PI Coding Agent vs Claude Code: de afrekening van 2026

PI Coding Agent vs Claude Code: de afrekening van 2026

Op een dinsdag in maart om 23:47 uur kreeg ik een Claude Code-sessie te verwerken. Niet crashen. Geen fout. Sterf op die stillere manier waarbij de agent vergeet wat hij aan het doen was, dezelfde drie bestanden voor de vierde keer opnieuw leest en een refactor schrijft die in tegenspraak is met de architectuur die hij veertig minuten eerder had voorgesteld. Mijn gebruikslimiet liep op met ongeveer twee keer de snelheid die ik had verwacht. Toen ik het probeerde te inspecteren, was het denkspoor leeg.

Ik klapte de laptop dicht en ging geïrriteerd naar bed. Toen opende ik Twitter en zag drie andere ontwikkelaars exact dezelfde dinsdag beschrijven.

Dat was de week dat ik serieus begon te kijken naar de PI coderingsagent van Mario Zechner. Niet omdat PI een glimmend nieuw speeltje is – Mario heeft het expliciet gebouwd omdat hij boos was op hetzelfde waar ik boos op was – maar omdat de filosofie eronder de juiste lezing geeft van waar de codeeragenten van AI feitelijk naartoe gaan in 2026. En hoe langer ik bij zijn interview zat, hoe meer het het jaar dat ik zojuist had meegemaakt opnieuw vormgaf met Claude Code als mijn primair codeerinstrument.

Wat volgt is de eerlijke versie. Ik ben al maanden een Claude Code dagelijkse chauffeur. De stabiliteitsklachten landen bij mij. Ik heb mezelf ook betrapt op de ‘het model werd dommer’-paniek – en ik wil specifiek zijn over welke delen daarvan echt zijn en welke psychologische delen. Het gesprek PI-codeeragent versus Claude Code gaat niet echt over twee stukjes software. Het gaat erom of de volgende generatie agenten zal worden bestuurd door ondernemingsvormige harnassen, door minimale tools die je op jezelf bouwt, of door open-weight-modellen van teams die de meeste westerse ontwikkelaars nog steeds niet kunnen uitspreken.

Ik zal je laten zien wat ik bedoel.

De dinsdagavond waarvan Anthropic bevestigde dat deze echt was

Gedurende een lange periode van februari en maart 2026 ging ik ervan uit dat ik dramatisch deed. Claude Code voelde zich slechter dan in november. Sessies voelden dunner aan. Refactors kwamen half af. De agent leek de context binnen één enkele werksessie te vergeten en vervolgens dingen die hij al had begrepen opnieuw te onderzoeken. Om de paar dagen overtuigde ik mezelf ervan dat het een gevoelsprobleem was: een vervagende huwelijksreis, zwaardere problemen, mijn normen die omhoog gingen.

Het was geen vibratieprobleem. Op 23 april 2026 publiceerde Anthropic een postmortem, waarin werd erkend dat drie verschillende kwaliteitsregressies Claude Code over een periode van zes weken troffen. Een wijziging van 4 maart verminderde de standaardredeneringsinspanningen van 'hoog' naar 'medium' om de latentie te verminderen. Een wijziging van 26 maart bracht een bug met zich mee die ervoor zorgde dat het model halverwege de sessie zijn eigen redeneergeschiedenis verwierp, waardoor het er vergeetachtig uitzag en de gebruikslimieten sneller leegliepen dan verwacht. Een wijziging van 16 april voegde een systeempromptlimiet toe van 25 woorden tussen tooloproepen, waarvan Anthropic zelf zei dat het "de codeerkwaliteit meetbaar schaadde" voordat de limiet vier dagen later werd teruggedraaid.

Uit een communityanalyse van 6.852 Claude Code-sessiebestanden bleek dat de denkdiepte eind februari al met ongeveer 67 procent was gedaald, voordat de redactie zelfs maar werd uitgerold. De redactie maakte de regressie onzichtbaar in de UI, maar deze was structureel. Het model heeft diepgaande denksporen nodig om onderzoek in meerdere stappen te doen, conventies te volgen en code zorgvuldig aan te passen. Wanneer dat denkbudget stilletjes onder druk komt te staan, verandert het gedrag van de agent van eerst onderzoek naar eerst bewerken. Je ziet hoe het de onderzoeksfase overslaat en gewoon begint met typen.

