
Alt ser riktig ut. Hvorfor kjennes det feil?
Jeg sitter og ser over en pull request jeg nettopp har pushet. Alle testene er grønne og den gjør det den skal. Alt ser riktig ut.
Likevel kjenner jeg «styggen på ryggen» og lurer på: er denne koden min, eller er den AI-en sin?
Jeg tror flere kjenner på den samme følelsen oftere enn de innrømmer.
Og for å si det med en gang: dette er ikke et innlegg mot AI. Jeg bruker det hver dag og har kastet meg inn i det. Men nettopp fordi jeg bruker det så mye, vil jeg ikke snakke meg bort fra følelsen. Jeg tror den prøver å fortelle oss noe om hva som skjer når AI tar over strevet i arbeidet vårt.
Det ser ut som imposter-syndrom
Det du før brukte dager på, kan nå ta minutter. Kode som tok sekunder å generere, er vanskelig å føle at du har fortjent. Da er det lett å tenke at du har vært lat, eller at du har jukset. Noen ganger kjenner du kanskje også at agenten er smartere enn deg.
Jeg er ikke alene om det. I en amerikansk undersøkelse fra Imagining the Digital Future Center blant 500 brukere av språkmodeller svarte 35 prosent at de hadde følt at de hadde jukset, og 50 prosent at de hadde følt seg late når de brukte dem. Nesten like mange, 49 prosent, mente at modellene var smartere enn dem.
Det minnet meg om imposter-syndromet: du tviler på egen kunnskap selv om du kan faget,, og forklarer suksessen med flaks. Det handler sjelden om at du kan for lite. Det handler om avstanden mellom det du har fått til og det du føler at du har fortjent. Blant utviklere er det vanlig: i en studie kjente over halvparten på det ofte og sterkt.
Forklaringen er ny. Før var det flaks, nå er det «det var AI som foreslo det». Det hadde vært enkelt å stoppe der og si at dette er den gamle usikkerheten i ny drakt. Jeg tror ikke det stemmer helt.
Men denne gangen har følelsen et poeng
Før AI var veien til en løsning sjelden rett frem. Du leste dokumentasjon, prøvde noe som ikke virket, la inn enda en print-linje og søkte etter en feilmelding ingen andre så ut til å ha fått. Det var frustrerende, men det var der du bygget forståelsen. Og det var kvitteringen din: jeg har slitt for dette, så jeg har fortjent det.
Med AI går du nesten rett fra problem til løsning. Resultatet kan være like godt, men du hopper over ubehaget, famlingen og stedene du står fast. Det er der du lærer. Når du hopper over det, mister du to ting på en gang: det du skulle lært, og følelsen av at løsningen er din.
Et eksperiment fra Anthropic (Shen og Tamkin, januar 2026) peker i samme retning. 52 utviklere, de fleste tidlig i karrieren, løste to oppgaver med et Python-bibliotek de aldri hadde brukt, halvparten med AI-assistent. Etterpå tok alle en quiz uten AI. AI-gruppen fikk i snitt 50 prosent riktig, mot 67 prosent i gruppen som kodet for hånd. Det er 17 prosentpoeng, og forskjellen var størst på feilsøking.
Det jeg ikke klarer å slippe, er at AI-gruppen møtte færre feil mens de løste oppgavene. Det høres bra ut. Men færre feil betyr færre ganger du må finne ut hva som gikk galt, og det var nettopp feilsøking de var svakest på i quizen etterpå.
Utvalget er lite og oppgaven var kort, så det er en pekepinn og ikke et bevis. Likevel stemmer den med magefølelsen min.
Ikke alt strev var læring
Jeg vil ikke romantisere strevet. Oppsett, boilerplate og å lete etter riktig syntaks savner jeg ikke. Slik jeg ser det, bygde strevet noe på to steder: når jeg måtte forstå problemet godt nok til å velge mellom løsninger, og når noe gikk galt og jeg måtte finne ut hvorfor.
Anthropic-studien fant noe lignende. Blant deltakerne som brukte AI, fikk de som lot AI skrive koden eller feilsøke for seg, under 40 prosent riktig i snitt. De som ba om forklaringer sammen med koden, eller stilte konseptuelle spørsmål og løste oppgaven selv, lå på 65 prosent eller mer. De gjorde fortsatt tenkingen selv. Gruppene er små, og forskerne er tydelige på at dette er sammenhenger de har observert, ikke en påvist årsak.
For meg betyr det at jeg ikke trenger å skrive alt selv, men at jeg bør være til stede på de to stedene. Når AI-en foreslår en løsning, kan jeg spørre hvorfor den valgte akkurat den, og hva alternativene var. Når noe feiler, kan jeg prøve å finne årsaken selv før jeg ber om hjelp.
Ferdigheten har flyttet seg
Så er koden i pull requesten min? Jeg tror den er det, så lenge jeg forstår den godt nok til å stå for den. Denne endringen forstår jeg. Det jeg er usikker på, er om jeg fortsatt vil gjøre det om et år, hvis AI-en har tatt strevet for meg hele veien.
