G5 Labs kommer ud af stealth med $14 M for at gøre naturligt sprog til den nye kildekode

G5 Labs, en spin‑out fra MIT Computer Science og Artificial Intelligence Laboratory (CSAIL), er kommet ud af stealth med $14 million i seed-finansiering og en ambitiøs tese: det næste store programmeringssprog vil måske slet ikke ligne et programmeringssprog.

Den i Boston baserede startup udvikler et abstraktionslag for AI‑native softwareudvikling, hvor naturlige sprog‑beskrivelser af, hvad softwaren skal gøre, organiseres i en formel intention‑graf, eller ontologi, som i praksis bliver kildekoden. Pillar VC og Battery Ventures var medledere af seed‑runden, sammen med Omega Venture Partners, Encoded Ventures og engleinvestorer.

Finansieringen vil blive brugt til at udvide G5 Labs’ ingeniørteam, skalere kundedriftsætninger og fortsætte udviklingen af deres ontologi‑kompilator, mens virksomheden forsøger at løse et af de nye problemer, som AI‑kodningsværktøjer skaber: at generere kode bliver stadig lettere, mens forståelse, gennemgang, styring og vedligeholdelse af koden kan forblive vanskelige.

Flytning af flaskehalsen ud over kodegenerering

AI‑kodningsassistenter har hurtigt ændret økonomien i softwareproduktion. Udviklere kan nu generere funktioner, tests, dokumentation og i stigende grad komplette applikationer med relativt lidt manuelt kodning.

Men mere kode betyder ikke nødvendigvis mere produktive ingeniørorganisationer.

Forskning fra Faros baseret på mere end 10.000 udviklere på tværs af 1.255 teams fandt, at teams med høj AI‑adoption fuldførte 21 % flere opgaver og merge‑de 98 % flere pull‑requests, men også oplevede en 91 % stigning i gennemgangstiden for pull‑requests. Den samme analyse knyttede AI‑adoption til større pull‑requests og flere fejl pr. udvikler.

Anden forskning har fremhævet lignende kompleksiteter. En randomiseret undersøgelse med erfarne open‑source‑udviklere fandt, at AI‑værktøjer i begyndelsen af 2025 faktisk øgede opgavefuldførelsestiden med 19 % i de specifikke projekter, der blev undersøgt, på trods af at udviklerne selv forventede, at AI ville gøre dem væsentligt hurtigere.

G5 Labs angriber problemet fra en anden vinkel. I stedet for at bygge en ny kodningsmodel ønsker virksomheden at flytte abstraktionslaget over den genererede kode.

Om­dannelse af forretningsintention til et software‑artefakt

I hjertet af G5 Labs-platformen er det, som virksomheden beskriver som en selv‑lærende, to‑vejs kompilator.

Naturlig‑sprogs‑intention kan oversættes til eksekverbar kode, men processen fungerer også omvendt: eksisterende kode kan fortolkes og indarbejdes i en ontologi, der beskriver systemets underliggende krav og adfærd.

Denne sondring er central for G5’s tilgang.

Hvis en organisation ændrer et krav, kan den tilsvarende kode regenereres for at afspejle det. Hvis udviklere ændrer koden direkte, kan ontologien lære af disse ændringer og forblive synkroniseret med implementeringen. G5 siger, at individuelle linjer af genereret kode derfor kan forblive sporbare til de forretningskrav, de stammer fra.

I praksis forsøger virksomheden at give naturlige sprog‑softwarekrav nogle af de egenskaber, som udviklere forventer af konventionel kildekode: de kan sammenlignes, merges, versioneres, styres og i sidste ende kompileres.

I stedet for at opdage, at to AI‑agenter har produceret modstridende implementeringer efter at have gennemgået tusindvis af kodelinjer, sigter G5 eksempelvis efter at bringe uoverensstemmelsen frem på det semantiske niveau — hvor en produktchef, analytiker eller ingeniør kan afgøre, hvilket underliggende krav der er korrekt.

G5 sidder over Claude Code, Codex og andre kodningsmodeller

Et andet vigtigt element i G5’s arkitektur er, at den ikke er designet til at konkurrere direkte med de stadig mere avancerede kodningsmodeller fra store AI‑laboratorier.

G5 fungerer i stedet som et applikations‑ og styringslag over dem.

Virksomheden siger, at deres platform kan arbejde med systemer som Claude Code, Codex og open‑weight‑modeller, hvilket giver virksomheder mulighed for at skifte den underliggende AI‑model uden at genopbygge den semantiske arkitektur, der styrer deres software.

G5 dekomponerer også udviklingsplaner i verificerbare opgaver, der kan fordeles blandt flere AI‑agenter. Deres handlinger, arkitekturbeslutninger, politikker og erfaringer kan derefter indarbejdes i organisationens ontologi.

