Waarom “vibecoding” ineens overal opduikt

Stel: een business team wil “iets met AI” en komt bij IT met een verzoek dat eigenlijk nog geen requirements heeft. Ondertussen gebruikt een deel van het personeel al stiekem ChatGPT om e-mails te herschrijven, Excel-formules te maken of een rapport samen te vatten. Het resultaat is herkenbaar: snelle winst op kleine taken, maar ook onzichtbare risico’s (data die je niet had mogen delen), onvoorspelbare kwaliteit en discussies over “mag dit wel?” zonder helder kader.

Vibecoding ontstaat precies in die spanning. Het is een manier van werken waarbij je met AI snel ideeën, code of automatiseringen laat ontstaan door te sturen op richting en feedback, in plaats van alles vooraf dicht te timmeren. Dat voelt voor veel bedrijven aantrekkelijk: je krijgt snelheid en creativiteit, zonder dat iedereen meteen een specialist hoeft te zijn. Tegelijk vraagt het om een ander soort professionaliteit: niet “AI als speelgoed”, maar AI als co-creator met duidelijke grenzen.

In deze les zet je het concept en de mindset neer: wat vibecoding is, wat het níét is, en hoe je er als organisatie volwassen mee omgaat—zodat snelheid niet ten koste gaat van veiligheid, kwaliteit en vertrouwen.

Wat vibecoding wél is (en wat mensen vaak denken dat het is)

Vibecoding is een informele term voor een aanpak waarbij je met een generatief AI-systeem (zoals een LLM) in korte iteraties iets laat ontstaan—vaak code, maar net zo goed: prompts, processtappen, tekst, analyses of “glue work” tussen tools. Je werkt minder volgens een vooraf volledig uitgewerkt plan, en meer volgens: doel schetsen → output krijgen → bijsturen → verfijnen. De kern is dat je het systeem niet behandelt als een zoekmachine, maar als een partner die voorstellen doet, waarbij jij stuurt op intentie, context en kwaliteit.

Belangrijke begrippen in deze les:

  • Intentiegestuurd werken: je geeft het “waarom” en “wat”, en stuurt bij op “hoe” via feedback.

  • Iteratie: werken in korte rondes met snelle checks in plaats van één grote oplevering.

  • Guardrails: afspraken en grenzen (data, compliance, tone-of-voice, kwaliteitschecks) die creativiteit veilig maken.

  • Mens-in-de-loop: een mens blijft verantwoordelijk voor beslissingen, controle en eindresultaat.

Een nuttige analogie: vibecoding lijkt op werken met een zeer snelle junior collega die nooit moe wordt en altijd met suggesties komt. Dat levert tempo, maar ook risico: die collega kan zelfverzekerd iets verzinnen dat niet klopt. Daarom verschuift je skillset van “alles zelf produceren” naar goed delegeren, goed beoordelen en goed begrenzen. In bedrijfscontext draait het dus minder om “leren programmeren met AI” en meer om leren samenwerken met AI op een manier die past bij je processen en risicoprofiel.

Misverstanden zijn hardnekkig, vooral bij intermediate gebruikers die al wat succes hebben geboekt met prompts. Veel mensen denken dat vibecoding betekent: “Je gooit een vage vraag erin en krijgt bruikbare output.” In werkelijkheid werkt het omgekeerd: hoe explicieter je context, constraints en acceptatiecriteria, hoe beter de output. Vibecoding is dus geen excuus voor vaagheid; het is een methode om van vaag naar concreet te gaan—snel, maar niet vrijblijvend.

De kernmindset: van “maken” naar “sturen en verifiëren”

Vibecoding vraagt een verschuiving in rol. In klassiek kenniswerk ben jij vaak de primaire producent: jij schrijft de tekst, jij bouwt het sheet, jij maakt het script. Met AI wordt jouw rol vaker die van regisseur: je ontwerpt de opdracht, je kiest wat je accepteert, en je organiseert feedback. Dat klinkt simpel, maar het is een echte mindset-switch: je succes hangt minder af van je eerste prompt en meer van je vermogen om een iteratief proces te runnen.

Een praktisch principe is: “Specificeer, dan dialogueer, dan controleer.” Je start niet met “Maak een policy” maar met minimumcontext: doelgroep, doel, toon, verboden claims, bronnen, en hoe succes eruitziet. Daarna ga je in dialoog: laat het model opties geven, aannames expliciteren, en alternatieven vergelijken. Pas daarna ga je naar controle: feitelijke claims checken, interne consistentie beoordelen, en toetsen aan bedrijfsafspraken. Dit is waarom vibecoding in bedrijven vaak beter werkt met lichte standaarden: een vast prompt-format, een checklist voor dataveiligheid, en een definitie van “done”.

Deze mindset is ook precies waar fouten ontstaan als je te veel vertrouwt op “het voelt goed”. Generatieve AI is goed in plausibele output, niet automatisch in ware output. Dat betekent dat “vibe” (het leest lekker, het klinkt zeker) een slechte kwaliteitsmaat is. In vibecoding leer je daarom twee dingen tegelijk: sneller creëren én sneller falsificeren. Je zoekt actief naar zwakke plekken: ontbrekende randvoorwaarden, niet-onderbouwde claims, impliciete aannames, en afhankelijkheden van vertrouwelijke data.

In organisaties speelt nog iets: verantwoordelijkheid. Als AI een concepttekst schrijft die later in een klantmail belandt, wie draagt dan de verantwoordelijkheid voor verkeerde informatie of ongepaste toon? Vibecoding werkt volwassen als je één uitgangspunt helder houdt: AI is een hulpmiddel, geen aansprakelijke actor. Dat betekent dat processen, rollen en controles ook “AI-ready” moeten zijn, zelfs als je klein begint. Het gaat niet om bureaucratie, maar om voorspelbaarheid: collega’s moeten weten wat veilig is, wat niet, en hoe je kwaliteit borgt zonder alle snelheid te verliezen.

Twee manieren van werken naast elkaar: vibecoding vs. klassieke aanpak

Sommige taken lenen zich uitstekend voor vibecoding, andere juist niet. Het verschil zit meestal in (a) risico en (b) testbaarheid. Als je output makkelijk kunt verifiëren (bijvoorbeeld: een Excel-formule werkt of niet), kun je veel snelheid pakken. Als output moeilijk te checken is (bijvoorbeeld: juridisch advies), dan heb je strengere guardrails nodig of moet je het niet doen. Intermediate gebruikers onderschatten vaak dit verschil en behandelen elke taak als “wel uit te proberen”.

Onderstaande vergelijking helpt om het gesprek in bedrijven te concretiseren—niet als “goed vs slecht”, maar als twee werkmodi met andere sterktes.

Dimensie Vibecoding (AI-gedreven iteraties) Klassieke werkwijze (plan-first)
Startpunt Je begint met richting, context en constraints en laat opties genereren. Je ontdekt requirements al doende. Je begint met requirements, scope en ontwerp en bouwt daarna. Je ontdekt vooral uitzonderingen later.
Snelheid Hoog in de eerste 60–80%: prototypes, varianten, concepten, automatiseringen. Het tempo hangt af van hoe snel je kunt reviewen. Lager aan het begin, stabieler richting oplevering. Tempo hangt af van uitwerking en afstemming vooraf.
Kwaliteitsborging “Shift-left” via snelle checkpoints: plausibiliteit, datagebruik, consistentie, testjes. Zonder checks is kwaliteit grillig. Kwaliteit via ontwerp- en reviewmomenten en formele acceptatiecriteria. Minder verrassingen, meer doorlooptijd.
Risicoprofiel Risico zit in hallucinaties, datalekken, ongepaste toon en verborgen aannames. Mitigatie: guardrails + mens-in-de-loop. Risico zit meer in verkeerde requirements en traagheid. Mitigatie: goede analyse en stakeholdermanagement.
Best passend bij Taken die verifieerbaar zijn en waar varianten waarde hebben: drafts, analyses, scripts, samenvattingen, procesideeën. Taken die hoog risico hebben of een stabiele baseline vragen: compliance-teksten, contracten, kritieke beslissingslogica.

Een belangrijke nuance: vibecoding is geen alternatief dat “altijd beter” is. In bedrijven is het vaak het krachtigst als voorfase of versneller: je gebruikt vibecoding om sneller tot opties en concepten te komen, en schakelt daarna (deels) naar klassieke borging. Intermediate teams presteren beter als ze dit expliciet afspreken: wanneer mag snelheid domineren, en wanneer moet zekerheid domineren?

Veelvoorkomende valkuil: vibecoding inzetten op werk dat niet goed te controleren is, en dan “vertrouwen op het taalgevoel”. Dat leidt tot professioneel ogende, maar inhoudelijk riskante output. Een tweede valkuil is het omgekeerde: vibecoding kapot-procedureren met zware governance vanaf dag één. Dan verdwijnt de snelheid en haken mensen af. De volwassen route zit ertussen: lichte standaarden, duidelijke grenzen, snelle feedbackloops.

Hoe vibecoding praktisch werkt: de iteratie-loop met guardrails

Vibecoding is in de praktijk een loop die je herhaalt tot je output “goed genoeg” is. Intermediate gebruikers denken vaak dat het draait om de “perfecte prompt”, maar meestal draait het om het perfecte vervolg: de tweede en derde stap, waarin je aanscherpt, laat herstructureren, laat toetsen aan criteria, en laat corrigeren. Je stuurt niet alleen op inhoud, maar ook op vorm, scope en risico.

Een nuttig mentaal model is de combinatie van drie lagen:

  • Productlaag: wat maken we (tekst, code, analyse, proces)?

  • Proceslaag: hoe itereren we (versies, feedback, checkpoints)?

  • Risicolaag: wat mag er níet misgaan (data, compliance, reputatie)?

In bedrijven faalt vibecoding meestal op die risicolaag, omdat het impliciet blijft. Denk aan persoonsgegevens in een prompt, of interne strategie die je in een publieke tool plakt. Ook zonder kwade intentie kan dat misgaan: mensen “copy-pasten” context om betere output te krijgen. Daarom hoort bij vibecoding een expliciete gewoonte: minimum necessary context. Je geeft genoeg informatie om nuttige output te krijgen, maar niet meer dan nodig—en je anonimiseert waar mogelijk.

[[flowchart-placeholder]]

Best practices die in organisaties goed werken (zonder zwaar te worden):

  • Werk met acceptatiecriteria: “Dit is goed als…” (bijv. klopt met policy X, geen claims zonder bron, toon = professioneel, maximaal 150 woorden).

  • Laat aannames expliciteren: vraag het model: “Welke aannames maak je? Wat weet je niet zeker?”

  • Vraag om alternatieven en trade-offs: “Geef 3 opties met voor- en nadelen.”

  • Gebruik een vaste review-routine: feiten, data, tone-of-voice, bias/ongepaste formuleringen, en interne consistentie.

  • Documenteer kort: bewaar prompt + output + belangrijkste keuzes, zodat het reproduceerbaar is.

Typische misconcepties om te ontkrachten:

  • “Als het overtuigend klinkt, is het wel waar.” Nee—LLM’s optimaliseren voor waarschijnlijk taalgebruik, niet voor waarheid.

  • “Meer context is altijd beter.” Soms wel voor kwaliteit, maar het verhoogt ook datarisico en kan output ‘overfitten’ op verkeerde details.

  • “AI maakt het werk af.” In vibecoding verplaatst werk zich naar: framing, review, integratie en besluitvorming.

Een subtiele maar belangrijke valkuil is “scope creep in de chat”. Je begint met één doel, maar na vijf iteraties heb je een Frankenstein-document met tegenstrijdige keuzes. De oplossing is simpel maar discipline-gevoelig: herformuleer regelmatig de opdracht (“Dit is het doel, dit zijn de constraints, dit is de huidige versie; verbeter alleen X”). Vibecoding is snel, maar volwassen vibecoding is ook strak.

Voorbeeld 1: HR en interne communicatie — sneller, zonder toon- of compliance-ongelukken

Neem een HR-team dat een interne update moet sturen over een nieuw leerbeleid (bijvoorbeeld: verplichte security awareness + optionele AI-training). Vibecoding voelt hier logisch: je wilt snel een heldere tekst met de juiste toon. Maar de risico’s zijn ook duidelijk: je wil geen beloftes doen die juridisch niet kloppen, geen privacy-gevoelige details noemen, en geen toon die betuttelend of juist te los is.

Een volwassen vibecoding-aanpak werkt stap voor stap:

  1. Framing: HR geeft doel en constraints: doelgroep (alle medewerkers), kanaal (intranet + e-mail), toon (positief en concreet), en verboden elementen (geen individuele cases, geen harde claim “verplicht per direct” als dat nog niet final is).
  2. Varianten: laat het model 3 versies maken: kort (5 zinnen), standaard (150 woorden), en Q&A-stijl. Vraag expliciet om “waar het mis kan gaan” in elke versie (bijv. ambiguïteit over deadlines).
  3. Risico-check: laat het model zélf een compliance-checklist toepassen: “Markeer zinnen die als belofte of verplichting gelezen kunnen worden; stel neutralere formuleringen voor.”
  4. Menselijke review: HR checkt met beleidseigenaar of de timing en verplichtingen kloppen, en past details aan.

De impact is tweeledig. Benefit: je wint tijd op structuur, formulering en varianten—waardoor HR meer tijd heeft voor afstemming en empathie in de boodschap. Limiet: je kunt de inhoudelijke waarheid niet outsourcen; als beleid nog niet besloten is, kan AI dat niet oplossen. De kwaliteit komt dus niet alleen uit de output, maar uit het proces: duidelijke constraints, expliciete risicocheck, en een finale menselijke beslissing. In bedrijven verhoogt dit ook de awareness: medewerkers zien consistente communicatie en minder “AI-stijl” uitschieters, wat vertrouwen opbouwt in verantwoord gebruik.

Voorbeeld 2: Finance/Operations — een AI-gegenereerde automatisering die je wél kunt vertrouwen

Stel een operations medewerker maakt wekelijks een rapportage: data exporteren, kolommen opschonen, uitzonderingen markeren, en een samenvatting naar het team sturen. Vibecoding kan hier groot effect hebben, omdat dit werk testbaar is: klopt de output of niet? Maar de valkuil zit in verborgen aannames (welke kolommen betekenen wat?) en in datagebruik (gevoelige cijfers, klantnamen).

Een volwassen stappenplan kan zo lopen:

  1. Probleem afbakenen: definieer de input (CSV met kolommen A–F), gewenste output (nieuw bestand met standaardheaders + een afwijkingenlijst), en randvoorwaarden (geen klantnamen in prompt; werk met kolomnamen en voorbeelddata).
  2. AI als generator: je laat AI een eerste versie van een script of pseudo-code maken, plus uitleg welke checks het uitvoert (bijv. “markeer transacties boven drempel X”).
  3. Verificatie: je test op kleine, gesynthetiseerde dataset en vergelijkt met handmatige berekening. Je zoekt actief naar randgevallen: lege waarden, vreemde datums, dubbele regels.
  4. Stabiliseren: je vraagt AI om de oplossing te herstructureren: duidelijke functies, logging (“wat is aangepast?”) en een korte “readme” met aannames.

De benefit: je verkort de tijd tot een werkende automatisering en krijgt sneller inzicht in uitzonderingen. Je wint niet alleen efficiëntie, maar ook consistentie: dezelfde regels elke week, minder menselijke slordigheden. De beperking: zodra definities of drempels veranderen, moet je het proces opnieuw doorlopen en je aannames herbevestigen. In bedrijfsworkflow-termen is vibecoding hier ideaal als accelerator: de medewerker en het team blijven eigenaar van definities, testcases en controle. AI versnelt de bouw, maar de organisatie borgt betrouwbaarheid via tests en expliciete aannames—precies de mindset waar vibecoding om vraagt.

Waar je op let als je “vibe” omzet in volwassen gedrag

De kern van deze les is dat vibecoding een werkstijl is, niet een truc. Het gaat om sturen op intentie, itereren met discipline, en risico’s expliciet maken. Als je dit goed doet, krijg je snelheid zonder roulette. Als je het slecht doet, krijg je professioneel klinkende output die langzaam je bedrijfsrisico vergroot.

Belangrijkste punten om vast te houden:

  • Vibecoding = iteratief co-creëren met AI, waarbij jij regie houdt via context, constraints en feedback.

  • Kwaliteit komt uit verificatie, niet uit hoe overtuigend tekst of code aanvoelt.

  • Guardrails maken snelheid veilig: minimum necessary context, acceptatiecriteria, en een vaste reviewroutine.

  • De rol van de mens verschuift naar regisseur: beoordelen, testen, integreren en verantwoordelijkheid dragen.

This sets you up perfectly for Fit in bedrijven: waar het werkt [20 minutes].

Last modified: Thursday, 4 June 2026, 11:37 AM