15 oktober 2026Bijgewerkt op Fathy Shalaby14 min leestijd
De kosten van features bouwen met AI: waarom '1 uur' niet goedkoop is
"Dit bouwen we in 1 uur met AI" is een inschatting van de bouwtijd, geen productargument. Wat een feature kost na dat uur, een uitgewerkt voorbeeld over 12 maanden en hoe je nee zegt zonder het team af te remmen.
De kosten van features bouwen met AI zijn voor de eerste versie ingestort, maar het meeste van wat een feature kost komt pas na het bouwen: review, security, testen, support, onderhoud en de roadmap-aandacht die je aan andere weddenschappen onttrekt. "Dit bouwen we in 1 uur met AI" is dus een inschatting van de bouwtijd, geen productargument. Het bewijst dat een prototype goedkoop is. Het bewijst niet dat de feature goedkoop is.
Kort antwoord: nee, op zichzelf is het geen goede reden. Het is wel een goede reden voor een goedkope test, als die test een echte vraag beantwoordt en een eigenaar en een einddatum heeft. Het gaat erom het gesprek te verschuiven van bouwtijd naar de totale kosten van het bezit van het resultaat.
Belangrijkste punten
Onderhoud was al de grootste post vóór AI. In Stripes enquête uit 2018 schatten ontwikkelaars dat 17,3 uur van een werkweek van 41,1 uur naar onderhoud ging, zoals debuggen, refactoren en slechte code repareren (Stripe, 2018).
AI-gegenereerde code moet nog steeds gecontroleerd worden: 66% van de ontwikkelaars in de Stack Overflow-enquête van 2025 noemde antwoorden die "bijna goed, maar net niet" zijn als grootste frustratie, en 45,2% zei dat het debuggen van AI-code langer duurt (Stack Overflow, 2025).
Veracode ontdekte dat AI-gegenereerde code in 45% van zijn tests riskante beveiligingslekken introduceerde, bij meer dan 100 modellen (Veracode, 2025).
AI maakt teams sneller, maar zet de stabiliteit nog steeds onder druk. Uit het DORA-onderzoek van 2025 bleek dat 90% van de respondenten AI op het werk gebruikt en dat AI-adoptie nog steeds een negatief verband heeft met de stabiliteit van software-oplevering (Google Cloud, 2025).
In het illustratieve voorbeeld hieronder kost een feature die in 1 uur is gebouwd in het eerste jaar ongeveer 53 uur.
Is "dit bouwen we in 1 uur met AI" een goed productargument?
Alleen als bewijs dat een goedkope proefballon mogelijk is. Het zegt niets over of het probleem ertoe doet, of de oplossing gedrag verandert, of het team het resultaat in productie moet gaan beheren.
Het argument is niet nieuw; AI heeft het alleen luider gemaakt. In 2013 noemde Des Traynor van Intercom "snel te bouwen" als een van de veelvoorkomende slechte redenen waarom teams features toevoegen, naast "een concurrent heeft het" en "iemand hogerop wil het". Zijn punt was dat een snelle inschatting complexiteit verbergt: "er bestaan geen kleine wijzigingen" (Intercom, 2013).
Wat er is veranderd, is de wrijving. Teams wezen ideeën vroeger deels af omdat implementatie zichtbaar duur was: een week engineering of een riskante migratie zorgde voor een natuurlijke pauze. AI-ondersteunde ontwikkeling haalt een groot deel van die pauze weg. Het nieuwe faalscenario is niet alleen langzaam het verkeerde bouwen. Het is snel het verkeerde bouwen en dan het bestaan van software aanzien voor bewijs dat de gok goed was.
Wat zijn de totale kosten van features bouwen met AI?
Een inschatting van één uur dekt één regel van een lange rekening. Hier is de rest, met wat het bewijs per regel zegt.
