Kort samengevat. Twee jaar geleden vertelden de luidste stemmen in tech je dat softwareontwikkelaars nu een historische curiositeit zouden zijn. Prompt erin, product eruit. Het is augustus 2026, en de werkgelegenheid onder developers stortte niet in. Maar dezelfde golf die er niet in slaagde developers weg te halen, haalde wel iets anders weg, en vrijwel niemand vertelt die helft van het verhaal fatsoenlijk: ze wiste het routinewerk dat van beginners senioren maakte. De werkgelegenheid onder softwareontwikkelaars van 22 tot 25 jaar ligt sinds eind 2022 ruwweg 20% lager, terwijl oudere engineers in dezelfde beroepen gelijk bleven of groeiden. Quantum computing draait nu precies dezelfde hypecyclus een ronde achter — met een werkelijk historische mijlpaal waar buiten het vakgebied niemand over praat, en een valse die overal is.

Twee dingen die allebei waar zijn

Studeerde je dit jaar af in informatica, dan concurreer je met honderden andere sollicitanten om een vacature waarin junior staat en die vervolgens stilletjes om drie jaar ervaring vraagt.

En met het beroep als geheel gaat het prima.

Die twee dingen zijn tegelijk waar. De meeste analyses kiezen er één en doen alsof de andere niet bestaat, en daarom is het gesprek zo nutteloos geweest. De interessante vraag is niet of AI de banen heeft afgenomen — aantoonbaar niet — maar waarom de schade zo precies terechtkwam bij de mensen die binnen proberen te komen.

Waarom AI geen developerbanen heeft afgenomen

Begin bij wat waar is, want de AI-hype is niet niets. Hulp van AI is geen randverschijnsel meer; het is de standaard, en een groot deel van nieuwe code wordt met een model in de lus geschreven. Waarom verdwenen de banen dan niet?

Code schrijven was nooit het knelpunt

Denk aan wat je in een werkweek werkelijk doet. Hoeveel daarvan is nieuwe code typen? Misschien twintig procent, op een goede week. De rest is uitzoeken wat je moet bouwen, een systeem begrijpen dat iemand anders vijf jaar geleden schreef, discussiëren over afwegingen, en de persoon zijn die aanspreekbaar is wanneer het om 3 uur 's nachts stukgaat.

BCG verwoordde het goed in hun analyse van 2026: AI kan het genereren en testen van code dramatisch versnellen, maar het kan geen uitkomst van begin tot eind dragen. En je kunt het werk niet netjes splitsen in "het model doet de code" en "de engineer doet het oordeel", want in echte software zijn die twee dezelfde activiteit. Het oordeel wordt als code uitgedrukt.

De verificatiebelasting

Dit is de contra-intuïtieve, en het is de bevinding waar we als eerste naar zouden wijzen.

METR — Model Evaluation and Threat Research, een non-profit die onderzoekt wat deze modellen werkelijk kunnen — draaide een gecontroleerd onderzoek waarin ervaren opensourcedevelopers aan hun eigen codebases werkten, de helft van de taken met AI-gereedschap en de helft zonder. Ze waren 19% trager mét AI.

Het deel dat je zorgen zou moeten baren is niet het getal. Het is dat ze geloofden dat ze sneller waren geweest. Ze schatten een versnelling die er niet was.

Dat is de vorm van het hele probleem. Tijd die je bespaart bij het genereren betaal je terug bij beoordelen, debuggen en onderhouden. Ze verdwijnt niet — ze verschuift, en ze verschuift naar een plek die lastiger te zien is. We brengen een flink deel van onze week door in codebases waar die rekening is opgeëist; het is het meeste van wat een audit van AI-code werkelijk vindt.

Snelheid die je voelt is geen snelheid die je meet

Het resultaat van METR is juist ongemakkelijk omdat de developers ervaren waren, in code werkten die ze kenden, en oprecht het tegenovergestelde rapporteerden van wat de stopwatch zei. Gevoelde snelheid en werkelijke snelheid liepen uiteen. Elk team dat zijn AI-strategie bepaalt op basis van hoe snel het werk aanvoelt, leest een instrument waarvan bekend is dat het stuk is.

