Annonse
debatt
KI-koding krever bedre systemforståelse
KI-assistert koding kan gi tre ganger høyere leveransetempo, men også tregere utvikling. Det avhenger av kunnskap om organisasjonen.
Hvor fort KI skriver kode, forteller oss ikke hvor fort et team kan gjøre en riktig endring i et virkelig system. Fremtidens utviklingsteam må være like gode til å hente ut kunnskap fra organisasjonen som til å skrive kode.
Anthropic har nettopp lansert Claude Fable 5.1, og OpenAI har lansert GPT-6 Astra. Begge kan skrive og endre kode med imponerende fart. Disse KI-modellene kan nå gjøre mye av det vi tidligere trengte erfarne utviklere til: Sette seg inn i store programmer, finne feil og utføre endringer i komplekse systemer. Det frister å tro at programvareutvikling nå handler om å gi modellen en oppgave og vente på resultatet.
Den vanskelige delen er ofte å fastslå hva endringen skal innebære. De fleste virksomheter videreutvikler systemer der data og regler har vokst frem over mange år. Før KI skriver koden, må teamet finne ut hvilke data som gjelder, hvilke unntak som skal videreføres, og hvordan endringen påvirker dette systemet og andre systemer i organisasjonen. Uten den avklaringen kan modellen produsere fungerende kode som løser feil oppgave.
Brukte lengre tid
I en studie av KI-assistert koding trodde erfarne utviklere at KI ville gjøre dem 24 prosent raskere på oppgaver i kodebaser de kjente. I praksis brukte de 19 prosent lengre tid. Studien ble gjennomført med verktøy fra første halvår 2025. Forskerne mener at nyere KI-verktøy vil gi større gevinster, men den viktige lærdommen står igjen: Å produsere kode er bare én del av arbeidet med å få en endring trygt i drift.
Vi har sett dette på nært hold i flere utviklingsprosjekter. I store virksomheter skulle eldre, forretningskritiske systemer bygges om innenfor stramme tids- og kostnadsrammer. KI skulle brukes i utviklingen, og de nye systemene skulle være klare for videre bruk av KI. Begge deler krevde at teamene forsto systemene de skulle erstatte. Kode og dokumentasjon ga deler av svaret. Resten måtte de finne hos menneskene som brukte systemene.
I intervjuene var det særlig viktig å få frem unntakene. «Hvordan fungerer salgsprosessen?» gir gjerne normaltilfellet. «Hva skjedde sist en ordre feilet?» kan avdekke en regel som aldri ble skrevet ned. Når svarene spriker, må teamet undersøke hva systemet faktisk gjør og avgjøre hva det skal gjøre fremover. Forskning på intervjuer om systemkrav viser hvordan slike samtaler kan få frem taus kunnskap.
Teamet gjorde funnene fra intervjuene til en del av et større arbeid med informasjonsinnhenting, analyse, systemarkitektur og prosjektplanlegging. De gikk tilbake mellom stegene når nye spørsmål og beslutninger krevde det. Før KI begynte å skrive kode, forelå en arkitektur med diagrammer som viste hvordan systemet skulle henge sammen. Derfra utarbeidet teamet spesifikasjoner for hver oppgave og komponent. Agenten kunne hente fram diagrammene for å forstå hva spesifikasjonen måtte ta høyde for, og fikk dermed tilgang til helheten bak den enkelte oppgaven. Utviklerne gjennomgikk og testet koden, fulgte framdriften og tok nye innsikter med tilbake i arbeidet.
Annonse
Tre ganger raskere
Denne metoden har resultert i opptil tre ganger høyere leveransetempo, samtidig som kvalitetskravene ble opprettholdt. Manuelt vedlikehold ble redusert. Virksomhetene er på vei mot én pålitelig datakilde og et system som kan endre seg etter behov. Temposkiftet kom fra kombinasjonen av bedre systemforståelse og KI-assistert koding.
Det er dette vi mener med å gjøre bedriften lesbar for KI. En modell trenger tilgang til mer enn kildekode. Den trenger beskrivelser av hva bedriftens begreper betyr, hvilken datakilde som gjelder, hvilke unntak som finnes, og hvordan en riktig løsning kan testes. Beslutningene må tas vare på, slik at neste utvikler og neste KI-modell kan bygge videre på dem.
Denne arbeidsmåten flytter innsatsen i utviklingsprosjektet. Teamet kan prøve flere løsninger, avgrense oppgaven og be modellen lage kode og tester for én del om gangen. Vi tror utviklingsteam fremover vil bruke en større del av tiden på intervjuer, spesifikasjon og kontroll, og en mindre del på selve kodingen.
Vi kaller dette rearkitektering for KI. Arbeidet begynner i eksisterende systemer, der fagfolk, utviklere og arkitekter må avklare regler, data og ansvar sammen. KI gjør det mulig å omsette denne forståelsen til kode i et nytt tempo. Jo mer kode KI kan skrive, jo mer avgjørende blir menneskenes evne til å forstå hva virksomheten faktisk gjør.
