Teknisk gjeld fra AI-kode: fem typer og budsjett

    En studie av 304 362 AI-commits viser at 24 prosent av problemene fortsatt står ved siste revisjon. Her er hva norske SMB-er bør budsjettere og kontrollere før regningen kommer.

    Jonas BakkeDaglig leder og medgründer

    Publisert 28 min lesing

    Teknisk gjeld fra AI-kode: fem typer og budsjett
    Innhold

    Nøkkelpunkter per 11. november 2026:

    • En fjerdedel av problemene AI-assistenter innfører i kode består fortsatt ved siste revisjon av repositoriet (arXiv).
    • Nesten halvparten av norske utviklere lar AI skrive alt eller mesteparten av koden sin, og 81 prosent frykter feil de aldri oppdager (kode24).
    • Designgjeld er den vanligste formen for selvinnrømmet gjeld i AI-relaterte kodekommentarer, med 33 av 81 annoterte tilfeller (arXiv).
    • Ti anti-mønstre går igjen i AI-generert kode, og «Comments Everywhere» finnes i 90 til 100 prosent av kodebasene (infoq.com, 2025).
    • Åpenhetskravene i AI Act artikkel 50 har gjeldt siden 2. august 2026 og treffer også egenutviklede løsninger (EU-kommisjonen).

    Teknisk gjeld fra AI-kode og hva som faktisk er nytt

    Teknisk gjeld er snarveier som fungerer i dag og koster i morgen. Begrepet er over tjue år gammelt, men grunnlaget under det har endret seg raskt. Ifølge 2025 Stack Overflow Developer Survey bruker eller planlegger 84 prosent av profesjonelle utviklere å bruke AI-verktøy i utviklingsprosessen (arXiv). Både Google og Microsoft opplyste i 2025 at AI nå skriver over 20 prosent av deres nye kode. Når maskinen produserer en så stor andel av leveransen, oppstår gjelden raskere, og den oppstår i gjenkjennelige mønstre.

    Omfanget er ikke lenger eksperimentelt. GitHub rapporterte at mer enn 1,1 millioner offentlige repositorier brukte AI-kodeverktøy mellom 2024 og 2025. I Norge lar nesten halvparten av utviklerne AI skrive alt eller mesteparten av koden sin, mens 81 prosent sier de er bekymret for feil de aldri oppdager (kode24). Det er to tall som ikke hører sammen. Når tempoet er høyt og tilliten lav, er det ikke verktøyet som er problemet, men mangelen på kontrollrutine rundt det.

    Definisjonen som holder i praksis

    AI-rådgiver Anne Christine Knudsen, som har over 30 års erfaring fra digitaliseringsprosesser, definerer AI-gjeld som ny teknisk og organisatorisk gjeld som oppstår ved AI-bruk uten kontroll på data, prosesser, ansvar og gevinst (kode24). Den definisjonen er nyttig nettopp fordi den ikke stopper ved kodebasen. Mesteparten av det som gjør AI-gjeld dyr, ligger utenfor kildekoden: i datagrunnlaget, i hvem som har ansvaret, og i gevinsten ingen måler.

    For en norsk SMB betyr det at diskusjonen ikke kan eies av utviklingsteamet alene. Knudsen, som blant annet bistår Bærum kommune i digitalisering og AI-bruk, mener utviklere må støtte seg mer på andre faggrupper enn seg selv. Det er en organisatorisk observasjon, ikke en teknisk. Og den har direkte budsjettkonsekvenser, som vi kommer tilbake til.

    Selvinnrømmet gjeld og TODO-lappene

    Den mest direkte kilden til hva utviklere faktisk mener om AI-kode, er kommentarene de legger igjen i koden. En studie gikk gjennom 6 540 unike kodekommentarer som refererer til språkmodeller i offentlige GitHub-repositorier, og fant 81 som samtidig innrømmer teknisk gjeld (arXiv). Forfatterne kaller fenomenet GIST, tilfeller der utviklere integrerer AI-generert kode samtidig som de uttrykker usikkerhet om hvordan den oppfører seg eller om den er korrekt.

