Uw gegevens. Uw keuze.

Als je alleen het noodzakelijke kiest, verzamelen we met cookies en vergelijkbare technologieën informatie over je apparaat en je gebruik van onze website. Deze hebben we nodig om je bijvoorbeeld een veilige login en basisfuncties zoals het winkelwagentje te kunnen bieden.

Als je overal mee instemt, kunnen we deze gegevens daarnaast gebruiken om je gepersonaliseerde aanbiedingen te tonen, onze website te verbeteren en gerichte advertenties te laten zien op onze eigen en andere websites of apps. Bepaalde gegevens kunnen hiervoor ook worden gedeeld met derden en advertentiepartners.

Achter de schermen

AI stimuleert onze softwareontwikkeling dankzij een goede voorbereiding

Nicolas Rechsteiner
17/11/2026
Vertaling: machinaal vertaald

Het Galaxus-team Daedalus haalt meer dan een derde van alle data uit onze monoliet. Met AI gaat dit inmiddels zo snel dat een hele geplande etappe overbodig is geworden. Dit wordt mogelijk gemaakt door de voorbereiding: het team heeft de basis gelegd met agent skills en sjablonen.

Waarom Exodus?

Een groot deel van wat er bij Digitec Galaxus op de achtergrond gebeurt, bevindt zich in één enkele database: Devinite. Klantbestellingen, facturen en onze inkooporders. Dat had lange tijd voordelen. Het ene team kon de gegevens van het andere team direct lezen en in dezelfde transactie wegschrijven. Dat was snel, eenvoudig en altijd consistent.

Met de groei keert dit zich om. Een grote gegevenswijziging bij de inkooporders blokkeert tabellen waar ook andere teams op wachten. Een schemawijziging moet worden gepland met de Database Magicians, ons databaseteam, en soms worden uitgevoerd in een onderhoudsvenster waarin onze onlineshop niet bereikbaar is. En omgekeerd voelt elk team de problemen die een ander team met zijn tabellen heeft. Niemand is echt van de ander geïsoleerd.

Wie belast Devinite? Aandeel in de databasebelasting per team, gemeten in de zeven dagen tot 9 november 2026. Team Daedalus staat met 13,6 procent bovenaan, bijna twee keer zoveel als het volgende team.
Wie belast Devinite? Aandeel in de databasebelasting per team, gemeten in de zeven dagen tot 9 november 2026. Team Daedalus staat met 13,6 procent bovenaan, bijna twee keer zoveel als het volgende team.

Team Daedalus startte daarom de zogenaamde Exodus: de inkooporders waarvoor het team verantwoordelijk is, moeten uit Devinite en naar een eigen database. Dan kan het team zijn datamodel zelf verder ontwikkelen, onafhankelijk schalen en oude gegevens archiveren wanneer het hen uitkomt. Andere teams hebben dan geen directe toegang meer tot de tabellen, maar via duidelijke interfaces die ze met Team Daedalus afspreken. Hierdoor wordt Devinite kleiner en makkelijker te beheren.

In oktober heb ik in het kader van een DevXchange meegewerkt bij Team Daedalus. Bij deze interne uitwisseling werk je enkele sprints in een ander team. In dit artikel laat ik zien hoe groot Exodus is en hoe het project dankzij goed voorbereidend werk en AI zo snel vordert dat een hele geplande fase overbodig is geworden.

Hoe groot is Exodus?

Devinite is de database van onze monoliet: 1.358 tabellen, ongeveer 21 miljard records en 34 teams die daarin gegevens bezitten. Onze architectuurvisie voorziet erin de monoliet stap voor stap op te splitsen in modules met eigen databases. Zo is elk vakgebied duidelijk afgebakend en beheert het zijn eigen gegevens.