Dat is precies het patroon dat ik op mijn dinsdagavonden had gezien. Geen slimmer of dommer model. Een uitgehongerde.

Dit is van belang voor het PI-gesprek omdat Mario PI in oktober 2025 bouwde, maanden voordat dit allemaal in het nieuws kwam. Hij zag het snelheids- en feature-bloat-traject dat Anthropic volgde, besloot dat hij het niet vertrouwde voor zijn eigen dagelijkse werk, en kwam met een minimaal alternatief dat hij van begin tot eind kon beheersen. Tegen de tijd dat de postmortem viel, was PI al de drijvende kracht achter OpenClaw – een project dat in minder dan drie maanden tijd 250.000 GitHub-sterren behaalde, waarmee React werd overtroffen.

Dat is geen nichetool meer. Dat is een proefschrift met trekkracht.

Wat PI eigenlijk is – en waarom ‘minimaal’ het hele punt is

Als je het nog niet hebt gebruikt, is hier de vorm van het ding: PI wordt geleverd met precies vier gereedschappen. Lezen. Schrijven. Bewerking. Bas. Dat is de gehele oppervlakte van het middel. U voegt mogelijkheden toe via vaardigheden, promptsjablonen en expliciete uitbreidingen die u zelf inschakelt.

Dat is het hele veld. En het is radicaler dan het klinkt.

Claude Code is op dit moment een product met veel functies. Het heeft slash-opdrachten, agentvaardigheden, MCP-integraties, subagenten, planmodus, de werken. Elk van deze functies heeft zijn eigen oppervlakte, zijn eigen bugs, zijn eigen interacties met het contextvenster van het model. Wanneer iets achteruitgaat, debug je het hele model, het harnas, de systeemprompt en welke vaardigheid of subagent dan ook actief was. Dat is precies wat de kwaliteitsproblemen van maart en april zo moeilijk maakte om van buitenaf te diagnosticeren: er waren te veel bewegende delen en de belangrijkste waren geredigeerd.

PI doet het tegenovergestelde. Mario's ontwerpfilosofie, die hij uiteenzette in zijn interview en in het Pragmatic Engineer-artikel, is dat de agent klein genoeg moet zijn zodat je elk token in je hoofd kunt vasthouden. Je schrijft de promptsjabloon. Jij bepaalt welke context de agent ziet. Je kijkt naar elke gereedschapsoproep. Er verandert niets aan het harnas tussen dinsdag en woensdag, tenzij je het verandert.

Dat is geen heimwee naar een eenvoudiger tijdperk. Het is een dragende technische beslissing. Omdat in 2026 het knelpunt niet de capaciteit van het ruwe model is, maar het vasthouden van de context. Elke codeeragent die momenteel in productie is, is gebouwd op een model dat, gegeven de juiste context, zijn werk kan doen. De vraag is of het harnas rond het model die context in stand houdt of stilletjes vernietigt.

Ik zal hier zo meteen meer over zeggen: er is een specifieke faalmodus in moderne codeermiddelen waar bijna niemand over praat, en het is precies datgene waar PI echt voor is ontworpen om te vechten. Maar eerst wil ik de vergelijking in iets concreets onderbouwen.

Naast elkaar: de PI-codeeragent versus de Claude Code-beslissingsmatrix

Ik heb deze tabel samengesteld op basis van Mario's interview, mijn eigen dagelijkse gebruik van beide hulpmiddelen en het openbare postmortale materiaal. Het is geen maatstaf. Het is de beslissingsvorm waar ik een vriend doorheen zou leiden als ze me zouden vragen welke ik morgen moet ophalen.

geïntegreerd in managed-agents en de commerciële stack van Anthropic | Ontwikkelaarsgericht, eigenwijs, ontworpen voor mensen die broncode lezen | | Modellen met open gewicht | Gesloten, alleen antropisch | Moedigt het aansluiten van Kimi K2.6, DeepSeek V4 aan, wat er verder ook draait | | Niet-technische gebruikers | Mogelijk, maar de oppervlakte is intimiderend | Verrassend toegankelijk: niet-codeerders gebruiken het om interne tools te bouwen | | Cadans bijwerken | Frequent, gebundeld, soms brekend | Met opzet langzaam – het punt is dat niets je verrast | | Beste pasvorm | Teams die een beheerd product willen en vertrouwen op de roadmap van Anthropic | Solobouwers, bureaus en ontwikkelaars die de stapel willen bezitten tot aan de prompt |

