Wie weleens met een internationaal team van softwareontwikkelaars heeft gewerkt, kent de klassieke spraakverwarring waarbij de vaart erin moet tijdens een sprint. Een kreet naar de hoofdontwikkelaar in India om snel te handelen, betekent voor een nuchtere Nederlander simpelweg het tempo hoog houden (keep the momentum going) met behoud van de architectonische standaarden. In Mumbai activeert het woord snel echter een heel ander cultureel script dat bekendstaat als Jugaad (de Indiase kunst van het snelle, geïmproviseerde repareren). De randjes mogen eraf gelopen worden, zolang het eindresultaat die middag maar werkt. Voor je het weet is de strakke broncode veranderd in een lappendeken van haastige noodverbanden. De miscommunicatie zat destijds niet in de Engelse woorden, maar in de culturele broncode in de hoofden van de programmeurs. De enige oplossing was stoppen met vertalen en echt in het Engels gaan denken.
Vandaag de dag staat er een nieuwe en talentvolle ontwikkelaar op de loonlijst in de vorm van de LLM. En wat blijkt nu de praktijk vordert in 2026? De AI-agent codeert soms exact als die gestresste ontwikkelaar uit Mumbai omdat er een dubbele vertaalslag achter de schermen plaatsvindt. Het probleem met grote taalmodellen is dat ze fundamenteel denken in conceptuele Engelse tokens (de kleinste taaleenheden die een computer begrijpt), diep geworteld in een Amerikaanse context. Als een gebruiker in het Nederlands een opdracht typt, dwingt dat het model tot een dubbele vertaalslag achter de schermen. In die transitie ontstaat exact dezelfde ruis als destijds aan de overlegtafel met India.
Neem een hypothetisch voorbeeld ter illustratie met een scenario dat elke e-commerce specialist wel eens herkent. Je wilt een JSON-productfeed op een creatieve manier ombuigen om snel data te extraheren voor een alternatief marketingdoel. De informele opdracht om een script te schrijven dat misbruik maakt (taking advantage of) van die specifieke datastroom om de gegevens slimmer binnen te trekken, is voor Nederlandse marketeer volstrekt helder. De bedoeling is dat de datastroom anders wordt gebruikt dan de oorspronkelijke intentie was door de situatie simpelweg slim uit te buiten.
De AI-agent kent die nuchtere, omschrijvende Nederlandse nuance echter niet. Het model vertaalt misbruik intern direct naar het zware en moreel geladen Engelse begrip voor kwaadwillige uitbuiting (abuse of power of malicious exploitation). Het resultaat is dat het model in een defensieve kramp schiet. In plaats van een slimme en flexibele omweg te coderen om die data efficiënt binnen te halen, weigert AI plotseling de opdracht wegens de ingebouwde veiligheidsrichtlijnen. In andere gevallen genereert de software een loodzwaar en overbeveiligd script dat rekening houdt met fictieve cyberaanvallen. De gebruiker krijgt zo een rigide en overgecompliceerde oplossing voor een probleem dat helemaal niet bestaat.
Zolang professionals digitale modellen in het Nederlands aansturen, blijven de systemen opereren met een Amerikaanse vergrotende trap en een gebrekkige vertaalmachine in hun achterhoofd. De modellen missen de subtiele plooien van de taal en schieten bij nuchtere opmerkingen direct in de hyperbool. De winst zit niet in het zoeken naar betere Nederlandse synoniemen, maar in het upgraden van de eigen interface (de manier waarop mens en machine met elkaar communiceren). Om ervoor te zorgen dat een digitale assistent bouwt als een architect en niet als een paniekerige codeklopper, moet de vertaalruis verdwijnen. Dat betekent stoppen met het voeren van een Nederlandse context en direct prompten vanuit het conceptuele Engelse denkkader. Door direct de Engelse instructie te typen om een werkwijze te maken die de datastroom een ander doel geeft, snapt het model direct de architectonische intentie. Zo blijft het momentum erin, zonder dat de randjes van de code eraf gelopen worden.