Van wie zijn de 21 miljard records in Devinite? Blauw: Inkooporders (Team Daedalus), 7,6 miljard records. Grijs: de 33 andere teams
Van wie zijn de 21 miljard records in Devinite? Blauw: Inkooporders (Team Daedalus), 7,6 miljard records. Grijs: de 33 andere teams

Met de inkooporders haalt Team Daedalus een bijzonder groot stuk eruit. 165 tabellen behoren tot het team, meer dan tot enig ander team. Daarin zitten 7,6 miljard records, dus meer dan een derde van alles wat in Devinite staat, hoewel de bijbehorende code slechts een tiende van de monoliet uitmaakt. Alleen al de tabel met alle productposities die we bij leveranciers hebben besteld, omvat meer dan 400 miljoen rijen.¹

Deze gegevens staan nooit stil. Terwijl je deze alinea leest, zijn er bij ons ongeveer tien nieuwe inkooporders ontstaan. Daarnaast worden er continu leveringen ingeboekt en facturen vergeleken. De ombouw gebeurt dus terwijl het systeem in bedrijf is. Voordat de gegevens naar de nieuwe database kunnen verhuizen, moet elke toegang van andere teams via interfaces verlopen. Aanvankelijk had de code van andere teams op 47 plaatsen direct toegang tot de tabellen van Team Daedalus. Vandaag zijn dat er nul.

Daedalus' team-space
Daedalus' team-space

Vijf maanden werk in twee weken

Team Daedalus telt acht personen en werkt naast Exodus aan verschillende andere grote initiatieven. Toch heeft het Exodus met veel passie vooruitgestuwd. In de zomer heeft het de eerste etappe volbracht: het aanmaken en wijzigen van inkooporders werd opgesplitst in afzonderlijke transacties. Hoewel er uiteindelijk aanzienlijk meer werk in zat dan begroot, bleef het team binnen het tijds- en kostenkader en voltooide het werk in vier sprints. Daarbij heeft het elke use case ingedeeld en gericht AI-agenten ingezet om de skills en tests te bouwen die de basis vormen voor de grote sprong vanaf oktober.

In oktober heb ik samen met Guillermo van Team Daedalus verdere stories voor Exodus uitgevoerd, het grootste deel daarvan in het kader van mijn DevXchange. Zo komt Exodus vooruit terwijl het team zich op zijn vakinhoudelijke initiatieven kan concentreren. In ruim twee weken hebben we 35 stories live gezet, gemiddeld ruim drie per werkdag. Zonder AI had ik voor een vergelijkbare story eerder drie dagen gerekend, voor alles samen dus ongeveer vijf maanden. Voor heel Exodus zijn daarmee 148 van de 211 stories afgerond, dus ongeveer 70 procent. Inmiddels zijn de skills en automatiseringen zo ver dat de AI de stories voor Exodus zelf aanvult en verfijnt.

Een ingespeeld team

Dat Exodus zo snel vordert, ligt niet alleen aan de AI. Team Daedalus kent de bedrijfsprocessen rondom de inkoop zeer goed. Het team vindt het belangrijk dat kennis niet bij één persoon blijft hangen. Daarom neemt het veel tijd voor refinements, waarin het nieuwe stories gezamenlijk bespreekt. Bovendien houdt het zich aan relatief strikte architectuurpatronen: de code weerspiegelt de vaktaal van de inkoop, en het lezen en schrijven van gegevens zijn consequent gescheiden, van de invoer via de vaklogica tot de database. Wat voor mensen orde schept, helpt ook de AI. Die vindt snel zijn weg omdat elk deel van de code volgens hetzelfde patroon is gebouwd.

Een blik op het virtuele Scrum-board van Team Daedalus
Een blik op het virtuele Scrum-board van Team Daedalus

Dit is Team Daedalus:

  • Noël, Teamleader Engineering
  • Emanuel, Senior Product Owner
  • Guillermo, Software Architect
  • Thomas, Senior Software Engineer
  • Samuel, Software Engineer
  • Gioele, Software Engineer
  • Nicolas, Software Engineer
  • Alain, Software Engineer

Wat de AI daarbij doet

Dit tempo heeft veel te maken met voorbereidend werk dat het team lang voor mijn DevXchange heeft verricht.