Kostenpost
Wat erbij hoort
Wat het bewijs zegt
Review en correctie
Gegenereerde code lezen, repareren en opnieuw prompten
66% van de ontwikkelaars noemt "bijna goede" AI-output als grootste frustratie; 45,2% zegt dat het debuggen van AI-code langer duurt (Stack Overflow, 2025)
Security en rechten
Auth, datatoegang, verwerking van invoer
AI-code introduceerde riskante lekken in 45% van de Veracode-tests (Veracode, 2025)
Testen en release
Tests, QA, uitrol, terugdraaien
De stabiliteit van oplevering daalde naarmate AI-adoptie steeg in de DORA-data van 2024 (Google Cloud, 2024)
Documentatie en support
Helpartikelen, tickets, aanpassingen in onboarding
Elke zichtbare feature vergroot wat gebruikers moeten leren en support moet uitleggen
Onderhoud
Bugfixes, wijzigingen in dependencies en API's, refactoring
Ontwikkelaars schatten dat 17,3 van 41,1 uur per week naar onderhoud gaat (Stripe, 2018)
Productcomplexiteit
Drukke interface, randgevallen, configuratie
Ook optionele features duiken elders in het product op (Intercom, 2013)
Opportuniteitskosten
De gok die je niet hebt getest, de reviewtijd die je hebt opgebruikt
In de data van Pendo zorgt 12% van de features voor 80% van het dagelijks gebruik (Pendo, 2019)
Verwijdering
Gebruikers migreren als het mislukt
Zelden gepland, dus zelden goedkoop
"Goedkoop te bouwen" is niet hetzelfde als "goedkoop te bezitten". Daarom kan de claim van één uur technisch kloppen en toch een slechte reden zijn om ja te zeggen.
Hoeveel kost het om een feature te onderhouden?
Bijna altijd meer dan het bouwen. Uit Stripes rapport Developer Coefficient, waarvoor duizenden leidinggevenden en ontwikkelaars in zes landen werden ondervraagd, bleek dat ontwikkelaars schatten dat 17,3 uur van een gemiddelde werkweek van 41,1 uur naar onderhoud gaat: omgaan met slechte code en fouten, debuggen, refactoren en aanpassen. Dat is ongeveer 42% van de week. Daarnaast rekenen ze 13,5 uur per week voor technische schuld, en Stripe schatte de opportuniteitskosten van slechte code op ongeveer $85 miljard per jaar (Stripe, 2018). Dit zijn schattingen uit een enquête, geen tijdregistraties, maar de richting is duidelijk: code is goedkoop om toe te voegen en duur om te houden.
AI-tools veranderen hoe snel code zich opstapelt. GitClears analyse van 211 miljoen gewijzigde regels van 2020 tot 2024 liet zien dat gekopieerde regels tussen 2021 en 2024 stegen van 8,3% naar 12,3% van de wijzigingen, terwijl regels die bij refactoring werden verplaatst daalden van 25% naar minder dan 10% (GitClear, 2025). Meer duplicatie en minder consolidatie: zo groeit de onderhoudsrekening.
Waarom AI-features nog duurder zijn om te houden
Als de feature zelf AI gebruikt, komt er een tweede laag bij. D. Sculley en collega's betoogden in 2015 dat machine learning teams in staat stelt snel bruikbare systemen te bouwen, maar dat het gevaarlijk is om die snelle winsten als gratis te behandelen: ML-systemen in de praktijk hebben vaak enorme doorlopende onderhoudskosten (Sculley et al., NIPS 2015). Hun risicolijst past rechtstreeks op de AI-features van nu:
Data-afhankelijkheden: de feature breekt als de data die ze leest van vorm verandert.
Verborgen feedbackloops: de output van de feature verandert het gedrag waarvan ze leert.
Niet-gedeclareerde afnemers: andere delen van het product gaan op de output vertrouwen.
Veranderingen in de buitenwereld: een modelupdate of providerwissel verschuift het gedrag zonder dat de code verandert.
Elk daarvan vraagt om evaluatie, monitoring, een fallback en iemand die het resultaat beheert. Niets daarvan past in een uur. Het AI-evaluatieraamwerk laat zien wat dat eigenaarschap inhoudt.
Wat zijn de opportuniteitskosten van een "goedkope" feature?
Opportuniteitskosten zijn wat het team opgeeft door aandacht hier te besteden in plaats van aan de volgende beste gok. Bij AI is de schaarse resource zelden typetijd. Schaars zijn:
Reviewcapaciteit. Elke gegenereerde feature heeft een zorgvuldige lezer nodig, en senior reviewers vormen de bottleneck.
