Ingeniører advarer: AI-generert kode kan føre til tekniske problemer

To ingeniører i OpenClaw-prosjektet – også kalt 'Lobster' – slår alarm om at AI-verktøy kan fremskynde utvikling, men også produsere lavkvalitetskode og potensielt farlig kode som går direkte ut i produksjon. Deres bekymring gjelder ikke AI i seg selv, men hvor raskt bedrifter stoler på disse verktøyene uten tilstrekkelig tilsyn.

Mario Zekner, som har utviklet OpenClaws interne agentrammeverk Pi, sier at infrastrukturen allerede er sterkt belastet, og at programvaren blir mer sårbar dag for dag. Bransjen kan overse problemet en stund, legger han til, men før eller siden må den betale for de oppsamlede feilene. Kollegaingeniør Armin Ronacher mener AI bør hjelpe erfarne utviklere å jobbe raskere. I stedet behandler mange selskaper det som en snarvei til raske kostnadsbesparelser, på bekostning av langsiktig kvalitet.

Hovedproblemet er at kodegenerering ikke er det samme som skikkelig ingeniørarbeid. AI kan raskt produsere utkast, standardfunksjoner og prototyper. Men uten gjennomgang, testing og arkitektonisk tilsyn skaper den koden ofte flere problemer enn den løser. Verst er det når genererte kodesnutter går rett inn i produksjon – uten sikkerhetssjekker, lasttesting, kompatibilitetsanalyse og fremtidig vedlikeholdsplanlegging.

Ingeniørene advarer om at jakt på kortsiktig produktivitet kan føre til mangel på junortalenter, økende teknisk gjeld, nye sikkerhetshull og hyppigere tjenestefeil. Når bedrifter erstatter utvikleres opplæring og vekst med automatisert kodegenerering, får de umiddelbar fart i dag – men i morgen mister de teamstabilitet og produktkvalitet.

Wall Street Journal kaller dette fenomenet 'vibe slop' – en blanding av 'vibe coding', der utvikling baseres på raske spørsmål og grove resultater, og en flom av AI-generert søppel. For bedrifter er budskapet klart: disse verktøyene kan være kraftige hjelpemidler, men de fjerner ikke behovet for solide ingeniørpraksiser. Kritiske systemer krever fortsatt erfarne utviklere, kodegjennomganger, refaktorering, testing og sikkerhetsrevisjoner.

Til slutt blir tiden spart i starten ofte en større utgift senere. Hvis AI produserer lavkvalitetskode, blir den virkelige kostnaden ved utvikling bare utsatt – til feilrettinger, granskning av driftsavbrudd, sårbarhetslapper og gjenoppbygging av brukertillit.