Internettet vil fortsat gå i stykker i 2026, og AI er en del af årsagen

Hvis 2025 føltes som året, hvor internettet konstant gik i stykker, ser 2026 ud til at blive mere af samme skuffel. Udfald, hændelser og produktionsfejl er ikke længere sjældne begivenheder, der overrasker ingeniørteam. De er blevet en fast baggrundsforhold i moderne softwareudvikling.

Data fra udfaldstrackere som IsDown.app viser, at hændelser stiger år for år siden 2022, uden nogen væsentlig omvending, og uafhængige undersøgelser bekræfter dette. En global undersøgelse af mere end 1.000 CIO’er, CISO’er og netværksingeniører fandt, at 84% af organisationer rapporterede stigende udfald, med mere end halvdelen oplevende stigninger på 10-24% over blot to år.

ThousandEyes observerede lignende volatilitet, med skarpe måned-for-måned-sving, der peger på vedvarende opadgående tryk snarere end isolerede fejl. Den ubehagelige konklusion er, at de systemer, vi afhænger af hver dag, bliver mere skrøbelige, ikke mere robuste, på trods af års investeringer i cloud-infrastruktur, overvågning og automatisering.

Når store platforme går ned, er skadeområdet øjeblikkeligt. Betalinger mislykkes, forbrugerapps fryser, interne værktøjer standsede, og hele forsyningskæder føler effekten med økonomiske tabsestimeringer, der rutinemæssigt når op i milliarder. For eksempel Amazon, en leder i e-handel, tilskriver en stigning i hændelser —herunder en næsten seks timer lang udfald af deres website og shopping-app denne måned—til ændringer, der er hjulpet af generativ AI. Dette har fået virksomheden til at planlægge ingeniørmøder for en dybdegående analyse af den seneste stigning i udfald.

Efter hver stor udfald, gentager de samme diskussioner sig selv omkring redundans, multi-cloud-strategier og leverandørkoncentrationsrisiko. Disse diskussioner er vigtige, men de mangler det større billede.

Hvis infrastrukturudbydere ikke bliver dårligere til, hvad de gør, og værktøjerne fortsætter med at modnes, hvordan kan hændelserne så stadig stige?

AI har ændret, hvordan software leveres

En af de største ændringer, der sker på samme tid som denne stigning i udfald, er spredningen af AI-assisteret softwareudvikling. AI-kodningsværktøjer er ikke længere eksperimentelle. De er integreret i daglige arbejdsprocesser, enten i IDE’er eller CLI, og gør det lettere end nogensinde før at generere kode med AI.

På tværs af branchen er pull-requests per udvikler steget betydeligt, med nogle analyser, der viser en 20% årlig stigning, da AI accelererer output. Samtidig er hændelser per pull-request steget endnu hurtigere, øget med mere end 23%.

Den korrelation er ikke bevis for årsagssammenhæng, men det er svært at ignorere. AI gør det ikke kun hurtigere at skrive kode, det ændrer også risikens form. Indtil nu har de fleste team mødt en konstant strøm af fejl i AI-assisteret kode, som erfarne ingeniører er sikre på, de ikke ville have introduceret på egen hånd.

Disse fejl er ikke dramatiske syntaksfejl eller åbenlyst forkerte ændringer. De er subtile logiske fejl, miskonfigurationer, manglende sikkerhedsforanstaltninger og edge-case-fejl, der ser rimelige ud på overfladen.

AI-genereret kode compiler ofte ren, passer grundlæggende tests og læser plausibelt korrekt. Problemet er ikke, at AI opfinder nye fejltyper. Det er, at det producerer kendte fejl mere hyppigt og i en skala, der overvælder eksisterende gennemgangs- og QA-processer.

Hvad data viser, når AI skriver mere kode

Vi har nylig analyseret hundredvis af åbne kildepull-requests for at sætte tal bag denne intuition i vores State of AI vs. Human Code Generation Report. Når ændringer, der er co-authoriseret af AI, blev sammenlignet med menneske-til-menneske-pull-requests og normaliseret for størrelse, indeholdt AI-assisterede PR’er omkring 1,7 gange flere problemer i alt.

