Glemmer AI-en din koden din? Slik fikser du hukommelsesproblemet i vibe coding

Bygge fort, forstå sakte

La meg være ærlig: vibe coding føles magisk. Du beskriver hva du vil ha, og kode materialiserer seg. Pipelines spinner opp. Funksjoner dukker opp. Det er genuint spennende, og med god grunn – vi har aldri hatt denne typen hastighet før.

Men her er greia: seks måneder senere, når den pipelinen knekker, når kravene endrer seg, når en ny ingeniør kommer inn på laget – hvor bor egentlig forståelsen da?

Spoiler: som regel ingen spesielt nyttig plass.

Den skjøre naturen til kontekst

Når du driver med vibe coding, heller du enorme mengder kontekst inn i promptene. Forretningsregler. Antakelser. Edge cases. Nedstrøms-avhengigheter. Resonnementet bak hvorfor du valgte tilnærming A framfor B. Alt dette havner i den samtalen, krystalliserer seg til generert kode, og så... fordamper som morgentåke.

Koden blir værende. Resonnementet forsvinner.

Dette er ikke bare et dokumentasjonsproblem. Det er et systemisk problem med hvordan AI-assistert utvikling fungerer i dag. Vi genererer systemer i full fart samtidig som vi mister den institusjonelle kunnskapen som gjør disse systemene vedlikeholdbare, feilsøkbare og utvidbare.

For dataplattformer spesielt skaper dette et oppbyggende problem. Moderne dataarkitekturer er ikke enkeltapplikasjoner – de er økosystemer. Ingestlags, transformasjonslogikk, orkestreringsrammeverk, semantiske lag, serverings-API-er, ML-pipelines. Hver komponent vet ingenting om de andre bortsett fra via skjøre implisitte kontrakter.

Hvorfor data engineering kjenner denne smerten ekstra sterkt

Hvis du bygger en CRUD-app, er vibe coding sitt minneproblem upraktisk. Hvis du driver en bedrifts dataplattform, kan det bli eksistensielt.

Data engineering har alltid handlet om koordinering. Forretningslogikk må være konsistent på tvers av transformasjoner. Schema-endringer rammer nedstrøms på forutsigbare (og uforutsigbare) måter. Valideringsregler beskytter datakvalitet. Orkestrerings-avhengigheter avgjør suksess eller fiasko.

Når AI genererer denne logikken fra prompter, blir all den koordineringskunnskapen værende hos menneskene. Den bor i hodene til senioringeniører. Den gjemmer seg i Slack-tråder fra 2023. Den er begravd i Notion-sider ingen oppdaterer lenger.

Plattformen i seg selv har ingen hukommelse om hvorfor den ble bygget slik.

En annen vei videre

Hva om spesifikasjoner selv ble en del av systemet?

Spec-driven development snur på flisa. I stedet for at prompter genererer kode som deretter trenger dokumentasjon, resonnement og institusjonell hukommelse lagt på toppen, blir spesifikasjonen selve kilde til sannhet – kjørbar, versjonskontrollert og varig.

Forretningsreglene dine er ikke bare "hva koden gjør." De er eksplisitte, testbare kontrakter som overlever enhver samtale. Orkestreringslogikken din er ikke bare "hva som kjører når." Det er en versjonert definisjon som både mennesker og AI-agenter kan resonnere konsistent over.

Dette handler ikke om å erstatte AI-generering. Det handler om å gi AI-genererte systemer noe de har manglet: et stabilt fundament av vedvarende operasjonell kunnskap.

Det realistiske bildet

La oss være tydelige: spec-driven development er ikke en sølvkule. Det krever investering på forhånd. Det krever at team tenker eksplisitt på krav før generering. Det krever disiplin som noen ganger strider mot hastigheten som gjør vibe coding attraktivt.

Men her er greia – hvis du bygger systemer ment å vare, ment å utvikle seg, ment å vedlikeholdes av team som vil forandre seg over tid, så betaler den investeringen seg tilbake.

Det beste tidspunktet å bygge vedvarende systemminne var for seks måneder siden. Det nest beste tidspunktet er nå.

Bunnlinjen

Vibe coding er en fantastisk produktivitetsmultiplikator for selve implementeringsfasen. Men implementering er bare en del av programvarens livssyklus. Vedlikehold, evolusjon, feilsøking og kunnskapsoverføring er der systemer faktisk lever mesteparten av livet sitt.

Hvis vi skal stole på AI til å generere stadig mer komplekse systemer, må vi være like gjennomtenkte på hvordan disse systemene bevarer sin egen forståelse over tid.

Fremtiden til AI-assistert utvikling er ikke bare raskere generering. Det er generering som bygger systemer i stand til å forklare seg selv.

Hvilken tilnærming bruker du for å bevare kontekst i dine AI-assisterte utviklingsarbeidsflyter? Vi hadde satt pris på å høre hvordan ulike team takler denne utfordringen.