De Crisis van 'Vibe Coding': Waarom Afgestudeerden Informatica Niet Kunnen Programmeren Zonder AI

In februari 2025 kondigde Andrej Karpathy, medeoprichter van OpenAI en voormalig directeur Autopilot-software bij Tesla, op X een nieuwe beweging in de software engineering aan. Hij doopte het 'Vibe Coding'. Karpathy legde uit dat hij in minder dan een uur een functionele webinterface had gemaakt zonder zelf één regel code te schrijven. Zijn methode: aan het LLM (in dit geval Claude 3.5 Sonnet) beschrijven wat hij wilde, het resultaat in de browser controleren, de wijzigingen beschrijven, en herhalen tot het klaar was. 'Ik ben nu een Vibe Coder', jubelde hij. 'Ik typ geen code meer – ik vibe gewoon met het systeem.'

In de technologiewereld verspreidde de term zich als een lopend vuurtje. Voor start-up oprichters en product managers klonk Vibe Coding als de ultieme bevrijding: softwareontwikkeling zonder de vervelende, dure en tijdrovende details van echt programmeren. In het voorjaar van 2026 is de term echter het synoniem in de sector geworden voor iets veel zorgwekkenders: een diepe crisis in het computerwetenschappenonderwijs en de integratie van junior ontwikkelaars.

De realiteit of Vibe Coding in 2026 is deze: pas afgestudeerden computerwetenschappen melden zich bij sollicitatiegesprekken en lossen live programmeeroefeningen op het scherm briljant op dankzij de hulp van AI – maar falen volkomen wanneer hen wordt gevraagd om diezelfde code uit te leggen of aan te passen op een whiteboard zonder hulp van een LLM. Recruiters signaleren nieuwe medewerkers die met gemak prompts kunnen schrijven, maar niet in staat zijn om foutieve code te debuggen omdat ze de onderliggende logica niet begrijpen. Probleemoplossende vaardigheden atrofieren in recordtijd. Dit artikel onderzoekt het empirische bewijs van de Vibe Coding-crisis: de gegevens over vaardigheidsatrofie, de reacties van de industrie en hoe u echte programmeurs opleidt die zowel kunnen viben als programmeren.

De gegevens over atrofie: wat het onderzoek laat zien

Waarschuwingen over de achteruitgang van programmeervaardigheden door AI bleven lang anekdotisch. In 2025/2026 veranderde dat met een reeks academische en industriële studies.

Deze gegevens wijzen op een fundamenteel leerprincipe: vaardigheden worden opgebouwd door inspanning en oefening – de zogenaamde productieve strijd. Als een LLM elk obstakel wegneemt op het moment dat het zich voordoet, verdwijnt de cognitieve inspanning. De student leert niet om de executieflow van code mentaal te volgen, systematisch te debuggen of randgevallen te voorzien. Hij wordt een Vibe Coder – iemand die op het systeem vertrouwt zonder het te begrijpen.

• Het effect van de productiviteitsparadox. Een grootschalige studie van software-intelligencebedrijf GitClear in het najaar van 2025 analyseerde meer dan 150 miljoen code-commits wereldwijd. Het resultaat was ontnuchterend: hoewel de hoeveelheid geschreven code (aantal regels) explodeerde dankzij automatische aanvulling en AI-generatie, stegen het percentage dubbele code, het verlooppercentage (code die binnen 14 dagen werd verwijderd of gewijzigd) en de foutgevoeligheid drastisch. Ontwikkelaars schreven sneller code, maar produceerden code van lagere structurele kwaliteit die moeilijker te onderhouden was.
• De achteruitgang van AI-codebeveiliging. Een gedetailleerde analyse van codereview-platform CodeRabbit in december 2025 onderzocht miljoenen pull requests. Ze stelden vast dat code die was meegeschreven door generatieve AI 1,7 times meer kritieke problemen (kwetsbaarheden, geheugenlekken, logische fouten) bevatte dan door mensen geschreven code, met een 2,74 keer hoger risico op ernstige beveiligingslekken. AI-tools blinken uit in het genereren van aannemelijk uitziende code, maar negeren vaak subtiele randgevallen en beveiligingscontexten.