Als je dit leest en denkt: ‘Ik wil beide’, dan lees je het goed. Ik voer beide. Ik gebruik Claude Code voor het grootste deel van mijn dagelijkse werk omdat ik nog steeds een betaald Anthropic-abonnement heb en de integratie met mijn bestaande vaardighedenbibliotheek reëel is. Ik gebruik PI als ik een specifiek soort taak met volledige controle wil uitvoeren - meestal lange refactors waarbij ik me niet het harnas kan veroorloven om halverwege de sessie stilletjes het gedrag te veranderen.

Maar de interessantere vraag is niet welk hulpmiddel. Dat is wat Mario's gok op minimale controle zegt over de komende twee jaar.

Contextbehoud is het hele spel (en bijna niemand zegt het hardop)

Ik wil op dit punt wat rustiger aan doen, omdat ik denk dat dit het belangrijkste argument in Mario's interview is, en het deel dat bijna niemand heeft opgepikt.

Mario's bewering: in 2026 is de dominante fout van codeeragenten niet het zwakke model. Het is het harnas dat de context van het model corrumpeert. Sessiedenksporen worden gewist, systeemprompts worden afgekapt, de uitvoer van tools wordt voortijdig samengevat en de agent werkt uiteindelijk vanuit een gedegradeerde kopie van wat hij eerder heeft bedacht. Het model oogt dom. Het model is niet dom. Het model is uitgehongerd.

Dit is precies wat de postmortemanalyse van 6.852 sessies aantoonde. Toen de denkdiepte met 67 procent daalde, veranderde het gedrag van de agent meetbaar: van eerst onderzoek naar eerst bewerken, van het volgen van conventies naar het negeren van conventies. De modelgewichten waren niet veranderd. De context had.

Als je dit eenmaal ziet, zie je het overal.

De ‘Claude is nu dommer’-golf die Twitter in maart trof was grotendeels reëel, maar de onderliggende oorzaak was niet wat de meeste mensen dachten. Het was niet Anthropic die stilletjes een kleiner model inruilde. Het waren de bezuinigingen op het redeneerbudget en de bugs in de redeneergeschiedenis die zich onder belasting verergerden. Een echte modelregressie zou in de benchmarks zijn opgedoken, zou zijn opgepikt door de eigen evaluaties van Anthropic en zou binnen enkele dagen zijn hersteld. Wat we in plaats daarvan kregen was een langzaam verval op harnasniveau, dat zes weken van publieke druk vergde voordat het volledig ongedaan werd gemaakt.

Dus als Mario PI bouwt met het expliciete doel dat "elk token in het contextvenster iets is dat je daar plaatst", hecht hij geen waarde aan minimalisme. Hij lost het eigenlijke probleem op.

Ik ga dit met volle borst zeggen, omdat ik denk dat het ertoe doet: de meeste klachten over het 'model werden dommer' in 2026 zijn echte klachten over een echte degradatie, maar de oorzaak is het harnas, niet de gewichten. En de enige uitweg is dat u erop vertrouwt dat uw leverancier transparant is over elke kabelboomwissel die hij verzendt, of dat u de kabelboom zelf bezit.

Mario koos het tweede pad. Dat is wat PI is.

De openlijke opstand: Kimi K2.6 en DeepSeek V4 veranderen de wiskunde

Het andere waar ik door Mario's interview mee werd geconfronteerd, is de vraag over het open gewicht, en dit is waar mijn eigen kostenberekening de afgelopen vier maanden sterk is veranderd.

Op 20 april 2026 verscheepte Moonshot AI Kimi K2.6 - een MoE met 1 biljoen parameters met 32 ​​miljard actieve parameters, 256K context, native multimodaliteit en INT4-kwantisering. Het is open-weight onder een aangepaste MIT-licentie. Zowel de code als de gewichten staan ​​op Hugging Face. De DeepLearning.AI samenvatting plaatst K2.6 effectief op hetzelfde niveau als closed-source Qwen3.6 Max en DeepSeek V4 wat betreft coderingsbenchmarks, en slechts nipt achter de top gesloten modellen. K2.6 is expliciet getraind voor het soort meerstappentool dat een agentharnas nodig heeft: een browser openen, een pagina lezen, een bestand schrijven, een Python-vaardigheid aanroepen, samenvatten, herstellen van een toolfout zonder het hele plan opnieuw te starten.

