OpenAI Codex bespaart Asana 5 jaar werk: wat leert jouw MKB?
Inhoud
Asana, bekend van de projectmanagementsoftware, deed onlangs iets dat de meeste IT-afdelingen als sciencefiction zouden bestempelen. Het bedrijf verving een verouderd testsysteem met OpenAI's coding-agent Codex. Werk waarvoor het engineeringteam vijf jaar had uitgetrokken, was in twee weken klaar. De rekening: ongeveer 12.000 dollar.
Dat is geen prijzengekte uit een persbericht, al kwam het verhaal wel van OpenAI zelf als klantcase. Maar de kern klopt met wat we ook bij Marketing Maatwerk steeds vaker zien: AI-agents die code schrijven, testen en opleveren zijn de afgelopen jaren volwassen geworden. Niet perfect, niet magisch, maar wel bruikbaar voor afgebakende technische klussen.
De vraag die ertoe doet voor jou als ondernemer: heb jij ook zo'n project dat al jaren blijft liggen omdat er nooit tijd voor is? In dit artikel leggen we uit wat er bij Asana gebeurde, waarom het geen fabeltje is, en wat je er praktisch mee kan in je eigen bedrijf.
Elke dag AI begrijpen, zonder de hype?
Ontvang de gratis MKB AI Quickstart-gids en mijn nuchtere AI-updates. Uitschrijven met 1 klik.
Wat deed Asana precies met Codex
Asana's engineeringteam had al langer te maken met een verouderd, broos testsysteem dat elke release vertraagde. Dit soort fundamentele infrastructuur vervangen is precies het type project dat steeds opnieuw wordt uitgesteld, want er is altijd iets urgenters. Vandaar de inschatting van vijf jaar bij normale teamcapaciteit.
In plaats daarvan zette Asana Codex zelfstandig aan het werk op deze klus. Het resultaat: een werkend, modern testsysteem, opgeleverd in twee weken, voor ongeveer 12.000 dollar aan rekenkracht. Een fractie van wat jarenlange salariskosten voor hetzelfde werk hadden gekost.
Is dit hype of houdt het stand
Diezelfde week publiceerde MIT Technology Review een kritisch stuk over de grootste belofte van de AI-industrie: dat AI zichzelf binnenkort verbetert met nauwelijks menselijk toezicht, ook wel recursive self-improvement genoemd. De strekking: dat gaat minder snel dan de meeste boosters beweren. Het Asana-resultaat past daar juist bij. Het is geen zelflerend systeem dat op eigen houtje doorrent, maar goed begeleid werk op een scherp afgebakende opdracht.
Tegelijk is de financiële realiteit niet te negeren. Anthropic zag zijn omzet op jaarbasis oplopen tot 65 miljard dollar, waarvan 18 miljard erbij kwam in slechts twee maanden tijd. Zowel OpenAI als Anthropic groeien dus niet op basis van demo's, maar omdat bedrijven echt betalen voor resultaten die werken.
Wat dit voor jouw MKB betekent
De meeste MKB-bedrijven hebben geen vijf jaar aan engineeringachterstand, maar bijna elk bedrijf heeft een vergelijkbaar equivalent: een verouderde Excel-administratie, een onderhouden WordPress-plugin die niemand meer durft aan te raken, een halfafgeronde CRM-migratie, of een handmatig proces dat elke week een dag van iemand opslokt. Het patroon van Asana generaliseert: geef een AI-agent een nauw afgebakende technische taak met een duidelijk succescriterium, en het kan in dagen doen wat anders jarenlang op de plank blijft liggen.
Vertaald naar de Nederlandse MKB-realiteit: een verouderde koppeling tussen twee systemen herbouwen, een dataset opschonen, of een legacy-plugin vervangen kost een externe developer al snel maanden. Met de juiste begeleiding en een AI-agent kan datzelfde werk in dagen tot weken, voor een fractie van de kosten.
Waar moet je op letten voordat je dit zelf probeert
Een AI-agent die zelfstandig code aanpast, heeft meer toegang nodig dan een chatbot die alleen tekst teruggeeft. Zodra die agent persoonsgegevens van klanten verwerkt of eraan raakt, geldt gewoon de AVG. En voor risicovollere toepassingen stelt de EU-AI-Act aanvullende eisen. Snelheid is geen vrijbrief om die verplichtingen te laten vallen.
