Linus Torvalds, bedenker van de Linux-kernel, noemt kunstmatige intelligentie een bruikbare hulp voor programmeurs. Hij zei dit recent in een publiek gesprek over softwareontwikkeling. De tools helpen vooral bij routinewerk en uitleg, maar vervangen geen vakkennis. Torvalds benadrukt dat menselijk oordeel nodig blijft om kwaliteit en veiligheid te borgen.
Torvalds ziet AI als hulpmiddel
Torvalds staat bekend om zijn scherpe blik op softwarekwaliteit. Zijn beoordeling van AI als “handig, maar niet magisch” past in die lijn. Programmeurs kunnen tijd winnen, maar moeten code nog steeds begrijpen en testen. Dat is cruciaal voor complexe projecten zoals de Linux-kernel.
Bekende hulpmiddelen zijn GitHub Copilot van Microsoft, ChatGPT van OpenAI, CodeWhisperer van Amazon en Gemini Code Assist van Google. Deze systemen voorspellen of genereren code op basis van voorbeelden uit trainingsdata. Ze werken in de ontwikkelomgeving of via chat. De uitkomst lijkt vaak goed, maar kan fouten bevatten.
De boodschap is praktisch: gebruik AI waar het helpt, maar vertrouw er niet blind op. Dat sluit aan bij hoe veel teams nu al werken. Eerst laten genereren, daarna grondig reviewen. Zo blijft de controle bij de ontwikkelaar.
Generatieve AI is software die zelfstandig tekst, code of beeld maakt op basis van eerder verzamelde data en patronen.
Handig voor routinecode
AI-assistenten zijn sterk in boilerplate, test-skeletten en simpele documentatie. Dat scheelt tijd bij terugkerende taken. Ook kunnen ze voorbeelden geven van API-gebruik. Voor startende ontwikkelaars werkt het als een snelle vraagbaak.
Bij complexe kernelcode of performancekritische paden lopen modellen sneller vast. Daar tellen nuance, hardwarekennis en randgevallen. Een algoritme ziet die niet altijd. Menselijke ervaring blijft hier bepalend.
Teams die AI slim inzetten, combineren genereren met automatische checks. Denk aan unit-tests, statische analyse en linters. Zo vang je fouten vroeg af. Het voorkomt dat onjuiste suggesties in productie belanden.
Niet zonder toezicht en bron
Een belangrijk risico is “hallucinatie”: het model verzint code die plausibel oogt maar niet klopt. Ook licenties spelen mee. Trainingsdata kan open-sourcecode bevatten met voorwaarden. Wie AI-suggesties overneemt, moet rechten en herkomst controleren.
Voor de Linux-kernel gelden strikte eisen rond herleidbaarheid en auteurschap. Inzendingen moeten verifieerbaar zijn en een “Signed-off-by” bevatten via de Developer Certificate of Origin. Dat borgt dat de inzender het recht heeft de code te delen. AI-gebruik ontslaat een ontwikkelaar niet van die plicht.
Organisaties doen er goed aan interne richtlijnen op te stellen. Leg vast wanneer AI gebruikt mag worden, hoe bronvermelding werkt en welke reviews nodig zijn. Combineer dit met tools voor licentiecontrole en kwetsbaarheidsscans. Zo blijft de keten beheersbaar.
Europese regels drukken door
In de EU valt dit soort software onder de AI-verordening (AI Act), op het moment van schrijven nog in uitrol. Leveranciers van generatieve modellen, zoals OpenAI of Google, krijgen plichten rond transparantie en risicobeperking. Bedrijven die de tools gebruiken, moeten beoordelen of de inzet past binnen hun sectorregels. Denk aan zorg, overheid of financiële diensten.
De AVG blijft gelden zodra persoonsgegevens meespelen. Stuur geen vertrouwelijke of herleidbare data naar clouddiensten zonder noodzaak. Pas dataminimalisatie toe en versleuteling waar mogelijk. Voor publieke instellingen kan een DPIA (gegevensbeschermingseffectbeoordeling) verplicht zijn.
Voor softwareteams in Nederland is licentiehygiëne extra belangrijk. Open-sourcecomponenten vallen onder Europese en Nederlandse auteursrechtregels. Documenteer de herkomst van code, inclusief AI-gegenereerde delen. Dat voorkomt juridische onzekerheid bij audits of aanbestedingen.
Invloed op ontwikkelpraktijk
AI schuift op naar standaardgereedschap in IDE’s als Visual Studio Code en JetBrains. Snelle suggesties verhogen de productiviteit, zeker bij repetitieve taken. Kleine teams profiteren relatief veel. Ze kunnen met minder mensen meer opleveren.
Beveiliging wordt tegelijk belangrijker. AI kan per ongeluk onveilige patronen voorstellen, zoals zwakke cryptografie of onjuiste inputvalidatie. Integreer daarom SAST, DAST en dependency-scans in de pipeline. En leg drempels vast voor code die naar productie gaat.
Voor open-sourceprojecten is transparantie de sleutel. Vraag om motivatie bij AI-gegenereerde patches en eis grondige review. Zo blijft de kwaliteit van de codebasis overeind. Het helpt ook om discussies over licenties en aansprakelijkheid te voorkomen.
Wat dit concreet betekent
Voor ontwikkelaars: gebruik AI bewust en controleer elke regel. Laat het routinewerk versnellen, maar verdiep je in de inhoud. Leer het model goede prompts en context geven. En test altijd met echte randgevallen.
Voor tech-leiders: maak beleid en tooling leidend. Stel richtlijnen op, train teams en meet effect op kwaliteit. Combineer AI-assistentie met strenge CI/CD-controles. Dat maakt voordelen tastbaar en risico’s beheersbaar.
Voor Europese organisaties: houd rekening met de AI Act en de AVG. Kies leveranciers die transparant zijn over data en modellen. Leg in contracten afspraken vast over beveiliging en aansprakelijkheid. Zo past AI in een verantwoord ontwikkelproces.