Goedkopere software betekent meer software

Elke backlog bij elk bedrijf is een kerkhof van dingen waar niemand tijd voor had. Maak bouwen goedkoper en je ontslaat de bouwers niet — je begint het kerkhof eindelijk te ruimen. Dat is het verhaal van elke gereedschapsrevolutie sinds de compiler, en er is geen bijzondere reden waarom deze het omdraait.

Veel "AI-ontslagen" waren geen AI-ontslagen

Bedrijven snijden om financiële redenen en noemen AI, want "wij lopen voorop in de AI-transformatie" leest voor aandeelhouders beter dan "we namen in 2021 te veel mensen aan en toen gingen de rentes omhoog". Er is inmiddels een term voor: AI washing. Het verraad zit in de omkeringen — organisaties die luid snijden op een AI-verhaal en daarna stilletjes het werven op instapniveau hervatten zodra de balans herstelde.

Dus: AI haalde geen developers weg. Het haalde een laag taken weg.

Houd die zin vast, want die laag was het oefenterrein.

De knel voor junior developers

Dit is het getal dat ertoe doet. Het Digital Economy Lab van Stanford vond, werkend met salarisadministratiegegevens van ADP — Automatic Data Processing, een van de grootste salarisverwerkers van de Verenigde Staten — over miljoenen werknemers, dat de werkgelegenheid onder softwareontwikkelaars van 22 tot 25 jaar sinds eind 2022 ruwweg 20% is gedaald.

Kijk nu één regel lager in dezelfde dataset. Over alle beroepen die aan AI blootstaan daalde de werkgelegenheid 0,2% jaar op jaar. Oudere werknemers in diezelfde beroepen bleven gelijk of groeiden.

De schade is niet over het beroep uitgesmeerd. Ze is vrijwel volledig geconcentreerd bij de mensen die binnen proberen te komen.

Waarom het gebeurde gaat niet echt over hoe slim AI is

De klassieke weg deze branche in was een verkapte leerlingplaats. Je werd aangenomen, en een jaar lang deed je het werk dat geen senior wilde: kleine bugs herstellen, tests schrijven, documentatie bijwerken, het saaie -scherm bouwen. Je was niet winstgevend. Iedereen wist dat je niet winstgevend was. Dat was prima, want over twaalf maanden zou je de codebase kennen en nuttig zijn.

AI at precies dat werk op. Niet het interessante werk. Het oefenwerk.

Bedrijven staan nu voor een vraag die ze niet hebben beantwoord: hoe werk je een junior in wanneer er niets routineus meer is om hem te geven?

Het stapelt zich op drie manieren op

De vacatures liegen. Advertenties met het label "instapniveau" namen toe terwijl het werkelijk aannemen op instapniveau daalde — bedrijven adverteren een juniorrol en vullen die met iemand met vijf jaar ervaring.

Je concurreert niet met andere junioren. De ontslagrondes van 2024 en 2025 duwden een grote groep medior engineers de markt op, en velen van hen nemen een rol met het label junior aan.

Een junior dragen werd duurder. Senioren melden dat ze merkbaar meer tijd aan beoordelen besteden wanneer junioren zwaar op AI-assistenten leunen. De kosten van een junior gingen omhoog op precies het moment dat hun zichtbare waarde omlaag ging. Dat is de wrede.

