Laat DeepSeek oude software lezen voordat de verbouwing begint
In het kort
DeepSeek-V4-Pro is een beschikbaar model met downloadbare gewichten onder de MIT-licentie. Een interessante toepassing is het doorgronden van oudere bedrijfssoftware. De economische opbrengst ontstaat wanneer ontwikkelaars sneller begrijpen wat behouden moet blijven. Tests en controle bepalen of die voorsprong ook na de verbouwing overeind blijft.
Oude software bevat vaak jaren aan kennis die nergens netjes is opgeschreven. Een bijzondere korting, een uitzondering voor een klant of een berekening voor een verouderd product kan diep in de code zitten. Wie de applicatie moderniseert, moet die kennis eerst terugvinden. Daar kan een taalmodel een behulpzame collega zijn: functies uitleggen, afhankelijkheden aanwijzen en voorbeelden verzamelen.
Wat V4-Pro aan zo'n klus kan bijdragen
De officiële modelkaart beschrijft DeepSeek-V4-Pro en V4-Flash als modellen met een contextvenster van een miljoen tokens. Pro telt 1,6 biljoen parameters, waarvan er per token ongeveer 49 miljard actief zijn. De kaart noemt programmeerwerk als belangrijke toepassing en publiceert downloadbare gewichten onder MIT. De kwaliteitsaanduidingen en vergelijkingen zijn leveranciersclaims; wij hebben geen migratieproef met dit model uitgevoerd.
Voor een ontwikkelaar is het ruime venster handig wanneer meerdere bestanden samen moeten worden gelezen. Een contextvenster is de hoeveelheid informatie die het model tegelijk kan verwerken. Dat helpt bij samenhang, maar maakt het nog steeds verstandig een grote applicatie in begrijpelijke onderdelen te behandelen.
Begin bij gedrag dat behouden moet blijven
Een verstandige eerste opdracht is beschrijvend. Laat het model uitleggen welke invoer een functie krijgt, welke uitkomsten mogelijk zijn en welke andere onderdelen daarvan afhangen. Een ontwikkelaar kan die uitleg vergelijken met echte voorbeelden uit de applicatie. Dat levert een kaart van het bestaande gedrag op.
Daarna volgen tests die dat gedrag vastleggen. Denk aan een lege bestelling, een afrondingsverschil of een klant met een afwijkende afspraak. Bij een modernisering kunnen oude en nieuwe code vervolgens dezelfde voorbeelden verwerken. Verschillen worden zichtbaar voordat de nieuwe versie productiegegevens raakt.
Deze aanpak heeft een prettige bijkomstigheid. Ook wanneer de organisatie uiteindelijk een ander model gebruikt, blijft de verzamelde kennis waardevol. Goede voorbeelden en tests vormen een duurzaam onderdeel van de software. Het model helpt om ze sneller boven water te krijgen.
Open gewichten geven keuze in de uitvoering
De MIT-licentie in de repository biedt ruime mogelijkheden voor gebruik en aanpassing, met behoud van de vereiste licentie- en auteursrechtvermelding. Dat geeft organisaties keuze in hosting. Een commerciële API-dienst heeft daarnaast eigen voorwaarden, prijzen en afspraken over gegevensverwerking.
Zelf draaien vraagt een serieuze infrastructuur. Alleen de Pro-gewichten komen bij een theoretische vier bits per parameter al op circa 800 miljard bytes, vóór schaalfactoren, tijdelijke buffers en geheugen voor de conversatie. De actieve 49 miljard parameters vervangen de totale gewichten niet in die geheugenbegroting. Dit is een ondergrensberekening, geen geschikte-serveradvies of gemeten geheugengebruik.
Voor een afgebakende softwareklus kan ingehuurde capaciteit daarom overzichtelijker zijn. In de begroting horen modelgebruik, beveiligde toegang, ontwikkeltijd en terugkerend beheer. Hieronder rekenen we met expliciete projectbudgetten en niet met een actueel API-tarief.
Wanneer verdient de voorbereiding zich terug
Ons scenario omvat jaarlijks 400 afgebakende softwarewijzigingen. De organisatie reserveert €8.000 eenmalig voor inrichting en €4.000 per jaar extra voor gebruik en beheer. Bij €80 uurwaarde rekenen we met 10, 30 of 60 minuten netto tijdwinst per wijziging, na beoordeling en herstel. De visualisatie toont de uitkomsten voor 2027, 2028 en 2029.
Om de totale €12.000 van het eerste jaar te rechtvaardigen, zijn 150 uur nodig. Verdeeld over 400 wijzigingen is dat 22,5 minuut per wijziging. Dat is een haalbare meetvraag voor een proef op enkele echte modules. De capaciteitswaarde wordt alleen kaswinst als uitgaven vervallen of extra factureerbaar werk wordt verricht; beide tegelijk voor dezelfde uren tellen zou de opbrengst overdrijven.
Een proef wordt sterker met bekende uitzonderingen
Een klein team kan beginnen met één module die geregeld wordt aangepast. Kies een onderdeel waarvan een ervaren medewerker de werking kent en waarvan er voldoende voorbeelden beschikbaar zijn. Laat het model de eerste beschrijving maken, maar laat die medewerker beoordelen welke bedrijfsregels zijn gemist. Zo ontstaat een vergelijking tussen uitleg die plausibel klinkt en uitleg waar iemand daadwerkelijk mee kan werken.
Ook afwijkend gedrag verdient een eigen plaats. Soms bevat oude software een onbedoelde fout die klanten inmiddels verwachten. Het verbeteren van die fout kan dan gevolgen hebben voor facturen, koppelingen of rapportages. Een model kan zoiets helpen ontdekken, maar de keuze om het gedrag te wijzigen blijft een bedrijfsbeslissing. Het is nuttig om gewenste wijzigingen en te behouden gedrag afzonderlijk vast te leggen.
Voor de economische meting hoort de hele wijziging bij dezelfde proef: begrijpen, aanpassen, testen en herstellen. Wie alleen de tijd tot de eerste nieuwe code meet, laat mogelijk een belangrijk deel van het werk buiten beeld. De uitkomst wordt overtuigender wanneer dezelfde taak na controle ook sneller klaar is.
De kennis blijft ook na het project bruikbaar
Bij oude applicaties kan de belangrijkste winst zijn dat meer mensen begrijpen hoe het systeem werkt. Een bedrijf wordt minder afhankelijk van één medewerker die alle uitzonderingen uit het hoofd kent. Die waarde is lastig in één eurobedrag te vatten en is daarom niet extra bij onze scenario's opgeteld.
DeepSeek biedt hier een interessante route: technische uitleg en voorbereiding op grotere schaal beschikbaar maken. Het resultaat wordt beoordeeld aan de software die na de wijziging betrouwbaar blijft functioneren. Als een team daarbij structureel minder zoekt en sneller goede tests maakt, ontstaat een concrete opbrengst uit een model dat anders vooral met grote benchmarkcijfers in het nieuws komt.
Opmerkingen