AI laten programmeren volgens een eigen werkwijze: hoe wij dat aanpakken met skills

Blog
24 maart 2026

AI weet veel, maar kent ons niet. Het weet niet hoe we binnen Frontis projecten opbouwen, welke technische afspraken we hanteren of welke oplossingen we in eerdere projecten al uitwerkten.

Die kennis is cruciaal voor elk project. Daarom leggen we onze developmentkennis vast in zogeheten skills: bestanden met instructies die AI gebruikt tijdens het programmeren. Die skills vormen een belangrijk onderdeel van ons AI-harness. Kort gezegd leren we AI daarmee hoe wij binnen Frontis ontwikkelen.

Een deel van die kennis stond al in documentatie, een ander deel zat in de hoofden van collega’s. Door die kennis expliciet vast te leggen, volgt AI onze werkwijze beter. Deze aanpak sluit ook aan op onze ISO-certificering, waarin het vastleggen en consequent volgen van processen een belangrijke rol speelt.

Ik ben Alfred, developer bij Frontis. In dit artikel geef ik een kijkje in onze keuken:

  • hoe we onze developmentkennis vastleggen voor AI,
  • hoe we die kennis in projecten gebruiken en,
  • waar we onze aanpak verder aanscherpen.

Waarom we onze developmentkennis vastleggen voor AI

Wie al een poosje bij Frontis ontwikkelt, kent onze afspraken voor een nieuw project. Een nieuwe collega kent die nog niet. Onze AI-tools evenmin.

AI moet precies weten hoe wij werken

Een voorbeeld uit Umbraco maakt dat concreet.

Binnen Umbraco bepalen documenttypes welke informatie en instellingen bij een bepaald type pagina horen. Zie het als de blauwdruk voor een pagina of contentblok. Vraag ik AI om zo’n documenttype aan te maken, dan komt het model met iets werkends. Maar zonder onze context sluit die oplossing niet aan op onze maatstaven.

Onze afspraken beschrijven bijvoorbeeld hoe we:

  • projecten opbouwen en benoemen;
  • code structureren;
  • naamgeving opzetten en doorvoeren;
  • bestaande pakketten inzetten, bijvoorbeeld voor e-commerce, zoekfuncties en overviews.

Het zijn afspraken die door de jaren heen zijn ontstaan doordat we dezelfde vraagstukken vaker tegenkwamen en onze aanpak daarop aanscherpten.

Van ‘uit het hoofd’ naar vastgelegde kennis

Dit raakt ook een onderwerp waarover we met klanten in gesprek zijn: kennis die in hoofden zit toegankelijk maken voor anderen.

Wie al jaren in ons developmentteam werkt, kent honderden kleine keuzes, uitzonderingen en oplossingen. Bij het vertrek van een collega wil je die kennis niet kwijtraken. En een nieuwe developer wil je niet opnieuw laten uitzoeken waarom we iets ooit op een bepaalde manier hebben ingericht.

Voor ons is dat simpelweg practice what you preach. We adviseren klanten om belangrijke kennis vast te leggen en toegankelijk te maken. Binnen ons eigen developmentteam doen we hetzelfde.

Onze werkwijze meegeven aan AI met skills

Voor onze afspraken bouwden we een zogenoemd harness: een verzameling bestanden met instructies die AI tijdens het programmeren gebruikt. We voegen dit harness toe aan onze projecten.

Daarbinnen maken we onderscheid tussen:

  • Algemene instructies: vaste afspraken die AI standaard meekrijgt.
  • Skills: instructies voor een specifieke taak. Een skill bevat een naam, een omschrijving en de bijbehorende werkwijze. AI ziet welke skills beschikbaar zijn en haalt de volledige instructies erbij zodra een opdracht daarom vraagt.

Als ik vraag om een nieuw Umbraco-documenttype, dan gebruikt AI de skill waarin onze afspraken daarvoor staan. We schrijven dus niet dezelfde instructies opnieuw uit bij elke opdracht, maar hergebruiken een werkwijze die we al hebben getest.

Naast die instructies koppelen we AI ook aan systemen waarmee we werken. Via MCP voert AI bijvoorbeeld rechtstreeks opdrachten uit in Umbraco. Ook werken we aan een koppeling met Figma, zodat AI ontwerpen gebruikt bij frontend development.

Daarnaast gebruiken collega’s tools als Lovable om snel werkende proof of concepts te maken. Zo’n concept nemen we niet één op één in productie: we vertalen het naar onze eigen tech-stack, waarin onze afspraken voor kwaliteit, veiligheid, monitoring en beheer al zijn ingericht.

Hoe we skills gebruiken in ons dagelijks developmentwerk

Onderaan de streep kloppen we tegenwoordig weinig code meer en sturen we AI steeds vaker aan vanuit de oplossing die we voor ogen hebben.

Voor repeterende werkzaamheden

Recent optimaliseerden we in één ochtend een complete checkoutflow, van de winkelwagen tot het invullen van gegevens. Dat deden we samen met de klant, bij ons op kantoor. Zo’n aanpassing vroeg eerder aanzienlijk meer tijd.

