Bij Inventis ontwikkelden we een AI-agent die onze pull requests nakijkt. Een developer kan hem een review laten uitvoeren, nog voor een collega er zelf naar kijkt. Daarnaast kan dezelfde agent tickets uit Jira lezen en een technisch antwoord voorbereiden.
Een mens valideert altijd wat de agent voorstelt. In dit artikel leggen we uit hoe we dit opbouwden, wat het oplevert en waar de grenzen liggen.
Waarom we een AI-agent ontwikkelden
Code reviews zijn essentieel voor de kwaliteit van code. Ze zorgen ervoor dat de code voldoet aan de afspraken en op lange termijn goed te onderhouden blijft. Maar ze slorpen ook veel tijd op.
Onze coding standards controleren we al automatisch met andere tools. Een AI-agent is interessant voor wat zo'n tool niet ziet: fouten in de logica, trage database queries of stukken code die dubbel geschreven zijn.
AI is echter niet blind te vertrouwen. Daarom bouwden we een agent die ons helpt, terwijl de beslissingen bij onze mensen blijven. Meer over die visie lees je op onze pagina Onze kijk op AI.
Een AI-agent die weet waar hij op moet letten
Een AI-model dat code nakijkt zonder context geeft generieke feedback. Daarom werkt onze agent met skills: regels voor goede code reviews, aangevuld met de afspraken die elk project zelf noteert.
Wat een tool al controleert, slaat de AI-agent bewust over. Hij kijkt naar wat een tool niet ziet:
- stukken code die dubbel geschreven staan
- fouten in de logica
- wie wat mag zien en doen
- database queries die onnodig traag zijn
Een AI-agent gekoppeld aan Bitbucket
We koppelden de agent aan Bitbucket, waar onze code staat. Een developer start de review zelf. Het gebeurt dus niet automatisch.
De AI-agent plaatst enkel opmerkingen bij de code als een developer daar uitdrukkelijk om vraagt. Per probleem stelt hij een concrete verbetering voor. De developer beslist wat relevant is en neemt een voorstel met één klik over. Daarna volgt de gewone review door een collega.
Een AI-agent gekoppeld aan Jira
Daarna gingen we nog een stap verder. We koppelden de agent aan Jira, waar we tickets met vragen van klanten en taken voor de developers in opvolgen. De AI-agent kan die tickets lezen en naast de code van het betreffende project leggen. Daar komt een technische analyse voor de developer uit, bijvoorbeeld een overzicht van waar in de code de vraag speelt.
Daarnaast maakt de agent een voorstel van antwoord aan de klant. De project manager leest dat na en verstuurt het zelf. Zo hoeft niemand voor elke eerste inschatting helemaal door de codebase te zoeken.
Wat de AI-agent niet doet
De agent beslist niet en vervangt geen reviewer. Hij plaatst geen opmerkingen zonder dat iemand erom vraagt, past zelf geen code aan en stuurt niets naar een klant. Onze developers blijven verantwoordelijk, en terecht kritisch.
Wat een AI-agent oplevert
Manueel en repetitief werk dat vroeger veel tijd kostte, en niet meteen de leukste taak was voor een developer, neemt de agent nu grotendeels over.
In onze ervaring ziet hij ook zaken die reviewers vaak missen. Een mens bouwt maar een beperkte context op, hooguit een paar niveaus diep. De agent overziet het geheel breder en kan de hele draad ontrafelen. Onze ontwikkelaars hebben dan weer een beter idee van de juiste architectuur. Daarom vullen ze elkaar aan.
Onze developers en project managers houden daardoor tijd over voor werk waar hun expertise het verschil maakt: architectuurkeuzes, complexe problemen en overleg met de klant.
Wat we leerden
De agent was soms overtuigd, maar had ongelijk. De agent was af en toe overtuigd van een fout die er niet was. Dat gebeurde vooral bij code van externe partijen die hij niet kon inkijken. Nu moet hij elk probleem eerst controleren voor hij het meldt. Wat hij niet kan nakijken, stelt hij enkel als vraag.
Hij moet wachten tot iemand erom vraagt. In het begin plaatste de agent opmerkingen zonder dat iemand dat gevraagd had. Dat hebben we afgezet. Hij reageert nu alleen op vraag van een developer.
Eigen afspraken per project. Projecten kunnen hun eigen review afspraken meegeven. Die mogen de controle alleen strenger maken.
Meer agents is niet beter. We probeerden meerdere agents tegelijk dezelfde review te laten doen. Dat gaf geen betere reviews, omdat onze pull requests al klein zijn. Het liep zelfs tegen limieten aan. Nu doet één agent het volledige werk van één review.
Veelgestelde vragen
Wat is een AI-agent voor code reviews?
Een AI-agent voor code review leest de wijzigingen in een pull request en geeft feedback over wat een tool niet ziet, zoals fouten in de logica, dubbele code, toegangsrechten en trage database queries. Bij Inventis doet hij dat enkel op vraag van een developer, en stelt hij per probleem een verbetering voor.
Vervangt een AI-agent developers?
Nee. De agent neemt repetitief controlewerk over. Architectuur, beveiliging en de eindverantwoordelijkheid blijven bij onze developers.
Wordt onze code gedeeld met een AI-aanbieder?
Ja, de bestanden die de agent nodig heeft worden verwerkt door een AI-model van Google. We gebruiken Gemini via het zakelijke cloudplatform van Google. Standaard draait dat in een Europees datacenter (België).
De agent leest enkel de bestanden die hij nodig heeft. Hij kopieert niet de volledige code van een project. Een verwijderd gesprek bewaren we nog 30 dagen voor analyse. Daarna wordt het definitief gewist.
Toegangsgegevens tot Bitbucket en Jira worden versleuteld bewaard.
Benieuwd wat AI voor je organisatie kan betekenen?
Je hoeft geen kant en klaar plan te hebben. Vertel ons waar jullie tijd in verliezen, dan kijken we samen of AI daar iets kan oplossen. Soms is het antwoord ja. Soms is het antwoord dat je beter geen AI inzet.