Dat vertrouwen stort in zodra de code naar productie gaat. Het rapport onthult een "structurele disconnectie" — een directe tegenstelling tussen hoe code wordt beoordeeld tijdens een review en hoe deze zich daadwerkelijk gedraagt onder reële productieomstandigheden .

• 81% van de enterprise-technologieleiders rapporteert een directe toename van productie-incidenten gekoppeld aan AI-gegenereerde code .
• 78% van de respondenten meldt meer incidenten in het algemeen .
• 86% rapporteert een toename in de tijd die senior medewerkers besteden aan het repareren van die code .
• 74% zegt dat ten minste 25% van de AI-gegenereerde code na uitrol herbewerking nodig heeft .

Dit patroon heeft een naam die het rapport in de schijnwerpers zet: "vibe coding" — de praktijk van code genereren en verzenden op basis van vertrouwen — is mainstream geworden, en on-geverifieerd vertrouwen veroorzaakt een productiecrisis .

Meer dan New Relic: Een groeiend sectorbreed probleem

New Relic is niet de enige die aan de alarmbel trekt. Andere sectorrapporten uit 2026 schetsen hetzelfde beeld:

• Lightrun's 2026 State of AI-Powered Engineering Report ontdekte dat 43% van de AI-gegenereerde codewijzigingen handmatige debugging in productie vereist, zelfs nadat ze QA- en staging-tests hebben doorstaan. Geen enkele respondent zei dat ze een door AI voorgestelde fix in één herimplementatiecyclus konden verifiëren; 88% had twee tot drie cycli nodig .
• Faros AI's 2026 Engineering Report ontdekte dat bugs per ontwikkelaar met 54% zijn gestegen en de incidenten-tot-PR-ratio meer dan verdrievoudigd is. De relatie tussen AI-adoptie en productiekwaliteit verslechtert, niet stabiliseert .
• Sonar's 2026 State of Code Developer Survey ontdekte dat AI al 42% van de gecommitte code voor zijn rekening neemt, een percentage dat naar verwachting in 2027 65% zal zijn — en toch vertrouwt 96% van de ontwikkelaars AI-gegenereerde code niet volledig en verifieert slechts 48% deze altijd vóór de commit .
• CodeRabbit's analyse van 470 open-source PR's toonde aan dat door AI gegenereerde PR's gemiddeld 1,7 keer meer problemen bevatten, geconcentreerd in logische fouten, hiaten in foutafhandeling en beveiligingsbevindingen. Op het 90e percentiel hadden AI-PR's 26 problemen versus 12,3 voor menselijke PR's .

Het onderliggende probleem is niet dat AI slechte code schrijft. Het is dat het genereren 5-10 keer sneller gaat dan bij mensen, terwijl verificatie nog steeds op dezelfde snelheid draait . Code-review-pijplijnen die zijn ontworpen voor een menselijk tempo kunnen de outputvolumes van AI niet bijhouden, wat een verificatieknelpunt creëert waardoor onbetrouwbaarheid ongemerkt in productie sluipt.

Het antwoord: New Relic AI Coding Observability

Op 8 juni 2026 pakte New Relic deze disconnectie direct aan door de ontwikkeling aan te kondigen van New Relic AI Coding Observability, een open-source observability-oplossing speciaal ontworpen voor AI-ondersteunde softwareontwikkeling . De functie staat gepland voor release op 23 juni 2026 en is beschikbaar zonder extra kosten voor New Relic-klanten .

Een vendor-neutrale telemetrielaag

De architectuur is van belang. New Relic heeft AI Coding Observability bewust gebouwd op twee open standaarden: OpenTelemetry (OTel) en het Model Context Protocol (MCP) . Dit betekent dat teams niet vastzitten aan het telemetrieschema van New Relic of aan één AI-coderingsassistent. Elke assistent die MCP-compatibele telemetrie blootstelt — GitHub Copilot, Cursor, Claude Code en anderen — kan in dezelfde observability-laag worden ingevoerd . In een markt waar de dominante coding-tool van 2027 misschien niet de tool van vandaag is, is vendor-neutraliteit een praktische noodzaak.