Voor recruiters en technisch directeuren is de crisis geen theoretische zorg. Het beïnvloedt rechtstreeks de aannameprocessen. In 2026 is het wervingsproces ingrijpend veranderd als reactie op Vibe Coding.

Het probleem of Vibe Coding bij sollicitatiegesprekken

In 2023-2024 stelden veel bedrijven nog asynchrone thuisopdrachten als eerste stap. Deze praktijk is in 2026 vrijwel verlaten. Elke thuisopdracht wordt nu in enkele seconden opgelost door Claude Code of OpenAI Codex. Een perfecte thuisopdracht heeft geen enkele waarde meer om de werkelijke vaardigheden van een kandidaat te beoordelen.

In plaats daarvan leunen technologiebedrijven op drie nieuwe vormen van verificatie:

De boodschap van de industrie in 2026 is onmiskenbaar: we betalen geen mensen die alleen prompts kunnen schrijven. Prompts schrijven, dat kan AI binnenkort zelf. We betalen mensen die in staat zijn de gegenereerde code te begrijpen, te valideren, te beveiligen, te debuggen en te integreren in complexe legacysystemen. Vibe Coders zijn een risico; programmeurs die de tools beheersen terwijl ze zelfstandig nadenken, zijn de meest waardevolle troef.

Aan universiteiten heeft de Vibe Coding-crisis geleid tot een diepe verdeeldheid. Er zijn twee kampen van docenten.

Hoe de crisis het computerwetenschappenonderwijs transformeert

Het eerste kamp reageerde met verbod en controle. Ze verbanden laptops uit introductiecursussen, voerden handgeschreven examens opnieuw in en gebruikten strenge detectors. Dit model – hoe begrijpelijk ook – faalt in het gezicht van de realiteit: het produceert gestresste en geïsoleerde studenten in het klaslokaal, die geen idee hebben hoe ze AI-tools in de praktijk productief en veilig kunnen gebruiken. Ze zijn niet voorbereid op de realiteit van de industrie.

Het tweede kamp – dat aan invloed wint – kiest de weg van de gestructureerde integratie. Ze behandelen AI niet als de vijand van het leren, maar als een pedagogische variabele. Ze gebruiken kaders zoals de socratische steun: de AI wordt geconfigureerd als een tutor die weigert de code te schrijven, maar geduldig vragen stelt, aanwijzingen geeft en fouten analyseert. De beoordeling verschuift van de eenvoudige correctheid van de code naar het probleemoplossingsproces, het aantonen van debugging-vaardigheden en mondelinge toelichtingen.

• De atrofie van het debugging-vermogen. Een veelgelezen blogpost op dev.to met de titel 30 dagen zonder AI beschreef de ervaring van een ervaren ontwikkelaar. Na een jaar intensief gebruik van GitHub Copilot stelde hij vast dat zijn vermogen om mentale modellen van complexe systemen te bouwen zichtbaar was afgenomen. Debuggen zonder AI-hulp kostte drie keer zoveel tijd als vóór het Copilot-tijdperk. Zijn conclusie: 'Als we AI voor ons laten denken, verleren we het denken.'
• Het whiteboard-gesprek zonder hulpmiddelen. De kandidaat krijgt een stift en moet een algoritme op een whiteboard schrijven – zonder editor, zonder automatische aanvulling, zonder internet. Dit is waar pure Vibe Coders door de mand vallen. Ze falen op basissyntaxis, zijn niet in staat een loop-invariant uit te leggen en struikelen over eenvoudige logische vertakkingen.
• De gecontroleerde bugjacht. De kandidaat krijgt een bestaand repository met een subtiele bug en moet deze binnen 30 minuten vinden en corrigeren – onder toezicht van een senior ontwikkelaar. Dit test rechtstreeks de debugging-capaciteit – precies de vaardigheid die atrofieert bij exclusieve afhankelijkheid van AI.

In deze programma's leren studenten beide: het fundamentele ambacht van onafhankelijk denken en de geavanceerde vaardigheid van effectief prompt engineering en codevalidatie. Ze worden niet opgeleid tot Vibe Coders, maar tot software engineers van het AI-tijdperk.