De basis

Team Daedalus werkt vooral met Claude Code, een AI-tool van Anthropic die direct in de code leest, schrijft en opdrachten uitvoert. Sinds het model Opus 5.5 is het goed genoeg om het team echt werk uit handen te nemen. Sinds mei gebruikt het team CLAUDE.md-bestanden. Ze leggen aan Claude uit hoe de architectuur is opgebouwd en welke regels gelden, bijvoorbeeld weinig commentaar in de code, uniforme namen, de architectuurpatronen van het team en bij twijfel opzoeken hoe het team soortgelijke gevallen onlangs heeft uitgevoerd. In de loop van de tijd heeft het team verdere vaste procedures voor Claude ontwikkeld: Research, Plan, Implement, Review. Elke stap is een eigen skill, oftewel een op het team toegesneden handleiding die Claude precies voor deze werkstap laadt.

Dat hielp vooral bij Exodus. Het team heeft elke betrokken use case ingedeeld in een van de drie soorten: een Switch schakelt de databaseverbinding om, een Split deelt een schrijfbewerking op in twee onafhankelijke transacties, en een Async maakt een proces asynchroon. Voor elk van deze soorten heeft Nicolas, mijn naamgenoot in het team, een eigen skill geschreven. Daarmee voert Claude de stories snel en met minder fouten uit. Daarnaast zijn er automatische tests die voor elke use case controleren of de wijziging correct is. Zo merkt de AI zelf wanneer hij een fout heeft gemaakt en kan hij deze herstellen.

Hoe AI stories uitvoert

Ik laat Claude de story en het implementatieplan lezen. Claude zoekt de betrokken plaatsen in de code en stelt een plan voor dat voldoet aan de conventies van het team. Ik controleer en corrigeer het plan en laat het door Claude uitvoeren. Daarna bekijk ik het resultaat, pas indien nodig nog iets aan en open de pull request. Iemand anders uit het team moet deze vervolgens reviewen. Ik moest vooral ingrijpen als een pull request te groot werd. Dan hebben we deze opgesplitst in kleinere, zodat ze nog zinvol konden worden gereviewd.

Het meest indrukwekkend was dit bij het verwijderen van de toegang vanuit de code van andere teams. Claude heeft de betrokken views in het ERP, ons zelf ontwikkelde beheersysteem, zelf getest: het zocht in de database passende inkooporders om te testen, startte het ERP lokaal, vergeleek het resultaat in de browser met onze testomgeving en herstelde fouten stap voor stap. Het was behoorlijk vermakelijk om Claude daarbij te observeren.

Waar de AI de mist in gaat

Foutloos is het niet. Waar de AI de mist in gaat, blijkt vaak uit de review-commentaren van het team. Eén keer had Claude logica bij de inkooporders ondergebracht die eigenlijk in de interface van een ander team thuishoort. Een andere keer wilden Claude en ik code delen tussen twee productgebieden. Guillermo, de architect van het team, legde zijn veto in. En een andere collega heeft een echte fout gevonden die Claude was ontgaan. Deze kennis over hoe het team bouwt en waarom, kan de AI niet vervangen. Soms ontbreekt het haar aan het overzicht over de hele code en de diepe kennis over elk productgebied. Daarvoor is haar context, oftewel de hoeveelheid informatie die ze tegelijkertijd kan verwerken, (nog) niet toereikend.

Wanneer werkpakketten krimpen

Exodus is zorgvuldig gepland. Het team heeft het project opgedeeld in etappes, elk als eigen initiatief, dus als groter project dat een orgaan met de directie vooraf goedkeurt. Voor elke etappe rekende het concept met vier tot zes sprints.