Dat laatste maakt het open-weight-verhaal in 2026 anders dan in 2024. Twee jaar geleden konden de open modellen code schrijven. Ze konden geen agent aansturen. De betrouwbaarheid bij het gebruik van het gereedschap was er niet, de lange horizonplanning was er niet, het herstel na een mislukking was er niet. U kunt ze vragen en redelijke functies terugkrijgen. Je kunt ze geen GitHub-probleem overhandigen en erop vertrouwen dat ze het voor twaalf bestanden onderzoeken.

K2.6 brengt daar verandering in. Dat geldt ook voor DeepSeek V4. De LLM-coderingsbenchmark-overzicht van april 2026 laat zien dat de open-weight-modellen hun mannetje staan ​​bij codeertaken met een lange horizon in Rust, Go en Python. Dat is het regime waarin Claude en GPT vroeger een schoon monopolie hadden. Dat doen ze niet meer.

Voor mij verandert dit de kostenberekening op een specifieke manier. Mario beschreef AI-tooling als een "spel voor rijke mannen" - ongeveer $ 200 per maand aan API-bestedingsprijzen die de meeste individuele ontwikkelaars uitrekenen, en dat is alleen voor de modelkant, voordat je rekening houdt met enige orkestratie. Redelijk voor professionele ontwikkelaars. Brutaal voor hobbyisten, studenten en de hele ontwikkelingswereld. Open-weight-modellen die lokaal of op goedkope inferentieproviders draaien, veranderen die $ 200 in iets dat dichter bij $ 20 ligt, en in sommige configuraties zelfs nul. Dat is geen marginale verbetering. Dat is een andere markt.

Mario's gok – en in toenemende mate de mijne – is dat de industrie op de langere termijn open-weight-modellen heeft die het grootste deel van het daadwerkelijke werk doen, terwijl closed-source frontier-modellen gereserveerd zijn voor de moeilijkste 5 procent van de taken. Het harnas zit bovenop, agnostisch voor welke gewichten je het ook richt. PI is gebouwd voor die wereld. Claude Code is dat door het ontwerp niet.

Ik heb deze verschuiving gedetailleerder besproken in mijn Kimi K2.6 recensie en in het hybride coderingsworkflowstuk over het uitvoeren van DeepSeek V4 naast Claude Code, en de korte versie is: de open-weight-modellen zijn niet langer "bijna goed genoeg." Ze zijn goed genoeg voor het dagelijkse codeerwerk, het gat bij de moeilijkste taken wordt elk kwartaal kleiner, en het kostenverschil is groot genoeg dat het negeren ervan eerder als een strategische fout dan als een stilistische voorkeur begint te voelen.

Er is ook sprake van tegenwind op het gebied van merkloyaliteit die het vermelden waard is. Anthropic heeft in het Westen een echt ondernemingsmerk opgebouwd: het veiligheidsverhaal, de constitutionele AI-framing, het beleidswerk. Chinese teams met een open gewicht worden geconfronteerd met het tegenovergestelde: angst zaaien, geopolitieke ruis, een algemeen 'gebruik geen Chinese modellen'-beleid bij risicomijdende bedrijven. Een deel daarvan is gegrond. Het grootste deel ervan is reflexief. En het creëert een prijsparaplu waaronder de open modellen de kosten kunnen blijven onderbieden, terwijl de gesloten modellen zich beperken tot zakelijke relaties. Die paraplu zal niet eeuwig meegaan.

Waar talent naartoe gaat en waarom Europa blijft bloeden

Mario's interview besteedde een paar minuten aan een nevenonderwerp dat volgens mij belangrijker is dan het klonk: waar AI-talent migreert en waarom.

Zijn lezing: de VS winnen vanwege drie samengestelde factoren. Betere durfkapitaaldiepte, meer geconcentreerde AI-infrastructuur en een veel eenvoudiger juridisch substraat – het C-corp-patroon in Delaware is zo wrijvingsloos dat Europese oprichters routinematig van woonplaats veranderen, alleen maar om geld op te halen. Europese AI-startups slepen daarentegen een regelgevende fragmentatiebelasting over elke markt die zij betreden. Zevenentwintig landen, zevenentwintig enigszins verschillende interpretaties van elke AI-regel, en een durf-ecosysteem dat per hoofd van de bevolking grofweg een orde van grootte kleiner is.