Endnu mere bekymrende var, at de også viste 1,4-1,7 gange flere kritiske og store problemer. Logik- og korrekthedsproblemer, herunder fejl i kontrolflow, forkert afhængighedsbrug og konfigurationsfejl, var omkring 75% mere almindelige. Fejlhåndteringsgap, såsom manglende null-checks, ufuldstændige undtagelsesveje og fraværende sikkerhedsforanstaltninger, optrådte næsten dobbelt så ofte.

Sikkerhedsproblemer blev forstærket, med visse kategorier, der optrådte i hyppigheder op til 2,7 gange højere, især omkring kodehåndtering og usikre objektreferencer. Samtidigheds- og afhængighedskorrekthedsproblemer øgede med omkring 2 gange.

Mennesker begår de samme fejl, men når AI er involveret, optræder disse fejl mere hyppigt, på tværs af en større kodebase og i en hastighed, der overhaler traditionel kodegennemgang. Disse er netop de fejl, der sandsynligvis glider forbi en hurtig gennemgang og senere manifesterer sig som sikkerhedsincidenser eller udfald i produktionsmiljøer.

Hvad afgør, om 2026 ser anderledes ud

Fra et sikkerhedsperspektiv er denne trend svær at ignorere. Logikfejl, usikre standardindstillinger og konfigurationsfejl udvider angrebsfladen, selv når ingen enkelt sårbarhed ser katastrofal ud i isolation. Fejlhåndteringsgap og afhængighedsfejl øger sandsynligheden for, at fejl kaskader i stedet for at degradere sikkert.

Stærk isolation, mindst-privilegeret eksekvering, kortvarige legitimationsoplysninger og kryptering kan begrænse skadeområdet, hvis noget går galt, men de kan ikke kompensere for fejl, der er indført tidligere i udviklingslivscyklussen. Sikkerhed og pålidelighed er ikke længere kun infrastrukturproblemer og er direkte konsekvenser af, hvordan software bygges, gennemgås og testes.

Internettet vil fortsat gå i stykker i 2026, hvis denne ubalance forbliver. Dette er ikke et argument imod AI, da AI allerede er her og ikke er på vej væk. De team, der vil klare sig bedst, er ikke dem, der undgår AI, men dem, der tilpasser deres sikkerhedsforanstaltninger til at matche det.

Det betyder at resourcere gennemgangs- og QA-team på en måde, der svarer til en højere output, flytte test og validering tidligere i udviklingsløkken, være eksplicit om, hvilke AI-genererede problemer fortjener en dybere gennemgang, og behandle AI-assisteret kode som en højere-varians input i stedet for en pålidelig output som standard.

Lektionen er enkel: Du kan ikke automatisere dig ud af ansvar. Når AI skriver mere kode, har team brug for tid, værktøjer og personale til at gennemgå mere kode, ikke mindre. Den næste fase af AI-innovation vil ikke blive defineret af, hvor hurtigt kode genereres, men af, hvor sikker det kan leveres.

Gennemgang er nu flaskenhalen

AI har dramatisk øget kodegenereringskapaciteten. Det har ikke automatisk øget gennemgangskapaciteten. Denne kapacitetsforskel skaber risiko. Den næste fase af AI-adopteringsprocessen vil ikke blive defineret af, hvor hurtigt kode genereres. Det vil blive defineret af, hvor sikker det kan leveres.

Det betyder:

• At resourcere gennemgang og QA til en højere output, ikke lavere.
• At flytte validering tidligere i udviklingsløkken.
• At øge signalstyrken i pull-requests, så gennemgangspersonale kan fokusere på, hvad der er vigtigt.
• At behandle AI-assisteret kode som værende fortjent til en dybere gennemgang, ikke en lettere tilsyn.

Internettet behøver ikke at gå i stykker. AI er ikke roden til problemet, men ugennezagtig AI-genereret kode er. Hvis AI skal skrive en stigende andel af produktionssoftware, skal noget lige så rigorøst gennemgå det, før det kan leveres.

Denne ændring er netop årsagen til, at AI-kodegennemgang er blevet grundlæggende infrastruktur, ikke valgfri værktøj. Platforme som CodeRabbit integrerer kontekstbevidste AI-gennemgang direkte i Git-arbejdsprocessen, hvilket hjælper team med at fange logikfejl, sikkerhedsgap og edge-cases, før de udvikler sig til hændelser.

Fordi hvis kodegenerering skal skaleres, skal gennemgang også skaleres med det.

Ellers vil 2026 se ud til at være det samme som 2025 – blot hurtigere.