AI-parprogrammering

Parprogrammering blev formaliseret i Extreme Programming af Kent Beck i slutningen af 1990'erne: to udviklere ved én arbejdsstation, en driver, der skriver, og en navigatør, der gennemgår hver linje, tænker fremad og fanger fejl, og de bytter roller ofte. GitHub markedsførte Copilot fra lanceringen i 2021 som "your AI pair programmer", og værktøjer som Aider beskriver sig selv på samme måde. Metaforen halter på en lærerig måde: Ved AI-parprogrammering er det som regel modellen, der kører, og den producerer kode hurtigere, end et menneske skriver, mens mennesket bliver den permanente navigatør, hvis opgave netop er den disciplin med gennemgang, der er lettest at slække på.

God praksis holder ændringerne små og reversible. Udvikleren angiver hensigt og begrænsninger, beder om én fokuseret ændring, læser diffen, kører testene og committer før næste trin, så hvert skridt kan rulles tilbage; Aider committer fx automatisk hver AI-ændring til git af netop den grund. Nyttige greb er at bede om to alternative løsninger, før man vælger, at bede modellen forklare en linje eller forudsige, hvordan koden opfører sig i et grænsetilfælde, at lade den skrive fejlende tests først og derefter implementeringen og at udfordre dens antagelser i stedet for at tage det første svar. Modellen har ingen varig hukommelse om teamets konventioner, medmindre de gives via instruktionsfiler eller prompten.

Evidensen for produktivitet er blandet og afhænger af konteksten. I et kontrolleret eksperiment af Peng et al. (2023) løste udviklere med Copilot en opgave fra bunden, at implementere en HTTP-server i JavaScript, 55,8 % hurtigere end en kontrolgruppe. METR's randomiserede forsøg, offentliggjort i juli 2025, fandt det modsatte for eksperter på kendt grund: 16 erfarne open source-maintainere, der arbejdede på 246 reelle issues i deres egne store repositories, brugte 19 % længere tid, når AI-værktøjer var tilladt, men mente bagefter, at AI havde gjort dem ca. 20 % hurtigere. Kløften mellem oplevet og målt hastighed er i sig selv en grund til at måle frem for at antage.

Sikkerhedsevidensen peger samme vej. Perry et al. (ACM CCS 2023) fandt, at deltagere med en AI-assistent skrev mindre sikker kode i flere opgaver og oftere troede, at deres kode var sikker, et skoleeksempel på automatiseringsbias. Parprogrammering mellem mennesker giver desuden videndeling, fælles ejerskab af koden og mentorskab, som AI-parprogrammering ikke erstatter og kan udhule, hvis juniorudviklere accepterer kode, de ikke selv kunne have skrevet. Grænsen til vibe coding går ved, om mennesket læser og forstår hver ændring; grænsen til en kodeagent går ved, om mennesket er til stede ved hvert trin.