De rol van verificatie in het leerproces

Voor docenten die computerwetenschappenklassen begeleiden, is de belangrijkste les dat verificatie niet synoniem moet zijn met straf. Verificatie is de bescherming van het leren. Wanneer studenten weten dat hun inzendingen worden gescand op AI-generatie, en dat ze verdachte inzendingen persoonlijk moeten uitleggen, stabiliseert dat de sociale norm van de cursus: het echte werk moet in je eigen hoofd gebeuren.

• De mondelinge codeverdediging. De kandidaat wordt uitgenodigd om een van zijn eigen projecten te presenteren, maar wordt in detail ondervraagd over elke ontwerpkeuze. 'Waarom koos u deze datastructuur?' 'Wat gebeurt er als deze thread blokkeert?' Kandidaten die hun project in Vibe Coding-modus hebben gegenereerd, vallen snel door de mand door hun onwetendheid over de details van hun eigen inzending.
• Nauwkeurige detectie: code-inzendingen worden geanalyseerd op de statistische signalen die AI-generatie bewijzen met 99% nauwkeurigheid – op alle gangbare modellen (GPT-5.5, Claude 4.6, Gemini 3.1).
• Procestransparantie: de Agentic Council – zeven gespecialiseerde expertmodellen – genereert gedetailleerde rapporten die bewijzen of de inzending de sporen draagt van een stapsgewijze menselijke progressie of de typische vingerafdrukken van een kant-en-klare AI-prompt.
• Focus op de mens: docenten hoeven geen detective te spelen. De verificatielaag markeert verdachte inzendingen, waardoor kostbare tijd van docenten kan worden besteed aan gerichte gesprekken tijdens het spreekuur.
• De onthulling tijdens het afstudeerproject: Het senior capstone-project, het moment waarop opgebouwde vaardigheden vruchten zouden moeten afwerpen, is steeds vaker een moment waarop het opgebouwde gebrek aan vaardigheden aan het licht komt. Teams die zich door CS1 tot het voorlaatste jaar hebben heen gevibe-coded, komen aan bij hun afstudeerproject zonder het vermogen om een systeem te ontwerpen, een functie op te splitsen of de onderdelen van programmeren aan te pakken waar AI het slechtst in is.

De conclusie: hoe te voorkomen dat u een Vibe Coder wordt

Deze workflow wordt op schaal mogelijk gemaakt door tools zoals Plagly.ai:

Deze aanpak beschermt het leren, behoudt het vertrouwen in de klas en garandeert dat het universiteitsdiploma een echte competentie certificeert, zelfs in het tijdperk van Codex.

• 1. De opdracht met twee sporen. Elke opdracht heeft een “solo”-gedeelte (geen AI toegestaan, vaak een klein onderdeel in de klas) en een “tools”-gedeelte (AI toegestaan maar gedocumenteerd). Het solo-gedeelte toont wat de student daadwerkelijk kan. Het tools-gedeelte leert hen om meer te doen.
• 2. AI-vaardigheid als beoordeelde competentie. Studenten leveren de AI-prompts in die ze hebben gebruikt, de antwoorden die ze kregen en een analyse van waar de AI fouten maakte of inefficiënt was. Het kritisch lezen van AI-output wordt behandeld als een leerdoel, niet als een omweg.
• 3. Beoordelingen gericht op debuggen. Studenten krijgen werkende, door AI gegenereerde code met subtiele fouten (off-by-one, verkeerde basissituatie, ontbrekende null-check, beveiligingslek) en worden beoordeeld op hun vermogen om deze te vinden en op te lossen. Dit traint de vaardigheid waar AI het slechtst in presteert en die werkgevers het meest waarderen.
• 4. Proces-transparante beoordeling. Vereiste commit-geschiedenis, verplichte opmerkingen waarin ontwerpbeslissingen worden gedocumenteerd, opgenomen walkthroughs. Het eindproduct alleen bepaalt niet langer het volledige cijfer.
• 5. Live technische gesprekken. Een kort, gestructureerd mondeling onderdeel bij elke belangrijke opdracht. Vijf minuten per student, gericht op een of twee diagnostische vragen. De drempel is reëel; het signaal is uitstekend.
• 6. Authenticiteitsverificatie op systeemniveau. Tools zoals Plagly.ai scannen inzendingen op patronen van AI-generatie, stilistische eenvormigheid binnen de groep en de afwezigheid van iteratieve auteurschapssporen die echt studentenwerk gewoonlijk vertoont. Dit is niet het cijfer; het is een vlag die de inzendingen naar voren brengt die een gesprek tijdens het spreekuur waard zijn.

