12. July 2026
Tenk deg at du har en av verdens fremste matematikere på laget, og han velger å la en kunstig intelligens skrive programvaren sin. Fields-medaljevinner Terry Tao har nylig delt sine erfaringer med å bruke moderne AI-kodingsagenter til å både bygge nye applikasjoner og friske opp gammel kode. Tao beskriver hvordan disse autonome verktøyene nå klarer å navigere komplekse systemer, utføre feilsøking på egen hånd, og levere fungerende resultater basert på instruksjoner i rent tekstformat.
Dette markerer et tydelig skifte fra de tidlige "Copilot"-verktøyene, som i stor grad fungerte som avansert autofullfør for programmerere. Moderne AI-agenter opererer i økende grad selvstendig; de kan sette opp sitt eget testmiljø, analysere feilmeldinger og iterere helt til koden fungerer optimalt. Når en kapasitet som Tao – som utmerket godt kan programmere selv – velger å delegere dette arbeidet, viser det at teknologien har beveget seg fra å være et leketøy for entusiaster til å bli et høyeffektivt produksjonsverktøy.
For selskaper som sitter på store mengder "teknisk gjeld" – gammel, utdatert programvare som ingen lenger tør å røre – åpner dette helt nye dører. I stedet for å leie inn dyre konsulenter for månedslange migreringsprosjekter, kan interne fageksperter nå bruke AI-agenter til å oversette og modernisere eldre systemer i et tempo vi aldri har sett maken til.
For produktutviklere og gründere betyr dette også at veien fra idé til fungerende prototype blir dramatisk kortere. Fokus flyttes fra hvordan man skriver koden, til hva man faktisk ønsker å løse. De mest verdifulle ansatte fremover blir ikke nødvendigvis de som skriver feilfri syntaks, men de som har domenekunnskapen til å styre disse AI-agentene i riktig retning og kvalitetssikre leveransene.
Les hele saken hos Terry Tao / WordPress
Mens praten går livlig rundt styrerommene om hvordan kunstig intelligens skal transformere arbeidshverdagen, foregår det en langt mer dramatisk kamp i kulissene. Utbyggingen av de gigantiske datasentrene som kreves for å trene og drifte morgendagens AI-modeller, møter nå en mur av lokal motstand, miljøbekymringer og kapasitetsproblemer i strømnettet. En fersk gjennomgang fra The Verge viser at denne infrastrukturelle konflikten bare er i sin spede begynnelse.
Det er lett å glemme at "skyen" faktisk består av gigantiske, fysiske betongbygg fylt med ekstremt energikrevende maskinvare. For å holde tritt med det globale AI-kappløpet kreves det strømmengder som kan utfordre energiforsyningen til hele regioner. Rundt om i verden begynner lokalsamfunn og politikere å stille spørsmål ved om de skal prioritere billig strøm til egne innbyggere og etablert industri, eller til serverparkene til globale tech-giganter.
For innkjøpsansvarlige og teknologidirektører som planlegger bedriftens langsiktige AI-veikart, er dette et klart signal om at ubegrenset og billig datakraft i skyen ikke kan tas for gitt i årene som kommer. Vi må forberede oss på at skytjenester kan bli dyrere, og at leverandører kan bli tvunget til å innføre kvoter eller geografiske begrensninger basert på lokal energitilgang.
Dette vil sannsynligvis tvinge frem en ny tilnærming til systemarkitektur. Selskaper som klarer å optimalisere modellene sine – for eksempel ved å ta i bruk mindre, spesialiserte språkmodeller (SLM) som krever en brøkdel av energien til de største gigantmodellene – vil sitte med et betydelig konkurransefortrinn når strømprisene stiger og kapasiteten strammer seg til.