AI-assisteret udvikling Kurser

Værktøjerne ligner hinanden i evner, men adskiller sig i, hvor de bor i din arbejdsdag. GitHub Copilot sidder i VS Code og de øvrige store editorer med inline-forslag, chat om kodebasen og en agent-tilstand, og er tæt koblet til GitHub med pull requests og code review. Claude Code er en agent, der arbejder fra terminalen: den læser hele repositoriet, planlægger, redigerer på tværs af filer, kører test og kommandoer og egner sig til større, sammenhængende opgaver. Codex er OpenAI's tilsvarende kodeagent, der kan arbejde i eget miljø eller i skyen og aflevere ændringer som pull requests. Cursor er en AI-først-editor bygget på VS Code, hvor forslag, chat og agent er selve grænsefladen. Du lærer at bruge dem effektivt, at give dem den kontekst om kodebase, konventioner og krav, der afgør kvaliteten af det, du får tilbage, og at vælge værktøj efter opgave frem for efter vane.

De første AI-værktøjer i editoren fuldførte en linje ad gangen. I dag kan de føre en samtale om hele kodebasen, foreslå ændringer på tværs af filer og i agent-tilstand selv udføre en opgave: læse koden, lave ændringen, køre testene og præsentere resultatet til gennemsyn. Du lærer at bruge hele spektret, fra inline-forslag over chat til agenter, og at holde styringen: hvad agenten må gøre selv, hvad du vil se først, og hvordan du gennemgår resultatet.

Begrebet vibe coding opstod i 2025 som betegnelse for en arbejdsform, hvor man beskriver, hvad man vil have, lader AI'en skrive koden og styrer med feedback i stedet for at skrive hver linje selv. Det har reelt sænket barrieren for at skabe software: fagpersoner uden udviklerbaggrund kan i dag bygge en fungerende prototype på en eftermiddag, og det er en styrke, ikke en trussel. En hurtig POC kan afklare, om en idé holder, før der investeres i den, og den kan gøre samtalen mellem forretning og udviklere langt mere konkret. Vi ser vibe coding som et stærkt redskab til netop dét: udforskning, prototyper og læring.

Afstanden fra en fungerende prototype til et system i drift er til gengæld ikke blevet mindre, og den er let at undervurdere. Produktionskode skal kunne vedligeholdes af andre end den, der skrev den; den skal håndtere fejl, belastning og ondsindede input; den skal testes, versionsstyres, overvåges og kunne opdateres sikkert. De krav er billige at tage højde for fra begyndelsen og dyre at opdage, når løsningen er i luften, brugerne er afhængige af den, og ingen kan gennemskue, hvordan den ændres uden at ødelægge noget. AI-genereret kode skal gennemgås som al anden kode, og erfaringen er entydig: jo bedre du selv forstår koden, jo bedre resultater får du ud af AI'en, fordi du kan stille præcise krav og fange fejl, mens de er små.

AI-assisteret udvikling fungerer bedst oven på et solidt fagligt fundament. Et kodeforslag kan se rigtigt ud isoleret set og stadig være forkert i den sammenhæng, det skal fungere i, og den vurdering kan kun den træffe, der forstår systemet omkring koden. Git giver dig sikkerhedsnettet, der gør det trygt at lade en agent ændre i koden: hver ændring kan gennemses, sammenlignes og rulles tilbage. Programmeringsforståelse, uanset om det er i Python, C# eller JavaScript, gør dig i stand til at læse forslaget frem for at tage det på tro. Forståelse for data og SQL er nøglen til det lag, næsten alle systemer bygger på, og Linux og terminalen er det miljø, både udviklingsværktøjer og AI-agenter arbejder i. Jo mere af det du selv behersker, jo mere kan du trygt overlade til AI'en, fordi du kan gennemskue, hvad du får igen.

At arbejde effektivt med AI i udviklingsprocessen er en disciplin i sig selv. Du lærer at arbejde spec-først og i små iterationer, at bruge test som rækværk for agentens arbejde, at holde hemmeligheder og følsomme data ude af prompts, og at indrette code review efter en hverdag, hvor en stigende del af koden er AI-genereret. Målet er en arbejdsform, hvor AI'en øger tempoet, uden at kvalitet og sikkerhed sættes over styr.