Wat is er gebeurd
Startup Fortune meldt dat uit een vooraf geregistreerd ETH Zürich-onderzoek onder 100 studenten op tertiair niveau bleek dat prestaties op het gebied van computerwetenschappen verband hielden met betere prestaties bij een praktische taak voor het coderen van vibes. De gerapporteerde correlatie was r=.39, vergeleken met r=.29 voor schrijfvaardigheid. Studenten die meldden dat ze meer dagelijks aan grote taalmodellen werden blootgesteld, presteerden slechter op de taak, hoewel uit het onderzoek niet blijkt dat AI-gebruik tot slechtere prestaties leidde.
Startup Fortune zegt dat het onderzoek vooraf was geregistreerd en dat 100 studenten op tertiair niveau tests hadden voltooid op het gebied van computerwetenschappen, algemeen redeneren, schriftelijke communicatie en hands-on vibe-codering. Het identificeert de auteurs als Sverrir Thorgeirsson, Theo B. Weidmann en Zhendong Su, en zegt dat het artikel verscheen in de Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems in Barcelona van 13 tot 17 april.
Volgens Startup Fortune correleerden prestaties op het gebied van computerwetenschappen met de prestaties op het gebied van vibe-coding bij r=.39, terwijl schrijfvaardigheid correleerde bij r=.29. Het rapport zegt dat de prestaties op het gebied van de computerwetenschappen aanzienlijk bleven na controle voor algemene cognitieve vaardigheden, en dat deze in een gezamenlijk model ongeveer twee keer zoveel unieke variantie bijdroegen als schrijfvaardigheid. Het zegt ook dat deelnemers die meer dagelijkse blootstelling aan grote taalmodellen hadden, slechter presteerden op de taak. Dit zijn gerapporteerde onderzoeksresultaten en geen onafhankelijk geverifieerde resultaten in het aangeleverde materiaal.
Het artikel zegt dat deelnemers een uitleg van 300 tot 450 woorden schreven over een technisch concept uit hun cursussen. Startup Fortune presenteert dit als bewijs dat nauwkeurige communicatie over systemen, datavormen, edge cases en faalomstandigheden belangrijk kan blijven wanneer mensen codeermodellen sturen. Het citeert ook een afzonderlijke gerandomiseerde, gecontroleerde METR-studie uit 2025, waarbij 16 ervaren open-sourceontwikkelaars en 246 taken betrokken waren, waarbij ontwikkelaars 19% meer tijd nodig hadden, ondanks dat ze een tijdsbesparing van 24% verwachtten. Die vergelijking is een gerapporteerde context, en geen nieuw resultaat uit het ETH Zürich-onderzoek.
Brongegevens: startupfortune.com ↗
Waarom het ertoe doet
De bevindingen dagen het idee uit dat bekendheid met AI-tools alleen een betrouwbaar alternatief is voor softwarefundamentals. Als de gerapporteerde relaties bij bredere tests standhouden, hebben mensen die codeeragenten gebruiken mogelijk nog steeds kennis nodig van datastructuren, systeemgedrag, randgevallen en foutmodi om de gegenereerde code te sturen, evalueren en repareren. De praktische implicatie is dat organisaties die personeel opleiden of personeel inhuren voor door AI ondersteunde ontwikkeling mogelijk eerder technisch inzicht moeten beoordelen dan de frequentie ervan te bepalen.
Het centrale onderscheid in het rapport is tussen het gebruik van een AI-coderingstool en het begrijpen van het softwareprobleem dat wordt gedelegeerd. Iemand die relevante input, verwacht gedrag en faalwijzen kan identificeren, is wellicht beter gepositioneerd om nauwkeurige instructies te schrijven en onjuiste output op te sporen. De gerapporteerde associatie bewijst niet dat computerwetenschappelijke kennis zorgt voor sterkere vibratiecoderingsprestaties, maar verzwakt wel de bewering dat gewoon AI-gebruik op zichzelf gelijkwaardige mogelijkheden creëert.
Voor oprichters, docenten en werkgevers is de praktische vraag of AI-ondersteunde ontwikkeling verandert welke vaardigheden ertoe doen. Op basis van het rapport kan het werk verschuiven van het typen van code naar het specificeren van vereisten, het beoordelen van gegenereerde implementaties en het opsporen van fouten. Dat zou fundamentele kennis op belangrijke punten in de workflow belangrijker kunnen maken, zelfs wanneer een model een groot deel van de initiële code produceert. De bron stelt niet vast hoe breed het resultaat generaliseert buiten de 100 geteste studenten.
Interactief mechanisme: hoe het eigenlijk werkt
Ontdek interactief de onderliggende technologie achter deze ontwikkeling.
Which component of an AI application is the machine-learning model itself?
Wat je nu moet bekijken
Het aangeleverde rapport bevestigt niet op onafhankelijke wijze de methoden, resultaten of publicatie van de conferentie. Verder onderzoek zou het volledige document, het taakontwerp, de selectie van deelnemers, de effectgroottes en de vraag of het resultaat repliceert bij professionele ontwikkelaars en niet-technische gebruikers, moeten onderzoeken. Het rapport biedt geen toegang tot codeertools of prijsinformatie omdat de bevinding betrekking heeft op de gebruikersmogelijkheden en niet op een nieuw product.
Het volledige onderzoek is de belangrijkste ontbrekende bron voor het evalueren van de gerapporteerde claims. Belangrijke onbekenden zijn onder meer de exacte taak voor het coderen van de vibe, de gebruikte modellen en tools, hoe de prestaties werden gescoord, de eerdere programmeerervaring van de leerlingen en of de dagelijkse blootstelling aan AI consistent werd gemeten.
Replicatie zou van belang zijn omdat de steekproef bestond uit studenten op tertiair niveau en niet uit een bewezen dwarsdoorsnede van professionele ontwikkelaars, oprichters of niet-technische gebruikers. Toekomstige studies zouden kunnen testen of dezelfde relaties voorkomen tussen verschillende tools, programmeertaken en niveaus van domeinexpertise.
Het aangehaalde METR-resultaat van Startup Fortune is relevant als waarschuwing over de productiviteitsverwachtingen, maar het betreft ervaren ontwikkelaars die in bekende repositories werken en mag niet worden behandeld als directe bevestiging van het resultaat van ETH Zürich. Er worden geen toegangsvoorwaarden of prijzen gerapporteerd omdat geen van beide onderzoeken een product introduceert.