Veelgestelde vragen

Als u vandaag computerwetenschappen studeert of aan uw carrière als ontwikkelaar begint, is de belangrijkste les: gebruik de tools, maar geef het denken niet op.

Daag uzelf uit. Schrijf de eerste opzet zonder hulp van AI. Als uw code een bug bevat, gebruik dan niet onmiddellijk de prompt /fix – probeer de fout zelf te vinden met print-instructies, de debugger en een mentale tracering van de uitvoering. Bespreek met de AI architectuurkeuzes en algoritme-afwegingen, maar laat het niet de implementatie-inspanning voor u doen. Het is de productieve strijd die van u een echte programmeur zal maken.

• Automatische scan van inzendingen: Elk geüpload bestand doorloopt een AI-detectieronde die een betrouwbaarheidsscore en vlaggen per blok oplevert. Plagly.ai voert deze analyse uit met 99% nauwkeurigheid voor GPT-5.5, Claude 4.6, Gemini 3.1 en andere grote modellen, inclusief de specifieke codevarianten die de voorkeur hebben van die modellen.
• Dashboard op cohortniveau: De docent ziet een clustering van stilistische patronen binnen de groep. Wanneer acht inzendingen idiomatische formuleringen, identieke commentaardichtheid en hetzelfde defensieve randgeval-patroon delen, wordt het cluster ter beoordeling gemarkeerd.
• Auteurschapssporen: Plagly.ai's Agentic Council — zeven domeinexpertmodellen die de inzending analyseren op schrijfkwaliteit, structuur, AI-detectie, originaliteit en consistentie — genereert een gedetailleerd rapport. Het rapport claimt geen academische fraude; het documenteert de patronen die de docent kan onderzoeken.
• Gerichte gesprekken tijdens het spreekuur: Studenten van wie de inzendingen worden gemarkeerd, krijgen de mondelinge controle van vijf minuten. De meesten worden snel vrijgepleit; het kleine aantal dat dat niet wordt, vormt de gevallen die de docent zorgvuldig en officieel behandelt.

De toekomst behoort niet tot de pure Vibe Coders die machteloos zijn zonder hulp van een LLM. Het behoort tot de ontwikkelaars die in staat zijn de tools te gebruiken om hun productiviteit te verhonderdvoudigen – omdat ze de gegenereerde code tot in de kleinste details kunnen begrijpen, kritisch kunnen bekijken, kunnen debuggen en beveiligen. Ze viben met het systeem, maar houden het stuur stevig in handen.

De vooruitblik van 18 maanden voor computerwetenschappenonderwijs

Plagly.ai biedt universiteiten en bootcamps de integriteits- en verificatielaag die het computerwetenschappenonderwijs succesvol maakt in het tijdperk van Codex. Detecteer door AI gegenereerde code-inzendingen met 99% nauwkeurigheid in Python, JavaScript, Java, C++ en andere talen. Gebruik de klassenanalyse om de onzichtbare patronen te onthullen en integriteitsrapporten als verifieerbaar bewijs.

• Volledige AI-verboden: Sommige instellingen zullen het proberen, en de meeste zullen falen. De verboden zijn onuitvoerbaar, het beleid wordt inconsistent en de studenten die zich aan de regels houden, studeren minder vaardig af dan de studenten die dat niet doen. Dit is een scenario met alleen maar nadelen dat zichzelf al in diskrediet heeft gebracht op verschillende universiteiten die het in 2023-2024 probeerden.
• Verschuiving van vaardigheden naar beneden in het curriculum: CS1 begint later, met meer nadruk op conceptuele fundamenten. CS2 behandelt wat CS1 voorheen behandelde. Geavanceerde cursussen worden theoretischer omdat het implementatiegedeelte niet langer de plek is waar het leren plaatsvindt. Dit gebeurt langzaam.
• Verschuiving in beoordeling naar live demonstratie: Thuisopdrachten worden formatief. Summatieve cijfers worden bepaald door live programmeren onder toezicht, mondelinge verdedigingen en werk waarbij het proces zichtbaar is. Dit is de richting die de sterkste CS-programma's al opgaan, en het is de richting waarin de meeste programma's uiteindelijk zullen uitkomen.