Roadmap-aandacht. Elke feature brengt discussies, statusupdates en beslissingen over randgevallen met zich mee.
Aandacht van gebruikers. Elke zichtbare optie maakt het product iets moeilijker om te leren.
Leertijd. Een uur besteed aan het verkeerde bouwen is ook een uur waarin je de riskantste aanname niet test.
De basiskansen zijn niet in het voordeel van een "goedkope" feature. Pendo's studie uit 2019 onder 615 softwareabonnementen vond dat 80% van de features zelden of nooit wordt gebruikt, waarbij 12% van de features 80% van het dagelijks gebruik oplevert (Pendo, 2019). Sneller bouwen verhoogt het aantal features per kwartaal; het verandert niets aan de kans dat elke feature ertoe doet. Onze analyse van waarom 80% van de features ongebruikt blijft laat zien wat die studie wel en niet heeft gemeten.
Uitgewerkt voorbeeld: wat een "1-uurs" feature kost in jaar één
Stel dat een B2B SaaS-team van 6 personen in één uur met een AI-codeertool een feature "wekelijkse Slack-digest" bouwt. Het team en alle cijfers hieronder zijn illustratief en bewust bescheiden gekozen.
Kostenpost
Schatting jaar één
Uren
Bouwen met AI
Eén sessie
1
Gegenereerde code reviewen en corrigeren
Twee reviewers, meerdere rondes
6
Review van security en rechten
Toegang op workspace-niveau, Slack-scopes
4
Testen en QA
Randgevallen: lege weken, tijdzones
3
Docs, helpartikel, release note
Van elk één
2
Support
3 tickets per maand × 20 minuten × 12 maanden
12
Onderhoud
1 uur per maand voor wijzigingen in API en dependencies
12
Eén incident en fix
Digest naar het verkeerde kanaal gestuurd
6
Planning en discussie
3 discussies × 5 mensen × 30 minuten
7,5
Totaal
53,5
De feature die één uur kostte, kost in het eerste jaar ongeveer 53 uur, nog zonder mee te rekenen wat het team met die tijd níet heeft gedaan. Dat cijfer voor jaar één zijn de kosten van features bouwen met AI die een roadmap zou moeten wegen, niet die 1. Dat maakt het geen slechte feature. Als de digest aantoonbaar accounts actief houdt, is 53 uur goedkoop. Het gaat erom de waarde af te zetten tegen 53 uur.
Hoe zeg je nee zonder de "trage PM" te worden?
Een sterk nee is geen veto. Het is een beslissing die je kunt inspecteren, betwisten en heroverwegen. Gebruik vijf stappen.
1. Benoem de beslissing
Vermijd "dit is waarschijnlijk niet de moeite waard." Zeg: "we nemen dit nog niet op in de productie-roadmap", of "we parkeren dit tot we bewijs hebben dat deze workflow een terugkerend probleem is." Over een benoemde beslissing praat je makkelijker dan over een onderbuikgevoel.
2. Scheid het signaal van het verhaal
"Een klant vroeg om een export" is een signaal.
"Drie klanten in dezelfde workflow beschreven dezelfde geblokkeerde taak" is sterker bewijs.
"Een AI-assistent stelde een exportfeature voor" is geen klantbewijs.
"Een concurrent heeft een exportfeature" is marktcontext, geen bewijs van fit.
Houd de bron erbij. Een plausibele verklaring is geen waargenomen probleem.
3. Formuleer een falsifieerbare hypothese
Als we [specifieke gebruiker] [specifieke mogelijkheid] geven in [specifieke context], dan verandert [waarneembaar gedrag] omdat [reden die door bewijs wordt gestaafd]. We gaan door als [succesvoorwaarde]. We bakenen af of stoppen als [faalvoorwaarde] vóór [reviewdatum].
Een AI-gegenereerde brief kan deze zin opstellen. Het team moet nog steeds beslissen of het de zin genoeg gelooft om hem te testen. De AI-productbrief als contract laat zien hoe je een concept aan die lat houdt.
