Vibe coding er allerede en realitet i bransjen, men gir store kvalitetsutfordringer. QA-rollen blir mer kritisk enn noen gang, og team som lykkes vil være de som tilpasser seg, lærer nye ferdigheter og tar i bruk nye verktøy og metoder for å sikre kvalitet i en AI-drevet utviklingshverdag. Chao Tan, fagansvarlig for fagområdet «Kunstig intelligens» i Testify, har skrevet denne interessante artikkelen om et høyaktuelt tema.
Vibe coding: Et paradigmeskifte i programvareutvikling
Da Googles administrerende direktør annonserte at over 30 % av deres kode nå er AI-generert [1], markerte det et vendepunkt i programvareutvikling. Amazon rapporterer at de har spart tilsvarende 4 500 utvikler-år med hjelp av AI[2]. Microsoft tilskriver 20–30 % av kodebasen sin til AI-generering[3]. Dette er ikke eksperimenter – det er produksjonsvirkelighet i stor skala.
Dette skiftet har fått et navn: vibe coding. Begrepet ble introdusert av AI-forskeren Andrej Karpathy i februar 2025[4], og beskriver en grunnleggende endring i hvordan programvare blir bygget. I stedet for å skrive kode linje for linje, beskriver utviklere nå hva de ønsker i naturlig språk – og lar AI håndtere implementasjonsdetaljene.
Men her er det avgjørende spørsmålet alle QA-fagfolk må stille seg: Hvis maskiner skriver mer av koden vår – hvem tester den, og hvordan?
Hva er Vibe Coding?
Vibe coding representerer et skifte fra tradisjonell programmering til en mer samtalebasert, målorientert utviklingsprosess. I stedet for å skrive syntaks, beskriver utviklere ønsket funksjonalitet i klartekst – for eksempel: «Lag et innloggingsskjema med e-postvalidering» – og AI-verktøy som GitHub Copilot, Cursor eller Claude oversetter disse instruksjonene til kjørbar kode.
Den typiske prosessen følger et iterativt mønster:
Prompt – Beskriv målet ditt («Bygg et REST API for brukerstyring»).
Generer – AI produserer en første implementasjon.
Kjør – Test koden og se resultatet.
Forbedre – Gi tilbakemeldinger («Legg til rate limiting og autentisering»).
Gjenta – Fortsett til funksjonaliteten er som ønsket.
Feil blir ofte løst ved å lime inn feilmeldinger tilbake til AI, fremfor tradisjonell debugging. Mennesket fokuserer på høynivåkrav og brukeropplevelse, mens AI håndterer syntaks, standardkode og detaljer.
Nåværende situasjon: Utbredelse i stor skala
Tallene viser hvor raskt AI-assistert utvikling har blitt vanlig:
Utvikleradopsjon: 97 % av utviklere har brukt AI-kodeverktøy profesjonelt eller privat, og 76 % bruker dem aktivt eller planlegger å gjøre det[5]. Over halvparten av profesjonelle utviklere bruker AI-verktøy daglig[6]. Mellom 60–73 % rapporterer målbare forbedringer i både kodekvalitet og effektivitet[5].
Industriell påvirkning: Hos Google er over 30 % av ny kode AI-generert[1]. Amazon har spart tusenvis av årsverk[2]. Microsoft rapporterer at 20–30 % av koden deres er AI-generert[3].
Verktøyevolusjon: Økosystemet utvikler seg raskt, med spesialiserte modeller både innen proprietære og åpne løsninger. OpenAI’s GPT-4 Code Interpreter, Anthropic’s Claude (kode-modus), Code Llama og DeepSeek-Coder er eksempler på verktøy som matcher eller overgår menneskelige basisnivåer på standardoppgaver som HumanEval.
Den skjulte kostnaden: Kvalitetsutfordringer med AI-generert kode
AI akselererer utvikling – men flere uavhengige studier peker på gjentatte kvalitetsproblemer som QA-team må forstå:
Sikkerhetssårbarheter – 45 % av AI-generert kode inneholder kjente OWASP Top 10-sårbarheter. Utviklere blir ofte mer selvsikre på koden, selv når den er usikker.
Teknisk gjeld – Mengden duplisert kode har økt dramatisk, mens refaktorering har falt betydelig, noe som øker vedlikeholdskostnadene.
Kodeendringer (“churn”) – Andelen kode som endres eller fjernes innen to uker har økt markant, noe som reduserer faktisk produktivitet.
Leveranseforringelse – Flere bruker tid på debugging og sikkerhetsfikser, mens leveransestabilitet synker.
Kunnskapsgjeld – Team ender med kode ingen fullt ut forstår, og blir avhengige av AI for både skriving og forståelse.
Ikke-deterministisk atferd – Samme prompt kan gi forskjellig kode, noe som kompliserer regresjonstesting og reproduserbarhet.
Konklusjon: AI øker kvantiteten, men kvalitet – målt i pålitelighet, sikkerhet og langsiktig leveranseevne – kan lide.
Testutfordringen: Hvorfor QA blir enda viktigere
Når AI endrer hvordan kode skrives, endrer det også hvordan den må testes. Tradisjonelle testmetoder er ikke tilstrekkelige for AI-generert kode.
- Tekniske testutfordringer:
- Testorakel-problemet – Hvordan verifisere riktig funksjon når kravene er uklare eller koden ikke er fullt forstått?
- Falske positive tester – AI-genererte tester kan være skjeve mot “happy path” og ikke dekke kanttilfeller.
- Prosessutfordringer:
- Raskere utviklingssykluser enn QA kan følge opp.
- AI-kode genereres ofte uten kontekst, som skaper integrasjonsproblemer.
- Organisatoriske utfordringer:
- Lav tillit til AI-kode gir stort verifikasjonsbehov.
- Eksisterende testverktøy takler ikke alltid AI-genererte mønstre.
Strategiske tilnærminger for QA-team
For å opprettholde kvalitet i AI-æraen bør QA-team:
- Etablere AI-spesifikke kodegjennomganger – Kombiner statisk analyse med målrettet manuell kontroll av kritiske områder.
- Bruke metamorfisk testing – Test forholdet mellom input og output fremfor faste forventede resultater, for å håndtere ikke-deterministisk kode.
- Innføre kaos-testing – Simuler feil for å finne svakheter AI-kode ofte overser.
- Satse på observabilitet først – Følg opp faktisk atferd i drift, ikke bare dekningsgrad.
- Bygge kontinuerlige tilbakemeldingssløyfer – Analyser hvilke prompts som gir flest feil og forbedre dem.
- Integrere og automatisere verktøy – Bruk AI-støttede testverktøy, men med tydelig menneskelig overvåkning.
Fremtiden for testing
Vibe coding er ikke en forbigående trend – det er en ny virkelighet. For QA-fagfolk betyr det:
Tradisjonelle teststrategier må oppdateres.
QA blir mer strategisk og sentral i verdikjeden.
Menneskelig kontroll er avgjørende for produksjonskvalitet.
Kort oppsummert
Vibe coding er ikke en forbigående trend – det er en ny virkelighet. For QA-fagfolk betyr det:
- Tradisjonelle teststrategier må oppdateres.
- QA blir mer strategisk og sentral i verdikjeden.
- Menneskelig kontroll er avgjørende for produksjonskvalitet.
Tilbake til blogg