Ik ga niet beweren dat regelgeving slecht is. Ik ga betogen dat gefragmenteerde regelgeving brutaal is, en dat de AI Act zo gefragmenteerd is dat het bijna onmogelijk wordt om een ​​serieus coderingsproduct vanuit Berlijn of Parijs te verzenden zonder dat er een Amerikaanse entiteit omheen zit. De teams die ik in Europa bekijk, verhuizen naar een andere locatie of blijven klein. Degenen die zich opnieuw vestigen, sluiten zich aan bij het Amerikaanse ecosysteem en nemen personeel aan uit het Amerikaanse ecosysteem, en de talentstroom wordt nog een stap schever.

Mario zelf zit precies in deze situatie. Het zwaartepunt van PI is technisch, niet commercieel: het is open source, het wordt door npm gedistribueerd en de gemeenschap is mondiaal. Maar vanaf het moment dat OpenClaw begon te commercialiseren, was de vraag waar de rechtspersoon woont niet langer abstract.

Als je een Europese ontwikkelaar bent die dit leest en denkt dat ik oneerlijk ben, dan is dat niet zo. Ik wil een bloeiend Europees AI-ecosysteem. De huidige vorm van regelgeving levert dat niet op, en door te doen alsof dat niet het geval is, blijven we verliezen.

De toekomst van persoonlijke agenten: apps worden vervangen door bouwers

Dit is het deel van Mario's proefschrift waar ik al maanden zelfstandig op ben beland, en toen ik hem het helder hoorde verwoorden, was het een van die 'oké, dit is echt'-momenten.

De weddenschap: de meeste consumentenapps zoals we die kennen zijn op de middellange termijn dood. Niet omdat mensen hun functionaliteit niet meer willen – dieettrackers, fitnesslogboeken, interne CRM’s, onkostensplitters – maar omdat de persoonlijke agentlaag die functionaliteit op aanvraag kan bouwen, aangepast aan de individuele gebruiker, in een sessie die minuten in plaats van maanden duurt.

In 2029 download je geen dieettracker-app. Je zegt tegen je agent: "Ik wil macro's bijhouden, dit is waar ik om geef, bouw iets voor me." Het zal een kleine app in de steigers zetten, deze ergens hosten, je een URL of een widget geven, en het geheel zal onzichtbaar zijn. De "app"-abstractie zal samenvallen in de agent-abstractie.

Ik noem dat omdat het ontwerp van PI – minimaal, controleerbaar, eigenzinnig – veel dichter bij de vorm van de runtime van de persoonlijke agent ligt dan de vorm van het bedrijfsproduct van Claude Code. Mario bouwt openlijk toe naar een wereld waarin niet-technische gebruikers interne tools met elkaar verbinden met PI onder de motorkap. De groei van OpenClaw – het snelst groeiende GitHub-project in de softwaregeschiedenis, 250.000 sterren in drie maanden – vindt plaats na de juiste weddenschap.

Claude Code kan daar komen. Het is momenteel geoptimaliseerd voor een ander publiek.

Wat dit betekent voor kenniswerk – en voor junioren

Het Jevons-paradoxargument komt harder aan in de wereld van codeeragenten dan waar dan ook.

De basisvorm: wanneer een hulpbron goedkoper wordt, gaat het totale verbruik van die hulpbron omhoog, niet omlaag. Goedkopere productie betekent niet minder vraag naar de output – het betekent meer vraag. AI-agents maken code grofweg een orde van grootte goedkoper om te produceren. De hoeveelheid code die wordt geproduceerd, zal toenemen en niet krimpen. Het totale aantal werkende ontwikkelaars zal over een periode van vijf jaar waarschijnlijk groeien, en niet krimpen. Dat is de lezing van Jevons, en ik denk dat deze in grote lijnen juist is.

Maar de distributierealiteit is pijnlijker dan de totale realiteit.

Twee specifieke groepen worden hard onder druk gezet, en Mario heeft beide genoemd. Oudere ontwikkelaars die niet kunnen of willen leren agenten aan te sturen, zullen merkbaar minder productief worden dan leeftijdsgenoten die dat wel doen. Ze zullen hun baan niet massaal verliezen, maar ze zullen wel terrein verliezen op het gebied van snelheid, en snelheid is wat de stijgingen en titels in 2026 zal bepalen. Junioren komen onder druk te staan ​​omdat de stapel senior-plus-agenten nu ruwweg drie junior-aanwervingen verdringt. Niet omdat de junioren slecht zijn – omdat de hefboomcurve is veranderd.

Als je een junior ontwikkelaar bent die dit leest, is het enige eerlijke advies dat ik heb: word de persoon die de agentenstack sneller en slimmer beheert dan je senioren. Dat is een vaardigheidsplafond dat elke zes maanden opnieuw wordt ingesteld, en op dit moment heeft niemand daar meer dan twee jaar ervaring mee. Het verschil in anciënniteit is kleiner dan het lijkt. Het raam zal niet eeuwig open blijven.

Als u een senior bent die dit leest, geldt het analoge advies: word niet de oudere werknemer die weigerde de stapel te adopteren. De transitie is niet optioneel, en de mensen die als eerste verhuizen zullen twee keer zo productief zijn als de mensen die op de middenlijn verhuizen, gedurende tenminste de komende drie jaar.

De LLM-limiet die Mario goed had (en waarom topexpertise er nog steeds toe doet)

Een van de scherpere beweringen in Mario's interview was dat LLM's interpoleren, maar niet extrapoleren. Ze zijn erg goed in het opnieuw combineren en verfijnen van ideeën die veelvuldig voorkomen in hun trainingsgegevens. Ze zijn slecht in het bedenken van ideeën die in de zeer dunne staarten leven – de top 0,01 procent van de menselijke expertise die werkelijk ondervertegenwoordigd is in welk corpus dan ook.

Dat is geen slogan. Het is een nuttige operationele regel.

Wanneer ik met Claude Code of PI rijd voor een probleem, behaal ik de beste resultaten als ik de agent behandel als een raffinagemotor en niet als een originele motor. Ik breng de architectuur. Ik breng de beperkingen. Ik breng de "dit is het eigenlijke moeilijke deel"-frame mee. De agent vult de implementatie in, valideert de randgevallen, vangt de standaardfouten op en stelt de varianten voor waar ik nog niet aan had gedacht. Wanneer ik de agent op architectonisch niveau laat ontstaan, is de uitvoer competent en vergeetbaar - interpolatie tegen de mediaan van elke CRUD-app op GitHub.

Dit is ook de reden waarom ik denk dat "vibe-codering senior ingenieurs zal vervangen" een verkeerde lezing van dit jaar is. De senioren die het architectonische model in hun hoofd kunnen houden en de agent als vermenigvuldiger kunnen gebruiken, zijn waardevoller dan een jaar geleden, niet minder. De senior die de agent als typiste behandelt, wordt vervangen door iemand van twintig jaar jonger die hem als collaborateur behandelt. Mario's interview omschrijft dit als architectuur-over-syntaxis: het syntaxisprobleem is opgelost, het architectuurprobleem ligt wijd open en de agent is een krachtvermenigvuldiger aan welke kant van die lijn je ook opereert.

Elke keer dat ik een sessie open, zit ik met dat kader. Het is het nuttigste mentale model dat ik heb voor het codeerwerk voor 2026.

Mijn werkelijke workflow: vier parallelle sessies, strikte sjablonen, handmatige refactor-poorten

Mario beschreef het runnen van maximaal vier parallelle PI-sessies, met strikte promptsjablonen, GitHub-probleem- en PR-analyse, en handmatige interventie voor elke niet-triviale refactor. Mijn workflow is grotendeels per ongeluk op iets dichtbij gekomen.

Er lopen drie of vier agentsessies parallel: meestal twee Claude Code, één PI en af ​​en toe een vierde met een model met open gewicht door een dun harnas. Elke sessie heeft één strak omschreven doelstelling. Ik laat geen enkele sessie wildgroei. Op het moment dat een sessie begint af te dwalen, sluit ik deze, destilleer het geleerde in een nieuwe prompt en start een nieuwe. Context is heilig. Drift is de vijand.

Strenge promptsjablonen voor de terugkerende taakvormen: probleemtriage, PR-beoordeling, refactorplanning, het genereren van tests. De sjablonen worden in een privéopslagplaats beheerd en bijgewerkt als er iets kapot gaat. Ik freestyle de prompt niet voor taken die ik wekelijks uitvoer. De kosten van inconsistentie zijn te hoog.