Ferdigheten har flyttet seg, fra å skrive koden til å vurdere den. Mye av hverdagen min er blitt å spille ping-pong med en kodeagent: jeg beskriver hva jeg vil ha, og vurderer det som kommer tilbake. Du må se hva som er feil og forstå hvorfor noe ikke holder. Erfarne utviklere har alltid hatt den dømmekraften, men den har vært usynlig fordi den så ut som å skrive kode.
Den dømmekraften fikk vi gjennom timene med feilsøking og valgene vi måtte ta selv. Det er det samme strevet AI nå tar bort, og det uroer meg. På fagspråket kalles det gjerne deskilling. Hvis jeg uke etter uke godkjenner kode jeg ikke har skrevet, mister jeg gradvis evnen til å vurdere den. Jeg merker det allerede.
Jeg må også være ærlig om at noe av ubehaget kanskje er frykt. Når et verktøy plutselig gjør mye av det jeg har brukt år på å bli god på, kjenner jeg på om jobben min er truet. Da er det fristende å avvise det AI-en foreslår, eller holde igjen, bare for å bevise at jeg fortsatt trengs. Den delen av følelsen vil jeg ikke gi makt. Jeg tror vi står sterkere hvis vi omfavner AI og lærer oss å bruke den godt, enn hvis vi bruker energien på å kjempe imot. Men selv om jeg omfavner AI, vil jeg gjøre tenkingen selv.
Raskere å skrive, like tregt å forstå
Samtidig har forventningene økt. Når noe som tok dager nå kan ta minutter, forventes det at vi leverer mye raskere. Noen ganger kjennes det som en mismatch mellom hva ledelsen tror AI skal løse, og det vi som bruker den hver dag opplever. Fra utsiden ser det ut som om koden skriver seg selv. Fra innsiden er det mer som å få en rask og selvsikker kollega som ikke alltid har rett, og som du må sjekke arbeidet til. Jeg tror ikke noen tar feil med vilje. Gevinsten i tempo er lettere å se enn jobben som kommer etterpå.
Og gevinsten er ikke alltid så stor som den ser ut. I Anthropic-eksperimentet ble AI-gruppen ferdig omtrent to minutter før de andre, men forskjellen var ikke statistisk signifikant. Det var en kort læringsoppgave og ikke en vanlig arbeidsuke, så jeg vil ikke lese for mye ut av det. Det minner meg likevel om at produktivitet og kodekvalitet ikke er det samme, noe jeg skrev om i Hvorfor koden din ikke blir bedre med AI.
For ansvaret har ikke flyttet seg. Det er fortsatt jeg som godkjenner pull requesten, og jeg som må stå for den hvis noe går galt i produksjon. AI skriver koden raskere, men jeg forstår den ikke raskere. Kvalitetssikringen tar den tiden den tar, og den krever akkurat den dømmekraften strevet bygger. Når målestokken er antall leveranser, er det lett å skvise den. Og da er det ikke lenger koden som bestemmer tempoet i prosjektet, men hvor raskt vi klarer å forstå den.
Vi er flaskehalsen
Når jeg zoomer ut, ser jeg konturene av noe større. Koding ser ut til å flytte seg opp et abstraksjonsnivå. Før handlet mye av jobben om å skrive kode linje for linje og skjønne hva en for-løkke gjør. Nå handler mer om å forstå hva løsningen skal gjøre, og hvordan de større blokkene henger sammen på et arkitekturnivå.
Vi jobber oftere med hele løsningen fra ende til ende, ikke bare én liten del av den, mens AI-en skriver linjene. Det krever større forståelse for arkitektur og domene, og problemløsning på et høyere nivå.
Samtidig produserer maskinen raskere enn vi rekker å forstå. Da blir det vi som bremser: hvor raskt vi forstår problemet, vurderer løsningen og tør å stå for den. Vi er flaskehalsen.
Det er en ubehagelig tanke. Vi er vant til å være de som får ting gjort, og nå er vi det trege leddet. Jeg tror en del av styggen på ryggen ved pull requesten kommer derfra.
Likevel tror jeg ikke flaskehalsen er noe vi skal optimalisere bort. Det er der kvaliteten avgjøres. Forståelsen og dømmekraften som strevet bygger, er det som gjør oss til en god flaskehals og ikke bare en treg en. Derfor har jeg også begynt å lage rom for å snakke om dette, som Lean Wine with AI og frokostseminarer om agentisk AI.
Når jeg ser på den samme pull requesten nå, kjenner jeg fortsatt på ubehaget. Men jeg leser det som en påminnelse om at det er jeg som må forstå den før den går videre.
Kilder
- Imagining the Digital Future Center, LLM User Report (mars 2025). Landsrepresentativt utvalg av 500 amerikanske brukere av språkmodeller, feltperiode 21. til 23. januar 2025, feilmargin ±5,1 prosentpoeng.
- Guenes, P. m.fl. (2025). Impostor Phenomenon Among Software Engineers: Investigating Gender Differences and Well-Being. GE@ICSE 2025. 624 programvareutviklere, 52,72 prosent med hyppige og intense imposter-følelser.
- Shen, J. H. og Tamkin, A. (2026). How AI Impacts Skill Formation. arXiv:2601.20245, preprint. Tallene i teksten er hentet fra Anthropics egen omtale, How AI assistance impacts the formation of coding skills.
- Techwatch (7. oktober 2026). Står i kø for KI-kurs uten «tech-bros», ett tema går igjen.