Agentic engineering is de vakdiscipline waarin AI-agents het programmeerwerk doen, terwijl jij als engineer de specificaties, tests en kwaliteitsbewaking levert. Andrej Karpathy, mede-oprichter van OpenAI en oud-AI-directeur van Tesla, maakte de term groot. Sinds 19 mei 2026 werkt hij bij Anthropic aan pretraining (Bron: TechCrunch). In maart 2026 zei hij in de podcast No Priors dat hij sinds december 2025 “waarschijnlijk geen regel code meer heeft getypt” en dat hij zijn agents zo’n 16 uur per dag aanstuurt (Bron: Fortune).
Dat klinkt als techbravoure. Maar in een gesprek op Sequoia AI Ascent 2026 (samenvatting op zijn blog van 30 april) legde Karpathy uit waarom de manier waarop software gemaakt wordt fundamenteel verandert. Hij kon zich naar eigen zeggen niet meer herinneren wanneer hij het model voor het laatst had moeten corrigeren (Bron: Karpathy). Wie in technologie werkt, doet er goed aan te begrijpen wat er precies verandert en waarom.
Update 25 september 2026 Aangevuld dat Karpathy sinds 19 mei 2026 bij Anthropic werkt, aan pretraining-onderzoek (bron: TechCrunch). Gecorrigeerd: de uitspraken over geen code meer typen en 16 uur per dag agents aansturen komen uit de podcast No Priors van maart 2026, niet van Sequoia AI Ascent. De term “expressive coding” is geschrapt omdat die niet in Karpathy’s betoog voorkomt, en de beschrijving van vibe coding versus agentic engineering volgt nu zijn eigen formulering.
Software 1.0, 2.0 en nu 3.0
Karpathy gebruikt drie etiketten die helpen om het te plaatsen.
Software 1.0 was code die mensen schreven — regels Python, Java, C++. De programmeur dacht na, vertaalde die gedachte in syntax, en de machine voerde het uit.
Software 2.0 waren neurale netwerken die je trainde met data in plaats van dat je ze expliciet programmeerde. De logica verhuisde van regels code naar gewichten.
Software 3.0 is software die je instrueert via taal. Context, agents, tools, geheugen en verificatie zijn de bouwstenen. Je beschrijft het doel; het systeem bereikt het.
Beginner-tip Programmeren verdwijnt hiermee niet. De vaardigheid verschuift van “syntaxis kennen” naar “systemen begrijpen en aansturen”. Karpathy’s voorbeeld: een agent onthoudt prima welke parameter een bibliotheek verwacht, maar de mens moet nog steeds snappen hoe geheugen, beveiliging en de opbouw van het systeem werken.
Het kantelpunt: december 2025
Karpathy is precies: december 2025 was het moment waarop coding agents van “nuttige autocomplete” naar “echt bruikbare software” verschoven. Daarna kon hij, in zijn woorden, niet meer onthouden wanneer hij het model voor het laatst had moeten corrigeren.
Dat is opmerkelijk, omdat het aangeeft dat de kwaliteitsdrempel van geautomatiseerd coderen de productiedrempel nadert. Agents schrijven niet alleen snippets meer — ze bouwen werkende systemen. Dat veel ontwikkelaars daar intussen dubbel in staan, beschrijft ons stuk over het virale LLM-critici-essay.
Vibe coding vs. agentic engineering: twee verschillende ambities
Karpathy maakt een onderscheid dat vaak verloren gaat in de hype.
Vibe coding is wat je doet als je met een AI een applicatie bouwt zonder diep technisch begrip. Iedereen kan het, en dat is geweldig — de instapdrempel voor software bouwen is radicaal gedaald.
Agentic engineering is wat professionele engineers doen als ze agents inzetten om complexe, onderhoudbare software op professionele kwaliteitsnorm te bouwen. Karpathy noemt het “de professionele discipline van het coördineren van feilbare agents”, waarbij correctheid, veiligheid, smaak en onderhoudbaarheid overeind blijven (Bron: Karpathy). Vibe coding verhoogt de ondergrens, agentic engineering het plafond.
Gevorderden Het praktische gevolg: agentic engineering vereist dat je beter wordt in context-ontwerp, verificatie-heuristieken en architectuur — want dat is wat jij bijdraagt en de agent niet. Wie alleen beter wordt in prompt-formulering mist het grotere plaatje.
Begrip als bottleneck
Het meest onderschatte punt uit Karpathy’s betoog is een zin uit een tweet die hij aanhaalt: je kunt je denkwerk uitbesteden, je begrip niet. “Begrip blijft de bottleneck, want je kunt geen goede regisseur zijn als je het niet begrijpt”, zegt hij erbij.
Je kunt een agent vragen een microservices-architectuur te bouwen. Maar als jij niet begrijpt wat een goede microservices-architectuur inhoudt — wanneer je een slechte ontwerpchoice moet afkeuren, wanneer de test-coverage onvoldoende is, wanneer de agent de verkeerde aanname maakt — dan lever je rommel op.
Karpathy verwacht dat juist begrip, smaak, het ontwerpen van evaluaties en beveiliging schaarser worden, terwijl codegeneratie en boilerplate goedkoop worden. Buiten de software zie je dezelfde verdeling: bij Arcadis nemen AI-agents het controleren en documenteren rond het ontwerp over, niet het ontwerpen zelf.
Wat dit voor jouw team betekent
Je hoeft geen Karpathy te zijn om hier praktisch mee aan de slag te gaan. Drie ankerpunten:
1. Begin met één volledig gedelegeerde taak. Niet “help me met coderen”, maar “schrijf een volledige test-suite voor deze module, inclusief edge cases, en lever een pull request”. Kijk wat de agent produceert, en oefen in het beoordelen.
2. Investeer in begrip, niet alleen in snelheid. Agentic engineering beloont mensen die diep genoeg snappen wat er moet gebeuren om het te kunnen delegeren. Syntaxis vergeet je; architecturele intuïtie niet.
3. Denk na over verificatie. Wat controleer je als agents code schrijven? Volgens Karpathy accepteert een agentic engineer gegenereerde code niet blind: hij ontwerpt specificaties, bewaakt plannen, inspecteert diffs, schrijft tests en bouwt evaluatielussen. Verificatie wordt de kerncompetentie. Precies die verschuiving zit achter de nieuwe begrippen harness en loop engineering: je bouwt de omgeving en de controles waarin de agent zelf zijn werk toetst.
Beginner-tip Je hoeft dit niet morgen te implementeren. Maar begin vandaag met oefenen: geef een AI-assistent één afgebakende taak volledig, zonder halverwege bij te sturen. Wat accepteer je, wat keur je af, en waarom? Dat oefenen is de basis van agentic engineering.