Koding med kunstig intelligens: verktøy og grenser

01Hva gjør AI når den skriver kode?

Kodeassistenter er språkmodeller trent på store mengder åpen kildekode og dokumentasjon. De ser på konteksten du skriver, forutsier neste linje, lager en funksjon ut fra beskrivelsen din eller leser feilmeldingen og sier hva som trolig er årsaken.

Det kritiske punktet er dette: modellen forstår ikke koden, den gjetter. Som oftest treffer gjetningen, men hvis den ikke kjenner prosjektets særegne regler, databaseskjemaet eller en avhengighet tre filer unna, kan den lage en løsning som ser fornuftig ut, men er feil. Effektiviteten ved programmering med AI mangedobles i hendene på en utvikler som kjenner denne forskjellen.

Denne artikkelen handler om AIs plass i det daglige kodearbeidet. Hvis du lurer på hvordan den bør plasseres på lag- og prosessnivå, gir artikkelen vår om AI-støttet programvareutvikling en bredere ramme.

02Typer kodeassistenter

Selv om verktøyene på markedet hele tiden endrer seg, deler de seg i tre grupper etter arbeidsmåte. Hvilken gruppe som passer deg, avhenger av hvor stort arbeidet du gjør er.

Fullføring i editoren

Verktøy som GitHub Copilot foreslår kode som grå tekst mens du skriver. De sparer tid på repeterende strukturer, når du lager testdata og i syntaksen til et bibliotek du ikke er vant til. For offisiell bruksinformasjon kan du se dokumentasjonen til GitHub Copilot.

Verktøy av agenttype

Verktøy av agenttype som Claude Code kjører i terminalen eller editoren. De kan lese prosjektfiler, kjøre kommandoer og foreslå endringer i flere filer. Denne kraften gjør spørsmål om rettigheter og kontroll enda viktigere. Den generelle logikken bak agenter har vi beskrevet i artikkelen hva er en AI-agent.

03Hvor gir det fart?

AI skinner mest i arbeid der reglene er klare, men som er kjedelige å skrive. For erfarne utviklere er den egentlige gevinsten at de får bruke mer tid på delen som krever tenking.

• Standardkode: Skjemavalidering, datatransformasjon, enkle CRUD-endepunkter.
• Testskjelett: Utkast til enhetstest og en liste over grensetilfeller for en eksisterende funksjon.
• Feilsøking: Gi feilmeldingen og den aktuelle koden og be om en liste over mulige årsaker.
• Kodelesing: Få en oppsummering av hva en gammel modul eller en modul skrevet av andre gjør.
• Konvertering: Flytte et lite skript fra ett språk til et annet språk eller bibliotek.
• Dokumentasjon: Funksjonsbeskrivelser, README og installasjonsnotater.

04Slik bygger du en trygg arbeidsflyt

Den viktigste vanen i koding med AI-støtte er å holde hver endring reversibel. Veien dit er versjonskontroll. Er du ny i Git, anbefaler vi at du først leser artikkelen vår hva er Git.

Flyten under fungerer uansett hvilken assistent du bruker: opprett en egen gren, gi en liten og avgrenset oppgave, gå gjennom endringen, kjør testene, og først etter det slår du den sammen.

git checkout -b ai/form-dogrulama
# gjør endringen med assistenten
git status
git diff
npm test
git add -p
git commit -m "Legg til skjemavalidering"

05AIs grenser og feller

Feilene til kodeassistenter er ofte stille: koden kompilerer, kjører, men gir feil resultat. Derfor må du kjenne risikoene på forhånd.

Oppdiktede biblioteker og funksjoner

Modellen foreslår av og til et pakkenavn eller en funksjon som ikke finnes. Før du installerer en ukjent pakke, bør du sjekke at den finnes i det offisielle pakkelageret og kommer fra en pålitelig kilde. Skadelige pakker med lignende navn er en reell trussel.

Sikkerhetshull

Å bygge SQL-spørringer ved å slå sammen tekst, ikke filtrere brukerinput eller legge hemmelige nøkler inn i koden er vanlige feil i generert kode. Sikkerhetsgjennomgangen skal ikke overlates til AI, den må gå gjennom menneskelig kontroll.

Manglende kontekst

Hvis assistenten ikke kjenner prosjektets arkitekturvalg, skriver den om en eksisterende hjelpefunksjon eller lager en struktur som bryter lagets regler. Å ha prosjektreglene i en skriftlig fil og gi dem til assistenten reduserer dette problemet mye.

Lisens og personvern

Før du sender kundens kildekode eller hemmelige nøkler til en ekstern tjeneste, bør du sjekke virksomhetens retningslinjer og verktøyets vilkår for databruk.

06Hvordan gir man assistenten en oppgave?

Kvaliteten på resultatet fra en kodeassistent står i forhold til hvor tydelig oppgaven er. En uklar forespørsel som «fiks denne siden» gjør at assistenten endrer et stort område ut fra egne antakelser. Små, målbare oppgaver gir både bedre resultat og enklere gjennomgang.

En god oppgavebeskrivelse sier hvilken fil det skal jobbes i, forventet oppførsel, hva som ikke skal røres og hvordan suksess skal verifiseres. Å si for eksempel «vis en feilmelding hvis e-postfeltet er tomt i kontaktskjemaet, bruk de eksisterende stilklassene, ikke rør de andre feltene, legg til den aktuelle testen» gir et mye tryggere resultat enn en forespørsel på én setning.

I en lang økt vokser konteksten, og assistenten kan begynne å glemme reglene fra starten. Du reduserer problemet ved å dele et stort arbeid i deler og la hver del gå i en egen økt og som en egen commit.

07Hva bør du se etter i kodegjennomgang?

Kode fra AI må gjennomgås med andre øyne enn kode fra mennesker. Mennesker gjør feil av tretthet, mens modellen gjør feil med stor selvsikkerhet. Gjennomgangslisten må ta hensyn til denne forskjellen.

1. Er endringen begrenset til den oppgaven som ble bedt om, eller er andre filer rørt?
2. Finnes alle pakker og funksjoner som brukes faktisk?
3. Er grensetilfeller vurdert: tom liste, null, manglende felt, store datamengder?
4. Valideres brukerinput, og er spørringene parametrisert?
5. Måler testene faktisk oppførselen, eller er de bare skrevet for å bestå?
6. Er koden enkel nok til at teamet kan lese og vedlikeholde den?

08Bruk i nett- og bedriftsprosjekter

I virkelige prosjekter endrer AI heller utviklerens tempo enn at den tar plassen hans. I et prosjekt for en bedriftsnettside går komponentskjeletter og innholdskonvertering raskere, men designvalg, tilgjengelighet og hastighet og ytelse krever fortsatt måling og erfaring. Også i bransjespesifikke programvareløsninger for bestilling, reisebyrå eller eiendom designes forretningsreglene og datamodellen av teamet før assistenten kommer inn.

I systemer som snakker med markedsplasser, frakt eller betalingstjenester er feilmarginen veldig liten. I arbeid som integrasjoner for nettbutikker hjelper AI til med å lese dokumentasjon og lage testdata, mens hver linje som går til produksjonssystemet verifiseres i testmiljø.

Markedsføringsteam har også små gevinster: skript som sjekker om konverteringskoder er riktig satt opp, eller raske prototyper til kampanjesider. Å knytte disse resultatene til målestrategien er en del av planen for digital markedsføring.