4. Prijs de hele gok
Vraag wie het resultaat bezit, wie het gedrag reviewt, wat er gebeurt als het fout zit, welke supportlast het veroorzaakt, of het omkeerbaar is, welke data het raakt en of je bereid bent het te beheren als het werkt. Voeg voor AI-features evaluatie, fallbackgedrag, misbruikscenario's en menselijke escalatie toe. De implementatie kan een uur duren terwijl het eigenaarschap jaren blijft. Gebruik de kostentabel hierboven als checklist.
5. Geef het team een volgende stap
Een nee zonder volgende stap voelt als bureaucratie. Bied een van vier paden aan:
Leren: met gebruikers praten of de workflow observeren.
Afbakenen: één segment, trigger of taak testen.
Proberen: een wegwerpprototype bouwen met een vervaldatum.
Parkeren: het idee en de reden dat het niet actief is vastleggen in je beslissingslog.
De volgende stap moet kleiner zijn dan de verplichting die je wilt vermijden. Als het lastigere probleem is het vertrouwen van een stakeholder te behouden terwijl je afwijst, lees dan hoe PM's nee zeggen zonder vertrouwen te slopen.
Wanneer is "we kunnen het in een uur bouwen" een geldig argument?
Wanneer het team expliciet zegt dat het een proef uitvoert en geen productverplichting aangaat. Gebruik het argument wanneer:
de test één duidelijke vraag en een gedefinieerd publiek heeft;
de output wegwerpbaar of veilig geïsoleerd is, achter een flag of buiten productie;
het experiment een vervaldatum heeft en iemand de review beheert;
succes en falen vóór het bouwen zijn gedefinieerd;
er geen klant- of productiebelofte wordt geïmpliceerd.
In die context is snelheid een leervoordeel en is weigeren te testen de dure keuze. Ron Kohavi en Stefan Thomke beschrijven een idee van Bing om te veranderen hoe advertentiekoppen werden getoond. Het vergde een paar dagen engineering, kreeg lage prioriteit en bleef meer dan zes maanden ongetest. Een eenvoudige A/B-test liet daarna ongeveer 12% meer omzet zien, goed voor meer dan $100 miljoen per jaar in de VS (HBR, 2017).
Het argument wordt zwak als het wordt gebruikt om probleemonderzoek, prioritering, security-review of eigenaarschap over te slaan. Als het prototype waarschijnlijk permanent wordt, beoordeel het dan vóór release met de eenrichtings- versus tweerichtingsdeurtest.
Een beslissingssjabloon voor AI-ondersteunde teams
Kopieer dit in de volgende roadmapdiscussie:
Veld
Vraag
Beslissing
Waar zeggen we precies ja of nee tegen?
Gebruiker en job
Wie probeert wat te doen?
Bewijs
Welke bronnen laten zien dat dit een echt probleem is?
Aanname
Waar zijn we nog niet zeker van?
Hypothese
Welk gedrag of resultaat moet veranderen?
Kleinste test
Wat is de goedkoopste manier om te leren?
Kosten van bezit (12 maanden)
Review, security, support, onderhoud, aandacht: ongeveer hoeveel uur?
Succes
Welk resultaat verdient de volgende investering?
Falen
Welk resultaat laat ons afbakenen, pauzeren of stoppen?
Eigenaarschap
Wie reviewt het resultaat en draagt de gevolgen?
Vervaldatum en verwijdering
Wanneer kijken we er weer naar en hoe zouden we het verwijderen?
Non-goals
Wat bouwen we nadrukkelijk niet?
Dit is geen proces om het proces. Het is een grens om de aandacht van het team.
Wat betekent het onderzoek naar AI-ontwikkeling eigenlijk?
Het onderzoek ondersteunt geen van de uitersten: niet "AI verandert niets" en niet "AI maakt productoordeel overbodig".
Het DORA-onderzoek van 2024 vond dat een stijging van 25% in AI-adoptie samenging met 7,5% betere documentatiekwaliteit, 3,4% betere codekwaliteit en 3,1% snellere codereview, maar dat de doorvoer van oplevering naar schatting 1,5% daalde en de stabiliteit van oplevering 7,2% naarmate de adoptie steeg (Google Cloud, 2024). In 2025, met bijna 5.000 respondenten, zag DORA een positief verband met doorvoer, maar AI-adoptie bleef negatief samenhangen met stabiliteit. De samenvatting: AI repareert een team niet, het versterkt wat er al is (Google Cloud, 2025).
