Bortom koden: Två stora hinder för AI i mjukvaruutveckling

AI-verktygen kan redan skriva fungerande kod. Det är inte längre frågan. Problemet är att de fortfarande inte levererar den produktivitetsökning som många hade hoppats på.

Två strukturella utmaningar står i vägen. De handlar inte om modellernas storlek – utan om hur AI:n får tillgång till kunskap och hur den kan verifiera sitt eget arbete.

Kontext som försvinner

Varje gång du startar en ny session eller tar en paus glömmer AI:n vad ni kommit överens om tidigare. Det blir snabbt frustrerande när samma förklaringar måste upprepas om och om igen.

På små projekt går det att leva med. Men i större team och komplexa kodbaser blir det ett riktigt problem. Det saknas en tydlig struktur för vad som ska sparas mellan sessioner och vad som ska delas mellan alla i organisationen.

Utan den här typen av minne tvingas AI:n gissa. Ibland stämmer det. Ibland leder det till subtila fel som upptäcks först när de orsakar problem i produktion.

Verifiering utan verklig tillgång

Det andra hindret handlar om att låta AI:n testa sitt eget arbete. För att det ska vara meningsfullt behöver den kunna köra tester, deploya till miljöer som liknar produktion och validera mot riktig data.

Det strider mot grundprincipen om minsta möjliga behörighet. De flesta organisationer har fragmenterade system för åtkomst, deployment och loggning. Att ge en AI-agent tillräckligt med rättigheter utan att skapa säkerhetsrisker är fortfarande en öppen fråga.

Vad händer när problemen löses?

När AI:n både kommer ihåg era beslut och kan verifiera sina ändringar själv förändras arbetsrollen. Specifikationen blir det enda du behöver skriva. Resten – implementation, tester och validering – hanteras automatiskt.

Då blir utvecklaren arkitekt för vad som ska göras, inte den som skriver koden.

Vad det betyder för din infrastruktur

Om du använder molnhosting eller hanterar viktiga domäner påverkar det här dina beslut redan nu. Deployment-pipelines, behörighetssystem och testmiljöer behöver anpassas för att AI-agenter ska kunna arbeta säkert och effektivt.

Frågor att ställa sig:

• Hur kan ett automatiskt system få rättigheter att validera ändringar utan att kompromettera säkerheten?
• Hur fångar ni arkitekturbeslut och teamkunskap idag?
• Är er pipeline redo för autonom verifiering?

Framöver handlar det inte längre om bättre modeller. Det handlar om att lösa de organisatoriska och tekniska problemen som gör att modellerna faktiskt kan bidra i riktiga utvecklingsteam.