Bouwen met AI in Mendix: Daryna's ervaringen tijdens de AI-enabled ontwikkeling van EmergoQuest

Wat gebeurt er als een AI-assistent niet alleen meedenkt over een Mendix-app, maar ook rechtstreeks het model kan lezen en aanpassen?

Tijdens de ontwikkeling van EmergoQuest, een quiz-app voor het 25-jarig jubileum van E-mergo, experimenteerde onze collega Daryna met Claude Code en mxcli. Ze ontdekte waar AI het ontwikkelproces kan versnellen, maar ook waarom een geslaagde technische controle nog niet betekent dat alles werkt zoals bedoeld. In dit artikel deelt ze haar ervaringen en belangrijkste inzichten.

Wat gebeurt er als een AI-assistent niet alleen advies geeft over je Mendix-app, maar ook zelfstandig het model kan onderzoeken en aanpassen? Die vraag kon ik in de praktijk testen tijdens de ontwikkeling van EmergoQuest, een breed inzetbare quiz-app die ik bouwde voor het 25-jarig jubileum van E-mergo.

Voor dit project combineerde ik Mendix Studio Pro met Claude Code en mxcli. Dankzij mxcli kon de AI-agent het Mendix-model onderzoeken en wijzigingen voorbereiden en uitvoeren. Zelf bepaalde ik de richting, nam ik de beslissingen en controleerde ik het resultaat.

Dat versnelde de ontwikkeling aanzienlijk, maar leverde ook een belangrijke les op: “Check passed” betekent nog niet dat alles werkt.

AI inzetten als assistent en sparringpartner tijdens development is inmiddels niet nieuw meer. Met mxcli ging ik een stap verder: de agent kon het bestaande Mendix-model zelf onderzoeken en er rechtstreeks wijzigingen in aanbrengen.

Mijn workflow bestond daarbij uit drie stappen: check → execute → verify.

Eerst controleerde ik wat er precies zou veranderen, vervolgens werd de wijziging uitgevoerd en daarna verifieerde ik of het resultaat daadwerkelijk klopte.

Tijdens het project ontstonden op die manier meer dan zestig scripts voor modelwijzigingen, controles, vertalingen en documentatie.

De grootste winst van AI merkte ik bij repetitief werk.

EmergoQuest bevat verschillende soorten quizvragen, thema’s, badges, scores en een beheeromgeving. Veel terugkerende wijzigingen, controles, vertalingen en documentatiewerkzaamheden kon ik aan de AI-agent overlaten.

Daardoor hield ik meer tijd over voor complexere microflows, het uitdenken van de logica, het maken van keuzes tijdens de ontwikkeling en de creatieve kant van de applicatie.

Niet minder nadenken dus, maar juist meer ruimte om aandacht te besteden aan de onderdelen waar mijn kennis en ervaring als developer het verschil maken.

Een van de interessantste momenten ontstond toen ik de agent vroeg om het model na zijn wijzigingen volledig te controleren.

Tijdens die controle ontdekte de agent een probleem met een association rondom de scores van spelers: de ownership stond verkeerd ingesteld.

Een kleine instelling met grote gevolgen. Spelers konden hierdoor als het ware elkaars score ‘afpakken’. De agent gaf zelf aan dat de eerdere wijziging niet correct was uitgevoerd en stelde mogelijke oplossingen voor.

De AI had dus eerst geholpen om een deel van het model te bouwen en ontdekte vervolgens tijdens de controle van zijn eigen werk dat daar een fout in zat.

Opvallend genoeg verscheen later bij nieuwe associations een vergelijkbaar probleem. Dat maakte duidelijk dat AI prima in staat is om zijn eigen werk te controleren en belangrijke fouten te ontdekken, maar dat dit niet garandeert dat dezelfde fout in de toekomst wordt voorkomen.

Daarom probeerde ik dit soort ontdekkingen zoveel mogelijk te vertalen naar expliciete regels en aanvullende controles.

Niet alles is te beoordelen door alleen het model technisch te controleren. Sommige problemen werden pas zichtbaar toen ik de applicatie daadwerkelijk gebruikte.

Een onderdeel kon technisch correct zijn opgebouwd, terwijl het gedrag in de app toch niet overeenkwam met wat ik voor ogen had. Daarom bleef het testen van de applicatie in Studio Pro een vast onderdeel van mijn workflow.

Een groene check betekent immers dat een specifieke technische controle is geslaagd. Niet dat de applicatie automatisch doet wat je ervan verwacht.

Security en andere gevoelige onderdelen hield ik bewust zelf in handen. Ook de belangrijkste wijzigingen in microflows voerde ik handmatig door.

Daarnaast hield ik een PROJECT_STATE-document bij, waarin belangrijke beslissingen, bestaande onderdelen en bewust geaccepteerde risico’s werden vastgelegd. In CLAUDE.md stonden de regels en afspraken waar de agent zich aan moest houden.

Want hoe meer een AI-agent zelfstandig kan uitvoeren, hoe belangrijker het wordt om duidelijke kaders en grenzen te stellen.

In het begin was ik vooral benieuwd hoeveel sneller ik met AI zou kunnen ontwikkelen.

Na dit project vind ik een andere vraag eigenlijk veel interessanter: welk werk kan ik aan AI overlaten, zodat ik me kan richten op de onderdelen waar mijn ervaring en keuzes als developer echt belangrijk zijn?

AI kan het model onderzoeken, wijzigingen voorbereiden, controles uitvoeren, documentatie bijhouden en helpen om risico’s in kaart te brengen.

Maar uiteindelijk blijft het de developer die de context begrijpt, beslissingen neemt en beoordeelt of het resultaat in de praktijk ook daadwerkelijk werkt.

EmergoQuest begon als een quiz voor het jubileum van E-mergo. Voor mij werd het tegelijkertijd een waardevolle ervaring met een andere manier van Mendix-development, waarin AI niet alleen adviseert, maar ook actief bijdraagt aan het ontwikkelproces.

Wil je ook een use case realiseren met behulp van AI in Mendix? Bij E-mergo helpen we je graag om de mogelijkheden van AI-enabled development te ontdekken en toe te passen. Daarbij combineren we onze praktijkervaring met AI en onze kennis van Mendix om samen tot slimme, werkbare oplossingen te komen.

Benieuwd wat AI voor jouw Mendix-project kan betekenen? Neem gerust contact met ons op.