Het productantwoord is niet stoppen met AI. De kosten van features bouwen met AI zijn gedaald; de kosten van slecht beslissen niet. Maak het bewijs en de beslislus net zo snel als het bouwen. Voor al het bewijs over snelheid, inclusief de METR-trials, zie AI-codeerproductiviteit: wat de data van 2026 laat zien.
Veelgemaakte fouten
Het bouwuur vergelijken met de waarde. Vergelijk in plaats daarvan de kosten van jaar één met de waarde.
Kosten als veto gebruiken. Sommige goedkope proeven zijn het beste gebruik van een week. Prijs de gok en beslis dan.
Het prototype het product laten worden. Zonder vervaldatum verandert een demo ongemerkt in een supportverplichting.
AI-suggesties als bewijs tellen. Een model dat een feature voorstelt is geen klant die erom vraagt.
Geen verwijderplan. Als je niet kunt zeggen hoe je het zou verwijderen, heb je het niet geprijsd.
Waar Specky past
Specky houdt de keten van signaal tot beslissing zichtbaar. Klantgesprekken, feedback, supportgesprekken en analytics komen terecht in de Product Graph, dus als iemand zegt "we bouwen het in een uur", kan het team nagaan welk bewijs het probleem onderbouwt. Beslissingen komen met hun motivering in het Decision Log, PRD's bevatten inline verwijzingen naar het bewijs en na de lancering kun je nagaan of de gok werkte. De AI schrijft voor en verbindt; mensen beslissen en dragen het resultaat.
Veelgestelde vragen
Is "dit bouwen we in 1 uur met AI" nog steeds een goed productargument?
Alleen als bewijs dat een goedkope proef mogelijk is. Het laat niet zien dat het probleem ertoe doet, dat de oplossing werkt of dat het team de feature in productie moet ondersteunen. Zie het als reden om een afgebakende test met eigenaar en vervaldatum uit te voeren, en prijs de kosten van het bezit van het resultaat apart.
Hoeveel kost het om een softwarefeature te onderhouden?
Er is geen universeel getal, maar onderhoud weegt meestal zwaarder dan bouwen. In Stripes enquête uit 2018 schatten ontwikkelaars dat 17,3 van 41,1 uur per week, ongeveer 42%, naar onderhoudswerk gaat. Een praktische gewoonte is om de uren voor review, security, support, onderhoud en discussie in jaar één te schatten; in ons illustratieve voorbeeld kwam dat neer op ongeveer 53 uur voor een bouw van één uur.
Wat zijn de opportuniteitskosten van het bouwen van een feature?
Het is de waarde van het beste alternatief dat het team heeft laten schieten: de riskantere aanname die niet is getest, de reviewtijd die elders is gebruikt, de aandacht van gebruikers die naar een nieuwe optie ging. Bij AI is de schaarse resource zelden codeertijd; het zijn reviewcapaciteit, roadmap-aandacht en leertijd. Pendo's bevinding dat 12% van de features 80% van het gebruik oplevert, laat zien waarom die afweging ertoe doet.
Moeten teams vermijden prototypes met AI te bouwen?
Nee. Gebruik AI om prototypes te bouwen wanneer het prototype een duidelijke vraag beantwoordt. Geef het een publiek, een eigenaar, een vervaldatum en een reviewregel, zodat het niet ongemerkt een permanente belofte wordt. Goedkope tests winnen vaak van lange debatten, zoals Bings zes maanden oude kopidee liet zien toen een eenvoudige A/B-test de omzet met ongeveer 12% verhoogde.
Wat moeten productteams meten in plaats van AI-bouwsnelheid?
Meet leren en uitkomsten: gevalideerde of verworpen aannames, gebruikersgedrag, kwaliteit, stabiliteit van oplevering, adoptie, retentie, supportlast en de bedrijfsmetriek die de gok moest bewegen. Het DORA-onderzoek laat zien dat snelheid en stabiliteit in tegengestelde richting kunnen bewegen, dus hoeveelheid code en bouwtijd zijn op zichzelf geen productvoortgang.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing