Dev Summit 2026: Software-archeologie bij Enexis: developers weten meer dan AI

Hoe onderzoek je de toekomst van een bedrijfskritisch softwaresysteem dat al meer dan dertig jaar wordt verder ontwikkeld, een grote hoeveelheid specialistische code en kennis over een belangrijk deel van het Nederlandse energienet bevat?

En wat gebeurt er wanneer je moderne AI op zo'n landschap loslaat? Enterprise architect Jaap vertelt tijdens de Tweakers Developers Summit over een grootschalige proef binnen Enexis Digital. De uitkomst is hoopgevend voor developers: het model kon veel code verwerken, maar de menselijke experts begrepen het systeem nog altijd beter.

Werken bij Enexis

Wil je meer weten over werken bij Enexis? Lees hier meer!

Jaap is 41 jaar en werkt inmiddels ruim twintig jaar bij Enexis. Hij hield zich in die periode steeds bezig met IT en digitalisering. Als enterprise architect kijkt hij tegenwoordig vooral op strategisch niveau naar de ontwikkeling van het digitale landschap: welke middelen heeft Enexis nodig, hoe moeten systemen samenwerken en welke technologische keuzes blijven ook op langere termijn houdbaar?

De belangstelling voor techniek stopt niet wanneer zijn werkdag voorbij is. Thuis is hij vrijwel altijd aan het bouwen of experimenteren. "Of dat nou is met een soldeerbout, 3d-printer, gereedschap of software, het maakt niet uit." Die brede interesse helpt hem om ook buiten zijn eigen specialisme te blijven begrijpen hoe technologie in de praktijk werkt.

"We zijn bezig met het besturingssysteem van het energienet van de toekomst."Binnen Enexis Digital houdt hij zich bezig met een opgave die nauwelijks abstracter kan worden omschreven: de digitale ondersteuning van het energienet van de toekomst. Door de energietransitie verandert de manier waarop elektriciteit wordt opgewekt, verdeeld en gebruikt. Zonnepanelen, laadpalen, warmtepompen en lokale opslag zorgen voor veel meer beweging in een netwerk dat vroeger vooral in één richting werkte. Sensoren, slimme stations, op afstand bedienbare componenten en een eigen digitale infrastructuur moeten Enexis helpen om die dynamiek te volgen en het netwerk betrouwbaar te houden. Jaap vat de ambitie compact samen: "We zijn bezig met het besturingssysteem van het energienet van de toekomst."

Daarvoor ontwikkelt Enexis zelf software en platformen. Dat gebeurt onder meer rond cloudinfrastructuur, data science, integraties en platformontwikkeling. Zelf bouwen is volgens Jaap geen doel op zich. Het wordt interessant wanneer standaardsoftware onvoldoende aansluit op de specifieke processen en verantwoordelijkheden van een netbeheerder.

Een digitaal model van het fysieke energienet: GEN en Magik

Een van de belangrijkste systemen in dat landschap is GEN, het geografische informatie- en assetregistratiesysteem van Enexis. Daarin wordt vastgelegd hoe het energienet er boven en onder de grond uitziet. Het systeem registreert niet alleen waar kabels, stations, transformatoren en schakelaars zich bevinden, maar ook hoe die onderdelen technisch met elkaar verbonden zijn.

Dat laatste maakt GEN meer dan een digitale kaart. Het systeem bevat ook informatie waarmee kan worden doorgerekend wat er gebeurt wanneer bijvoorbeeld een schakelaar wordt geopend. Welke verbindingen vallen weg, langs welke route kan elektriciteit nog stromen en welk deel van het net wordt geraakt? De software verbindt geografische informatie dus met de logica van het energienet.

GEN is inmiddels meer dan dertig jaar oud. Knipogend: "Dat is in softwaretermen natuurlijk echt hoogbejaard. Het is in de tijd van de dinosauriërs ontstaan." "Oud betekent hier trouwens niet hetzelfde als verouderd. Het systeem wordt nog steeds actief onderhouden en aangepast. Het ondersteunt essentiële processen en bevat kennis die in de loop van tientallen jaren in de software en databases is vastgelegd."Magik is een nichetaal en ervaren developers zijn schaars. Enexis leidt daarom zelf mensen op, samen met enkele partners.

De code is grotendeels geschreven in Magik, een specialistische programmeertaal die is ontwikkeld voor het soort geografische omgeving waarop GEN draait. Dertig jaar geleden bestonden er nauwelijks standaardoplossingen die interactieve kaarten, tekensystematiek, netwerktopologie en complexe berekeningen in één omgeving combineerden. De keuze voor een gespecialiseerde technologie was destijds dan ook logisch.

Die keuze heeft nu wel gevolgen. Magik is een nichetaal en ervaren developers zijn schaars. Enexis leidt daarom zelf mensen op, samen met enkele partners. Tegelijk groeit de vraag hoelang alle functionaliteit nog in dezelfde taal en hetzelfde systeem moet blijven. Een platform kan technisch goed functioneren en toch een risico vormen wanneer kennis moeilijk overdraagbaar is of integraties steeds lastiger worden.

Stoppen, ontvlechten of opnieuw bouwen

Enexis onderzoekt daarom verschillende toekomstscenario's. Het bedrijf kan het bestaande systeem blijven moderniseren, delen ervan losmaken en onderbrengen in modernere technologie, of uiteindelijk een groter deel opnieuw bouwen. Geen van die keuzes is eenvoudig. GEN is groot, bedrijfskritisch en verweven met processen die in tientallen jaren zijn gegroeid.

Waar vroeger één groot systeem veel taken uitvoerde, verschuift de architectuur steeds meer naar samenwerking tussen gespecialiseerde oplossingen. Onderdelen kunnen uit het bestaande landschap worden gehaald en via moderne integraties opnieuw beschikbaar worden gemaakt. Dat verkleint het kernsysteem, maar introduceert ook nieuwe afhankelijkheden. Voor iedere functie moet daarom worden vastgesteld waar die logisch thuishoort en welke kennis bij een migratie behouden moet blijven.

Om die vragen te beantwoorden, liet Enexis eerst een gespecialiseerde consultancyorganisatie de software grondig onderzoeken. De conclusie was positief: de code was ondanks haar leeftijd en omvang netjes opgebouwd en het ontwikkelwerk was van hoog niveau. Voor de developers was dat een mooie bevestiging, maar Jaap bleef met zijn strategische vraag zitten. "Supertof voor onze developers, echt een compliment. Maar ik had er niks aan. Ik wist nog steeds niet wat ik met het systeem moest gaan doen."

Een tweede partij stelde daarom een andere route voor: laat een AI-oplossing de volledige codebase analyseren. Het systeem moest helpen om mogelijkheden voor opschoning, optimalisatie en modernisering te vinden. Ook zou het vragen moeten kunnen beantwoorden over de technische levensvatbaarheid van GEN.

AI als softwarearcheoloog?

Het idee klinkt aantrekkelijk. AI kan grote hoeveelheden code snel doorzoeken, patronen herkennen en verbanden leggen die bij een handmatige analyse gemakkelijk worden gemist. Bij een onbekende codebase kan een taalmodel bovendien snel uitleggen waar belangrijke onderdelen staan en hoe functies ongeveer samenhangen. "Je krijgt de haakjes en je krijgt antwoorden", zegt Jaap. Voor onboarding, kleinere systemen en het genereren van nieuwe code ziet hij daarom duidelijk toegevoegde waarde.

GEN bleek een veel zwaardere test. Niet alleen vanwege de omvang en de nichetaal, maar vooral omdat de betekenis van het systeem niet volledig in de broncode zit. Een team van Enexis-developers beoordeelde de AI-output van iedere ronde en vond telkens ontbrekende context of verkeerde aannames. Soms zocht het model logica in de code terwijl de relevante informatie in de database stond. Elders begreep het een technische constructie, maar niet waarom die binnen het bedrijfsproces op precies die manier werd gebruikt.

De developers kenden bovendien de uitzonderingen, historische keuzes en dagelijkse praktijk rond GEN. Zij wisten welke onderdelen kritisch waren, welke ogenschijnlijk vreemde code een geldige reden had en wat een verandering buiten de codebase zou veroorzaken. Het model kon de afzonderlijke stukken analyseren, maar miste het overzicht over het totale systeem en de wereld waarin dat systeem functioneert.

"Wij dachten een snelle slag te kunnen slaan. Maar de onschatbare waarde van wat die mensen in hun hoofd hebben, zit echt bij die developersgroep."Jaap en zijn team hadden gehoopt met AI sneller tot een moderniseringsstrategie te komen. In plaats daarvan maakte de proef vooral zichtbaar hoeveel ongeschreven kennis bij de ontwikkelaars aanwezig is. "Wij dachten een snelle slag te kunnen slaan. Maar de onschatbare waarde van wat die mensen in hun hoofd hebben, zit echt bij die developersgroep."

Dat maakt de proef niet mislukt. De AI bracht delen van het landschap sneller in beeld en liet zien waar de technologie al wel bruikbaar is. Tegelijk bewees het experiment dat een codebase niet hetzelfde is als een compleet systeem. De werking wordt ook bepaald door data, architectuurkeuzes, gebruikers, werkprocessen en beslissingen uit het verleden. Wie alleen de code leest, doet softwarearcheologie zonder de historische context te bestuderen.

Geen wedstrijd tussen mens en model

De uitkomst betekent niet dat Enexis AI buiten de deur houdt. De organisatie onderzoekt gefaseerd waar de technologie veilig en verantwoord waarde kan toevoegen. Bij het schrijven van code, het verkennen van kleinere codebases en het opleiden van nieuwe mensen kan een assistent werk versnellen. De mogelijkheden hangen wel sterk af van de taal en het systeem. "Voor Magik kwamen bijvoorbeeld pas recent modellen beschikbaar die de code enigszins bruikbaar konden verwerken."

De proef met GEN laat vooral zien dat meer rekenkracht niet automatisch tot een beter architectuuradvies leidt. Een model kan code samenvatten en wijzigingen voorstellen, maar bepaalt niet zelfstandig welke functie over tien jaar nog in het kernsysteem moet zitten. Daarvoor is kennis nodig van de organisatie, het energienet, de risico's en de samenhang tussen systemen.

Juist daarin ziet Jaap een hoopvol verhaal voor developers in een tijd van AI, copilots en vibe coding. Hun waarde zit niet alleen in het produceren van regels code: "Developers begrijpen waarom software bestaat, welke aannames erin verborgen zitten en wat er gebeurt wanneer een onderdeel verandert. Hoe groter en specifieker het landschap, hoe belangrijker dit overzicht wordt. De kennis en expertise van de developer zijn en blijven belangrijk. AI kan ontwikkelaars helpen sneller door onbekende code te navigeren, maar neemt de fundamentele kennis over goed softwareontwerp en de totale scope voorlopig niet over."

Dev Summit 2026: Koop nu je kaartje voor de Tweakers Dev Summit 2026 en verdiep je in het complete programma!

Ook razend benieuwd geworden naar de hele talk van Jaap? Koop dan hier een kaartje. We zijn nog niet uitverkocht, maar het scheelt niet veel, dus wacht niet heel lang meer als je erbij wilt zijn. Meer informatie over het programma, workshops en de andere sprekers vind je op de aparte Dev Summit-website. We zien je heel graag eind oktober!

Reacties (4)

[Zorg]

Lijkt me nogal logische conclusie: het model snapte het niet, want we gaven het onvoldoende context. De vraag zou zijn, als die context allemaal wel was gegeven? Dus stel ze hadden dat (bijv opnames van de mensen die ze zelf opleiden, trainingsmateriaal, etc) wat was dan de uitkomst geweest?

Onlangs een leuke simpele oefening gezien op een conferentie. Presentator vraag iedereen om kat te roepen bij het zien van een foto. Dus een foto van een kat, heel de zaal kat. Foto van een hond, zaal,stil.... foto van een tijger... halve zaal roept kat.

Maar als de vraag was, een kat voor mijn 5 jarige dochter, dan was de hele zaal ook stil geweest bij het zien van een tijger. Context is ongelofelijk belangrijk, geven we dat niet of onvoldoende (zoals ik uitmaak uit het artikel) dan krijg je wellicht niet het resultaat wat je verwacht. Het LLM moet de onbekenden dan zelf invullen, veelal aangemerkt als hallucinaties maar is eigenlijk confabulatie (alleen dat is zo'n moeilijk woord om te onthouden, moest het zelf ook weer even opzoeken ). Dit is hetgeen een mens eigenlijk ook doet. Soms alleen in gedachten maar kan ook worden uitgesproken en zelfs als waarheid worden geïnterpreteerd, zeker met oudere herinneringen, ik weet zeker dat het XYZ was terwijl je gesprekspartner ABC meende te herinneren.

[whitemage2003]

Of yxz heb je afgesproken en later herriner je je xyz (misschien wel allebij om dat dat een lochischere context is/lijkt).


Ai is zeer bruikbaar bij code. Je geeft een stuk context wat en waar je het wil hebben en hij maakt het zoals je gevraagd hebt. Scheelt zeker tijd. Al twijfel ik soms wel eens of de tokens dan niet vele malen duurder zijn dan dat je het zelf doet. Heb daar geen inzage in helaas in mijn werkomgeving.


Maar het komt ook zeker voor dat er betere alternatieven zijn omdat AI richting gebruikelijke code gaat en dat is niet altijd de beste keuze. Dan moet je een wedervraag doen met extra context waarna hij het alsnog doet als verwacht.

Daarnaast is het model ook van belang en moet hij je code eerst analyseren of je moet een groter stuk context mee geven om iets te laten passen wat hij maakt

[Reactie gewijzigd door whitemage2003 op 9 oktober 2026 08:55]

[Dekar]

Niet alleen confabulatie is de oorzaak van hallucinaties. Een LLM kiest niet alleen maar de tokens met de hoogste probabiliteit, om telkens een natuurlijke/gevarieerd antwoord te genereren. Dat speelt ook nog mee. Al zijn die twee niet helemaal van elkaar te onderscheiden. Context zal de kans op confabulatie verkleinen, maar niet wegnemen.

Dus context is inderdaad erg belangrijk!

[Reactie gewijzigd door Dekar op 9 oktober 2026 09:06]

[Caelorum]

Volgens mij zou de conclusie hier ook moeten zijn dat er onvoldoende gedocumenteerd is over historische besluiten en context waarin een systeem gegroeid is. Dit zie je wel vaker bij applicaties die "oud" zijn en is ook wat nu in de tijd van AI het bedrijf gaat opbreken. Het is nu dus van nog meer strategisch belang dat kennisborging plaatsvind buiten de black boxes van een mens.
Maar het artikel leest alsof ze in plaats daarvan de kern van het probleem niet oplossen, waardoor echt effectieve inzet van AI nooit plaats zal kunnen gaan vinden.