Vibe-kodning, AI og den nye virkelighed inden for ingeniørarbejde

For ti år siden lød ideen om, at AI kunne skrive kode i stedet for programmører, mere som en spændende fantasi. I dag er det blevet en del af den daglige virkelighed. MVP’er bygges på få dage, interfaces genereres fra tekstprompter, og AI-assistenten er blevet en fuldgyldig del af ingeniørteamet.

Mod denne baggrund stiller stadig flere mennesker de samme spørgsmål: Er AI virkelig i gang med at erstatte programmører? Kan kunstig intelligens virkelig matche og erstatte en senioringeniør? Og hvad vil der ske med faget i den nære fremtid?

Jeg er selv udvikler, og jeg har en holdning til dette. Lad os bryde det ned.

Hvad er kernen af problemet?

Der er en dominerende fortælling om AI-programmering, der lyder noget i retning af:

AI bliver ekstremt effektivt til at skrive kode og, vigtigt, undgår allerede mange af de almindelige fejl, som mennesker begår. Endnu mere interessant er, at AI måske er bedre til at håndtere såkaldte edge-cases: sjældne og usædvanlige scenarier, der er almindelige i softwareingeniørarbejde og ofte svære for udviklere at forudse på forhånd.

Når programmøren siger: “Jeg vil have en knap her”, får han et svar: “Her er knappen, her er 18 edge-cases, du skal overveje, her er testene, du skal køre, og forresten, du måske også vil tilføje dette og dette.” Du må se på det og tænke: “Ja… det giver faktisk mening.” På egen hånd måtte du måske have fundet ud af disse problemer uger senere – efter noget allerede var gået galt i produktionen. AI foreslår ofte løsninger med det samme. For ingeniører, der allerede har job, øger det betydeligt produktiviteten og effektiviteten.

Og denne fortælling fører direkte ind i en økonomisk spørgsmål: hvis et firma tidligere havde brug for 100 udviklere for at håndtere en vis arbejdsmængde, kan det måske nu kun bruge 20 – fordi disse 20 kan opnå det samme arbejde med AI-assistance.

Hvad gemmer sig bag denne acceleration?

Jeg ser mere og mere ofte meget stærke software-ingeniører frygte for deres stillinger, plads på markedet og indtægt. Det føles, som om der snart ikke vil være noget arbejde tilbage for kodere.

Og mit svar er normalt: fyre, det er sandsynligvis ikke så dramatisk, som det ser ud. I virkeligheden er erfarne ingeniører i gang med at opnå en ny type værdi lige nu. Fordi vi måske er en af de sidste generationer af udviklere, der faktisk skrev kode for hånden og dybt forstår, hvordan systemer fungerer under overfladen. Den næste generation arbejder mere og mere gennem AI-værktøjer – og sammen med det ændrer ingeniørpraksis selv sig.

Her er, hvad den tidligere fortælling ikke tager i betragtning:

AI-genereret kode ser ofte perfekt ud. Opgaverne løses, interfacesne virker, og alt kører. Men over tid, på lang afstand, begynder mere subtile problemer at dukke op: arkitektoniske kompromiser, svage ingeniørbeslutninger, problemer med datastrukturer eller skalerbarhedsproblemer. Og det sker, fordi AI allerede er meget god til at løse lokale opgaver, mens den lange logik i store systemer stadig kræver menneskelig erfaring og ingeniørdom.

Det er derfor, at når disse projekter når til alvorlige produktionsmiljøer – banker, e-handelsplatforme, storstilede tjenester – har holdene til sidst stadig brug for mennesker, der kan dybt analysere arkitektur, identificere årsager og genskabe den overordnede systemlogik.

Jeg får ofte opkald fra venner, der siger noget i retning af: “Michael, kan du springe ind og hjælpe os med at forstå, hvorfor systemet begynder at falde fra hinanden?” Selv om jeg i dag arbejder med Fysisk AI på Introspector, hjælper jeg stadig lejlighedsvis med denne type svær manuel ingeniørarbejde: genskabe systemlogik, analysere arkitektur og finde ud af, hvor problemerne begynder at opsumpe.