    Utvalget er lite, og forfatterne er tydelige på det: bare 81 av 6 540 innsamlede kommentarer møtte kriteriene. Det skal man lese som et signal, ikke som en måling av totalomfanget. Utviklere skriver sjelden ned at de er usikre. Når 81 av dem gjør det så eksplisitt at det kan kodes systematisk, er det rimelig å anta at den uuttalte usikkerheten er langt større.

    Gjelden som forsterker seg selv

    Det som skiller AI-gjeld fra vanlig teknisk gjeld, er ifølge Ana Bildea at den forsterker seg selv. Hun peker på tre hovedvektorer som genererer den: kaos i modellversjonering, oppblåst kodegenerering og organisasjonsfragmentering (infoq.com, 2025). Mekanismen er enkel nok: AI-generert kode blir kontekst for neste AI-generering. Mønstre som aldri ble vurdert av et menneske, blir reprodusert fordi de allerede står i kodebasen.

    Det er grunnen til at tidspunktet for kontroll betyr mer her enn ved tradisjonell gjeld. En snarvei et menneske tar, blir sjelden kopiert hundre ganger. En konvensjon en assistent plukker opp fra en eksisterende fil, blir det.

    Fem typer AI-gjeld SMB-er arver med Copilot og Cursor

    Knudsen peker på fem typer AI-gjeld: datagjeld, prosessgjeld, ansvarsgjeld, kompetansegjeld og gevinstgjeld (kode24). Bare den første av dem er noe en kodegjennomgang kan oppdage. De fire andre oppstår i organisasjonen, og de oppdages typisk når noe har gått galt eller når noen spør hva verktøyet egentlig ga tilbake.

    Utvikler som arbeider med gjennomgang av kompleks AI-kode
    Utvikler som arbeider med gjennomgang av kompleks AI-kode. Foto: cottonbro studio / Pexels

    Denne inndelingen er verdt å bruke som faktisk sjekkliste før utrulling, fordi den tvinger frem eiere. Hvis ingen navngitt person eier datagjelden, er den per definisjon ikke håndtert.

    Type AI-gjeldTypisk symptomHvem må eie denFørste kontroll
    DatagjeldModellen bygger på data ingen har kvalitetssikret eller har rett til å brukeArkitekt eller dataansvarligKartlegg kilder og behandlingsgrunnlag før første utrulling
    ProsessgjeldAI er lagt inn i arbeidsflyten uten at flyten er endret, så kontrollpunktene manglerProdukt- eller utviklingslederTegn opp hvor i flyten AI-output går videre uten godkjenning
    AnsvarsgjeldIngen vet hvem som svarer når AI-kode feiler i produksjonLedelsenSkriv ned eier per system, ikke per verktøy
    KompetansegjeldTeamet kan bruke verktøyet, men kan ikke vurdere det det levererFaglederMål om juniorene kan forklare koden de merger
    GevinstgjeldLisenser og tid er brukt, men ingen kan vise hva som ble bedreØkonomi og ledelseDefiner to måltall før utrulling, ikke etter

    Datagjeld og prosessgjeld oppstår først

    Datagjeld er den typen som er lettest å forstå og vanskeligst å rydde. Den handler om hva modellen og løsningen rundt den faktisk bygger på, og om noen har sjekket kvaliteten og rettighetene. Knudsen er klar på at arkitekter må avklare datakvalitet, menneskelig kontroll, sikkerhet, logging, eierskap og forvaltning før AI skaleres (kode24). Rekkefølgen er poenget: før, ikke etter.

    Prosessgjeld er mer snikende. Et team tar i bruk en assistent, produktiviteten per utvikler går opp, og antall endringer som når hovedgrenen øker. Men kodegjennomgangen har samme kapasitet som før. Da flytter flaskehalsen seg fra produksjon til kontroll, og kontrollen blir det som ryker.

