Kodeagenter
Er review blevet den nye flaskehals?
AI kan skrive koden på minutter – men kan du godkende den hurtigt nok?
AI kan i dag på få minutter generere kode, som tidligere kunne tage en udvikler timer at skrive. En udvikler kan beskrive en funktion, give en AI-agent adgang til en kodebase og kort efter stå med hundredvis af nye linjer kode.
Det lyder som om, du kan få langt mere fra hånden. Men koden skal stadig forstås, vurderes og godkendes.
For løser den faktisk det rigtige problem? Passer den ind i den eksisterende arkitektur? Har agenten forstået kravene korrekt? Og har løsningen introduceret sikkerhedsproblemer, skjulte afhængigheder eller teknisk gæld?
Når det bliver billigere og hurtigere at producere kode, stiger værdien af at kunne specificere opgaven præcist og vurdere resultatet kritisk. Den nye flaskehals i softwareudvikling kan derfor vise sig ikke at være selve kodningen, men evnen til at kvalitetssikre det, AI’en producerer.
Mere kode er ikke lig med højere produktivitet
Det er fristende at måle værdien af AI på, hvor meget hurtigere en udvikler kan få produceret kode. Men mere kode er ikke i sig selv et tegn på, at udviklingsarbejdet er blevet mere effektivt.
En AI-agent kan hurtigt generere en omfattende implementering. Men hvis den bygger på en forkert antagelse eller har misforstået opgaven, kan den lige så hurtigt producere kode, som senere skal analyseres, omskrives eller fjernes.
Det interessante mål er derfor ikke, hvor mange linjer kode der bliver skrevet, men hvor hurtigt man kommer fra et behov til en løsning, der er korrekt, forstået, testet og mulig at vedligeholde.
God AI-kode begynder med den rigtige kontekst
Når AI-genereret kode fejler, skyldes det ikke nødvendigvis, at modellen ikke kan kode. Problemet kan lige så godt være, at den ikke har fået den nødvendige kontekst.
En erfaren udvikler har en stor mængde implicit viden om et system: hvilke arkitekturprincipper teamet følger, hvordan komponenter hænger sammen, hvordan fejl håndteres, hvilke biblioteker der foretrækkes, og hvilke kompromiser der allerede er truffet.
Den viden har en AI-agent ikke automatisk adgang til.
Derfor bliver context engineering en vigtig del af arbejdet med AI i softwareudvikling. Det handler om at give modellen den information, den har brug for for at forstå opgaven og systemet omkring den.
Det kan blandt andet være relevante dele af kodebasen, API-kontrakter, arkitekturprincipper, testkrav, designmønstre, begrænsninger og edge cases.
Det afgørende er, at AI ikke blot får at vide, hvad den skal bygge, men også får tilstrækkelig information om det system, løsningen skal fungere i.
På den måde minder arbejdet i stigende grad om klassisk softwarearkitektur og kravspecificering. Forskellen er, at modtageren nu ikke nødvendigvis er et andet menneske, men en AI-agent.
Få AI til at lave planen, før den skriver koden
En effektiv måde at reducere misforståelser på er at adskille planlægning fra implementering.
I stedet for straks at bede agenten skrive kode, kan du med fordel bede den om først at analysere opgaven.
- Hvilke komponenter skal ændres?
- Hvilke afhængigheder er involveret?
- Hvilke informationer mangler?
- Hvilke risici ser den?
- Og hvordan foreslår den konkret at implementere løsningen?
Det giver mulighed for at opdage fejl og misforståelser, før de bliver omsat til kode.
Det er som regel lettere at rette en forkert implementeringsplan end at gennemgå en stor mængde kode, der bygger på en forkert antagelse.
En enkel arbejdsgang med AI-kodeagenter
1. Beskriv opgaven
Forklar målet, begrænsningerne og den relevante kontekst.
2. Bed agenten stille spørgsmål
Lad den identificere uklarheder og manglende information.
3. Få en implementeringsplan
Bed agenten beskrive, hvilke dele af systemet den vil ændre og hvorfor.
4. Review planen
Kontrollér arkitektur, afhængigheder og antagelser, før der bliver skrevet kode.
5. Generér implementeringen
Først når planen er accepteret, får agenten lov til at kode.
6. Review kode og tests
AI-genereret kode skal stadig forstås, testes og kvalitetssikres.
Når output stiger, kan review blive teamets flaskehals
Udfordringen gælder ikke kun den enkelte udvikler.
Hvis et team med AI kan producere langt flere ændringer end tidligere, men stadig har den samme kapacitet til at reviewe og godkende dem, flytter køen blot til et andet sted i udviklingsprocessen.
Det kan gøre review til en reel skaleringsudfordring.
Det stiller nye krav til arbejdsgange og struktur. Ændringer kan have brug for at være mindre. Test kan i højere grad automatiseres. Arkitektur og kodestandarder kan have behov for at være tydeligere beskrevet, så både mennesker og AI-agenter arbejder inden for de samme rammer.
Det centrale spørgsmål bliver derfor nu, hvor hurtigt et team kan absorbere, forstå og kvalitetssikre det, der bliver produceret.
Hvad kræver det af udvikleren?
Når mere af selve implementeringen kan automatiseres, bliver andre kompetencer vigtigere.
Systemforståelse, arkitektur, kravspecifikation, fejlanalyse, sikkerhed og kritisk vurdering får større betydning, fordi udvikleren i højere grad skal kunne gennemskue, om AI-agentens løsning faktisk er den rigtige.
Det kræver paradoksalt nok en stærk teknisk forståelse at kunne overlade mere kodearbejde til AI.
For hvis du ikke selv kan vurdere løsningen, kan du heller ikke afgøre, om agenten har leveret noget, du bør sende videre.
AI kan derfor flytte udviklerens arbejde fra primært at producere kode til i højere grad at definere, styre og kvalitetssikre den.
Læs mere:
Kontakt
Få hjælp nu
Find relevante, kvalitetssikrede kurser og efteruddannelse.