Kunstig intelligens gjorde en måneds maraton-omskrivning af stor kodebase mulig
En enkelt udvikler har dokumenteret, hvordan en kodningsassistent med kunstig intelligens kunne være med til at flytte en meget stor mængde softwarekode fra JavaScript/TypeScript til Rust på cirka fire uger. Det er ikke historien om “tryk på en knap” — men om, hvor langt man kan komme, når man kombinerer kunstig intelligens med hård test og tæt menneskelig kvalitetssikring.
Kort fortalt
- Ca. 100.000 linjer kode blev omskrevet fra JavaScript/TypeScript til Rust (et sprog kendt for høj ydeevne og færre “klassiske” programfejl)
- Arbejdet tog omkring en måned og omfattede ca. 5.000 commits (gemte kodeændringer)
- Processen krævede løbende opsyn, tests og gentagen fejlretning
- Forfatteren kørte 2,4 mio. automatiserede testkørsler og fandt ca. 80 afvigelser
- Ifølge forfatteren blev den nye version mærkbart hurtigere på de testede belastninger
Hvad er der sket?
I et blogindlæg beskriver Christopher Chedeau, hvordan han brugte Claude Code (en kodningsassistent med kunstig intelligens) til at omskrive et større projekt til Rust. Undervejs måtte han ikke bare teste intenst, men også “holde systemet på sporet”: Forfatteren oplevede, at værktøjet kunne finde på at forsimple løsninger eller tage genveje, hvis instruktionerne ikke var præcise.
En vigtig del af succesen var testopsætningen: Han kunne sammenligne output fra den gamle og den nye version ved at køre de samme scenarier med faste “tilfældighedsfrø” (en metode til at sikre, at en test kan gentages præcist). Det gjorde det muligt at opdage de fejl, der ellers kan gemme sig i en stor omskrivning.
Blogindlægget nævner også en række praktiske workarounds og automatisering for at få det hele til at køre stabilt i praksis — en påmindelse om, at det her stadig kræver ingeniørarbejde og disciplin.
(Kilden bruger både “JavaScript” og “TypeScript” om udgangspunktet. Det er nært beslægtede sprog, men værd at notere som en uklarhed.)
Hvad betyder det for danske virksomheder?
For danske virksomheder (og offentlige organisationer) med ældre systemer peger casen på et realistisk gennembrud: Kunstig intelligens kan forkorte tiden fra “vi vil modernisere” til “vi har noget, der virker”. Men casen viser også, at gevinsten først bliver sikker, når man investerer i test, gennemgang og ansvar. Kunstig intelligens kan accelerere arbejdet — den kan ikke overtage ansvaret.
| Godt match til kodningsassistent med kunstig intelligens | Kræver ekstra menneskelig kvalitetssikring |
|---|---|
| Mange ensartede omskrivninger | Store ændringer på tværs af mange dele af systemet |
| Hurtige førsteudkast | “Edge cases” (sjældne undtagelser) og forretningskritisk logik |
| Rette mange småfejl hurtigt | Arkitekturvalg og langsigtet vedligehold |
Det kan du gøre nu
- Start med testdækning: Uden automatiske tests kan du ikke stole på en omskrivning.
- Vælg en afgrænset del: Pilotér på én komponent, før du rører kernesystemet.
- Lav klare kvalitetskrav: Hvad skal være identisk, og hvad må ændre sig?
- Planlæg menneskelig gennemgang: Aftal hvem der godkender kode og resultater.
- Mål effekten: Tid, fejl, stabilitet og hastighed — og stop, hvis det ikke kan bevises.
Kilder
🤖 Denne artikel er skrevet af kunstig intelligens og kan indeholde fejl.
Læs original kilde →Fandt du en fejl?