Praktisch betekent dit: laat een AI-agent werken in een geïsoleerde testomgeving, nooit direct in een productiesysteem. Controleer het resultaat, laat een mens meekijken, en zet pas bewust iets live. Diezelfde discipline geldt hier als bij elk stuk maatwerksoftware: eerst testen, dan pas live.
Wat dit betekent voor jou
Wat Asana liet zien is geen sciencefiction en ook geen wondermiddel. Het is een signaal dat AI-agents nu volwassen genoeg zijn om afgebakende technische klussen substantieel sneller en goedkoper te doen dan een menselijk team alleen. Voor de Nederlandse MKB-realiteit betekent dat vooral één ding: dat project dat al twee jaar op de plank ligt omdat er 'geen tijd' voor is, verdient een nieuwe blik. Niet omdat AI het overneemt, maar omdat de kosten en doorlooptijd van een pilot ineens een stuk lager liggen. Begin klein, hou de controle, en laat je niet gek maken door koppen als vijf jaar in twee weken: het werkt, maar alleen met een scherp afgebakende opdracht en iemand die het resultaat controleert.
Werkt deze AI-ontwikkeling door in jouw bedrijf? een korte sparring boeken.
Wat is OpenAI Codex?
Codex is de AI-coding-agent van OpenAI. In tegenstelling tot een chatbot die alleen tekst teruggeeft, kan Codex zelfstandig bestanden aanpassen, code schrijven, tests draaien en herhalen tot een taak werkt. Het is vergelijkbaar met wat Anthropic doet met Claude Code.
Hoe deed Asana een project van vijf jaar in twee weken?
Asana zette Codex in om een verouderd testsysteem te vervangen, een afgebakende technische klus met een duidelijk eindresultaat. Doordat de AI-agent zelfstandig kon programmeren, testen en corrigeren, viel het werk dat normaal jaren aan capaciteit kost binnen twee weken te doen, voor ongeveer 12.000 dollar aan rekenkracht.
Kan een AI-agent zoals Codex ook voor mijn MKB werken?
Ja, mits je de taak net zo scherp afbakent als Asana deed. Denk aan het opschonen van een dataset, het vervangen van een verouderde koppeling of het herbouwen van een oude plugin. Hoe vager de opdracht, hoe minder goed dit werkt.
Betekent dit dat AI zichzelf steeds sneller gaat verbeteren?
Niet per se. Onderzoekers van MIT Technology Review wijzen erop dat de belofte van recursive self-improvement, AI die zichzelf zonder toezicht verbetert, minder snel gaat dan de industrie beweert. Het Asana-resultaat is vooral goed uitgevoerd, begeleid werk, geen zelflerend systeem dat op eigen houtje verder rent.
Is 12.000 dollar realistisch voor een klein bedrijf?
Het bedrag zelf is minder belangrijk dan de verhouding: een fractie van wat een vergelijkbaar project aan mensuren zou kosten. Voor een MKB-project op kleinere schaal geldt dezelfde logica, alleen met een navenant lager bedrag.
Wat zijn de risico's van AI-agents die zelfstandig code aanpassen?
Ze hebben meer toegang nodig dan een gewone chatbot, en dat vergroot het aanvalsoppervlak. Microsoft Copilot bleek recent kwetsbaar voor een verborgen commando waarmee aanvallers wachtwoorden konden buitmaken. Werk daarom altijd in een geïsoleerde omgeving en controleer het resultaat voor je het live zet.
Waar moet ik aan denken rond de AVG als ik AI-agents inzet?
Zodra een AI-agent persoonsgegevens van klanten verwerkt of eraan raakt, geldt gewoon de AVG. Zorg voor een duidelijke rechtsgrond, beperk toegang tot wat nodig is, en documenteer wat de agent wel en niet mag doen. De EU-AI-Act stelt daarnaast aanvullende eisen aan risicovollere toepassingen.
Grip op AI, zonder de hype
Ontvang de gratis MKB AI Quickstart-gids plus mijn nuchtere AI-updates. Uitschrijven kan altijd met 1 klik.