Når AI skriver koden… bliver problemet vigtigere end nogensinde

Det er blevet markant hurtigere at udvikle software. Med generativ AI kan du beskrive en idé i naturligt sprog og få en prototype kort tid efter.

Men den nye hastighed introducerer også en klassisk fejl i ny forklædning.For nogle gange beskriver vi løsningen meget præcist – men ikke problemet.

Og så bygger AI’en noget forkert.

Hastighed gør det fristende at springe discovery over

Traditionelt bruger udviklingsteams tid på discovery: at forstå brugeren, konteksten og det konkrete behov. Med AI kan det føles hurtigere bare at begynde at bygge.

Men det øger risikoen for at optimere på den forkerte løsning.

Hvis problemet ikke er tydeligt beskrevet, vil AI-værktøjet typisk udfylde hullerne selv – baseret på mønstre fra eksisterende løsninger.

Resultatet kan være software, der fungerer fint teknisk, men ikke skaber reel værdi.

Et klassisk eksempel – bare hurtigere

Forestil dig, at du vil bygge et internt værktøj til håndtering af supporthenvendelser.

Du beder AI’en om: “Lav et system til at håndtere tickets med prioritering og status.”

Du får hurtigt en løsning, der har:

• et ticket-ID
• en status (open, in progress, closed)
• en prioritet (low, medium, high)
• måske en simpel dashboard-visning

Alt fungerer teknisk.

Men i praksis opstår problemerne stadig.

Sager bliver stadig tabt mellem teams – fordi systemet ikke håndterer overdragelser eller ejerskab tydeligt.

Der mangler stadig overblik over afhængigheder – fordi tickets behandles isoleret uden relationer til andre opgaver. Og svartider varierer stadig – fordi prioritering ikke tager højde for kunde, SLA eller forretningskritikalitet.

Systemet gør det altså nemmere at registrere arbejdet. Men ikke nødvendigvis nemmere at få det rigtige arbejde gjort.

Det skyldes, at AI’en har løst det problem, du beskrev: “Et system til tickets med status og prioritet.”

Men ikke det problem, du faktisk havde: “Vi mister overblik, ansvar og prioritering i vores supportflow.”

Resultatet er software, der ser rigtig ud – men ikke ændrer adfærden.

Og det er netop faldgruben ved vibe coding: Du får hurtigt noget, der virker. Men det kan være bygget på en forkert problemforståelse

Så er det, du har fået, blot en hurtigere version af en forkert løsning.

Problemforståelse er blevet en kernekompetence

AI ændrer ikke kun, hvor hurtigt du kan udvikle software. Den flytter også, hvor værdien opstår.

Når implementering bliver lettere, bliver det vigtigere at være skarp på:

• hvad brugeren faktisk forsøger at opnå
• hvilken situation løsningen skal fungere i
• hvilke funktioner der skaber reel værdi

Det er her erfaring, domæneviden og brugerforståelse stadig er afgørende.