Varje rad kod i mina projekt skrivs numera av AI – en utvecklares tankar om vibe coding

Jag har jobbat som mjukvaruingenjör i över sex år, men det är mer än ett år sedan jag själv skrev en enda rad kod för hand. I mina nuvarande projekt är varenda rad genererad av AI. Men när jag testade AI-kodning för första gången för drygt ett år sedan varade ruset i knappt tre dagar.

Lyckan i vibe coding

Jag minns när jag öppnade Cursor för första gången i juni förra året (2025). Vid en första anblick såg det ut precis som hederliga gamla VS Code, bortsett från en sidopanel där man chattade med en AI.

Fram till dess hade min bild av AI-assisterad programmering stannat vid GitHub Copilots mer avancerade autofullföljning. Men när jag knappade in min första instruktion och tryckte på skicka hände något helt magiskt. Jag såg hur AI:n tänkte så det knakade, för att sedan spotta ur sig dussintals – till och med hundratals – rader kod i rasande fart. Den rörde sig obehindrat mellan olika filer, uppdaterade dem sömlöst och körde till och med terminalkommandon åt mig.

Plötsligt räckte det med att beskriva vad jag ville ha på vanligt vardagsspråk, och vips så byggde AI:n funktionaliteten åt mig. Jag behövde inte peta i detaljerna själv. Det handlade inte längre om den klassiska logiken med kodkomplettering, utan om att en AI på en högre abstraktionsnivå tog över delar av ingenjörsarbetet helt och hållet.

Det kändes nästan magiskt, som att hålla i en trollstav och kliva rakt in i en helt ny värld.

Då skrev jag ner de här tankarna:

Vibe coding är som skräddarsytt för en ADHD-hjärna. Traditionell programmering krockar ofta med hur ett ADHD-psyke fungerar, men vibe coding rådde omedelbart bot på mitt motstånd mot att skriva tester, min avsky för CSS, alla slarvfel i variabelnamn och den tröstlösa jakten på triviala småbuggar.

Med AI vid min sida kommer feedbacken blixtsnabbt. Det ger en enorm kick och en stark känsla av att få saker gjorda. Ju mer repetitiv och tråkig en uppgift är, desto bättre klarar AI:n av den.

Kvar för mig blir att peka ut riktningen, skissa på arkitekturen och agera projektledare.

Jag ser inget egenvärde i att hamra in varenda tecken själv, men jag älskar att skapa. Från assembler till högnivåspråk har utvecklarupplevelsen hela tiden rört sig mot högre effektivitet och mer glädje.

Att få kliva in i rollen som en renodlad kreatör snarare än en digital grovarbetare – det är faktiskt en ren fröjd att vara programmerare just nu.

Gränserna för vibe coding

Det här arbetssättet har fått ett eget namn: vibe coding. Begreppet myntades i februari 2025 av Andrej Karpathy, en av medgrundarna till OpenAI. Idén är enkel: man kodar helt på känsla (”vibe”). Man berättar för AI:n vad man vill ha i löpande text, godkänner all kod den spottar ur sig utan att granska den rad för rad, och slänger tillbaka eventuella felmeddelanden rakt in i chatten – tills man nästan glömmer bort att koden ens existerar.

Men euforin höll inte i sig länge. Knappt tre dagar efter att jag skrivit min hyllning slog jag i taket för vad renodlad vibe coding klarar av.

Jag höll på att bygga en app-prototyp. Eftersom jag körde på ren vibe-programmering fick AI:n fria händer utifrån rätt vaga instruktioner, helt utan sunda mjukvarutekniska principer. Resultatet lät inte vänta på sig: AI:n blev snabbt allt svårare att tygla, och systemarkitekturen förvandlades till ett kaotiskt spagettimonster som var omöjligt att underhålla.

Jag rev upp allt och började om. Den här gången tog jag på mig ingenjörshatten och tillämpade ett strukturerat utvecklingsflöde, men med AI som stöd.

Då hände något intressant. Jag behöll mycket av det roliga och snabba från vibe coding, men kombinerade det med striktare kodgranskning, tydlig dokumentation och små, inkrementella ändringar. I stället för att kasta in gigantiska funktioner i ett svep byggde jag steg för steg. Plötsligt var arkitekturen och implementationen knivskarp och under full kontroll – allt föll på plats precis som jag ville. Att utveckla med AI blev mer som att leda en begåvad praktikant: man slipper skriva detaljerna själv, men man måste behålla helhetsblicken och kontrollen över arkitekturen.

