Hoe AI-codeertools de markt juist vernauwen tot één programmeertaal

Sophie Jansen · 2026-08-21

Het was een opvallende verschuiving die niemand echt had zien aankomen. In augustus 2025 werd TypeScript de meest gebruikte taal op GitHub. Dat was de grootste verandering in de taalranglijsten van GitHub in tien jaar tijd, en het gebeurde precies tijdens de periode waarin AI-codeeragents het snelst werden geadopteerd. Je zou denken dat AI-tools de keuze voor een programmeertaal minder belangrijk zouden maken. Het idee was dat organisaties 'stack agnostisch' zouden worden. Ze zouden hun tech-stack puur kiezen op basis van het bedrijfsprobleem, zonder zich druk te maken over het beschikbare ontwikkelaarstalent. Maar wat gebeurde er in werkelijkheid? Slechts twee jaar na de wijdverspreide adoptie van AI-codeertools lijkt de markt juist beperkter geworden. Er is een snelle vernauwing van beschikbare programmeertalen, en bijna alle aandacht gaat naar één enkele taalfamilie. ### De cijfers vertellen een duidelijk verhaal GitHub's October 2025 Octoverse rapport telde TypeScript-bijdragers. Met 2,64 miljoen maandelijkse bijdragers was dat een stijging van 66% ten opzichte van het jaar ervoor. In 2025 alleen al schreven meer dan een miljoen ontwikkelaars voor het eerst TypeScript-code op GitHub. Dit is extra opmerkelijk omdat JavaScript al jaren een dominante positie heeft. Een Stack Overflow-onderzoek uit 2025 onder bijna 49.000 ontwikkelaars liet zien dat 66% JavaScript gebruikte. Sinds 2011 domineert JavaScript deze positie bijna elk jaar. Conclusie: de JavaScript-familie is zowel de meest gebruikte als de snelst groeiende op GitHub. Nu moet ik wel een kleine kanttekening plaatsen bij GitHub's telmethode. Activiteit op GitHub tellen is activiteit op hun eigen platform tellen, wat een belangenconflict kan vormen. Ook hebben modetrends invloed op wat er in publieke repositories wordt geplaatst. Toch komen deze indicatoren overeen met andere onderzoeken, wat logisch is gezien de omvang van deze trend. ### AI-modellen schrijven het best wat ze het meest hebben gezien Hoe werkt dit eigenlijk? Het principe is vrij eenvoudig. Modellen leren van gepubliceerde code, en de meeste gepubliceerde code is geschreven in JavaScript en TypeScript. Sterker nog, veel code draait om React. Dit creëert een aanzienlijk verschil in output die ontwikkelaars binnen een dag kunnen zien als ze van stack veranderen. Vraag een codeeragent om een getypte React-component te genereren en de output compileert meestal, voldoet aan de standaarden van de codebase en vereist minimale aanpassingen. Vraag je hetzelfde agent om code te genereren voor Svelte, Solid of een minder populair backend-framework, dan is de output vaak dunner. Je ziet meer verzonnen API's en de scaffolding heeft meer correcties nodig voordat het uitvoerbaar is. ### Dit verandert hoe teams hun tech-stack kiezen Het is niet langer alleen een kwestie van welk framework het meest efficiënt of makkelijkst is om mee te werken. Nu gaat het om welk framework het meest compatibel is met de tools van het team, omdat het productiviteitsverschil in bruikbare AI-output zich opstapelt tijdens een langere bouwcyclus. En wanneer dat team output produceert, wordt die gepubliceerd, gescraped en opgenomen in volgende trainingsrondes. Wat dat doet? Het vergroot het productiviteitsverschil alleen maar verder. Dit zegt overigens niets over de technische kwaliteit. Solid en Svelte zijn uitstekende frameworks, en verschillende modernere frameworks overtreffen React op rauwe snelheid. De markt beloonde simpelweg de keuze die de modellen al kenden. ### De paradox: Python bouwt, JavaScript levert Een terechte tegenwerping is dat AI-ontwikkeling vooral in Python gebeurt. Modeltraining, evaluatie en de meeste onderzoeks-tooling draaien op Python, en dat is niet veranderd. Maar heel weinig van wat de klant ziet of gebruikt, is geschreven in Python. De front-end van een AI-product is eigenlijk een venster dat tokens streamt. Het heeft ook knoppen nodig om tools uit te voeren, een goedkeuringsstap voor risicovolle acties en uitleg over wat het systeem deed en waarom. En dat alles? Meestal gebouwd met JavaScript-frameworks. Het is een interessante paradox die laat zien hoe AI-tools onbedoeld kunnen leiden tot meer homogenisering in plaats van diversificatie. Wat begon als een tool die keuzevrijheid zou vergroten, blijkt in de praktijk juist te leiden tot concentratie. Zoals een collega-ontwikkelaar het recent zei: *'We kiezen niet meer wat technisch het beste is, maar wat onze AI-assistent het beste begrijpt.'* En dat heeft gevolgen voor hoe we over programmeertalen denken: - De leercurve wordt minder belangrijk dan de AI-compatibiliteit - Niche-talen krijgen het moeilijker om voet aan de grond te houden - De feedbackloop tussen AI-output en training versterkt bestaande trends De vraag is niet of dit goed of slecht is, maar wel of we ons bewust zijn van deze dynamiek wanneer we bouwkeuzes maken. Want soms kan de meest logische keuze op de korte termijn, op de lange termijn juist beperkend werken.