    Ansvarsgjeld er den dyreste i en SMB

    I et stort selskap finnes det en sikkerhetsavdeling som til slutt eier spørsmålet. I en SMB med fem til femten utviklere finnes det ofte ingen. Resultatet er at ansvaret for AI-generert kode ligger diffust hos den som sist rørte filen. Det holder helt til første alvorlige hendelse, og da er det for sent å fordele.

    Ansvarsgjeld er også den som kobler seg hardest mot regulering. Når åpenhetsforpliktelser og dokumentasjonskrav treffer, er spørsmålet alltid hvem som kan svare. Mangler svaret, blir det juridisk gjeld i tillegg til teknisk.

    Kompetanse- og gevinstgjeld bygges i stillhet

    Kompetansegjeld er den mest kontraintuitive. Verktøyet gjør teamet raskere samtidig som det gjør det mindre øvet. Studenten Selma Breen sluttet helt å bruke AI i studiene fordi hun opplevde at ulempene ble større enn fordelene, blant annet at hun ikke klarte å se forbedringspotensialet i egne tekster (Digi.no). Overført til et utviklingsteam er dette presis beskrivelse av et reelt problem: evnen til å vurdere kvalitet forvitrer raskere enn evnen til å produsere.

    Gevinstgjeld er den enkleste å unngå og den oftest oversette. Hvis du ikke har definert hva som skal bli bedre, kan du ikke senere avgjøre om lisensene var verdt det. To måltall holder. Tiden fra et behov meldes til koden står i produksjon, og andel endringer som må rulles tilbake, er to som faktisk svarer på spørsmålet.


    Les også: Open source AI kutter prisen men krever teknisk kompetanse. Tencent slapp nettopp Hy3, en 295B-modell gratis under Apache 2.0.


    Hvor synlig er bedriften din i Google og ChatGPT?

    Vi sjekker nettsiden din og sender en gratis synlighetsrapport innen 24 timer.

    Vil du heller snakke med en rådgiver? Ta kontakt.

    Hva 304 362 AI-commits avslører om kodekvalitet

    Den største empiriske undersøkelsen vi har av AI-kode i reell drift, analyserte 304 362 verifiserte AI-forfattede commits fra 6 275 GitHub-repositorier på tvers av fem assistenter: GitHub Copilot, Claude, Cursor, Gemini og Devin (arXiv). Totalt ble 484 606 distinkte problemer identifisert. Dette er ikke en laboratorietest av modeller, men en måling av hva som faktisk havnet i kodebaser.

    Funnene gir et mer nyansert bilde enn både skeptikerne og leverandørene liker. AI-commits innfører problemer, men de fikser også problemer. Og de problemene som innføres, er oftere kosmetiske enn katastrofale. Det som gjør dem dyre, er at de blir liggende.

    MålepunktVerdiHva det betyr for deg
    Problemer identifisert totalt484 606Volumet er stort nok til at stikkprøver ikke er nok
    Andel som er kodeluktNesten ni av ti problemerDet meste er vedlikeholdbarhet, ikke umiddelbare feil
    Commits som innfører minst ett problemMer enn 15 prosent per verktøyGjelder alle fem assistenter, med variasjon mellom dem
    Problemer som fortsatt bestårOm lag en fjerdedelDenne andelen blir aldri ryddet, det er budsjettposten
    Overlevelse etter mer enn 9 månederOm lag en femtedelGjelden flater ut, den forsvinner ikke

    Kodelukt dominerer bildet

    At nesten ni av ti problemer er kodelukt, er både beroligende og urovekkende (arXiv). Beroligende fordi kodelukt sjelden tar ned en tjeneste i morgen. Urovekkende fordi kodelukt er nettopp det som ikke utløser noen alarm, og derfor aldri kommer øverst i backloggen. Det er gjeld i ren form: et lån ingen krever inn før renten er blitt stor.