Minder, maar de risico's zijn reëel. Een ervaren ontwikkelaar heeft in de loop der jaren al een diep mentaal model van softwarearchitectuur opgebouwd. Hij gebruikt AI als een ultrasnelle schrijfassistent en kan bugs of beveiligingsrisico's in de gegenereerde code meestal direct detecteren. Het gevaar van atrofie betreft vooral junior ontwikkelaars en studenten die deze mentale modellen nog moeten opbouwen. Toch melden ook ervaren ontwikkelaars een insidieuze achteruitgang van hun debugging-intuïtie wanneer ze te lang uitsluitend op LLM-generatie leunen.

Veelgestelde vragen

Is vibe coding altijd slecht, of is het soms legitiem?

Studenten proberen dit vaak, maar het is extreem arbeidsintensief en pedagogisch ironisch. Om code zo te herschrijven dat de statistische handtekeningen van AI verdwijnen, moet u de code tot in het kleinste detail begrijpen, variabelen intelligent hernoemen, de structuur aanpassen en de stijl wijzigen. De vereiste inspanning is vaak groter dan die van het zelf schrijven van de code. En bovenal: door dit proces van intensieve analyse en wijziging vindt precies dat leerproces plaats dat de AI-snelkoppeling had moeten voorkomen. De spiekpoging transformeert in productieve strijd.

Bescherm het leren in uw instelling

De principes zijn vergelijkbaar (analyse of perplexity en burstiness), maar de toepassing is complexer voor code. Code heeft een striktere syntaxis dan natuurlijke taal, wat de variatieruimte beperkt. Tegelijkertijd vertoont code sterkere structurele signalen – naamgevingspatronen van variabelen, commentaardichtheid, idiomatische keuzes en bibliotheekgebruik. Detectors zoals Plagly.ai combineren taalmodellen met AST-analyse (Abstract Syntax Tree) om een uitzonderlijk hoge nauwkeurigheid in de detectie te bereiken.

Is Vibe Coding ook gevaarlijk voor ervaren ontwikkelaars?

Codedetectie gebruikt vergelijkbare statistische fundamenten — perplexity, burstiness, stilistische vingerafdrukken — maar past deze toe op andere oppervlaktekenmerken. In code zijn de meest informatieve signalen structureel in plaats van lexicaal: naamgevingspatronen van variabelen, commentaardichtheid en -stijl, idiomatisch gebruik van bibliotheken, standaardcode voor foutafhandeling en de keuze van idiomatische constructies. Multi-model ensemble-detectors behalen een nauwkeurigheid van 90-95% op geïsoleerde code-inzendingen in 2026, oplopend tot ruim boven de 95% wanneer patroonanalyse op cohortniveau wordt gecombineerd met scoring op bestandsniveau.

Zullen programmeerbanen verdwijnen door Vibe Coding?

Dit is de groep die de verificatielaag expliciet niet wil benadelen. Een student die AI heeft gebruikt om een concept te begrijpen en vervolgens zijn eigen oplossing heeft geschreven, produceert code die op regelniveau niet overeenkomt met AI-generatiepatronen. Detectiesignalen vangen het eindproduct op, niet het onderzoeksproces. Als het cursusbeleid AI als tutor toestaat — en dat zou volgens ons moeten — blijft de workflow functioneren. Je controleert de inzending, niet de leermethode van de student.

Can ik de AI-detectie omzeilen door de gegenereerde code te herschrijven?

Ja, met aanpassingen. Voor projecten van meerdere weken met meerdere bestanden verschuiven de nuttigste signalen naar procestransparantie: analyse van de commit-geschiedenis (verscheen de code in één grote commit, of is deze in de loop van de tijd geëvolueerd?), consistentie van het auteurschap over bestanden heen (leest de codebase alsof één persoon het heeft geschreven, of alsof verschillende patches aan elkaar zijn genaaid?) en documentatie van ontwerpbeslissingen (kan de student uitleggen waarom specifieke architecturale keuzes zijn gemaakt?). Projecten in de vorm van een afstudeerproject profiteren het meest van een gestructureerde mondelinge verdediging plus een geschreven motivering van het ontwerp, met AI-detectie als tertiair signaal in plaats van het primaire.