Den udviskede grænse mellem "vibe coding" og seriøs AI-udvikling – og hvorfor det burde gøre dig urolig

Tidligere troede vi, at AI-værktøjer til kodning hørte til i to klare bokse: hurtig prototyping eller rigtig professionel udvikling. Nu er den grænse ved at forsvinde. Det rejser spørgsmål om ansvar, tillid og hvad "klar til produktion" egentlig betyder med AI.

Den oprindelige plan: To klare spor

Forskellen var enkel.

Vibe coding var det kaotiske. Ikke-programmører bad AI om at lave noget, der bare virkede. Brug det til personlige værktøjer, midlertidige scripts eller weekendprojekter. Går det i stykker? Du betaler prisen selv. Ingen skade sket.

Agentic engineering var det professionelle. Erfarne udviklere brugte AI til at booste deres evner – med fokus på sikkerhed, vedligeholdelse og ydeevne. Du var stadig eksperten. AI var bare din hjælper.

Teorien lød godt. I virkeligheden bliver det mudret.

Den ubehagelige sandhed

Modellerne er blevet alt for gode. Selv erfarne folk springer review over.

Du beder Claude eller din kode-agent om en JSON API med SQL-forespørgsler, tests og docs. Du ved, det bliver perfekt. Så læser du ikke koden. Du merger bare.

Engang? Ok. Ti gange? Dårlig vane. Hundrede gange? Du er gliddet tilbage til vibe coding – bare med et pro-cv, du ikke har fortjent.

Black box-problemet (som egentlig er normalt)

Modargumentet holder vand: I store teams reviewer du ikke alt, dine kolleger laver. Du stoler på billedredigerings-service uden at tjekke indeni. Du bruger libraries uden at læse koden. Du delegerer.

Hvorfor? Teams har ry. Folk har hud i spillet. Ansvar er indbygget.

AI har ingen ry at miste. Den kan ikke fyres. Den genererer bare baseret på træningsdata.

Men... den leverer igen og igen. Tillid føles logisk.

Den ægte fare: Normalisering af afvigelser

Fra ingeniørarbejde (NASA-stil): normalization of deviance. Du bryder regler uden problemer, og snart ser det ikke længere ud som brud.

Hver gang AI-kode shippes uden tjek og virker, kommer du nærmere katastrofen. Du opdager fejl først i produktion.

Ikke fordi AI er upålidelig. Fordi den er god nok til at sænke vores standarder.

Hvordan holder du hovedet koldt (og ansvarligt)

Bygger du software, der betyder noget – med andres data eller oplevelser på spil? Følg et setup:

1. Sorter koden efter risiko. Ikke alt kræver samme tjek. En config-fil er ikke som auth-logik. Auth er ikke som betalingshåndtering.

2. Definer "review" præcist. Det er ikke altid linje-for-linje. For lav-risiko AI-kode: kør tests, tjek logik, spot-check sikkerhed, vurder performance.

3. Håndter AI som et team. Stol på dem til rutineopgaver. Bliv involveret i arkitektur og følsomme områder. Du er senioren. De er juniorerne.

4. Våg din egen bias. Skip review fordi "det plejer at virke"? Notér det. Spor fejl (de kommer). Lad data styre tilliden, ikke bekvemmelighed.

Den hårde realitet

Vi er midt i overgangen. Værktøjerne er imponerende. Din produktivitet stiger. Men vi ved ikke endnu, hvordan vi bruger dem ansvarligt – og branchen taler knap om det.

Open source løste det med ry, gennemsigtighed og ansvar via åbenhed. AI skal have sin version.

Indtil da? Ansvaret er dit. Vær på vagt. Vær ærlig om, hvad du tjekker og hvorfor. Husk: Koden virker ikke altid, bare fordi du "byggede" den.

Hvordan håndterer du AI-kodningsværktøjer? Føler du dig i gråzonen? Fortæl i kommentarerne – vi skriver historien sammen, og proffer skal styre den.