Vibe-kodning, AI och den nya verkligheten inom ingenjörskonst

För tio år sedan lät idén att AI kunde skriva kod istället för programmerare mer som en spännande fantasi. Idag har det blivit en del av vår vardag. MVP:er byggs på dagar, gränssnitt genereras från textprompt och AI-assistenter blir fullvärdiga medlemmar i ingenjörsteam.

Mot denna bakgrund ställer allt fler människor samma frågor: Är AI verkligen på väg att ersätta programmerare? Kan artificiell intelligens verkligen matcha och ersätta en senioringenjör? Och vad kommer att hända med yrket i närtid?

Jag är själv utvecklare och har en åsikt om detta. Låt oss bryta ner det.

Vad är kärnan i problemet?

Det finns en dominant berättelse om AI-programmering som går så här:

AI blir extremt effektivt på att skriva kod och, viktigt, undviker redan många av de vanliga misstagen som människor gör. Ännu mer intressant är att AI kanske är bättre på att hantera så kallade edge cases: sällsynta och ovanliga scenarier som är vanliga inom programvaruteknik och ofta svåra för utvecklare att förutse i förväg.

När programmeraren säger “Jag vill ha en knapp här”, får de svar: “Här är knappen, här är 18 edge cases du bör överväga, här är testerna du behöver köra och förresten kanske du också vill lägga till det och det.” Du kan titta på det och tycka: “Ja… det verkar faktiskt rimligt.” På egen hand kanske du hade insett dessa problem veckor senare – efter att något redan hade gått fel i produktion. AI föreslår ofta lösningar omedelbart. För ingenjörer som redan har jobb ökar det avsevärt produktiviteten och effektiviteten.

Och denna berättelse leder direkt in i en ekonomisk fråga: om ett företag tidigare behövde 100 utvecklare för att hantera en viss arbetsbelastning, kan det nu teoretiskt sett bara behöva 20 – eftersom de 20 kan åstadkomma samma mängd arbete med AI-stöd.

Vad döljer sig bakom denna acceleration?

Allt oftare ser jag mycket starka programvaruingenjörer frukta för sina positioner, plats på marknaden och inkomst. Det känns som om det snart inte kommer att finnas något arbete kvar för kodare.

Och mitt svar är vanligtvis: killar, det är förmodligen inte så dramatiskt som det verkar. I själva verket vinner erfarna ingenjörer en ny typ av värde just nu. Eftersom vi kanske är en av de sista generationerna av utvecklare som faktiskt skrev kod för hand och djupt förstår hur system fungerar under huven. Nästa generation arbetar alltmer genom AI-verktyg – och tillsammans med det förändras själva ingenjörspraktiken.

Här är vad den tidigare berättelsen inte tar hänsyn till:

AI-genererad kod ser ofta perfekt ut. Uppgifterna löses, gränssnitten fungerar och allt körs. Men över tid, på lång sikt, börjar mer subtila problem dyka upp: arkitekturkompromisser, svaga ingenjörsbeslut, problem med datastrukturer eller skalbarhetsproblem. Och det beror på att AI redan är mycket bra på att lösa lokala uppgifter, medan den långsiktiga logiken för stora system fortfarande kräver mänsklig erfarenhet och ingenjörskompetens.

Därför behöver team, när dessa projekt når allvarliga produktionsmiljöer – banker, e-handelsplattformar, storskaliga tjänster – fortfarande människor som kan djupt analysera arkitektur, identifiera rotorsaker och återställa den övergripande systemlogiken.

Jag får ofta samtal från vänner som säger saker som: “Michael, kan du hoppa in och hjälpa oss förstå varför systemet börjar bryta samman?” Även om jag idag arbetar med fysisk AI på Introspector, hjälper jag fortfarande ibland till med den här typen av svåra manuella ingenjörsuppgifter: att rekonstruera systemlogik, analysera arkitektur och ta reda på var problem började ackumuleras.

Och det är exakt varför jag tror att starka ingenjörer kommer att förbli mycket värdefulla under lång tid. Samtidigt är det ofta erfarna ingenjörer som hjälper till att förbättra och träna AI-modeller idag. På Keymakr såg vi detta första hand när vi sökte efter erfarna utvecklare för att validera kod och hjälpa träna modeller – människor som kan lita på riktigt ingenjörstänkande, praktisk erfarenhet och en djup förståelse för hur system beter sig i den verkliga världen.

De viktigaste hypoteserna

Och detta leder oss till den största frågan om framtiden: vart leder allt detta till slut? Hur växer vi upp nästa generation av ingenjörer om de kommer in i branschen via en helt annan väg från början?

Om vi tittar på situationen objektivt, utan hype eller rädsla, ser jag några möjliga scenarier.

• En oklar framtid

Det första och förmodligen mest ärliga svaret är att mycket få människor idag tänker så långt fram. Enkelt sagt för att ingen ännu fullständigt förstår hur denna framtid kommer att se ut i praktiken.

Kanske, om några år, kommer AI-agenter verkligen att kunna skriva nästan perfekt kod – med stark arkitektur, skalbarhet och kontextuell förståelse. Just nu är den frågan fortfarande helt öppen.

Samtidigt fortsätter stora teknologiföretag som Apple, Microsoft och Google att aktivt anställa starka forskare, PhD-specialister och människor från akademiska miljöer. Det antyder förmodligen att de tror att djup ingenjörskompetens kommer att förbli viktig även i en värld där mest kod genereras automatiskt.

Mindre företag, däremot, opererar ofta med en mycket annorlunda planeringshorisont. När du inte vet om ditt startup kommer att existera om sex månader blir det svårt att seriöst tänka på vad som kan hända om tio år. Naturligtvis vill ingen medvetet bygga något som är fundamentalt trasigt. Team försöker identifiera potentiella risker och svagheter.

