AI-genereret kode kræver stadig ægte ingeniørarbejde

Det var den store løsning: skriv en beskrivelse, og få færdig kode. Med værktøjer som ChatGPT og Copilot kan man nu få en sorteringsalgoritme eller et REST-endpoint på få sekunder. Mange så det som en demokratisering – endelig kunne alle kode på højt niveau.

Men adgang er ikke det samme som ansvar.

Problemet med genveje

Når en studerende lader en LLM skrive sin kodeopgave, er det svært at opdage med traditionelle metoder. Koden kan være næsten identisk, selvom variabelnavne er ændret og formateringen anderledes. Det samme sker i virksomheder, hvor yngre udviklere bruger AI uden at forstå, hvad de implementerer.

Det farlige er tanken om, at "hvis det virker, er det godt nok".

Hvorfor det er blevet sværere at opdage

Tidligere kunne man fange kopier ved at sammenligne filer direkte eller bruge simple hashes. Men når strukturen ændres, variabler omdøbes, eller logikken skrives om, holder de gamle metoder ikke længere.

Derfor er moderne systemer gået over til flere lag af analyse.

Flere lag af kontrol

De fleste avancerede systemer kombinerer nu flere metoder:

• Direkte sammenligning fanger åbenlyse kopier hurtigt og præcist.
• Normaliseret analyse fjerner kommentarer og omdøber variable, så man kan se, om koden grundlæggende er den samme.
• Strukturanalyse bruger Abstract Syntax Trees til at finde ens logik, selvom implementeringen ser anderledes ud.
• Semantisk analyse går et skridt videre og bruger embeddings til at sammenligne, hvad koden faktisk gør – ikke bare hvordan den ser ud.

Det er denne kombination, der gør det muligt at fange AI-assisteret plagiat.

Hvad det betyder for din platform

Hvis du bygger et system, hvor kode indsendes, gennemgås eller integreres, er det ikke nok med én simpel kontrol. AI-assisteret kode kræver en mere grundig gennemgang, både teknisk og menneskeligt.

AI er nyttigt – men ikke uden konsekvenser

Værktøjerne er her for at blive. De sparer tid og gør det lettere at komme i gang. Problemet opstår, når ingen forstår den kode, der ender i produktion. En seniorudvikler bruger AI som hjælp. En junior kan bruge det som en erstatning for viden.

Det er ikke AI i sig selv, der er problemet. Det er afstanden mellem det, der genereres, og det, der forstås.

Sådan tilpasser du din arbejdsproces

• Styrk code review. Bed udviklere om at forklare deres løsninger – især de dele, der ser ud til at komme direkte fra en model.
• Brug semantisk analyse. Hvis du håndterer mange indsendelser, kan embeddings-baserede værktøjer afsløre, hvad simpler matching overser.
• Dokumentér intentionen. Når AI har skrevet dele af koden, er det vigtigt at forklare, hvorfor løsningen er valgt.
• Test grundigere. AI-kode ser ofte fornuftig ud, men mangler kanttilfælde.

Det handler om evaluering

Let adgang til kodegenerering betyder ikke, at vi slipper for det hårde arbejde. Vi har bare flyttet det fra skrivning til vurdering.

Det er der, den reelle ingeniørkunst ligger.

Hos NameOcean arbejder vi dagligt med spørgsmål om kodekvalitet, sikkerhed og balancen mellem automatisering og forståelse. Skriv gerne, hvis du står med lignende udfordringer i stor skala.