Handmatige poorten bij elke architectonische verandering. De agent doet een voorstel, ik gooi weg. Ik laat een agent een functie autonoom herschrijven. Ik laat het een module niet herstructureren zonder dat ik de diff regel voor regel lees. Mario's 'architectuur boven syntaxis'-regel is hier het operationele principe.

GitHub issue- en PR-analyse als primaire intake. Het model is goed in het lezen van een probleemthread, de gekoppelde code en de bijbehorende PR's, en het stellen van een echte diagnose. Het is slecht om te beslissen wat er vervolgens gebouwd moet worden. Dat deel doe ik. De agent doet het onderzoek.

Als je een diepere versie van deze workflow wilt: ik heb eerder geschreven over agentcontextdiscipline en de parallelle sessiearchitectuur, en de regels zijn niet veel veranderd. Wat is veranderd, is de toolset waarop ik ze uitvoer. Het minimalisme van PI maakt een deel van de discipline eenvoudiger: er is minder harnas om tegen te vechten. De functiedichtheid van Claude Code maakt sommige taken sneller en sommige sessies kwetsbaarder. Weten wat wat is, is het grootste deel van de vaardigheid.

Waar ik de rest van 2026 naar kijk

Een paar dingen houd ik specifiek bij, omdat ik denk dat ze bepalen of de PI-scriptie goed veroudert of niet.

Of Anthropic transparantie rond het harnas verzendt, verandert de manier waarop ze het zijn gaan verzenden rond modelwijzigingen. De postmortem van april was een goede eerste stap. Het is nog geen discipline. Als de volgende regressie nog eens zes weken duurt voordat er erkenning komt, groeit de vertrouwenskloof met het ‘minimal-harness’-kamp.

Of Kimi K2.6 en DeepSeek V4 hun coderingsbenchmark-pariteit gedurende de volgende twee modelcycli behouden, of dat de closed-source-laboratoria de kloof heropenen. Ik lees dat de kloof klein blijft, maar de komende zes maanden zullen het leren.

Of het 250.000 sterren tellende traject van OpenClaw nu uitmondt in feitelijk productgebruik op schaal, of dat het een curiosum blijft. Sterren zijn ijdelheid. Dagelijks actieve ontwikkelaars die PI op echt werk draaien, zijn de maatstaf die er toe doet.

Of de persoonlijke agentlaag in consumentenproducten verschijnt op een manier die de gemiddelde gebruiker opmerkt. Op dit moment is het een builder-en-prosumer-fenomeen. Op het moment dat mijn moeder iets onder de motorkap gebruikt dat heimelijk een PI-vormige agent is, is de stelling echt.

Of de Europese regelgevingssituatie één enkele AI-startup op grenslaboratoriumschaal oplevert. Ik zou hier graag ongelijk in hebben. Ik wed er niet op.

De open lus vanaf de bovenkant, gesloten

Ik begon dit met een Claude Code-sessie die om 23:47 uur op mij afkwam, en het vermoeden dat ik dramatisch was. Dat was ik niet. Het postmortem bevestigde wat 6.852 analysesessies al hadden aangetoond. Het harnas hongerde het model uit. Het model was het probleem niet.

Ik gebruik Claude Code al maanden dagelijks en ik blijf het gebruiken. Het product is uitstekend als het werkt, het integratieverhaal is reëel, het team reageert snel en de autopsie zelf is een teken van een gezonde organisatie. Niets van dat alles is de vraag.

De vraag is of de dominante vorm van een AI-codeeragent in 2030 een beheerd ondernemingsproduct is, een minimale toolkit die je van begin tot eind beheert, of een open model onder een dun harnas dat je zelf hebt geschreven. Mario bouwde PI op basis van de weddenschap dat de tweede en derde convergeren, en dat de eerste het juiste antwoord zal blijven voor sommige bedrijven en het verkeerde antwoord voor bouwers, bureaus en de lange staart van de wereldwijde ontwikkelaarspopulatie die zich geen API-regelitem van $ 200 per maand kan veroorloven.

Ik denk dat hij gelijk heeft.

