heb vaak nog steeds in mijn hoofd, als productmens, dat het gewoon die API is die je daaraan moet koppelen met een stukje front-end code. Eenvoudig, dus dat moet snel kunnen toch? Maar in de praktijk is het nooit zo eenvoudig, want goed programmeren is niet eenvoudig.

Een eenvoudig formulier dat iets opslaat in een database vereist:

• Validatie van formulieren
• Bescherming tegen SQL-injectie
• Gebruikersauthenticatie
• Sessiebeheer
• Foutafhandeling
• Back-upstrategie
• Monitoring

Programmeren klinkt soms zo eenvoudig en magisch, maar elk klein probleem vraagt uiteindelijk om een solide oplossing, zeker als die code dagelijks door 150.000 eindgebruikers en miljoenen bellers wordt gebruikt.

Machine learning-programmeren: projectmanagement en organisatie

10. Verborgen projectkosten bij AI-development herkennen

Het is goed om te beseffen dat er verborgen kosten kunnen zitten in elk programmeerproject en dat is bij AI niet anders. Dat zijn vooral menselijke coördinatiekosten. Zo heb ik het project nagenoeg zelfstandig kunnen bouwen, maar niet voordat ik rechten kreeg om applicaties te kunnen installeren in ons CRM-pakket. Een van mijn collega’s moest me uitleggen hoe onze API’s precies functioneren. Ik kreeg een cursus Git van een andere collega. En via Slack heb ik allerhande input gekregen van meerdere developers.

Daar zit minstens vijf uur aan externe input in die je snel vergeet. En dan is het de vraag of ik daarin alles meeneem. Want elke keer dat je een ander van zijn werk haalt, duurt het lang – 23 minuten volgens onderzoek – voordat je collega weer terug is in de flow.

11. Verslaving aan programmeren met AI herkennen en beheersen

Dit is er een die ik niet zag aankomen. Die twee weken dat ik ondergedompeld heb gezeten in het programmeren met AI, was ik volledig onbenaderbaar voor de buitenwereld. Sorry Maris. Programmeren met AI gaat namelijk zo snel dat het elke keer kleine dopamine-shots geeft als je het volgende probleem weer hebt opgelost. Het is daarmee simpelweg verslavend.

De gevaren van AI-velocity:

• Continue flow zonder natuurlijke stoppunten
• Het ‘nog één feature’-syndroom
• Scope creep gebeurt real-time in plaats van in meetings
• De technical dept stapelt zich onzichtbaar en snel op

Het enige dat echt helpt is het invoeren van kunstmatige stoppunten: Je stopt om 18 uur stipt of als je domme fouten gaat maken. En dat laatste gebeurt met AI vaak genoeg om dit onder controle te krijgen.

12. Software-onderhoud in het AI-developmenttijdperk

Besef goed dat alles wat je bouwt, ook onderhouden moet worden. Dat wordt met AI, zeker op de lange termijn, steeds eenvoudiger, maar het moet wel gebeuren. Je niet bewust zijn van het onderhoud is een van de grootste en meest gemaakte fouten in de softwareontwikkeling.

Ik heb één simpel adagium hier: use, before buy, before build. Gebruik wat er bestaat, is het er niet, koop het dan, en kun je het niet kopen dan is zelf ontwikkelen de laatste optie.

• Dus gebruik standaard open source-systemen die door de community worden onderhouden en doorontwikkeld en draag daaraan bij.
• Gebruik tools als N8N voor workflows. Workflows beheren is aanzienlijk eenvoudiger en laagdrempeliger dan programmeren.

Dat AI code-onderhoud over vijf jaar volledig van ons heeft overgenomen, durf ik wel voorzichtig te stellen. Maar we zijn er nog niet. Use, before buy, before build blijft daarmee het beste adagium als het gaat om softwaregebruik en -ontwikkeling voor elk bedrijf, hoe snel en goed die AI ook kan programmeren.

13. Privacy- en databeveiliging bij automatisch programmeren

Bij Voys vinden we privacy een heel groot goed. En dat wordt met AI in het algemeen steeds spannender en dat geldt ook zeker voor programmeren met AI. Vooral als je met live data van klanten aan de gang gaat, is de kans groot dat die klantdata via een screenshot of een log lekt naar de AI. Wees je daar ontzettend bewust van en zorg dat je goede mock-data hebt. Zowel voor je tests als in de real-time systemen waar je code tegenaan gaat praten. En besef goed dat alles wat tot de persoon herleidbaar is, van een 06-nummer tot een e-mailadres, persoonlijke data is van zowel je klanten als je collega’s.

Codekwaliteit en production ready product development met AI

14. Code-onderhoud met AI

Nog meer dan bij reguliere code, moet je onderhoud plegen op de code die je geschreven hebt. Je kunt dit goed inbouwen in je workflow met AI. Op het moment dat de code functioneel werkt, kun je simpelweg vragen of die geoptimaliseerd en opgeschoond kan worden.

Ook kun je in je git-proces afdwingen dat er geen oude bestanden, testbestanden of andere troep meegenomen wordt naar de schone codebase. Refactoren moet onderdeel worden van je reguliere werkproces.

Haal oude code ook weg, zodat de AI daar niet in vastloopt en de code schoon blijft. Want de AI kan soms echt verzanden in legacy-functies die nog ergens in je project rondzwerven.

Tip: wat heel erg helpt is om de code goed en duidelijk te laten loggen. Door de AI naar die logs te laten kijken, spoor je niet alleen fouten en optimalisatie mogelijkheden op, ook gemaakte architectuur problemen worden regelmatig zichtbaar.

15. Code-architectuur en programming principles voor AI-development

Het helpt heel erg als je vanaf het begin zorgt voor een goede architectuur en coding principles. Het maakt je leven niet alleen eenvoudiger, maar het maakt de code ook beheersbaar, overzichtelijk, onderhoudbaar en uitbreidbaar.

Een goede start-prompt voor elke AI-codingsessie, gebaseerd op de eerder genoemde boeken, kan enorm helpen.

16. Production ready development met AI vanaf dag één

Kies er vanaf dag één voor om te werken aan een productieklaar systeem. Dat betekent dat je nadenkt over zaken als beveiliging en privacy by design. Dat later toevoegen is aanzienlijk complexer dan het vanaf het begin goed doen.

Overweeg vanaf het begin:

• Beveiliging (authenticatie, rate limiting, input validatie)
• Monitoring (health checks, gestructureerde logging)
• Graceful degradation (wat gebeurt er als optionele services falen?)
• Onderhoud (logrotatie, databaseback-ups, updates)

Daarnaast is het heel leerzaam om te werken in een productieklaar systeem dat werkelijk gebruikt wordt. Dan leer je namelijk niet alleen van concepten, maar vooral van werkelijk gebruik en feedback. Oh en nog een tip. Die goede logs? Die kunnen onwijs helpen om ook architectuurproblemen in de code of inefficienty van code te spotten.

17. Code testen met AI: automatisering en validatie

Zorg dat je product goed testbaar is. Het scheelt heel erg dat de AI vaak zelf functionaliteit kan testen en goede test voor je kan schrijven.

Let op: een AI schrijft tests die de code die hij net geschreven heeft valideert, en niet altijd tests die de functionaliteit die de code probeert te realiseren checkt.

Zorg dus voor:

• Een eenvoudige en complete testsuite
• Duidelijke logs voor debugging
• Code die duidelijk faalt en vroeg faalt
• Logs die business logic assumptions bevatten, niet alleen technische foutmeldingen
• Zichtbaarheid van de staat van je systeem

En overweeg eens om te beginnen met de functionele test: wat moet deze code doen en hoe bewijs ik met een test dat de code dat goed doet, voordat je de AI de werkelijke code laat schrijven.

Van AI-experiment naar AI-programmeren in productie

18. Gebruik standaarden bij programmeren met AI

Gebruik de standaarden die in de codingwereld bekend en veelgebruikt zijn. Hoe meer er geschreven is over een bepaald onderwerp, hoe beter de AI getraind zal zijn op die principes. Daar komt bij dat die principes ook voor collega-programmeurs bekend zijn.

Een goed voorbeeld: ik heb een mooi Bootstrap 5-template gekocht, waar heel veel standaard front-end code in zit. Ja het is handig dat ik de AI kan verwijzen naar het beschikbare codevoorbeeld of specifieke UI-elementen die ik wil gebruiken. Het is echter vooral handig dat de AI Bootstrap 5 heel goed kent en zo heel eenvoudig slimme aanpassingen als ‘maak de lijst sorteerbaar op de naam-kolom’ kan toevoegen, omdat de AI weet hoe dit standaard werkt in Bootstrap 5.

19. Gebruik Git en houd de stappen klein bij automatisch code genereren

Het gebruik van Git zorgt er niet alleen voor dat je code netjes beheerd wordt opgeslagen, maar ook dat de code-evolutie duidelijk zichtbaar is. Het gebruik van Git zorgt vooral dat je in je workflow af en toe moet nadenken over het opschonen van je code.

De belangrijkste tip: houd de stappen die je zet ontzettend klein. Als je stap voor stap kleine functionaliteit toevoegt die steeds getest wordt, dan kom je met AI simpelweg het verst. Zodra de AI namelijk grotere vraagstukken moet implementeren zonder je actieve denken en begeleiding, gaat die freewheelen, en raak je het overzicht in de code snel kwijt.

Programmeren met AI in de praktijk: meer dan een tool

Na twee weken intensief programmeren met AI leer je al snel: dit is geen nieuwe tool, maar een nieuwe manier van werken. De AI genereert code, maar jij blijft de architect, de kwaliteitsbewaker en de probleemoplosser.

Het voelt vaak alsof je een overenthousiast team junior developers die te graag code schrijven aan het begeleiden bent. En je past daarbij alle elementen van een volwassen development toe, maar je moet daarbij heel expliciet zijn in je uitleg en begeleiding.

Als je je developmentproces daarbij niet goed neerzet, dan is programmeren met AI een buitengewoon frustrerend proces. Doe je het wel goed, dan is het nog steeds regelmatig frustrerend, maar soms… soms is het absolute magie.

De winnende combinatie? AI-snelheid met menselijke wijsheid. Technische executie met business-inzicht. Experimenteerdrang met productiediscipline. Ja, dit gaat iets radicaal anders vragen van softwaredevelopment-teams.

Begin klein, leer snel, en bouw iets dat ertoe doet. De toekomst van programmeren is niet mens tegen machine, maar mens mét machine. En met deze 19 lessen heb je een sterke start om die samenwerking succesvol te maken.

Blogreeks ‘Programmeren met AI’

Dit is het derde artikel uit een vierdelige reeks over programmeren met AI. De complete serie lees je via de links hieronder.

• Deel 1: Hoe AI developmentkosten met 2900% verlaagt
• Deel 2: Programmeren met AI: slim valsspelen
• Deel 4: Waarom Engels de nieuwe programmeertaal wordt

Frequently Asked Questions about Programming with AI

Kan ik programmeren met AI zonder programmeerervaring?

Hoewel AI veel code kan genereren, heb je basale kennis van programmeerlogica nodig om fouten te herkennen en de AI goed te begeleiden. Begin met het leren van basisprincipes voordat je met AI gaat programmeren.

Welke AI-tool is het beste voor programmeren?

Claude Code is momenteel de meest volwassen tool voor AI-programmering. Andere populaire opties zijn GitHub Copilot, ChatGPT en Cursor. De keuze hangt af van je specifieke behoeften en programmeertaal. Mijn ervaring is dat Claude Code by far de best tool is voor de beschreven manier van programmeren.

Hoe voorkom ik dat AI slechte code schrijft?

Gebruik kleine stappen, test regelmatig, documenteer goed, zorg voor goede logging en gebruik een kritische AI-prompt die vragen stelt in plaats van direct code te genereren. Git gebruiken voor versiebeheer is essentieel.

Is programmeren met AI veilig voor gevoelige data?

Wees zeer voorzichtig met persoonlijke of klantgegevens. Gebruik altijd mock-data voor ontwikkeling en zorg dat je AI-tool voldoet aan privacy-eisen. Lees vooral de voorwaarden van je AI-provider en wees je bewust van privacy- en AI-wetgeving. Wellicht is ons AI-beleid handig leesvoer.

Hoelang duurt het om een app te bouwen met AI?

Dit hangt af van de complexiteit en je doel. Ik denk dat AI in een regulier ontwikkelproces de ontwikkeltijd met vijf tot tien keer kan versnellen. Een eenvoudige testapplicatie kan in weken worden gebouwd in plaats van maanden. Wil je die applicatie echt volwassen maken, dan moet je vanaf het begin die insteek hebben en dan kun je echt razendsnel van idee naar applicatie.

Goed weten wat je wilt bouwen, welk probleem je wilt oplossen en hoe de gebruikerservaring moet zijn, is daarvoor echter cruciaal en daar zit stiekem de meeste tijd als je software gaat ontwikkelen. Test dus vooral snel en vaak met echte gebruikers als je het maximale uit AI-ontwikkeling wilt halen.

Kan AI al het programmeerwerk overnemen?

Nee, AI is heel goed in code genereren, maar heeft menselijke begeleiding nodig voor architectuur, logica-validatie, testen en business-requirements. Het is een krachtige assistent, geen vervanging.