Og det er netop derfor, jeg tror, at stærke ingeniører vil forblive meget værdifulde i lang tid. Samtidig er det ofte erfarne ingeniører, der hjælper med at forbedre og træne AI-modeller i dag. På Keymakr så vi det først, da vi ledte efter erfarne udviklere til at validere kode og hjælpe med at træne modeller – mennesker, der kan stole på rigtig ingeniørtænkning, praktisk erfaring og en dyb forståelse af, hvordan systemer opfører sig i den virkelige verden.

De vigtigste hypoteser

Og det fører os til det største spørgsmål om fremtiden: hvorhen fører alt dette os? Hvordan skal vi opfostre den næste generation af ingeniører, hvis de kommer ind i branchen gennem en helt anden vej fra starten?

Hvis vi ser på situationen objektivt, uden hype eller frygt, ser jeg et par mulige scenarier.

• En uklar fremtid

Det første og sandsynligvis mest ærlige svar er, at meget få mennesker i dag tænker rigtigt langt frem. Fordi ingen endnu fuldt ud forstår, hvordan denne fremtid vil se ud i praksis.

Måske, om få år, vil AI-agenter virkelig være i stand til at skrive næsten perfekt kode – med stærk arkitektur, skalerbarhed og kontekstforståelse. Lige nu er dette spørgsmål stadig helt åbent.

Samtidig fortsætter store teknologivirksomheder som Apple, Microsoft og Google med at aktivt rekruttere stærke forskere, PhD-specialister og mennesker fra akademiske miljøer. Det tyder sandsynligvis på, at de tror, dyb ingeniørforståelse vil forblive vigtig, selv i en verden, hvor det meste af koden genereres automatisk.

Mindre virksomheder opererer dog ofte med en meget anden planhorisont. Når du ikke ved, om din startup stadig vil eksistere om seks måneder, bliver det svært at tænke seriøst over, hvad der kan ske om ti år. Selvfølgelig ønsker ingen bevidst at bygge noget, der er fundamentalt fejl.

Men i virkeligheden er logikken ofte meget enkel: først byg en produkt, der fungerer og genererer indtægt – og så beskæftig dig med arkitektur, optimering og omskrivning af systemet senere. Problemet er, at i mange projekter bliver “senere” ved med at blive udsat ubestemt.

• Evolution i spiraler

Det andet svar, mener jeg, er endnu mere interessant. Hvis du ser på branchens historie, har den allerede gennemgået lignende overgange mange gange før. De allerførste programmører arbejdede med hullkort. Så kom generationen af ingeniører, der skrev i Assembly – noget, der allerede er svært for mange moderne udviklere at forestille sig.

Så kom COBOL-æraen. Hele bankingmainframes blev bygget på det, og det mest overraskende er, at en betydelig del af den globale banking-infrastruktur stadig kører på disse gamle systemer i dag. Der er stadig programmører i 60’erne og 70’erne, der vedligeholder denne kodebase, og de forbliver ekstremt værdifulde specialister.

Den næste generation gik over til C++, Python og JavaScript. Jeg selv tilhører denne æra. For eksempel forstår jeg knap, hvordan COBOL fungerer. I teorien kunne jeg lære det – men for mig føles det allerede som noget fjernt og fremmed.

Og når du ser på dette historisk, opstår der en interessant mønster: hver ny generation af ingeniører har ikke længere brug for at dybt forstå, hvordan den foregående generations teknologi fungerede. Over tid bliver viden indlejret i infrastrukturen selv.

Hulkort forsvandt for længe siden – deres logik er nu bygget ind i processorer. Assembly forsvandt stort set som et mainstream-værktøj, fordi dets kompleksitet blev skjult inde i operativsystemer, drivere og lavere abstraktionslag. Selv dine hovedtelefoner i dag indeholder sandsynligvis et lille operativsystem, der kører all denne skjulte kompleksitet i baggrunden – de fleste mennesker tænker bare aldrig over det.