    Det er også verdt å ta med at bildet går begge veier. AI-commits fikset 449 984 kodelukt-problemer mot 431 850 innførte, altså en netto reduksjon på 18 134. Assistentene er ikke bare gjeldsmaskiner. De er gode på mekanisk opprydding og svakere på strukturelle valg, og det er en forskjell du kan bygge rutine rundt.

    Forskjellene mellom verktøyene er reelle

    Mer enn 15 prosent av commits fra hver assistent innfører minst ett problem, men spredningen er betydelig. Blant verktøyene som oppgis med egne tall, lå GitHub Copilot lavest og Gemini klart høyest (arXiv). Målt som gjennomsnittlig antall problemer per commit hadde Claude flest med 1,96 og Devin færrest med 0,87.

    Disse tallene bør ikke leses som en innkjøpsanbefaling. De sier lite om hvilke oppgaver verktøyene ble satt på, og et verktøy som brukes til store refaktoreringer vil naturlig innføre mer per commit enn et som brukes til små rettinger. Det de sier, er at valg av verktøy påvirker gjeldsraten, og at ingen av dem er gratis å rulle ut.

    Gjelden som ikke blir borte av seg selv

    Det viktigste tallet for en leder er persistensen. Om lag en fjerdedel av de sporede AI-introduserte problemene består fortsatt ved repositoriets siste revisjon (arXiv). For problemer som er mer enn ni måneder gamle holder omtrent en femtedel seg fortsatt i kodebasen. Kurven flater altså ut, men den går ikke mot null.

    Praktisk betyr det at omtrent en femtedel av det som innføres, blir permanent del av kodebasen med mindre noen gjør et aktivt valg. Det er den delen som skal ha en linje i budsjettet. Alt annet ryddes i den vanlige flyten.

    Designgjeld er den vanligste formen når AI skriver koden

    Når utviklere selv innrømmer gjeld i AI-relatert kode, handler det oftest om design. I de 81 annoterte kommentarene var Design Debt den vanligste kategorien med 33 av 81 tilfeller (arXiv). Det stemmer med Ox Securitys konklusjon om at AI-generert kode er svært funksjonell, men systematisk mangler arkitektonisk dømmekraft (infoq.com, 2025). To helt ulike metoder peker på samme svakhet.

    GjeldstypeAntall i AI-utvalget (av 81)Mot referansemålingen (Maldonado et al.)
    Designgjeld33Klart lavere andel i AI-utvalget
    Kravgjeld17Høyere andel i AI-utvalget
    Testgjeld17Mangedoblet andel i AI-utvalget
    Defektgjeld11Ikke oppgitt i sammenligningen
    Dokumentasjonsgjeld3Ikke oppgitt i sammenligningen

    Testgjeld er den største endringen

    Sammenligningen mot tidligere forskning er mer interessant enn fordelingen alene. Designgjeld utgjør en klart lavere andel i AI-utvalget enn i referansemålingen, kravgjeld utgjør en høyere andel, og testgjeld er mangedoblet (arXiv).

    Det siste er det som bør endre praksis. Mangedoblingen i andelen testrelatert gjeld sier at testdekningen er den første tingen som blir offer når kode genereres raskere enn den blir forstått. Hvis du bare skal innføre ett krav før bred utrulling, er kravet at AI-generert kode ikke merges uten test som faktisk feiler hvis logikken endres.

    Rollene utviklere gir AI

    Studien kodet også hvilken rolle utviklerne tillegger AI i gjelden. Oftest er den katalysator, 34 av 81 tilfeller, der AI skaper usikkerhet om potensiell fremtidig gjeld. I 22 av 81 tilfeller pekes AI ut som direkte kilde (arXiv). I 19 av 81 er AI tvert imot den som demper gjeld, og et lite mindretall er kodet som nøytrale.

    Fordelingen er nyttig fordi den avviser begge ytterpunktene. AI er ikke hovedsakelig en gjeldsfabrikk, og den er ikke nøytral heller. Den vanligste effekten er usikkerhet: kode som virker, men som ingen har et klart mentalt bilde av. Usikkerhet er vanskeligere å prioritere bort enn en kjent feil, og det er derfor den blir liggende.