Wat je er werkelijk aan kunt doen

Stop met optimaliseren op het ding dat is geautomatiseerd. Niemand neemt je in 2026 aan omdat je een React-component kunt produceren — het model doet dat gratis. Het aannamemotief is het werk dat het model aantoonbaar niet kan:

  • Een grote onbekende codebase lezen en uitleggen waarom hij is zoals hij is
  • Iets in productie debuggen wanneer de logs tegen je liegen
  • Herkennen wanneer de uitvoer van de AI zelfverzekerd fout is — dat is nu het onderscheid, en het is de vaardigheid waar junioren het zwakst in zijn
  • Een uitkomst dragen in plaats van een ticket

En wees strategisch over waar je mikt. De open deuren zijn niet die in je tijdlijn. Grote bedrijven, zorgtechnologie, fintech, overheid, defensie, middelgrote , het mkb — plekken met oude codebases, compliance-eisen en echte pijn. Kandidaten die stage hebben gelopen melden merkbaar betere aanbodpercentages dan wie dat niet deed, en dat verschil is meer waard dan welk framework je deze maand ook zou kunnen leren.

Moeilijk is niet hetzelfde als gesloten. Maar je moet de markt lezen waarin je zit, en de meeste mensen die nu solliciteren, solliciteren nog steeds naar 2019.

Quantum computing: wat je werkelijk kunt verwachten

Dezelfde hypemachine warmt al op voor ronde twee, dus het is de moeite waard je vooraf te laten inenten.

Het resultaat dat er werkelijk toe doet

De Willow-chip van Google toonde foutcorrectie onder de drempel aan. In gewone taal: decennialang voegde meer qubits toevoegen meer fouten toe dan je kon corrigeren, dus opschalen maakte het erger. Willow liet het omgekeerde zien — voeg fysieke qubits toe, en het logische foutpercentage gaat omlaag, exponentieel.

Dat ene resultaat verplaatst quantum computing van natuurkunde naar engineering. Engineeringproblemen worden opgelost.

IBM zit op een openbare routekaart naar een foutbestendige machine, Starling, in 2029, met de huidige Nighthawk-processor op 120 qubits die circuits met duizenden verstrengelende poorten draait en een doel om nog dit jaar geverifieerd quantumvoordeel aan te tonen — opvallend genoeg met een open tracker zodat derden de claims kunnen aanvallen. Microsoft en Quantinuum hebben logische qubits draaien met foutpercentages die beter zijn dan de onderliggende hardware. Echte voortgang, geen luchtkastelen.

Wat het niet betekent

Het betekent niet dat een quantumcomputer je laptop vervangt. Quantummachines zijn geen "snellere computers". Ze zijn een gespecialiseerde versneller die klassieke hardware verslaat op een smalle reeks problemen: quantumsystemen simuleren — scheikunde en materiaalkunde — plus bepaalde optimalisatie- en steekproefproblemen. Je webapp draait er nooit op. Er is geen quantumvoordeel voor een -API.

Het betekent niet dat versleuteling volgend jaar breekt. RSA-2048 breken — Rivest–Shamir–Adleman, het algoritme met publieke sleutels waarop het grootste deel van het internet draait, met een sleutellengte van 2048 bits — vraagt duizenden logische qubits, wat bij de huidige foutpercentages miljoenen fysieke betekent. Huidige systemen hebben honderden fysieke qubits. Dat gat dicht je niet in een goed kwartaal. De expertenquête van het Global Risk Institute schat de kans op een cryptografisch relevante machine binnen tien jaar op ruwweg 17 tot 22%.

Het ene deel dat je werk raakt

"Nu oogsten, later ontsleutelen." Een tegenstander kan versleuteld verkeer vandaag opnemen en het in 2035 ontsleutelen. Voor alles met een lange vertrouwelijkheidsduur — medische dossiers, staatsgeheimen, juridische archieven — is de migratiedeadline dus nu, en niet wanneer de machine bestaat. De mechaniek van die dreiging — het algoritme van Shor, wat het met RSA en ECC doet, en waarom diensten nu al verkeer bewaren dat ze nog niet kunnen lezen — liepen we door in onze uitleg over versleuteling.

NIST, het Amerikaanse National Institute of Standards and Technology, heeft de standaarden voor afgerond, Amerikaanse federale diensten werken naar een doel rond 2030, en het praktische werk is weinig glamoureus: inventariseer waar je cryptografie leeft, en stap over op hybride sleuteluitwisseling. Ben je toch al aan het uitzoeken waar in je landschap wordt afgesloten, dan is die inventarisatie hetzelfde stuk werk.