Drie kernfunctionaliteiten

De aankondiging van New Relic schetst drie hoofdpijlers voor AI Coding Observability :

1. Zichtbaarheid — Volg hoe AI-coderingsassistenten worden gebruikt tijdens de ontwikkeling: welke tools, hoe vaak en wat ze produceren. Het doel is om gefragmenteerd, onbewaakt AI-gebruik te transformeren naar een beheerste, meetbare engineeringpraktijk.
2. Kostenbeheersing — Voorspel en beheers de uitgaven aan AI-codering met budgetwaarschuwingen. Dit pakt rechtstreeks een blinde vlek aan die wordt gerapporteerd door FinOps-teams, die routinematig ondoorzichtige maandelijkse facturen ontvangen voor het gebruik van AI-coding-tools zonder de geleverde waarde te begrijpen .
3. Governance — Houd queries en codegeneratie veilig en controleerbaar, inclusief een zero-outbound-modus die gevoelige gegevens binnen het bedrijfsnetwerk houdt .

Ontwikkeling verbinden met productie

De strategische gok is correlatie. AI Coding Observability is ontworpen om telemetrie over AI-coderingsassistenten te normaliseren en deze naadloos te correleren met bestaande productie-infrastructuur . Het idee is om een uniform overzicht te creëren waar teams een door AI gegenereerde wijziging kunnen volgen van de IDE via de uitrol naar productie — en vervolgens kunnen zien of die wijziging uren of dagen later correleert met een incidentpiek.

Waarom dit een keerpunt markeert voor engineering-leiderschap

CTO's hebben de jaren 2024-2025 besteed aan adoptie en productiviteitswinst door AI-coderingsassistenten. De gegevens van New Relic, Lightrun, Faros, Sonar en anderen maken duidelijk dat de volgende fase zich moet richten op verificatie, betrouwbaarheid en kostenverantwoording.

De 94% vertrouwensscore tijdens code-review is niet inherent onjuist — AI produceert vaak schone, leesbare, syntactisch correcte code die slaagt voor statische analyse. De faalwijze is omgevingsafhankelijk: AI-gegenereerde code presteert goed in de smalle sandbox van een pull request, maar breekt tegen de complexiteit van productiegegevens, echt gebruikersgedrag en systeeminteracties die geen enkele code-review volledig kan simuleren. Zonder observability die beide fasen omspant, beoordelen organisaties op een curve die de productie weigert te honoreren.

New Relic's AI Coding Observability vertegenwoordigt een directe poging om die cirkel te sluiten en de industrie te bewegen van "vertrouw de review" naar "verifieer in productie."

Dat vertrouwen stort in zodra de code naar productie gaat. Het rapport onthult een "structurele disconnectie" — een directe tegenstelling tussen hoe code wordt beoordeeld tijdens een review en hoe deze zich daadwerkelijk gedraagt onder reële productieomstandigheden .

• 81% van de enterprise-technologieleiders rapporteert een directe toename van productie-incidenten gekoppeld aan AI-gegenereerde code .
• 78% van de respondenten meldt meer incidenten in het algemeen .
• 86% rapporteert een toename in de tijd die senior medewerkers besteden aan het repareren van die code .
• 74% zegt dat ten minste 25% van de AI-gegenereerde code na uitrol herbewerking nodig heeft .

Dit patroon heeft een naam die het rapport in de schijnwerpers zet: "vibe coding" — de praktijk van code genereren en verzenden op basis van vertrouwen — is mainstream geworden, en on-geverifieerd vertrouwen veroorzaakt een productiecrisis .

Meer dan New Relic: Een groeiend sectorbreed probleem

New Relic is niet de enige die aan de alarmbel trekt. Andere sectorrapporten uit 2026 schetsen hetzelfde beeld:

• Lightrun's 2026 State of AI-Powered Engineering Report ontdekte dat 43% van de AI-gegenereerde codewijzigingen handmatige debugging in productie vereist, zelfs nadat ze QA- en staging-tests hebben doorstaan. Geen enkele respondent zei dat ze een door AI voorgestelde fix in één herimplementatiecyclus konden verifiëren; 88% had twee tot drie cycli nodig .
• Faros AI's 2026 Engineering Report ontdekte dat bugs per ontwikkelaar met 54% zijn gestegen en de incidenten-tot-PR-ratio meer dan verdrievoudigd is. De relatie tussen AI-adoptie en productiekwaliteit verslechtert, niet stabiliseert .
• Sonar's 2026 State of Code Developer Survey ontdekte dat AI al 42% van de gecommitte code voor zijn rekening neemt, een percentage dat naar verwachting in 2027 65% zal zijn — en toch vertrouwt 96% van de ontwikkelaars AI-gegenereerde code niet volledig en verifieert slechts 48% deze altijd vóór de commit .
• CodeRabbit's analyse van 470 open-source PR's toonde aan dat door AI gegenereerde PR's gemiddeld 1,7 keer meer problemen bevatten, geconcentreerd in logische fouten, hiaten in foutafhandeling en beveiligingsbevindingen. Op het 90e percentiel hadden AI-PR's 26 problemen versus 12,3 voor menselijke PR's .

