Alisina NawabiLinux Foundation Research meldt dat respondenten schatten dat code schrijven 52 procent minder tijd kost, terwijl maintainers een kwart van inkomende pull requests als laagwaardige AI-bijdragen inschatten, in een rapport van 20 oktober.
Voor Nederlandse softwareteams die AI gebruiken bij eigen ontwikkeling of aan open source bijdragen, raakt dit beide kanten van dezelfde werkstroom: code schrijven kan minder tijd vragen, terwijl wijzigingen beoordelen en testen extra tijd kan kosten. De uitkomsten beschrijven wereldwijde open-sourceprojecten en zijn geen meting van Nederlandse bedrijven.
Code schrijven levert de grootste tijdschatting op
De 96 respondenten die generatieve AI voor open-sourceontwikkeling gebruiken, schatten een codeertaak gemiddeld op 4 uur en 18 minuten vóór AI en 2 uur en 6 minuten erna. Voor code review en feedback gaat de inschatting van 2 uur en 30 minuten naar 1 uur en 24 minuten. Die schattingen komen neer op 52 procent minder tijd voor code schrijven en 44 procent minder voor review en feedback. De tijd om problemen te melden daalt van 1 uur en 18 minuten naar 44 minuten; technische discussies vragen gemiddeld 20 procent minder tijd.
De uitkomst hangt af van de taak. Bij lage en middelhoge complexiteit zegt respectievelijk 79 en 83 procent minder tijd nodig te hebben. Bij complexe taken is dat 64 procent, terwijl 21 procent juist meer tijd nodig heeft. De 52 procent tijdwinst geldt dus voor code schrijven in deze enquête, niet voor de totale doorlooptijd van software.
Het kwartcijfer komt uit maintainerschattingen
Het rapport noemt laagwaardige, AI-gegenereerde bijdragen die waarschijnlijk de benodigde reviewtijd niet waard zijn AI-slop. De 25 procent is het gemiddelde aandeel dat 111 maintainers schatten voor zulke bijdragen in de inkomende pull requests bij hun projecten. De studie telt geen repositories of pull requests om dit aandeel zelf vast te stellen.
De schatting varieert met de projectgrootte: 31 procent bij grote projecten met meer dan vijftig bijdragers, 23 procent bij kleine en 20 procent bij middelgrote projecten. Co-maintainers komen uit op 29 procent. De methode beschrijft de webenquête met 234 gekwalificeerde deelnemers. Het veldwerk voor de 45-vragenenquête liep van april tot juni 2026, via kanalen van de Linux Foundation en onderzoekspartners. Voor de AI-slopvraag antwoordden 111 maintainers; de vermelde foutmarge van 6,41 procent bij een betrouwbaarheidsniveau van 95 procent geldt voor de totale steekproef, niet apart voor deze groep.
De reviewdruk stijgt in dezelfde antwoorden. 52 procent van de maintainers zegt dat AI-bijdragen de gemiddelde reviewtijd verhogen, oplopend tot 64 procent bij grote projecten. Tegelijk meldt 59 procent meer bijdragen sinds de opkomst van generatieve AI, of 69 procent bij grote projecten. Deze cijfers komen uit een enquête, niet uit reviewlogs.
Groei maakt beleid en controle belangrijker
Dit is een tweede Linux Foundation-onderzoek in korte tijd naar AI en open source. Het rapport van 7 oktober vond dat 94 procent van de Europese organisaties AI-codeertools gebruikt of test en 48 procent daardoor meer open-sourcebibliotheken inzet. Dat onderzoek ging over governance en open-sourcegebruik; het nieuwe rapport kijkt naar bijdragen en onderhoud.
Ook in Nederland ligt die overgang op tafel. Een eerdere peiling vond AI-gebruik bij softwareontwikkeling bij 84 procent van organisaties, tegenover formele governance bij 8 procent. Info Support liet de enquête uitvoeren onder 330 IT-beslissers bij grotere organisaties. De cijfers zijn niet rechtstreeks vergelijkbaar met de wereldwijde OSS-enquête, maar laten zien dat de koppeling tussen gebruik en controle ook in Nederland speelt.
Voor AI-code-reviewers bestaat inmiddels een vaste vergelijkingsset: GitHub's ReviewBench gebruikt 219 openbare pull requests uit 187 repositories en 19 programmeertalen. Daarmee kunnen teams reviewers onderling vergelijken. De benchmark meet niet hoeveel reviewtijd een specifieke community kwijt is aan AI-bijdragen.
De studies beantwoorden verschillende vragen
Een gerandomiseerde METR-proef uit begin 2025 volgde zestien ervaren ontwikkelaars uit grote open-sourceprojecten terwijl zij 246 echte issues oplosten. Taken met AI duurden gemiddeld 19 procent langer. In februari 2026 schreef METR dat die uitkomst verouderd is voor huidige AI-tools; een latere proef wees mogelijk op versnelling, maar selectie van deelnemers en taken maakte de data volgens de onderzoekers onbetrouwbaar. De eerste METR-proef beschrijft de taakopzet en tijdsuitkomst, en de latere update licht de meetproblemen toe.
De studies meten dus verschillende dingen: de Linux Foundation vroeg een brede groep naar ingeschatte tijd vóór en na AI, METR volgde directer een kleine groep ontwikkelaars bij specifieke taken. De Linux Foundation noemt het rapport een eerste meting en vraagt om onderzoek over langere tijd.
Maintainers melden tegelijk meer bijdragen en langere reviews. Voor Nederlandse organisaties die op open-sourcecomponenten bouwen, hangt de uitwerking daarom ook af van hoeveel gegenereerde code de controles doorstaat en wordt onderhouden. De tijd voor code schrijven is één deel van de ontwikkelcyclus; het rapport laat zien dat reviewwerk de andere kant ervan vormt.
Veelgestelde vragen
Van code naar kwaliteit
Ik help je AI-werk in een betrouwbare ontwikkelstroom te krijgen, van meedenken en ontwerp tot bouwen en automatiseren. Waar het kan, draait die software self-hosted.
Dit artikel is geproduceerd samen met het Agent Team. Meer over de redactie.