Dat is het quantum-actiepunt voor een gewone developer in 2026. Je hoeft geen Qiskit te leren om je baan te houden.

En let bij de volgende kop op het juiste getal. Het aantal fysieke qubits is marketing. Het aantal logische qubits, het foutpercentage en de circuitdiepte zijn engineering. Behandel elke claim van "quantumvoordeel" als voorlopig tot klassieke onderzoekers zes maanden hebben geprobeerd het op een laptop te verslaan — historisch gezien lukt dat velen van hen.

Hoe zit het met AI die op quantumcomputers draait?

Het is het minst reële in dit hele gesprek, en de pijl wijst juist de andere kant op.

Het invoerprobleem. Om een quantumalgoritme op gewone data te draaien, moet je die data eerst in een quantumtoestand laden, en voor willekeurige data kan dat laden net zoveel kosten als de berekening zelf. Een taalmodel trainen gaat overwegend over data verplaatsen. Quantum is het slechtst in precies het ding dat het werk domineert.

Trainen schaalt niet. Er bestaat een verschijnsel dat barren plateaus heet: voeg je qubits toe aan een diep geparametriseerd circuit, dan krimpen de gradiënten exponentieel. Het verlieslandschap wordt vlak en er is niets meer om af te dalen. Dat is geen voetnoot — het is het centrale open probleem van het vakgebied.

Dequantisatie. Sinds het resultaat van Ewin Tang uit 2018 — ze was bachelorstudent, en ze doodde een beroemde quantumversnelling door een klassiek algoritme te schrijven dat eraan tippelde — vinden onderzoekers steeds hetzelfde. Geef een klassiek algoritme dezelfde datatoegang die de quantumversie stilzwijgend aanneemt, en het voordeel verdampt. Dequantisatie doodde quantum machine learning niet. Het trok de grens eromheen.

Wat binnen die grens ligt is echt maar smal: data die van zichzelf al quantum is, plus een handvol kernelmethoden met een bewezen scheiding. Niets wat op een taalmodel lijkt.

En dit deel vinden we werkelijk grappig. In april bracht NVIDIA een familie open modellen uit met de naam Ising. Wat doen die? Quantumprocessors kalibreren en quantumfoutcorrectie decoderen — aanzienlijk sneller en nauwkeuriger dan de klassieke aanpakken.

Lees dat nog eens. AI wordt gebruikt om quantumcomputers te bouwen, niet andersom.

De lijn van Gartner voor de korte termijn is botweg: geen enterprise AI-werklast die op schaal op quantumhardware draait tot en met 2028, en zelfs foutbestendige systemen zullen tegen 2030 niet de logische qubits hebben voor economisch haalbare AI van begin tot eind.

Eén waarschuwing: "quantum-geïnspireerd" is een marketingterm voor een klassiek algoritme op klassieke hardware. Claimt een leverancier twintig keer sneller AI trainen dankzij quantumoptimalisatie, controleer dan of er ook maar één qubit aan te pas kwam. Meestal niet één.

Het patroon

De AI-hype had het mis over developers die overbodig zouden worden — en vrijwel niemand merkte op dat hij gelijk had over iets ergers en stillers, namelijk dat we de ladder braken die van beginners senioren maakt. We losten het probleem van het oefenwerk op door het oefenwerk te wissen.

Quantum speelt hetzelfde spel. De echte mijlpaal — foutcorrectie onder de drempel — is historisch, en vrijwel niemand buiten het vakgebied praat erover. De valse mijlpaal — versleuteling sterft volgend jaar — is overal.

Leer die twee uit elkaar te houden en je hebt vaker gelijk over technologie dan de meeste mensen die erin werken.