Met AI zijn deze schattingen letterlijk gekrompen. De eerste etappe had elke use case ingedeeld, en de skills en tests stonden klaar. Daarom konden de stories van de volgende etappes direct worden meegenomen. Een etappe is daardoor volledig overbodig geworden: de etappe voor leveranciersfacturen en annuleringen, geschat op vier sprints, was afgerond voordat deze überhaupt begon. In november heeft het team het initiatief afgesloten. Een ander is voor een groot deel uitgevoerd terwijl het team er nog aan werkt.

Dit was alleen mogelijk omdat de voorbereiding klopte. Het concept, de indeling van elke use case en de refinements in het team heeft de AI niet vervangen. Pas die hebben de AI zo effectief gemaakt. Voorbereiding en refinement worden in het AI-tijdperk daarom niet minder belangrijk, maar juist belangrijker. Ze betalen zich in de uitvoering dubbel en dwars terug.

De nieuwe bottleneck

De bottleneck is verschoven, namelijk naar de reviews. Als twee personen samen ruim drie stories per dag leveren, is er iemand nodig die evenveel pull requests zorgvuldig leest. Daarom ontwikkelen we met Tweety een AI-reviewer voor pull requests en experimenteren we met risicogebaseerde goedkeuringen naar het voorbeeld van Anthropic. Het idee: niet elke wijziging heeft dezelfde aandacht nodig. Hoe nauwkeurig een mens kijkt, moet afhangen van het risico van de wijziging.

Geanimeerd door Claude Opus 5.5, het AI-model dat ons bij Exodus ondersteunt. Muziek: Suno.

Ik zie hierin vooral een kans. Ontwikkelaars kunnen hun tijd inzetten waar die het meeste oplevert. Er is echter wel een risico: als de AI het grootste deel van de code schrijft, neemt ons vermogen af om code in detail te begrijpen. Daarvoor in de plaats kunnen we meer tijd investeren in requirements engineering, oftewel in de vraag wat er eigenlijk gebouwd moet worden.

Hoe we met deze kansen en risico's omgaan, bepaalt niet elk team voor zich. In onze AI Coding Guild wisselen ontwikkelaars en product owners sinds 2023 teamoverstijgend hun ervaringen met AI uit.

Hoe het verdergaat

Ongeveer 70 procent van de stories is live gezet. Het grootste brok moet echter nog komen: de gegevens zelf. 7,6 miljard records moeten van Devinite naar de nieuwe database verhuizen, terwijl het systeem in bedrijf is.

Wanneer Exodus is afgerond, kan ik daarom nog niet zeggen. Zeker ben ik van iets anders: als het schrijven van code niet langer de bottleneck is, telt des te meer wat daarvoor en daarna gebeurt. Goed voorbereiden wat we willen bouwen, en zorgvuldig controleren wat er gebouwd is.

¹ Met ongeveer 128 GB is deze tabel de op drie na grootste van de 1.358 tabellen in Devinite.

6 mensen vinden dit artikel leuk


User Avatar
User Avatar

Als eerste fulltime ontwikkelaar bij Digitec Galaxus was ik onder andere teamleider van Goldfinger en Bender! en hoofd van het architectuurgilde (het A-Team).
Ondertussen ben ik samen met onze domeinarchitecten slechts de bewaker van de ivoren toren.
We ontwikkelen voortdurend de doelarchitectuur, werken tijdens de implementatie nauw samen met de ontwikkelingsteams en vormen de architectuurbeoordelingsraad.
Vanwege mijn piraatachtige pull requests, onvoorstelbare build breaks en shark deploys op vrijdagmiddag noemen ze me ook wel 🅷🅰🅲🅺🅴🆁🅰🅽.
 


Achter de schermen

Nieuws over functies in de winkel, informatie van marketing of logistiek en nog veel meer.

Alles tonen

Deze artikelen kunnen je ook interesseren

Toon alle

Deze artikelen kunnen je ook interesseren

Opmerkingen

Avatar