Kode fra kunstig intelligens: Hurtigere at skrive – langsommere at stole på

En ny udviklerundersøgelse peger på, at mange virksomheder undervurderer den nye flaskehals: test og kvalitetssikring af koden.

Kort fortalt

• SonarSource har spurgt 1.149 udviklere (rapporten er publiceret 8. januar 2026).
• 96 % har ikke fuld tillid til, at kode fra kunstig intelligens er funktionelt korrekt.
• Kun 48 % siger, at de altid tjekker kunstig intelligens-assisteret kode grundigt, før den lægges ind i løsningen.
• 42 % af koden, der lægges ind i systemer i dag, er skrevet eller hjulpet af kunstig intelligens – forventet ca. 65 % i 2027.
• 35 % bruger personlige konti til værktøjerne, og 38 % oplever, at gennemgang kræver mere arbejde end normalt.

Flaskehalsen har flyttet sig

SonarSource’ nye undersøgelse viser et paradoks: Kunstig intelligens bruges massivt i udviklingsarbejdet (72 % af dem, der har prøvet det, bruger det dagligt), men tilliden til resultatet halter bagefter.

Det er især vigtigt for danske virksomheder, fordi konsekvensen ikke kun handler om “bedre eller dårligere kode”. Den handler om kapacitet: Når koden bliver skrevet hurtigere, flytter arbejdet sig over i test, gennemgang og fejlfinding. Rapporten beskriver det som “verifikationsgæld” – altså et efterslæb i kontrolarbejdet, fordi der produceres mere kode, end organisationen kan nå at kvalitetssikre.

Samtidig peger tallene på en governance-udfordring: Når over hver tredje udvikler bruger personlige konti til værktøjer baseret på kunstig intelligens, får virksomheden sværere ved at styre, hvilke data der deles, og hvordan resultaterne bruges.

Det kan du gøre nu

1. Gør det til en ledelsesbeslutning, hvilke værktøjer der må bruges (og kræv virksomhedskonti – ikke personlige).
2. Indfør et fast minimum for kvalitetssikring: menneskelig gennemgang + automatiske kvalitetstjek (værktøjer der scanner koden for typiske fejl og sikkerhedsproblemer), før noget kan lægges ind.
3. Skru op for test-disciplinen: Hvis koden skrives hurtigere, skal test følge med – ellers flytter regningen bare til drift og support.
4. Start med lav risiko: Brug kunstig intelligens mest i interne værktøjer og prototyper, før I ruller bredt ud i forretningskritiske systemer.
5. Mål effekten: Følg fejl, nedbrud og “rettearbejde” over tid, så I kan se, om produktiviteten reelt stiger – eller bare flytter sig.

Kilder

• SonarSource pressemeddelelse: https://www.sonarsource.com/company/press-releases/sonar-data-reveals-critical-verification-gap-in-ai-coding/
• SonarSource blog: https://www.sonarsource.com/blog/state-of-code-developer-survey-report-the-current-reality-of-ai-coding/
• Rapport/downloadside: https://www.sonarsource.com/sem/the-state-of-code-developer-survey-report/