Het succes van AI-gegenereerde code is sterk afhankelijk van het volume en de kwaliteit van de trainingsgegevens. En dit is het belangrijkste: LLM's worden voornamelijk getraind op open source code. Dat betekent dat talen zoals Python en JavaScriptdie GitHub, Stack Overflow en talloze open repositories domineren, geven LLM's een oneerlijk voordeel om ze onder de knie te krijgen.
Deze talen zijn de lingua franca van open-source innovatie. Python is de kracht achter data science notebooks, web backends en automatiseringsscripts. JavaScript is de frontend en draait op vrijwel elke website. Ze zijn goed gedocumenteerd, veel besproken en zwaar getest in het openbaar.
Als gevolg hiervan worden LLM's angstaanjagend goed in het genereren van code in deze talen - vaak sneller en nauwkeuriger dan menselijke ontwikkelaars.
Aan de andere kant, bedrijfsgerichte talen zoals Java, C#en frameworks zoals SwiftUI leven vaak achter gesloten deuren. De codebases zijn propriëtair, de architectuur complex en de openbare voorbeelden zijn schaars. Dat betekent dat LLM's minder hebben om van te leren.
Natuurlijk worden deze talen nog steeds ondersteund, maar niet met dezelfde rijkdom of diepgang. Het resultaat? AI-gegenereerde code in deze talen is minder betrouwbaar, foutgevoeliger en ontwikkelt zich langzamer.
In een wereld waar AI-verbeterde productiviteit de basis wordt, lopen deze trager bewegende ecosystemen het risico te stagneren.
Onderzoeken tonen aan dat LLM's een sterke voorkeur hebben voor Python. Ze gebruiken Python in 90%-97% van de gevallen voor taalagnostische taken, en zelfs als het niet de beste keuze is, wordt Python nog steeds gekozen in 58% van de projectinitialisatietaken.
Veel ontwikkelaars maken zich zorgen dat AI hen zal vervangen. Maar de directe bedreiging komt niet van projectmanagers die drag-and-drop bouwers gebruiken. Het is van collega ontwikkelaars die AI-tools omarmenKrijg AI-native talen onder de knie en bouw sneller dan je ooit handmatig zou kunnen.
Als je werkt in een nichetaal of -framework waar AI niet goed mee overweg kan, daalt je snelheid. Ondertussen werkt je collega die in Python codeert met een Copilot-achtige assistent 3x sneller, refactureert hij in seconden en schrijft hij tests in milliseconden.
Dit is geen toekomstscenario, het gebeurt nu al.
Als we een gezond, divers programmeer-ecosysteem willen behouden, kunnen we het voortbestaan van talen niet aan het toeval overlaten. Dit is hoe we voor de rest kunnen vechten:
De opkomst van AI in ontwikkeling versnelt bepaalde talen en laat andere achter zich. Het is een stil selectieproces dat wordt aangestuurd door gegevens, niet door kwaliteit, prestaties of elegantie.
Als jouw favoriete taal niet floreert in het AI-tijdperk, is het tijd om te handelen. Anders riskeren we een monocultuur waarin slechts een paar AI-voorkeur talen de toekomst van software domineren.
Kortom: codeer slimmer, deel openlijk en onthoud...AI leert wat wij het leren.