Het enige dat u vanavond kunt doen, als dit gebeurt, is PI van npm installeren, deze naar een echte codebase verwijzen die u al goed begrijpt, en een enkele sessie uitvoeren die u normaal gesproken in Claude Code zou hebben uitgevoerd. Bekijk elke toolcall. Lees elke prompt. Let op wat het contextvenster binnenkomt en wat het verlaat. Of je komt terug naar Claude Code met scherpere vragen, of je begint stilletjes beide te gebruiken, en je gevoel voor hoe een AI-codeeragent zou moeten aanvoelen, zal niet hetzelfde zijn.

Dat is het enige soort opiniestuk dat de moeite waard is om in dit deel van de cyclus te schrijven. De agenten zijn echt, de modellen zijn echt, de productiviteitswinst is reëel, en het antwoord op welke tool wint zal worden bepaald door mensen die beide met hun handen op de prompt rennen. Niet door benchmarks. Niet via Twitter. Door jou, op een dinsdagavond, met aandacht voor het contextvenster.

Ik zie je daar.

Veelgestelde vragen

Wat is de PI-codeeragent en wie heeft deze gebouwd?

PI is een minimale terminalcoderingsagent gebouwd door Mario Zechner, de ontwikkelaar achter libGDX, en eind 2025 gelanceerd. Het wordt geleverd met precies vier tools (lezen, schrijven, bewerken, bashen) en is ontworpen om ontwikkelaars volledige controle te geven over elk token dat het contextvenster van de agent binnenkomt. PI is de drijvende kracht achter het OpenClaw-project, dat in minder dan drie maanden 250.000 GitHub-sterren heeft behaald. Zie het gedeelte OpenClaw en ontwerpfilosofie hierboven voor het volledige achtergrondverhaal.

Is PI beter dan Claude Code?

Geen van beide tools is universeel beter: ze richten zich op verschillende behoeften. PI wint op het gebied van stabiliteit, contextcontrole en kostenefficiëntie voor ontwikkelaars die het harnas willen bezitten. Claude Code wint op het gebied van functiedichtheid, integraties en beheerde productverfijning voor teams. De meeste serieuze gebruikers in 2026 gebruiken beide. Zie de side-by-side beslissingsmatrix hierboven.

Is Claude Code in 2026 daadwerkelijk erger geworden?

Ja, en Anthropic bevestigde het in een autopsie op 23 april 2026. Drie verschillende regressies troffen Claude Code gedurende zes weken: verminderde standaard redeneerinspanningen, een bug die de redeneergeschiedenis halverwege de sessie verwierp, en een systeempromptlimiet van 25 woorden. Alle drie werden uiteindelijk teruggedraaid. De klachten over het "model werden dommer" waren grotendeels reëel, maar werden veroorzaakt door veranderingen in het harnas, niet door modelgewichten.

Zijn open-weight-modellen zoals Kimi K2.6 en DeepSeek V4 klaar voor serieus codeerwerk in 2026?

Ja. Kimi K2.6, uitgebracht op 20 april 2026, komt effectief overeen met de beste gesloten modellen op het gebied van coderingsbenchmarks en is speciaal gebouwd voor het aanroepen van tools in meerdere stappen. DeepSeek V4 is concurrerend op het gebied van nauwkeurigheid in de lange context. Beide draaien onder open-weight-licenties en veranderen op betekenisvolle wijze de kostenberekening voor het dagelijkse codeerwerk. De moeilijkste 5 procent van de taken geeft nog steeds de voorkeur aan grensoverschrijdende modellen.

Wat gebeurt er met junior-ontwikkelaars als AI-codeeragenten beter worden?

Junioren worden geconfronteerd met echte druk omdat een stapel senior-plus-agenten grofweg drie junior-huurders op snelheidsgevoelig werk verdringt. De meest verdedigbare zet is om de persoon te worden die de agentenstapel sneller en slimmer beheert dan jouw senioren. Dat plafond wordt elke zes maanden opnieuw ingesteld, en het verschil in anciënniteit in agentgestuurde workflows is kleiner dan het lijkt.

Laten we samenwerken

Wilt u AI-systemen bouwen, workflows automatiseren of uw technische infrastructuur schalen? Ik help je graag.

• Fiverr (aangepaste builds en integraties): fiverr.com/s/EgxYmWD
• Portfolio: mejba.me
• Ramlit Limited (ondernemingsoplossingen): ramlit.com
• ColorPark (ontwerp en branding): colorpark.io
• xCyberSecurity (beveiligingsdiensten): xcybersecurity.io