Stop med at lade AI brænde dine tokens på noget, koden kan klare bedre

AI-kodningens paradoks

Der er noget paradoksalt i, hvordan mange teams i dag bruger AI til udvikling. De bygger komplekse systemer, hvor sprogmodeller skal udføre opgaver, der burde være fuldstændig forudsigelige – køre kommandoer, følge processer eller tjekke kode. Resultatet er ofte spild af tokens, ustabile svar og udviklere, der konstant skal holde øje med, at AI’en ikke springer over et trin eller vælger den forkerte løsning.

Det svarer til at hyre en ekspert til at tænde lyset. Muligt, men ikke nødvendigvis smart.

Problemet med at overlade for meget

Når du beder en LLM om at “køre SonarQube, analysere resultaterne og foreslå rettelser”, forventer du egentlig, at modellen:

• Husker jeres tech-stack og konventioner
• Vælger den rigtige kommando til netop jeres projekt
• Fortolker output, der ikke er lavet til mennesker
• Træffer beslutninger om næste skridt
• Ikke opfinder kommandoer, der ikke findes

Hvert af de trin kan gå galt. Og hver gang det sker, koster det både tid og penge.

Tilbage til determinismen

Løsningen er egentlig ret enkel: Lad koden håndtere det, der kan være deterministisk.

I stedet for at lade AI’en styre hele code review-processen, kan du bygge en udvidelse, der:

• Kender jeres projektstruktur på forhånd
• Kører ens hver gang uden variation
• Bruger forudsigelige ressourcer
• Leverer rene, verificerede data til AI’en

Det handler ikke om at fjerne AI – det handler om at bruge den til analyse og beslutninger, ikke til at udføre rutineopgaver.

Byg din egen arbejdsgang

Den største fejl er at kopiere andres AI-setup uden at tilpasse det. Deres begrænsninger, deres værktøjer og deres problemer er sjældent de samme som dine.

Tænk på det som dotfiles. Kig på, hvordan andre løser tingene – men byg selv det, der passer til netop din situation. De enkleste værktøjer er ofte de bedste: en grundlæggende ramme med læse-, skrive- og shell-adgang. Resten skal du forstå og kunne vedligeholde selv.

Tre konkrete måder at spare tokens på

Cache aggressivt. System prompts og tool definitions sendes igen og igen. Med strategisk caching og værktøjer som caveman kan du reducere den gentagne belastning uden at miste kontekst.

Begræns kommandoerne. Hvis AI’en skal navigere i en lang liste af mulige kommandoer, øges risikoen for fejl. En kortere, overskuelig liste gør det nemmere for modellen at fokusere på opgaven.

Komprimer lokalt. Brug værktøjer som VCC til at forkorte prompts uden at kalde en LLM. Det er både hurtigere og billigere end at bede modellen om at gøre teksten kortere.

Den reelle gevinst

En udvikler, der skiftede fra agent-baserede workflows til deterministiske udvidelser, faldt markant på en intern token-leaderboard. Ikke fordi vedkommende brugte mindre AI – men fordi AI’en nu blev brugt til det, den er god til.

Hvad betyder det for dig?

Når du bygger eller vurderer AI-værktøjer – fx NameOcean’s Vibe Hosting – så spørg dig selv:

• Hvor beder jeg AI om at løse deterministiske opgaver?
• Kunne det i stedet være en script, en API eller en udvidelse?
• Betaler jeg for at verificere noget, der burde være indbygget?

Fremtiden handler ikke om flere agenter. Den handler om at bruge AI dér, hvor den faktisk tilfører værdi.