Det kan blive stadig vigtigere, efterhånden som softwareudvikling bevæger sig fra en udvikler, der bruger en AI‑assistent, til flere autonome agenter, der samtidigt modificerer store kodebaser.

Uden en fælles repræsentation af, hvad applikationen faktisk skal opnå, kan hurtigere kodegenerering blot skabe hurtigere uoverensstemmelser.

Styring bliver en del af udviklingsprocessen

G5 retter også sin indsats mod regulerede virksomheder, hvor det at lade autonome kodningsagenter operere uden kontrol kan medføre sikkerheds- og overholdelsesproblemer.

Platformen er designet til at indkode politikker direkte i softwareudviklingsprocessen. Organisationer kan fastlægge krav vedrørende sikkerhed, godkendelser, overholdelse af General Data Protection Regulation (GDPR), arkitektur og AI-udgifter, før agenterne begynder at generere kode.

Omkostningsstyring er særligt bemærkelsesværdig, når virksomheder eksperimenterer med stadig mere agentbaserede udviklingssystemer. En enkelt prompt til en kodningsassistent kan være billig, men flåder af agenter, der gentagne gange planlægger, genererer, tester og korrigerer software, kan skabe betydelige inferensomkostninger.

G5’s tilgang forsøger at begrænse disse processer på intention- og planlægningsstadierne i stedet for at opdage omkostnings- eller styringsproblemer, efter arbejdet allerede er afsluttet.

Legacy-modernisering kan være en tidlig mulighed

Selvom G5 præsenterer sin teknologi som en del af en bredere revurdering af softwareudvikling, kan en af de mest umiddelbare anvendelser være betydeligt mere praktisk: modernisering af ældre virksomhedssystemer.

Traditionelle moderniseringsprojekter involverer ofte at oversætte en applikation fra et forældet sprog eller en forældet arkitektur til en nyere teknologistak. Den proces kan utilsigtet bevare årtier af forældede antagelser, duplikeret funktionalitet og teknisk gæld.

G5 søger i stedet at udtrække den underliggende intention i den eksisterende software til en ontologi og genopbygge applikationen omkring den model.

Virksomheden siger, at den allerede anvender denne tilgang i stærkt regulerede industrier. I et moderniseringsprojekt inden for finansielle tjenester identificerede G5’s ontologiniveau-analyse strukturelle konflikter, som ville have været svære at opdage gennem en simpel kode-migrering. På deres hjemmeside står der, at millioner af linjer med legacy-kode allerede er blevet konverteret til semantiske systemmodeller på tværs af implementeringer.

Dette kan give G5 et mere målbare indgangspunkt end at bede virksomheder om straks at revurdere hele deres softwareudviklingslivscyklus. Legacy-modernisering er allerede en betydelig udgift for store organisationer, især inden for finansielle tjenester og andre industrier, hvor årtiergamle systemer stadig er forretningskritiske.

Fra MIT-forskning til en kommerciel platform

G5 Labs voksede ud af forskning ledet af medstifter og administrerende direktør Tim Kraska ved MIT CSAIL, hvor hans arbejde i stigende grad fokuserer på, hvordan kunstig intelligens vil ændre opbygningen af store, komplekse softwaresystemer.

Kraska er en MIT-professor, hvis forskning dækker agentbaserede systemer, datasystemer og brugen af store sprogmodeller til systemudvikling. Han er også meddirektør for MIT’s Generative AI Impact Consortium, som samler akademiske forskere med branchedeltagere for at undersøge de praktiske og samfundsmæssige implikationer af generativ AI.

Det overordnede forskningsspørgsmål bag G5 er enkelt, men væsentligt: hvis AI på et tidspunkt skriver en stor procentdel af softwarekoden, bør mennesker så fortsætte med at styre software primært gennem selve koden?

G5’s svar er nej. Virksomheden mener, at forretningsintentionen bør blive det holdbare artefakt, mens programmeringssprog i stigende grad bliver en implementeringsdetalje, der håndteres af AI-systemer.

Om dette bliver det næste store abstraktionslag i softwareudvikling, er stadig et åbent spørgsmål. Eksisterende programmeringssprog, udviklingsmiljøer, kodegennemgangsprocesser og softwareudviklingslivscyklusser repræsenterer årtier af akkumuleret værktøjssæt og institutionel viden, og at erstatte deres centrale rolle vil kræve betydeligt mere end præcis kodegenerering.

Alligevel giver den $14 millioner store seed‑runde G5 Labs den kapital, der er nødvendig for at teste denne tese med virksomhedskunder. Efterhånden som AI dramatisk øger mængden af software, der kan genereres, kan virksomhedens mulighed ligge i at tackle den mindre glamourøse udfordring, der følger: at sikre, at organisationer stadig kan forstå, kontrollere og videreudvikle det, som maskinerne bygger.