Hvorfor AI-koding trenger bedre oppskrifter – ikke sterkere modeller
AI i koding: Den skjulte faren med slurvete instruksjoner
Har du brukt Claude, ChatGPT eller lignende modeller til å kode i 2024-2025? Da har du sett magien. De spytter ut fungerende kode raskere enn de fleste utviklere. De fikser refaktorering over flere filer, lager testsett og følger kompliserte oppgaver i ukjente kodebaser. Første pull request fra AI-en ser ofte perfekt ut.
Så merger du inn ti til.
Da begynner moroa. Ikke på den gode måten.
Koden kjører fortsatt. Testene grønn. Men noe skurrer. Feilhåndtering blir naiv. Navnkonvensjoner glipper. Nye abstraksjoner dukker opp ved siden av gamle duplikater. Hver endring virker smart alene. Sammen river de codebase-n din i filler.
Dette skyldes ikke dumme modeller. Det handler om hvordan vi bruker dem.
Flaskehalsen: Dine instruksjoner, ikke modellens kraft
Forskning viser det klart: Når AI-modeller når et visst nivå, avhenger kodekvalitet kun av hvor presise instruksjonene dine er.
Tenk slik. Gi modellen en detaljert spesifikasjon – med feilhåndtering, navnregler, arkitektur, tilstandsstyring og kanttilfeller. Da får du proff kode. Gi den en slapp prompt som "legg til brukerautentisering", og du får kode som funker, tester passer, men teknisk gjeld sniker seg inn.
Modellen er ikke dummere. Du bare fortalte den for lite.
Hvorfor presisjon forsvinner
Naturlig språk og eksekverbar kode passer dårlig sammen. Det lager et gap som vokser eksponentielt:
Naturlig språk er alltid vagt. "Legg til autentisering" pakker inn titalls valg i to ord. Hvilken identitetsmodell? Hvordan håndtere utløpte tokens? Roller eller attributter for tilgang? Hvor plasseres tillatelsessjekker? Hva logges? Hvilke feil viser du klienten? Passer det databasen, API-et og testene?
En menneskelig utvikler stiller spørsmål. AI-en fyller hull med gjetninger fra treningsdata – logiske alene, men de låser codebase-n din til usynlige valg.
Koding krever presisjon; prompting tillater slurv. Kompilerer, typer og tester stopper tåke. Men prompts svelger vaghet. Modellen klager aldri på ufullstendige ordre. Den bare implementerer stille.
Resultatet? Du går fra streng kode til løs prompt, og tilbake til streng kode. Vagusheten blir usynlige arkitektoniske valg.
Skala ødelegger konsistens. Selv med gode specs er det tøft å holde trofasthet over dusinvis av filer og tusenvis av linjer. Kontekstvinduer hjelper, men de er begrenset. Modellen prioriterer hva den husker. Feilene hoper seg opp.
Beviset: Alibabas langtidstest
Ikke bare teori. Alibabas SWE-CI-studie fulgte 18 AI-modeller på 100 ekte kodebaser i 233 dager – 71 commits hver. 75 prosent viste økende feilrater. Hver commit virket. Tester OK. Men andelen som brøt gamle tester, steg jevnt.
Modellene forringet seg ikke. Kodebasene gjorde det. Lokal logikk, global kaos.
Konsekvenser for din workflow
Bruker du AI-agenter i produksjon? Her er hva det betyr:
Behandle AI som junior, ikke seniorarkitekt. Detaljerte specs gir beste resultater. Gjør dette:
- Skriv arkitektdokumenter først
- Spesifiser feilhåndtering eksplisitt
- Dokumenter navn og mønstre
- Pek på eksisterende abstraksjoner å gjenbruke
- Forklar tilstand og kanttilfeller
- Inkluder teststrategi og dekning
AI forsterker arkitekturen din – bra eller dårlig. Klar codebase med regler? AI utvider den fint. Kaos? AI akselererer det.
Code review er et must. Mennesker må fange usynlige antakelser før de gror.
Git-historikk blir din spec-log. Den skal forklare arkitektonisk intensjon, ikke bare endringer. Letter debugging senere.
Muligheten fremover
Den gode nyheten: Dette er ikke modellfeil. Potensialet for topp kode er høyt. Frontier-modeller leverer når specs er komplett.
Fordelen ligger ikke i bedre modeller. Det er i specs – klare dokumenter, presise prompts og streng review. Ferdigheter som læres og bygger seg opp.
AI-ene dine er ikke ødelagte. De er underbestemt. Stram specs, og se magien.
For NameOcean-brukere
Bygger du på NameOceans cloud med AI-koding? Da teller dette dobbelt. I distribuert systemer blir klare specs avgjørende. Dokumenter valg om domain routing, DNS propagation, SSL management og API-design før du promter. Presise infra-specs gir AI-kode som glir rett inn i deployment-pipelinen din.