    Rammeverk for kodegjennomgang av AI-generert kode

    Ox Security er direkte på dette punktet: manuell kodegjennomgang er foreldet som primært forsvar, og sikkerhetskrav må bygges inn i AI-promptene (infoq.com, 2025). Det er en påstand som fort blir misforstått. Den sier ikke at mennesker skal ut av løkken. Den sier at mennesket er feil sted å plassere volumkontroll når volumet har gått opp.

    Alura mener manuell kodegjennomgang alene ikke holder som hovedforsvar når AI skriver store deler av koden. Krav til sikkerhet og arkitektur må inn i selve prompten og i automatiserte sjekker. Mennesket skal bruke tiden sin på de valgene maskinen ikke kan tatt: grensesnitt, datamodell, hva som skal bygges i det hele tatt.

    SporFangerFanger ikkeEier
    Promptmal med sikkerhets- og arkitekturkravForutsigbare anti-mønstre før de skrivesAlt modellen velger å ignorereFagleder utvikling
    Automatiske sjekker i pipelineKodelukt, kjente sårbarhetsmønstre, manglende testFeil arkitekturvalg som er teknisk korrektPlattform eller DevOps
    Menneskelig gjennomgang med AI-flaggUklar hensikt, feil abstraksjonsnivå, dupliseringVolum, hvis andelen AI-kode er høyUtviklingsteamet
    Arkitekturforum ved terskelNye avhengigheter, datamodellendring, nye integrasjonerDetaljer i implementasjonenArkitekt sammen med test og QA

    Tre spor som må være på plass samtidig

    Første spor er prompten. Hvis teamet ikke har en felles mal som sier hvilke sikkerhetskrav, logge- og feilhåndteringskonvensjoner som gjelder, får hver utvikler sin egen variant av huset. Andre spor er automatikken: lintere, statisk analyse og testkrav som kjører på hver endring uten unntak. Tredje spor er mennesket, men med smalere mandat enn før.

    Det som ikke fungerer, er å beholde den gamle gjennomgangen og håpe at kapasiteten strekker til. Når nesten halvparten av norske utviklere lar AI skrive mesteparten av koden (kode24), har mengden kode per gjennomgangstime endret seg fundamentalt. Rutinen må endres like mye.

    Hva gjennomgangen konkret skal lete etter

    Gjennomgangen bør ha en kort, fast liste i stedet for generell årvåkenhet. Fire spørsmål dekker mye: Er abstraksjonen riktig, eller er dette et bibliotek som løser et problem vi ikke har? Finnes logikken allerede et annet sted i kodebasen? Feiler testen hvis jeg bryter logikken med vilje? Er feilhåndteringen reell, eller er den en tom catch med en kommentar?

    Sikkerhetsdelen fortjener egen oppmerksomhet. Pearce og kolleger fant at omtrent 40 prosent av AI-generert kode i sikkerhetskritiske sammenhenger inneholdt kritiske sårbarheter (arXiv). Det tallet gjelder sikkerhetskritiske kontekster spesifikt, ikke all kode, men det setter en tydelig grense: autentisering, autorisasjon, kryptografi og inputvalidering er områder der AI-forslag skal behandles som utkast, ikke som leveranse.

    Terskler og eskalering

    Et rammeverk uten terskler blir en holdning. Definer derfor hva som automatisk utløser arkitekturgjennomgang: ny ekstern avhengighet, endring i datamodell, nytt endepunkt mot kunde, eller håndtering av personopplysninger. Alt annet går den vanlige veien.

    Terskelen skal være lav nok til å fange reelle valg og høy nok til at den ikke blir omgått. Hvis utviklerne begynner å dele opp endringer for å unngå gjennomgang, er terskelen satt feil. Da er det rutinen som skal justeres, ikke utviklerne som skal irettesettes.

