Kan utviklere omfavne “vibe coding” uten at bedriftene omfavner teknisk gjeld?

Da OpenAI-grunnlegger Andrej Karpathy myntet begrepet “vibe coding” for en uke siden, fanget han et vendepunkt: utviklere stoler stadig mer på generativ AI til å utarbeide kode mens de fokuserer på høytnivå-veiledning og “nesten ikke berører tastaturet”.

Grunnleggende LLM-plattformer – GitHub Copilot, DeepSeek, OpenAI – former om programvareutvikling, med Cursor som nylig ble det raskest voksende selskapet noensinne til å gå fra 1 million dollar i årlig gjentakende inntekt til 100 millioner dollar (på mindre enn ett år). Men denne hastigheten kommer med en pris.

Teknisk gjeld, som allerede er estimert å koste bedrifter oppover 1,5 billioner dollar årlig i drifts- og sikkerhetsuhensiktsmessigheter, er ingen nyhet. Men nå står bedriftene overfor en ny og, tror jeg, enda større utfordring: AI-teknisk gjeld – en stille krise drevet av ineffektiv, feilaktig og potensielt usikker AI-generert kode.

Menneskeflaskehalsen har skiftet fra kode til kodebase-gjennomgang

En undersøkelse fra GitHub i 2024 fant at nesten alle bedriftsutviklere (97%) bruker generativ AI-kodeteknikker, men bare 38% av US-utviklerne sa at deres organisasjon aktivt oppmuntret til bruk av Gen AI.

Utviklerne elsker å bruke LLM-modeller til å generere kode for å sende inn mer, raskere og bedriften er innrettet på å accelerere innovasjon. Men – manuelle gjennomganger og legacy-verktøy kan ikke tilpasse seg eller skaleres for å optimalisere og validere millioner av linjer med AI-generert kode daglig.

Med disse markedskreftene anvendt, kan tradisjonell styring og tilsyn bryte sammen, og når det bryter sammen, sipper under-validerende kode inn i bedriftsstakken.

Oppblomstringen av utviklere som “vibe coder” risikerer å overdrive volumet og kostnadene av teknisk gjeld, med mindre organisasjonene implementerer retningslinjer som balanserer innovasjonshastighet med teknisk validering.

Illusjonen av hastighet: Når AI overgår styring

AI-generert kode er ikke i seg selv feilaktig – det er bare uvaliderende i tilstrekkelig hastighet og skala.

Vurdér dataene: alle LLM-er viser modelltap (hallusinasjon). En nylig forskningsrapport som vurderte kvaliteten på kodegenerering av GitHub Copilot fant en feilrate på 20%. Det kombinerer problemet med den enorme volumet av AI-utgang. En enkelt utvikler kan bruke en LLM til å generere 10 000 linjer med kode på minutter, og overgår evnen til menneskelige utviklere til å optimalisere og validere den. Legacy statiske analytikere, designet for menneskeskrevet logikk, sliter med de probabilistiske mønsterene i AI-utgangene. Resultatet? Oppblåste skyregninger fra ineffektive algoritmer, compliance-risiko fra uverifiserte avhengigheter og kritiske feil som lurer i produksjonsmiljøer.

Våre samfunn, selskaper og kritiske infrastrukturer avhenger alle av skalerbar, bærekraftig og sikker programvare. AI-drevet teknisk gjeld som sipper inn i bedriften kan bety forretningskritisk risiko… eller verre.

Gjenopprette kontrollen uten å drepe vibene

Løsningen er ikke å forlate generativ AI for kodning – det er for utviklere å også utrolle agensiske AI-systemer som massivt skalerbare kode-optimizerere og verifiserere. En agensisk modell kan bruke teknikker som evolusjonære algoritmer til å iterativt forbedre kode over flere LLM-er for å optimalisere den for nøkkel-ytelsesmetrikker – som effektivitet, kjøretid, minnebruk – og verifisere dens ytelse og pålitelighet under forskjellige forhold.

Tre prinsipper vil skille bedrifter som trives med AI fra de som vil drukne i AI-drevet teknisk gjeld:

1. Skalerbar validering er ikke forhandlingsbart: Bedrifter må adoptere agensiske AI-systemer som kan validere og optimalisere AI-generert kode i skala. Tradisjonelle manuelle gjennomganger og legacy-verktøy er utilstrekkelige til å håndtere volumet og kompleksiteten av kode produsert av LLM-er. Uten skalerbar validering vil ineffektiver, sikkerhetsvulnerabiliteter og compliance-risiko spre seg, og underminere bedriftsverdien.

2. Balanser hastighet med styring: Mens AI akselererer kodeproduksjon, må styringsrammeverk utvikle seg for å holde tritt. Organisasjoner må implementere retningslinjer som sikrer at AI-generert kode møter kvalitets-, sikkerhets- og ytelsesstandarder uten å kvæle innovasjon. Denne balansen er kritisk for å forhindre at illusjonen av hastighet forvandler seg til en kostbar realitet av teknisk gjeld.

3. Kun AI kan holde tritt med AI: Det enorme volumet og kompleksiteten av AI-generert kode krever like avanserte løsninger. Bedrifter må adoptere AI-drevne systemer som kan kontinuerlig analysere, optimalisere og validere kode i skala. Disse systemene sikrer at hastigheten av AI-drevet utvikling ikke kompromitterer kvalitet, sikkerhet eller ytelse, og muliggjør bærekraftig innovasjon uten å ackumulere lammende teknisk gjeld.

Vibe coding: La oss ikke bli medtatt

Bedrifter som utssetter handling på “vibe coding” vil på et tidspunkt måtte møte musikken: marginerosjon fra løpske skykostnader, innovasjonslammelse da teamene sliter med å feilsøke skjør kode, teknisk gjeld og skjulte risiko av AI-introduserte sikkerhetsfeil.

Vei fremover for utviklere og bedrift alike krever at man erkjenner at kun AI kan optimalisere og validere AI i skala. Ved å gi utviklerne tilgang til agensiske valideringsverktøy, er de fri til å omfavne “vibe coding” uten å overgi bedriften til økende AI-generert teknisk gjeld. Som Karpathy bemerker, er potensialet for AI-generert kode spennende – selv berusende. Men i bedriftsutvikling, må det først være en vibe-sjekk av en ny evolusjonær type agensisk AI.