Men i verkligheten är logiken ofta mycket enklare: först bygga en produkt som fungerar och genererar inkomst – sedan hantera arkitektur, optimering och omskrivning av systemet senare. Problemet är att, i många projekt, “senare” fortsätter att skjutas upp oändligt.

• Utveckling i spiraler

Det andra svaret, enligt mig, är ännu mer intressant. Om du tittar på branschens historia har den redan gått igenom liknande övergångar många gånger tidigare. De allra första programmerarna arbetade med hålkort. Sedan kom generationen av ingenjörer som skrev i Assembly – något som redan är svårt för många moderna utvecklare att ens föreställa sig. Då var man tvungen att förstå hur hårdvaran fungerade, tänka i termer av processorlogik och ha en enorm mängd lågnivåkomplexitet i huvudet.

Sedan kom eran av COBOL. Hela bankmainframes byggdes på det, och det mest förvånande är att en betydande del av den globala bankinfrastrukturen fortfarande körs på dessa gamla system idag. Det finns fortfarande programmerare i 60- och 70-årsåldern som underhåller den här kodbasen, och de förblir extremt värdefulla specialister.

Nästa generation gick vidare till C++, Python och JavaScript. Jag tillhör den eran. Till exempel förstår jag knappt hur COBOL fungerar. I teorin kunde jag lära mig det – men för mig känns det redan som något avlägset och främmande.

Och när du tittar på detta historiskt dyker ett intressant mönster upp: varje ny generation av ingenjörer behöver inte längre djupt förstå hur den tidigare generationens teknologi fungerade. Med tiden blir kunskapen inbäddad i infrastrukturen själv.

Hålkort försvann för länge sedan – deras logik är nu inbyggd i processorer. Assembly försvann till stor del som ett mainstreamverktyg eftersom dess komplexitet blev dold inom operativsystem, drivrutiner och lägre abstraktionsnivåer. Till och med dina hörlurar idag innehåller förmodligen ett litet operativsystem som kör all denna dolda komplexitet i bakgrunden – de flesta människor tänker bara aldrig på det.

Naturligtvis finns det fortfarande specialister som förstår all denna lågnivåmagi. Men för mestadelen av branschen har det redan blivit en abstraktionsnivå.

Och det leder till en mycket logisk idé: kanske är AI bara nästa steg i denna utveckling. Kanske kommer nästa generation verkligen inte att behöva förstå klassisk programmering lika djupt som vi gjorde.

• Marknadens ekonomi

En annan hypotes jag har är att vibe-kodning – eller AI-assisterad utveckling – till slut kommer att sluta uppfattas som “kostnadsfri acceleration”. I verkligheten är det redan inte helt gratis; det är bara att inte alla noga beräknar den verkliga ekonomin bakom det.

Modeller, token, infrastruktur, konstanta förfrågningar, underhåll av hela AI-pipelinen – allt detta blir gradvis en betydande operativ kostnad. Därför tror jag att företag snart kommer att börja titta mycket närmare på den verkliga kostnaden för AI-assisterad utveckling och ställa en mycket pragmatisk fråga: vad är egentligen mer effektivt – att utöka ett ingenjörsteam eller att underhålla hela AI-infrastrukturen kring utveckling?

En mycket realistisk scenario är att starka ingenjörsteam till slut kommer att visa sig vara mer ekonomiskt hållbara, särskilt när det gäller att underhålla, utveckla och stödja produkter på lång sikt.

Men jag tror att detta faktiskt är där en ny typ av ingenjörsteam kan dyka upp: mycket små grupper av högt erfarna specialister som fokuserar på att underhålla stabiliteten och motståndskraften i infrastrukturen själv. Med tiden kan detta bli en av de mest värdefulla ingenjörsspecialiseringarna i branschen.

• Människor som kommer att arbeta bredvid AI

Och den sista antagandet – fast en mycket realistisk sådan – är att nästa generation av ingenjörer sannolikt kommer att behöva bygga sina karriärer i en helt annan miljö. Och detta går långt utöver programmering ensam. Liknande förändringar börjar redan omforma juridik, finans, medicin och nästan alla områden där AI kan ta över en betydande del av intellektuellt rutinarbete.

Trots allt detta tenderar jag att se vad som händer ganska positivt. Förmodligen för att jag överlag gillar framsteg. Jag gillar idén att teknologi kan förbättra människors liv, frigöra människor från enorma mängder repetitivt arbete och göra många processer säkrare och mer effektiva.

Till exempel visar autonoma körningssystem som Teslas eller Waymos redan imponerande höga nivåer av säkerhet i många scenarier jämfört med mänskliga förare. Och det är verkligen imponerande.

Samtidigt kommer världen som våra barn går in i att bli mycket mer komplicerad i termer av professionell identitet. De kommer att behöva söka efter sin plats och syfte i ett snabbt föränderligt landskap.

Om ett barn idag vill bli advokat, finansiell analytiker eller programmerare, finns det en stark chans att dessa yrken kommer att se helt annorlunda ut i framtiden. Kanske kommer dessa att bli specialister som arbetar nära AI inom juridik, finans eller programmering – människor som opererar AI-system, validerar utdata, tillhandahåller sammanhang och fattar de viktiga besluten.

Jag tror att det är viktigt att inse att nästan var och en av dessa scenarier redan känns realistiska idag. Och oavsett om vi gillar det eller inte är allt som händer nu en del av en mycket större våg av teknologisk framsteg. Det är mycket osannolikt att denna process kan stoppas. Vilket innebär att vi kommer att behöva lära oss att leva i denna nya värld – gradvis lära oss att balansera den, kommunicera med den och kanske till och med utveckla en ny form av samexistens bredvid den.