Ruby vinder frem igen – men ikke af de grunde, du tror

Påstår du, at Ruby er det bedste sprog til AI-assisteret udvikling i 2024, risikerer du at møde skepsis. De fleste diskussioner handler om trends og popularitet, og Ruby er sjældent det første, der nævnes.

Alligevel har et nyt eksperiment sat spørgsmålstegn ved den opfattelse.

Et eksperiment uden forudindtagede meninger

Coolhand Labs ville måle, hvordan AI klarer sig på tværs af forskellige sprog. De gav samme opgave til Claude Code med Sonnet 4.6 – én gang i Ruby, én gang i TypeScript og én gang i Python. Planen blev godkendt af mennesker, og en anden model (Opus 4.7) stod for kodegennemgang.

Resultaterne var klare.

Ruby tog føringen

Ruby klarede opgaven hurtigere og brugte færre tokens end de andre sprog. TypeScript fulgte efter, mens Python var markant langsommere. Men da man gravede dybere, viste det sig, at forskellen ikke kun handlede om selve sproget.

Instruktionerne ændrede alt

Python-projektet havde fået ekstra instruktioner om, at AI’en altid skulle køre linting og tests, før en opgave var færdig. De andre projekter havde ingen sådan regel. Det betød, at AI’en blev tvunget til flere trin og brugte meget flere tokens.

Det viser, at det ikke kun kommer on på hvilket sprog man bruger, men også på hvordan man styrer AI’ens arbejdsproces.

Hvad betyder det for dig?

Hvis du bygger på NameOcean, bør du først og fremmest fokusere på, hvordan du designer dine workflows frem for at skifte sprog.

Ruby har dog nogle egenskaber, der passer godt til AI-agenter:

• Kortfattet syntaks, der er nem at læse og generere
• Stærke konventioner, der reducerer behovet for beslutninger
• Velkendte frameworks som Rails, der allerede er indlært hos mange modeller
• Mindre boilerplate end hos TypeScript

TypeScript er tættere på Ruby end man skulle tro, og Python’s dårligere resultater kan i høj grad spores tilbage til de ekstra instruktioner.

Det handler ikke om at skifte sprog

Eksperimentet viser ikke, at alle bør droppe Python eller TypeScript. Det viser snarere, at:

• AI-agenter præsterer forskelligt afhængigt af sprog
• Instruktioner og workflows har stor indflydelse
• Token-forbrug er afgørende, når man kører flere AI-opgaver i større skala
• Rammeværk og tooling betyder lige så meget som selve sproget

Før du overvejer at ændre stack, bør du i stedet se på, hvordan du kan optimere dine instruktioner og arbejdsprocesser.