AI schrijft 180% meer code, maar je product gaat er maar 30% op vooruit
📊 Kerncijfers
🔗 Geannoteerde bronnen
primair Forbes: AI Coding Agents Write 180% More Code But Ship Only 30% More Software
forbes.com/sites/josipamajic/.../ai-coding-agents-write-180-more-code🗓️ 10 juni 2026 · Josipa Majic · Bevat: MIT-studie met 180% codegroei vs 30% productiegroei, Sarah Guo's "untrainable corner"-analyse, Noam Brown's evaluatie-uitspraak, Sierra AI/Cognition/Harvey AI moat-voorbeelden
primair The Decoder: AI coding agents find the right file but miss the exact lines that matter
the-decoder.com/ai-coding-agents-find-the-right-file-but-miss-the-exact-lines🗓️ 14 juni 2026 · Bevat: SWE-Explore benchmark (848 problemen, 203 projecten), 14–19% line coverage, 50% coverage-drempel voor succesvolle fixes, CoSIL als outlier, METR-studie: helft AI-patches afgewezen door mensen
📋 Claims & verificatie
| Claim in blogpost | Bron | Status |
|---|---|---|
| "Het volume geschreven code steeg met ongeveer 180%" | Forbes (MIT-studie) | ✅ Geverifieerd |
| "de hoeveelheid code die daadwerkelijk in productie ging steeg met slechts 30%" | Forbes (MIT-studie) | ✅ Geverifieerd |
| "AI-gegenereerde code bevat 3,4 keer vaker subtiele logische fouten dan menselijk geschreven code" | Forbes (MIT-studie) | ⚠️ Indirect |
| "AI coding agents vinden wél het juiste bestand, maar missen de exacte regels die ertoe doen" | The Decoder (SWE-Explore) | ✅ Geverifieerd |
| "falen ze in 40% van de gevallen" bij het vinden van exacte regels | The Decoder (SWE-Explore) | ⚠️ Indirect |
| "Noam Brown: de enige betrouwbare manier om een AI-agent over een jaar te evalueren, is hem een jaar te laten draaien" | Forbes (Noam Brown-citaat) | ✅ Geverifieerd |
| "3,4x meer subtiele bugs" (herhaalde claim) | Forbes (MIT-studie) | ⚠️ Indirect |
| MKB-adviezen: AI voor boilerplate, verhoog review-tijd, meet shipped features | — | ℹ️ Opinie/analyse |
📝 Methodologie-noot
Herverificatie 17 juni 2026. Twee primaire bronnen gebruikt: Forbes-artikel over MIT-studie (Josipa Majic, 10 juni 2026) en The Decoder over SWE-Explore benchmark (14 juni 2026).
⚠️ Indirect — 3,4× fouten-cijfer: De blogpost claimt "3,4 keer vaker subtiele logische fouten" maar dit exacte cijfer staat niet in de Forbes- of Decoder-bronnen. Forbes spreekt over "subtle errors" in algemene termen; The Decoder rapporteert 14–19% line coverage en dat de helft van AI-patches door mensen wordt afgewezen. Het 3,4×-cijfer is een parafrase die niet letterlijk verifieerbaar is.
⚠️ Indirect — 40% faalpercentage: De blogpost claimt dat AI-agents "in 40% van de gevallen falen" bij het vinden van exacte regels. The Decoder rapporteert 14–19% line coverage (d.w.z. agents dekken slechts 14–19% van de relevante regels) en een 50%-drempel voor succesvolle fixes. "40% faalpercentage" is een parafrase-drift van deze coverage-metriek — de bronnen zeggen niet "40% fail rate".
✅ Geverifieerd: De 180%/30%-cijfers, de file-vs-line bevinding, en het Noam Brown-citaat staan letterlijk in de bronnen.
🧩 Gerelateerde faalpatronen
- #23 Paraphrase drift — het 3,4×-cijfer en 40%-faalpercentage zijn parafrases die afwijken van de bronteksten. Exacte cijfers uit bronnen vereisen exacte weergave.
- #29 Numerical inflation — gerelateerd patroon: blogpost-cijfers die significant afwijken van bronnen. Hier is het probleem niet inflatie maar het introduceren van een nieuw cijfer (3,4×) dat niet in de bronnen staat.
- #14 Scenario cherry-picking — de blogpost pakt de meest alarmerende interpretatie (40% faalpercentage) terwijl de bron een genuanceerder beeld schetst (14–19% coverage, 50%-drempel).