    Mandag morgen: de første grepene i utviklingsteamet

    Resten av denne artikkelen handler om tall og rammeverk. Denne delen handler om hva du kan gjøre på en uke uten å kjøpe noe. Alle fire grep er billige, og alle fire gjør gjelden synlig før den blir stor.

    Merk AI-generert kode i commit-meldingen

    Den store commit-studien kunne måle noe fordi den klarte å identifisere AI-forfattede commits (arXiv). Din organisasjon kan ikke måle noe som helst før den gjør det samme. En enkel konvensjon, for eksempel en trailer i commit-meldingen som sier hvilket verktøy som ble brukt og i hvilken grad, koster null og gir deg datagrunnlaget for alt annet.

    Effekten kommer etter noen måneder. Da kan du svare på spørsmål som ellers blir synsing: hvor stor andel av koden vår er AI-generert, hvor ligger rettingene våre, og er feilraten forskjellig i de to populasjonene. Uten merking er svaret alltid en mening.

    Sett en gjeldskvote per sprint

    Siden en betydelig andel av de innførte problemene består ved siste revisjon, er det ikke realistisk å rydde alt. Det er realistisk å rydde fast. Sett av en avtalt andel av kapasiteten per sprint til opprydding av AI-innført gjeld, og la den andelen være beskyttet på samme måte som sikkerhetsarbeid.

    Kvoten må være knyttet til en liste, ikke til en følelse. Automatiske sjekker som rapporterer kodelukt gir deg listen gratis. Kodelukt utgjør det store flertallet av problemene i AI-commits, så det er også her mest arbeid ligger og venter.

    Krev test før kode merges

    Testgjeld er den kategorien som har endret seg mest, fra en marginal andel i referansemålingen til 17 av 81 tilfeller av selvinnrømt gjeld i AI-relaterte kommentarer (arXiv). Motgrepet er mekanisk: ingen AI-generert logikk inn i hovedgrenen uten en test som faktisk feiler når logikken brytes. En test som passerer uansett er verre enn ingen test, fordi den gir falsk trygghet.

    Dette er også det grepet som har best effekt på kompetansegjeld. Å skrive testen tvinger utvikleren til å forstå hva koden skal gjøre. Det er vanskelig å skrive en meningsfull test for kode du ikke har lest.

    Tverrfaglig samarbeid med arkitekt, test og QA

    Knudsen mener utviklere må samhandle mer med arkitekter, test og QA, fordi disse gruppene har andre perspektiver (kode24). Det er lett å avfeie som generell samarbeidsretorikk. Men koblet mot funnene om designgjeld og manglende arkitektonisk dømmekraft, er det et konkret hull: AI er sterk på implementasjon og svak på de valgene disse rollene eier.

    Alura mener arkitektur, test og QA bør inn i AI-innføringen fra dag en, ikke som kontrollinstans i etterkant. Forskjellen er praktisk. Involvert tidlig setter de krav som går inn i promptmal og pipeline. Involvert sent blir de en flaskehals alle forsøker å gå rundt.

    Hva arkitekten må avklare før skalering

    Knudsen lister seks punkter arkitekter må ha avklart før AI skaleres: datakvalitet, menneskelig kontroll, sikkerhet, logging, eierskap og forvaltning (kode24). I en SMB er dette ikke et måneders arbeid. Det er en dags workshop med skriftlig resultat, og det skriftlige resultatet er det som gjør det mulig å si nei senere.

    Logging og eierskap er de to som oftest glemmes, og de to som koster mest når noe skjer. Hvis du ikke kan rekonstruere hvilken modellversjon som produserte et svar, har du modellversjoneringskaos i praksis, en av vektorene Bildea peker på (infoq.com, 2025). Infrastrukturvalg hører inn her også, og for norske virksomheter er skykapasitet en reell begrensning når AI-last skal plasseres.

    Hvem eier gjelden uten egen arkitekt

    De fleste norske SMB-er har ingen dedikert arkitekt eller QA-funksjon. Det løses ikke ved å late som rollene finnes. Det løses ved å gi rollene til navngitte personer som en del av stillingen, med avsatt tid. En senior utvikler med arkitekturansvar annenhver uke er bedre enn en arkitekt på papiret.

