12. July 2026
En fersk måling publisert på bloggen Systima.ai avslører en enorm prisforskjell i kulissene på populære utviklerverktøy. Mens verktøyet OpenCode sender rundt 7 000 tokens i bakgrunnen før det i det hele tatt leser brukerens instruksjon (prompt), sender Anthropic sitt populære verktøy "Claude Code" hele 33 000 tokens for den samme innledende prosessen.
Bakgrunnen for dette voldsomme avviket ligger i hvordan moderne AI-agenter fungerer. For at agenten skal forstå kodemiljøet ditt, filstrukturen og oppføre seg stabilt, må språkmodellen fôres med massive mengder systeminstruksjoner og kontekst før selve oppgaven starter. Dette kalles "token overhead", og det skjer helt usynlig for brukeren i grensesnittet.
For teknologiledere og CFO-er som overvåker sky- og API-budsjetter, viser dette at AI-verktøy ikke kan sammenlignes utelukkende på abonnementspris. Dersom utvikleravdelingen din ruller ut verktøy som Claude Code i stor skala, vil de skjulte driftskostnadene løpe løpsk nesten fem ganger raskere enn med mer effektive alternativer. Før man standardiserer på ett verktøy, bør man kreve en grundig analyse av faktisk token-forbruk under reelle arbeidsbetingelser. Les hele saken hos Systima.ai.
Den verdenskjente matematikeren og Fields-medaljevinneren Terry Tao har vakt oppsikt i teknologimiljøet etter å ha delt sine erfaringer med å bruke moderne AI-kodingsagenter til å gjenskape eldre applikasjoner og bygge nye fra bunnen av på rekordtid. Tao beskriver hvordan agentene nå klarer å håndtere komplekse oppgaver som migrering av utdatert kodebase til moderne rammeverk nesten helt på egen hånd.
Dette markerer et viktig skifte. Der AI-assistentene tidligere fungerte som avanserte autofullfør-verktøy som hjalp utviklere med å skrive enkeltlinjer med kode, har vi nå trådt inn i tidsalderen for autonome agenter. De kan analysere hele prosjekter, feilsøke sine egne feil og levere ferdige, kjørbare applikasjoner basert på enkle, overordnede instruksjoner.
For selskaper som sitter på betydelig teknisk gjeld og utdaterte fagsystemer, åpner dette opp helt nye muligheter. IT-direktører kan nå vurdere moderniseringsprosjekter som tidligere ble lagt i skuffen fordi de krevde for mange timer med manuelt, kjedelig arbeid. Ved å sette oppmannede AI-agenter på saken, kan man migrere eldre programvare til skyen eller mer moderne språk til en brøkdel av prisen, samtidig som man frigjør dyrebar seniorkompetanse til mer strategisk arbeid. Les saken på bloggen til Terry Tao.
En fersk studie omtalt i IEEE Spectrum viser at selv om kunstig intelligens gir forskere en enorm karriere- og effektivitetsboost, har teknologien en urovekkende skyggeside: Den snevrer inn bredden av ideer som utforskes. Forskere som lener seg tungt på AI, publiserer mer, men arbeidene deres tenderer mot å være mer like og mindre banebrytende enn tidligere.
Forklaringen ligger i selve naturen til store språkmodeller. Siden disse modellene er trent på eksisterende data, er de programmert til å finne mønstre og sammenhenger innenfor etablerte sannheter. De er fantastiske til å optimalisere det vi allerede vet, men de sliter med å generere genuint radikal, uprøvd tenkning som utfordrer det eksisterende paradigmet.
For innovative selskaper innen bioteknologi, materialteknologi eller produktutvikling er dette et kritisk signal. AI er et uvurderlig verktøy for å akselerere utviklingsfasen og verifisere hypoteser, men hvis forsknings- og utviklingsavdelingen din bruker AI som den primære kilden til idégenerering, risikerer dere å ende opp med nøyaktig de samme, inkrementelle forbedringene som konkurrentene deres. Innovasjonsledere må bevisst skape prosesser som skjermer den tidlige idéfasen for AI, slik at den menneskelige kreativiteten får rom til å tenke utenfor modellens datagrunnlag. Les mer hos IEEE Spectrum.