Selvfølgelig er der stadig specialister, der forstår alt dette lavniveaudigte. Men for det meste af branchen er det allerede blevet et abstraktionslag.

Og det fører til en meget logisk idé: måske er AI bare det næste stadie i denne evolution. Måske vil den næste generation virkelig ikke have brug for at forstå klassisk programmering så dybt, som vi gjorde.

• Markedets økonomi

En anden hypotese, jeg har, er, at vibe-kodning – eller AI-assisteret udvikling – til sidst vil ophøre med at blive opfattet som “gratis acceleration”. I virkeligheden er det allerede ikke helt gratis; det er bare, at ikke alle mennesker er meget omhyggelige med at beregne den virkelige økonomi bagved.

Modeller, tokens, infrastruktur, konstante anmodninger, vedligeholdelse af hele AI-pipelines – alt dette bliver langsomt en betydelig driftsudgift. Det er derfor, jeg tror, virksomheder snart vil begynde at se meget nøjere på den virkelige omkostning ved AI-assisteret udvikling og stille et meget pragmatisk spørgsmål: hvad er faktisk mere effektivt – at udvide et ingeniørteam eller vedligeholde hele AI-infrastrukturen omkring udvikling?

Et meget realistisk scenario er, at stærke ingeniørteams til sidst vil vise sig at være mere økonomisk bæredygtige, især når det kommer til at vedligeholde, udvikle og støtte produkter over lang tid.

Men jeg tror, det er her, en ny type ingeniørteam kan opstå: meget små grupper af højt erfarne specialister, der fokuserer på at vedligeholde stabiliteten og robustheden af infrastrukturen selv. Over tid kan dette måske blive en af de mest værdifulde ingeniørspecialer i branchen.

• Mennesker, der vil arbejde sammen med AI

Og den sidste antagelse – selv om en meget realistisk – er, at den næste generation af ingeniører sandsynligvis vil være nødt til at bygge deres karriere i et helt andet miljø. Og det går langt ud over programmering alene. Lignende ændringer er allerede begyndt at forme områder som jura, finans, medicin og næsten alle fag, hvor AI kan overtage en betydelig del af den intellektuelle rutinearbejde.

Trods alt dette ser jeg stadig, hvad der sker, som noget meget positivt. Sandsynligvis, fordi jeg generelt set kan lide fremskridt. Jeg kan lide tanken om, at teknologi kan forbedre menneskers liv, frigøre mennesker fra enorme mængder af repetitivt arbejde og gøre mange processer sikrere og mere effektive.

For eksempel demonstrerer autonome køresystemer som Teslas eller Waymos allerede bemærkelsesværdigt høje niveauer af sikkerhed i mange scenarier sammenlignet med menneskelige chauffører. Og det er virkelig imponerende.

Samtidig vil den verden, vores børn kommer ind i, være langt mere kompliceret, når det kommer til professionel identitet. De vil være nødt til at søge efter deres plads og formål i et hurtigt skiftende landskab.

Hvis et barn i dag ønsker at blive advokat, finansielle analytiker eller programmør, er der en stor chance for, at disse fag vil se helt anderledes ud i fremtiden. Måske vil disse blive specialister, der arbejder tæt sammen med juridisk AI, finansielle AI eller kodende AI – mennesker, der opererer AI-systemer, validerer output, giver kontekst og træffer de vigtige beslutninger.

Jeg tror, det er vigtigt at erkende, at næsten alle disse scenarier allerede føles realistiske i dag. Og uanset, om vi kan lide det eller ej, alt, hvad der sker lige nu, er en del af en langt større bølge af teknologisk fremskridt. Det er meget usandsynligt, at denne proces kan stoppes. Det betyder, at vi vil være nødt til at lære at leve i denne nye verden – langsomt lære at balancere den, kommunikere med den og måske endda udvikle en ny form for sameksistens ved siden af den.