Niet in totaal. De werkgelegenheid onder developers stortte niet in, en oudere groepen in beroepen die aan AI blootstaan bleven gelijk of groeiden. Wat veranderde is de verdeling: de werkgelegenheid onder developers van 22 tot 25 jaar ligt sinds eind 2022 ruwweg 20% lager, volgens onderzoek van het Digital Economy Lab van Stanford op salarisgegevens van ADP. AI haalde een laag routinetaken weg in plaats van developers, en die laag was toevallig waar junioren het vak leerden.
Minder betrouwbaar dan het voelt. In een gecontroleerd onderzoek van METR waren ervaren opensourcedevelopers die in hun eigen codebases werkten 19% trager bij taken waarbij ze AI-gereedschap gebruikten — en ze schatten dat ze sneller waren geweest. Tijd die je bij het genereren wint betaal je terug bij beoordelen, debuggen en onderhouden. De productiviteitswinst is in sommige contexten echt, maar gevoelde versnelling is er geen bewijs van, en daarom horen teams uitkomsten te meten in plaats van op het gevoel te vertrouwen.
Op het werk dat een model niet kan. Een grote onbekende codebase lezen en uitleggen waarom hij is zoals hij is, productie debuggen wanneer de logs misleiden, herkennen wanneer AI-uitvoer zelfverzekerd fout is, en een uitkomst dragen in plaats van een ticket. Mik op grote bedrijven, zorg, fintech, overheid en middelgrote SaaS-bedrijven, waar oude codebases en compliance-eisen echte vraag scheppen. Een stage blijft meer waard dan welk framework je deze maand ook zou kunnen leren.
Niet binnenkort, maar de migratie is toch dringend. RSA-2048 breken vraagt duizenden logische qubits, wat bij de huidige foutpercentages miljoenen fysieke betekent, tegenover de honderden die er vandaag zijn. Expertenquêtes schatten de kans op een cryptografisch relevante machine binnen tien jaar op ruwweg 17 tot 22%. De urgentie komt van nu oogsten en later ontsleutelen: verkeer dat vandaag wordt opgenomen kan later worden ontsleuteld, dus alles met een lange vertrouwelijkheidsduur heeft nu al migratie naar post-quantum nodig. NIST heeft de standaarden afgerond.
Er is geen geloofwaardig pad op korte termijn. Gewone data in een quantumtoestand laden kan net zoveel kosten als de berekening, gradiënten verdwijnen exponentieel in diepe geparametriseerde circuits (barren plateaus), en resultaten rond dequantisatie laten telkens zien dat klassieke algoritmen geclaimde quantumversnellingen evenaren zodra ze dezelfde datatoegang krijgen. Gartner verwacht tot en met 2028 geen enterprise AI-werklast die op schaal op quantumhardware draait. Opvallend genoeg loopt het verkeer de andere kant op: AI wordt gebruikt om quantumprocessors te kalibreren en van foutcorrectie te voorzien.
Let op het getal. Het aantal fysieke qubits is marketing; het aantal logische qubits, het foutpercentage en de circuitdiepte zijn engineering. Foutcorrectie onder de drempel, waarbij meer fysieke qubits het logische foutpercentage verlagen, is het werkelijk historische resultaat. Behandel elke claim van quantumvoordeel als voorlopig tot klassieke onderzoekers maanden hebben geprobeerd het op gewone hardware te verslaan, want historisch gezien lukt dat velen van hen. En quantum-geïnspireerd betekent klassiek: geen qubits aan te pas gekomen.

Draai je een codebase waarin veel code sneller binnenkwam dan iemand kon beoordelen, dan is dat precies de situatie die de verificatiebelasting beschrijft — en daar is een audit van AI-code voor. We schreven ook over hoe wij met AI bouwen en de elf problemen die we in vrijwel elke met AI gebouwde codebase vinden.

En voor wie er nu binnen probeert te komen: de ladder is gebroken, het gebouw niet. Mik op het werk dat een model niet kan, en op de bedrijven waarvan de problemen oud, weinig glamoureus en echt zijn.

Ilya Nixan is oprichter en lead developer bij Nerdy Production, een Flutter-eerst bureau dat apps bouwt en onderhoudt in fintech, zorg en retail.