Inte långt därefter gick jag över till Claude Code, vilket gav mig ännu mer precision och kontroll. Det kändes nästan overkligt effektivt, och min produktivitet mångdubblades.

Mjukvaruingenjörens framtid

”Finns det en risk att vibe coding gör att man bygger saker så snabbt att man struntar i grunderna i programmering?”

Jag är övertygad om det!

Den traditionella vägen från nybörjare till fullfjädrad produktutvecklare har alltid sett ut som en trappa: man tar ett steg i taget. De flesta börjar med grundläggande programmeringskurser, landar ett juniorjobb, nöter mot verkliga ingenjörsutmaningar i produktion och växer så småningom in i rollen som en självständig utvecklare. Varje steg ger tydlig feedback, vilket gör att tröskeln historiskt sett varit rimlig för någon med normal studiemotivation, och karriärvägen har varit tydlig.

Vibe coding river startspärren helt och hållet. Vem som helst kan nu smälla upp en fungerande demo. Men mjukvaruutveckling är ett djupt praktiskt hantverk. Att gå från en demo till en driftsäker, kommersiell produkt är skillnaden mellan att gå från 0 till 1 och från 1 till 100.

På den traditionella banan plockade man under resan från 0 till 1 på sig de grundläggande färdigheter som krävdes för att klara 1 till 100. Vibe coding ger inte nybörjaren den grunden. Redan i steget från 1 till 10 möts man av en lodrät tröskel som kommer få de allra flesta att ge upp.

Eftersom starten var så lekande lätt blir smällen desto hårdare när de verkliga problemen hopar sig. Det krävs mer än ett måttligt intresse och normal inlärningsförmåga för att ta sig över det hindret. Och de som faktiskt lyckas ta det klivet på egen hand? De besitter redan en problemlösningsförmåga och ett driv i toppklass – vi pratar om den översta procenten av programmerare.

Med andra ord: den lilla klick som reder ut detta hade blivit stjärnutvecklare även före AI-eran.

I takt med att AI blir allt skickligare på att koda slutar branschen att anställa juniorer. Det uppstår ett glapp i kompetensförsörjningen, och få får chansen att lära sig hantverket från grunden på en riktig arbetsplats.

Ett år efter att jag skrev det här första utkastet har arbetsmarknadsstatistiken börjat bekräfta bilden:

• Stanford Digital Economy Lab använde lönedata från amerikanska ADP och visade att i juni 2026 låg sysselsättningen bland 22–25-åringar i de mest AI-exponerade yrkena 19 procent lägre än vad trenden för deras jämnåriga i andra branscher pekade mot (jämfört med 15 procent året innan). Bland mer erfarna utvecklare syntes inget motsvarande tapp. Gapet beror dessutom främst på att företagen låter bli att nyanställa unga, inte på uppsägningar. (Stanford Digital Economy Lab, 2026-08)
• Enligt en rapport från riskkapitalbolaget SignalFire i juni 2026 hade nyexaminerade och juniora rekryteringar hos tolv techjättar (däribland Google, Meta, Apple och Microsoft) minskat med cirka 65 procent jämfört med 2019. Hos nystartade startups var raset hela 76 procent. (SignalFire State of Talent Report 2026)
• I statistik från rekryteringssajten Indeed stod juniora roller bara för 4,5 procent av alla utannonserade mjukvarujobb i USA under första kvartalet 2026 – den lägsta andelen av alla undersökta yrkeskategorier. (Indeed Hiring Lab, 2026-07)

Jag ser ganska dystert på branschens framtid. Programmering är på väg mot en kraftig polarisering: i ena änden har vi en elit av giganter som tampas på högsta nivå, och i andra änden en bred massa som bygger hobbyprojekt och leksaker på demonivå.

Andra discipliner kommer gradvis att gå samma öde till mötes. Allt rutinartat kunskapsarbete kommer att ätas upp av AI.

