Rework bij AI coding: de metric die veel teams missen
Waarom rework een belangrijk signaal kan zijn bij AI-ondersteund programmeren, en waarom niet alle rework wijst op slechte uitvoering.
TraceYield Inzichten
9 min leestijd · Bijgewerkt 20 juli 2026
TraceYield
Bewijs van AI-ondersteund werk
Rework bij AI coding: de metric die veel teams missen
De eerste oplossing is niet de hele uitkomst
Een agent kan een patch produceren die de zichtbare fout oplost, maar later nog correctie, herstructurering of extra tests nodig heeft. Wanneer teams alleen naar de eerste output kijken, blijft dat werk buiten beeld.
Rework maakt zichtbaar hoeveel werk na de eerste oplossing nodig was voordat de wijziging werkelijk paste bij de codebase en de eisen.
Wat telt als rework?
Denk aan herschreven code, teruggedraaide wijzigingen, wijzigingen naar aanleiding van code review, herhaalde pogingen, extra debugging en werk na een voltooiing door de agent. Leg de definitie vooraf vast, anders worden teams onvergelijkbaar.
Niet elke tweede poging is een probleem. Exploratie en leren kunnen juist onderdeel zijn van goed softwarewerk.
Lees rework in context
Veel rework bij onbekende architectuur kan begrijpelijk zijn. Weinig rework bij een kleine taak zegt weinig over een complex project. Combineer het signaal daarom met taaktype, kwaliteit, doorlooptijd en uiteindelijke uitkomst.
De vraag is niet “welk team heeft de meeste rework?” maar “waarom ontstond het, en veranderde de aanpak toen nieuwe informatie beschikbaar kwam?”
Maak het bruikbaar voor verbetering
Als rework ontstaat door onduidelijke requirements, verbeter de opdracht. Als het door ontbrekende tests komt, verander de verificatie. Als het door te brede context komt, werk aan contextdiscipline of tooling.
Een reworkmetric is waardevol wanneer ze leidt tot een interventie en een latere vergelijking, niet wanneer ze alleen als negatief scorebord wordt gebruikt.
Een eerlijke conclusie
Rework is een ontbrekende laag in veel AI-rapportage, maar geen universele kwaliteitsmaatstaf. Het helpt vooral om het verschil tussen agentoutput en voltooiing van het ontwikkelwerk zichtbaar te maken.
Gebruik het als aanwijzing in een development trajectory, samen met bewijs over tests, review en het resultaat dat uiteindelijk is opgeleverd.
Als een agent aangeeft klaar te zijn, is het ontwikkelwerk nog niet automatisch af.
Referenties
Pilotprogramma
Begrijp waarom uw team AI gebruikt zoals het dat doet.
TraceYield beoordeelt het traject achter AI-gebruik in plaats van alleen kosten en tokenaantallen te bekijken. Meld u aan voor de private pilot om AI-gebruik in Codex-, Claude Code- en Copilot-werkwijzen te onderzoeken, met aandacht voor technische context, security en vertrouwen bij developers.
Meld u aan voor de TraceYield-pilot