Dat levert ook ruimte op tijdens development. Als developer zie je tijdens een project regelmatig een verbetering die het geheel beter maakt. Voorheen paste zo’n toevoeging niet altijd binnen de beschikbare uren. Met AI lukt het soms om die verbetering alsnog mee te nemen.

Om developers meer oplossingsgericht te laten werken

Wij bepalen welke oplossingsrichting past en binnen welke grenzen AI werkt. Daarna controleren we het resultaat. Dat geldt voor elk project en speelt extra bij oudere applicaties en complexere omgevingen. Daar moet AI rekening houden met alles wat al staat en eerdergemaakte keuzes.

Ik vergelijk AI daarom weleens met een heel slimme programmeur: die voert veel werk uit, zolang je duidelijk meegeeft hoe wij het bij Frontis willen hebben.

Hier werken we nu verder aan

De huidige skills vormen de basis. Ondertussen werken we aan meerdere vervolgstappen:

  • skills gerichter testen en aanscherpen;
  • Umbraco-updates voorbereiden met AI;
  • mogelijke breaking changes sneller signaleren;
  • wijzigingen en updates beter rapporteren richting klanten;
  • AI inzetten voor een eerste analyse bij storingen;
  • security-, ISO- en livegangchecks verder opnemen in dezelfde werkwijze;
  • klanten meer ruimte geven om binnen onze omgeving zelf mee te ontwikkelen.

Testen, aanscherpen and repeat

Het testen van individuele skills binnen het harness willen we slimmer organiseren. Een kleine wijziging kost soms al een uur aan aanpassen en opnieuw testen. Bij langere ontwikkelflows loopt dat verder op.

Verschillende AI-tools reageren bovendien niet altijd hetzelfde op dezelfde instructies. Een afwijkend resultaat hoeft dus niet aan de skill zelf te liggen. We onderzoeken hoe we dat testproces verder kunnen automatiseren.

Samen ontwikkelen met klanten

De sessie waarin we in één ochtend de checkoutflow optimaliseerden, liet ook zien hoe ik de samenwerking met klanten voor me zie. Zij kennen hun processen, data en wensen. Wij kennen de technische omgeving waarin nieuwe functionaliteit terechtkomt. Daardoor ontwikkelen we nieuwe functionaliteit direct met bestaande data, koppelingen en infrastructuur als uitgangspunt.

Met AI ontwikkelen technische medewerkers aan klantzijde steeds makkelijker zelf functionaliteiten. Daar ligt wat mij betreft veel potentie, zolang we die ontwikkeling binnen een goed technisch fundament organiseren.

Een losse configurator of tool buiten het bestaande platform levert achteraf namelijk veel extra werk op. We moeten zo’n oplossing alsnog integreren, koppelingen met bestaande databronnen leggen en hosting, monitoring, releases en security goed inrichten.

Veiligheid staat altijd voorop

Vooral security weegt zwaar. Zelf iets werkends bouwen met AI betekent nog niet dat de code veilig genoeg is voor productie. Onervaren developers laten onbedoeld kwetsbaarheden achter. Bij klantgegevens en andere gevoelige data heeft dat direct gevolgen.

Binnen Frontis hanteren we vaste werkwijzen om de veiligheid te waarborgen, waarbij onze developers weten waar ze op letten – in de code én daaromheen:

  • We voeren periodiek hotfixes uit en pakken securityfixes met hoge prioriteit direct op.
  • We testen ons basisproject, het fundament van al onze websites en portalen. Dat doen we met securitytools, die actief naar kwetsbaarheden zoeken. Vinden die tools een probleem? Dan lossen we dat op in het basisproject en voeren we de fix door in bestaande websites en portalen.
  • Ook AI krijgt security nadrukkelijker mee. We laten codewijzigingen bijvoorbeeld controleren met de AI-functionaliteit van GitHub en nemen veiligheidsinstructies op in skills, waaronder aandacht voor de OWASP Top 10.

We geven klanten de ruimte om zelf te ontwikkelen, maar dan het liefst binnen de bestaande technische omgeving. Zo houden we grip op architectuur, infrastructuur en security en voorkomen we dat we losse oplossingen later alsnog moeten inpassen of beveiligen. De afspraken die we nu in skills vastleggen, helpen ook om werk van klanten volgens dezelfde standaarden te beoordelen.

We leggen steeds beter vast hoe Frontis ontwikkelt

Door skills te bouwen, maken we onze eigen werkwijze steeds explicieter. We leggen vast welke projectstructuren we gebruiken, welke oplossingen we hergebruiken, welke afspraken altijd gelden en welke kennis nu nog vooral bij ervaren developers zit.

Die kennis helpt AI om beter volgens onze standaarden te werken. Tegelijk blijven we onze instructies zelf testen en aanscherpen op basis van wat we in projecten tegenkomen.

Zo ontwikkelen onze AI-tools mee met de developmentkennis die we binnen Frontis blijven opbouwen.

Verder praten over AI en development?

Werk je zelf aan een vraagstuk rond AI, development of samen ontwikkelen? Ik praat er graag eens over door. Neem gerust contact met me op.

Een artikel door:
Alfred
Developer