Till och med matematiken – en domän som om något kräver djupt och originellt tänkande – har under det gångna året börjat ge vika för AI:

• I januari 2026 löste Kevin Barreto, student vid Cambridge, och amatörmatematikern Liam Price Erdős problem nr 728 med hjälp av GPT-5.2 Pro – ett problem som saknade varje form av tidigare bevis i litteraturen. Det betraktas som det första Erdős-problemet som huvudsakligen knäckts av en AI.
• I maj 2026 motbevisade en OpenAI-modell Paul Erdős förmodan om enhetsavstånd från 1946 – en gåta som gäckat matematiker i 80 år. Fieldsmedaljören Tim Gowers kommenterade: ”Inget AI-genererat bevis har tidigare varit ens i närheten av denna nivå.” Bara några veckor senare lyckades mänskliga matematiker bygga vidare på och väsentligt förbättra AI:ns resultat.
• Samma månad löste en agent från Google DeepMind självständigt 9 av 353 öppna matematiska problem, till en beräkningskostnad av bara några hundra dollar per problem.
• Matematikern Noga Alon har till och med slutat forska på Erdős problem: ”När AI börjar lösa dem tappar det sin mening.”

Vad den här serien kommer att handla om

Allt fler utan tidigare kodvana ger sig nu i kast med AI-kodning. Många vet knappt var de ska börja, eller stannar vid något litet hobbyexperiment. De märker snart att bristen på mjukvarutekniskt tänkande gör att de famlar i mörker: de vet inte hur man bryter ner ett problem, hur man angriper komplexitet eller hur man styr AI:n för att faktiskt nå i mål.

Jag har också märkt att mycket bottnar i brist på logisk skärpa – man vet inte hur man ställer rätt frågor, saknar ett kritiskt förhållningssätt och kan inte avgöra om svaret AI:n ger faktiskt stämmer eller inte.

Som mjukvaruingenjör med över sex års erfarenhet har jag med AI:s hjälp designat och byggt flera komplexa system som i dag har en etablerad användarbas. Precis som jag nämnde i inledningen är varenda rad kod i mina nuvarande projekt skriven av AI. AI kan definitivt bygga avancerade produkter – under förutsättning att utvecklaren förstår vad som händer under huven och vet hur modellen ska styras. AI är bara ett verktyg; det avgörande är människan bakom tangentbordet.

I AI-eran ställs de traditionella sätten att lära sig koda på ända. För att möta den här förändringen drar jag därför igång en serie: Den kompletta guiden till vibe coding för nybörjare.

Guiden kommer att kretsa kring några centrala byggstenar:

1. Att förena AI-kodning med modern mjukvaruutveckling. Förstå vad mjukvaruteknik faktiskt innebär i grunden, och bygg sedan din applikation från grunden. Målet är att komma förbi demostadiet och skapa kod som är hållbar över tid – med ett arbetsflöde som flyter på helt friktionsfritt.
2. Träning i logik och tänkande. Hur du promptar effektivt när du kodar med AI, vilka fallgropar du måste undvika och hur du skriver bra projektdokumentation.
3. Testning och arbetsflöden. Hur du testar projekt och kod, optimerar hela din pipeline och fortsätter förbättra kvalitet och funktioner utan att kompromissa med arkitekturen. Hur du skruvar upp tempot och bygger automatiserade flöden med bibehållen kodkvalitet.
4. Bästa tech-stacken för AI-kodning. Vilka språk och ramverk som maximerar AI:ns styrkor och ger bäst resultat.

Efterord

Huvuddelen av den här texten skrevs faktiskt för ett år sedan (i oktober 2025). Jag har putsat till den och kompletterat med årets färska arbetsmarknadsdata och AI:ns senaste genombrott inom matematiken. Då var jag så överväldigad av AI-utvecklingens vansinniga tempo att jag drog mig för att skriva längre essäer – jag var rädd att texten skulle vara inaktuell redan efter ett par dagar, så det blev mest korta inlägg i sociala medier. När jag nu rotade fram utkastet ett år senare insåg jag att tankarna faktiskt fortfarande håller. Så jag bestämde mig för att finslipa och publicera. Framöver vill jag skriva fler genomarbetade texter – innehåll med en genuin mänsklig röst kommer trots allt bara bli mer och mer sällsynt framöver.