Fra skeptiker til overbevist: Min første weekend med AI-assisteret kodning

AI-kodning: Fra skepsis til overbevisning

Jeg har længe været blandt dem, der ikke rigtigt købte hypen. Ja, ChatGPT kan skrive en funktion. Claude kan hjælpe med regex. Men at bygge noget rigtigt med AI som kodningspartner? Det virkede som en helt anden liga – indtil jeg testede det selv.

Tidligere brugte jeg AI mest til små scripts og fejlfinding i ukendt kode. Det føltes mere som at tale med en gummiand end at have en reel samarbejdspartner. Først da jeg så andre faktisk lancere projekter med AI, begyndte det at gå op for mig: Måske handler det ikke om at lege med et nyt legetøj, men om at arbejde smartere.

Cosmobot: Testprojektet

Jeg støvede en gammel idé af – Cosmobot, en chatbot-ramme, der skulle samle flere beskedplatforme som Telegram, QQ og Discord i ét system. Det var det perfekte projekt til testen, fordi det både var overskueligt og krævede reel arkitektur.

Jeg valgte bevidst en teknisk stak, der lå uden for min komfortzone:

• Effectful – Et effekt-system i Haskell, der gør det muligt at deklarere sideeffekter eksplicit. I stedet for at sprede I/O overalt i koden, viser hver funktion præcist, hvilke effekter den kan have.
• Streaming – Et bibliotek til at håndtere kontinuerlige datastrømme. Det passer perfekt til at samle, filtrere og behandle beskeder fra forskellige platforme.

Første møde: Seks timer med "vibe coding"

Jeg startede med en simpel fil, AGENTS.md, hvor jeg beskrev målet: industrielt kode, ren arkitektur og korrekt brug af effekter og streaming. Så begyndte jeg at bede AI’en om at implementere dele af det.

Resultatet overraskede mig.

De overraskende øjeblikke

QQ-integration på første forsøg

QQ’s OneBot API er ikke ligefrem veludokumenteret på engelsk. Jeg forventede flere runder med korrektur. Men AI’en leverede en fuld, fungerende integration i første hug – og den brugte både effekt-systemet og streaming-biblioteket korrekt.

Konfigurationsskift uden drama

Da jeg besluttede at skifte fra dotenv til TOML, regnede jeg med en lang diskussion om refaktorering. Men AI’en forstod opgaven med en gang og gjorde det uden fejl.

Den hurtige sløjfe

Compile → køre → tjekke → spørge efter næste funktion. Den hurtige gentagelse gjorde det muligt at teste ideer 10x hurtigere. Jeg stoppede næsten helt med at læse koden – jeg bare tjekkede, at den gjorde, hvad jeg ønskede.

Hvad det betyder

AI-kodning handler ikke om at AI overtager udviklerens rolle. Det handler om åbning af en ny arbejdsfokus: arkitektur, adfærdskontrol og højniveau-beslutninger. AI’en tager over ved den "oversættelse" fra idé til kode.

Anbefaling til NameOcean-brugere

Hvis du arbejder med domæner, hosting eller DNS på NameOcean, kan samme tilgang spare dig tid. Det, der ellers ville tage 40 timer, kan i mange tilfælde være gjort i 8 – ikke fordi AI’en er perfekt, men fordi den eliminerer den trælsere delen af processen.

En ny virkelighed

AI-kodning er ikke længere noget man prøver af. Det er ved at blive en del af den normale infrastruktur for udviklere. Fremtiden er ikke mindre kode eller dårligere kode – det er at bevæge sig hurtigere og fokusere på de dele, der kræver menneskelig indsigt.