Het onderliggende probleem is niet dat AI slechte code schrijft. Het is dat het genereren 5-10 keer sneller gaat dan bij mensen, terwijl verificatie nog steeds op dezelfde snelheid draait . Code-review-pijplijnen die zijn ontworpen voor een menselijk tempo kunnen de outputvolumes van AI niet bijhouden, wat een verificatieknelpunt creëert waardoor onbetrouwbaarheid ongemerkt in productie sluipt.

Het antwoord: New Relic AI Coding Observability

Op 8 juni 2026 pakte New Relic deze disconnectie direct aan door de ontwikkeling aan te kondigen van New Relic AI Coding Observability, een open-source observability-oplossing speciaal ontworpen voor AI-ondersteunde softwareontwikkeling . De functie staat gepland voor release op 23 juni 2026 en is beschikbaar zonder extra kosten voor New Relic-klanten .

Een vendor-neutrale telemetrielaag

De architectuur is van belang. New Relic heeft AI Coding Observability bewust gebouwd op twee open standaarden: OpenTelemetry (OTel) en het Model Context Protocol (MCP) . Dit betekent dat teams niet vastzitten aan het telemetrieschema van New Relic of aan één AI-coderingsassistent. Elke assistent die MCP-compatibele telemetrie blootstelt — GitHub Copilot, Cursor, Claude Code en anderen — kan in dezelfde observability-laag worden ingevoerd . In een markt waar de dominante coding-tool van 2027 misschien niet de tool van vandaag is, is vendor-neutraliteit een praktische noodzaak.

Drie kernfunctionaliteiten

De aankondiging van New Relic schetst drie hoofdpijlers voor AI Coding Observability :

1. Zichtbaarheid — Volg hoe AI-coderingsassistenten worden gebruikt tijdens de ontwikkeling: welke tools, hoe vaak en wat ze produceren. Het doel is om gefragmenteerd, onbewaakt AI-gebruik te transformeren naar een beheerste, meetbare engineeringpraktijk.
2. Kostenbeheersing — Voorspel en beheers de uitgaven aan AI-codering met budgetwaarschuwingen. Dit pakt rechtstreeks een blinde vlek aan die wordt gerapporteerd door FinOps-teams, die routinematig ondoorzichtige maandelijkse facturen ontvangen voor het gebruik van AI-coding-tools zonder de geleverde waarde te begrijpen .
3. Governance — Houd queries en codegeneratie veilig en controleerbaar, inclusief een zero-outbound-modus die gevoelige gegevens binnen het bedrijfsnetwerk houdt .

Ontwikkeling verbinden met productie

De strategische gok is correlatie. AI Coding Observability is ontworpen om telemetrie over AI-coderingsassistenten te normaliseren en deze naadloos te correleren met bestaande productie-infrastructuur . Het idee is om een uniform overzicht te creëren waar teams een door AI gegenereerde wijziging kunnen volgen van de IDE via de uitrol naar productie — en vervolgens kunnen zien of die wijziging uren of dagen later correleert met een incidentpiek.

Waarom dit een keerpunt markeert voor engineering-leiderschap

CTO's hebben de jaren 2024-2025 besteed aan adoptie en productiviteitswinst door AI-coderingsassistenten. De gegevens van New Relic, Lightrun, Faros, Sonar en anderen maken duidelijk dat de volgende fase zich moet richten op verificatie, betrouwbaarheid en kostenverantwoording.

De 94% vertrouwensscore tijdens code-review is niet inherent onjuist — AI produceert vaak schone, leesbare, syntactisch correcte code die slaagt voor statische analyse. De faalwijze is omgevingsafhankelijk: AI-gegenereerde code presteert goed in de smalle sandbox van een pull request, maar breekt tegen de complexiteit van productiegegevens, echt gebruikersgedrag en systeeminteracties die geen enkele code-review volledig kan simuleren. Zonder observability die beide fasen omspant, beoordelen organisaties op een curve die de productie weigert te honoreren.

New Relic's AI Coding Observability vertegenwoordigt een directe poging om die cirkel te sluiten en de industrie te bewegen van "vertrouw de review" naar "verifieer in productie."