Vad databasutvecklare kan lära oss om AI-kodningsagenter

Låt mig vara ärlig: varje vecka dyker det upp rubriker om hur AI-agenter skriver kod snabbare än mänskliga utvecklare. Cursor byggde om SQLite på några dagar. Mjukvarufabriker spottar ut pull requests i volym. Det räcker för att få vilken utvecklare som helst att undra om jobbet har sina bäst-före-dagar räknade.

Men här är vad de rubrikerna missar: hastighet är den enkla biten. Att få agenter att skriva kod snabbt? Det problemet är redan löst. Att få dem att skriva kod som du faktiskt litar på i produktionssystem? Det är den riktiga utmaningen som ingen vill prata om.

Cockroach Labs delade nyligen sin approach på det här problemet, och det är värt att granska – speciellt om du driver ett startup eller funderar på att integrera AI-agenter i ditt arbetssätt.

Den stora frågan

Under 2024 la Cockroach Labs till stöd för Oracle-databaser i sitt migrationsverktyg MOLT. Projektet tog nio månader och kostade ungefär 160 000 dollar i ingenjörstid. Solid, professionellt arbete av erfarna ingenjörer.

Sedan kom april. Teamet behövde lägga till stöd för IBM Db2 – en databas med ett rikt SQL-dialekt, komplext typsystem och native wire-protocol. Samma tekniska omfattning.

De klarade det på mindre än två dagar. Den totala kostnaden blev 4 172 dollar.

Haken? Ingen människa skrev någon av kodraderna.

Innan du börjar skissa på din uppsägning, fundera på vad som möjliggjorde detta: det var inte bara smartare agenter. Det var ett system byggt kring en radikal grundpremis – att flaskhalsen inte är att skriva kod, utan att skriva trovärdig kod.

MOLT Sinai: En kodens akutmottagning

Cockroach Labs slängde inte bara agenter på problemet. De byggde det de kallar MOLT Sinai: en pipeline modellerad efter universitetssjukhus där problem blir "patienter", mergad kod blir "utskrivning", och mänskliga granskare blir "överläkare".

Vokabulären är charmig, men den underliggande filosofin är seriös:

• Problem är patienter: Varje uppgift kommer in i systemet med dokumentation, sorteras och följer en definierad vårdplan
• Dekomposition är diagnostik: Stora problem delas upp i delproblem med explicita beroendegraf. Grundjobbet före typsystem. Typsystem före raditeratorer. Man kan inte stressa fram bra kod.
• Granskning är rond: Varje bit arbete granskas, skickas tillbaka för revision (ibland 55 gånger per huvudärende), och eskaleras vid behov
• Människor är överläkare: Slutlig auktoritet stannar hos erfarna ingenjörer som kan eskalera ärenden till sig själva när något ser fel ut

Det här handlar inte om att ersätta läkare – det handlar om att bygga ett system där residents, AT-läkare och specialister alla har tydligt definierade roller.

Varför genomströmning är fel metrik

Här går de flesta AI-kodingexperiment fel: de optimerar för "PRs per timme" eller "rader kod per dag". De metrikerna känns spännande i demos. De gör bra rubriker. De är nästan oanvändbara för att faktiskt leverera mjukvara.

Cockroach Labs är brutalt ärliga: de föredrar att agenterna tar tio gånger längre tid än att fel data landar i en kunds migrering. För ett företag vars hela värdeproposition bygger på datakorrekthet är det här inte bara filosofi – det är överlevnadsfråga.

Deras fråga var inte "hur många PRs kan vi merga?" Den var "hur många av dessa PRs skulle vi skämmas för att merga?"

Den frågan borde fler team ställa sig, oavsett om de använder AI-agenter eller inte.

Vad som faktiskt hände

När Db2-stödet landade i MOLT:

• 32 underärenden öppnades under huvudärendet
• 27 pull requests mergades genom pipelinen
• 55 gånger skickade granskare tillbaka arbete för revision
• 9 ärenden eskalerades, varav 2 krävde mänsklig inblandning
• Testtäckningen matchade deras bäst testade dialekt (PostgreSQL)

Agenterna var inte perfekta. De filade egna problem: luckor i fixtures, buggar i typmappning, fixar av isoleringsnivåer. De behövde tillsyn. Men tillsynen var strukturerad, ändamålsenlig och skalas efter arbetets komplexitet.

Jämför det med en mjukvarufabrik som kör agenter parallellt med ett merge-hanteringslager. Den arkitekturen fungerar när flaskhalsen är skrivhastighet. För korrekthetskritiskt arbete? Då behöver du något som snarare liknar en akutmottagning än en fabriksgolv.

Vad det här betyder för ditt team

De flesta av er bygger inte databas-migreringsverktyg. Ni bygger webbappar, API:er, interna verktyg, MVP:ar för nästa stora grej. Insatserna är annorlunda.

Men läxan gäller: AI-agenter excellerar vid volym, människor excellerar vid omdöme. De team som får verkligt värde från AI-kodning prompar inte bara ChatGPT och skeppar outputen. De bygger system som utnyttjar varje parts styrkor.

Det kan innebära:

• Använda agenter för boilerplate, tester och ställningar
• Bygga granskningspipelines som fångar det agenter missar
• Behandla agentoutput som "första utkast" snarare än "redo att skeppa"
• Hålla människor i loopen för allt som rör kunddata eller kärn-affärslogik

De utvecklare som kommer att blomstra tillsammans med AI-agenter är inte de som lär sig skriva snabbare. De är de som lär sig bygga system som gör AI till en kraftmultiplikator snarare än en risk.

Sammanfattningen

MOLT Sinai processade motsvarigheten till nio månaders ingenjörsarbete på två dagar, till 2,5 procent av kostnaden, med kvalitet som matchar mänskligt skriven kod.

Men den rubriken döljer vad som faktiskt hände: ett team av människor byggde ett rigoröst system, definierade tydliga roller, etablerade meningsfulla kontrollpunkter, och lät sedan sina agenter arbeta inom den ramen.

Agenterna ersatte inte ingenjörerna. De förstärkte dem.

Det här är inte en historia om AI som ersätter utvecklare. Det är en historia om utvecklare som bygger system tillräckligt sofistikerade för att använda AI väl.

Och ärligt talat? Det är den versionen av den här berättelsen som är värd att uppmärksamma.

Trött på infrastruktur som saktar ner dig? Vibe Hosting kombinerar AI-driven deployment med den pålitlighet du behöver för att skeppa snabbt utan rädslan. Domain registration, SSL-certifikat och molnhosting – allt på ett ställe.