    Ox Security anbefaler å posisjonere AI som implementeringsstøtte og frigjøre mennesker til produktledelse, arkitekturbeslutninger og strategisk oversikt (infoq.com, 2025). For en liten organisasjon er det faktisk en gevinstmulighet: den tiden assistentene frigjør, er omtrent den tiden du trenger til rollene du aldri hadde råd til.


    Les også: Tre AI-leverandører tok 71 prosent av kapitalen i Q1 2026. Tre modellutviklere hentet 160 milliarder dollar i ett kvartal.


    Kostnadssiden: hva AI-gjeld koster over 18 måneder

    Bildea viser til en tidsramme på 18 måneder fra selskaper opplever AI-akselerasjon til de ikke lenger klarer å levere nye funksjoner (infoq.com, 2025). Det er en observasjon, ikke en lovmessighet, og den gjelder selskaper som ikke gjorde noe underveis. Men den gir et nyttig planleggingsvindu: effekten av dagens utrulling ser du ikke i neste kvartalsrapport, du ser den halvannet år fram.

    Alura mener AI-gjeld bør være en egen budsjettpost før verktøyene rulles ut, ikke en overraskelse i neste års vedlikeholdsbudsjett. Begrunnelsen er regnskapsmessig like mye som teknisk: en kostnad du har planlagt kan prioriteres mot andre kostnader, en kostnad som dukker opp som redusert leveringsevne kan bare absorberes.

    BudsjettpostHva du målerHvor grunnlaget kommer fraFrekvens
    Fast oppryddingskvoteAndel sprintkapasitet satt av til AI-innført gjeldRapport fra automatiske sjekker, filtrert på AI-merkede commitsHver sprint
    Verktøy for automatisk analyseLisenskost for statisk analyse og sikkerhetsskanning i pipelineTilbud fra leverandør, ikke estimatÅrlig
    Arkitektur- og QA-tidTimer per måned til terskelgjennomgangerLogg fra arkitekturforum de tre første månedeneKvartalsvis justering
    KompetansetiltakOpplæringstid per utvikler, inkludert testdisiplinGap avdekket i kodegjennomgangHalvårlig
    Dokumentasjon og åpenhetArbeid med merking, logging og etterlevelseKravliste fra AI Act artikkel 50Årlig, med gjennomgang ved endring

    Regnestykket ingen leverandør gjør for deg

    Lisenskostnaden for en AI-assistent er kjent og liten. Gjeldskostnaden er ukjent og større, og den finnes ikke i noe tilbud. Grunnlaget du trenger for å regne på den, er tre tall fra din egen kodebase: hvor mange endringer per måned går gjennom hovedgrenen, hvor stor andel av dem er AI-merket, og hvor mange problemer rapporterer analysen per endring.

    Deretter kan du bruke persistensen som filter. Når en betydelig del av de innførte problemene består ved siste revisjon (arXiv), er det den delen som over tid blir permanent vedlikeholdsbelastning hvis ingen gjør noe. Regn med egne tall, ikke med forskningens, men bruk forskningens som sanity-sjekk på om dine tall er plausible.

    Når hastigheten snur

    Mønsteret bak 18-månederstallet er gjenkjennelig. Først øker leveransetempoet merkbart. Så begynner andelen rettinger å øke. Så går lead time for nye funksjoner opp igjen, uten at noen enkelt endring forklarer det. Til slutt brukes mesteparten av kapasiteten på å holde det eksisterende i gang.

    De to måltallene som varsler tidligst, er andel endringer som er rettinger og tid fra ferdig kode til produksjon. Begge kan hentes fra verktøy du allerede har. Hvis rettingsandelen stiger tre måneder i strekk, er du inne i kurven, uansett hva produktivitetsfølelsen i teamet sier.

    Lisenser, modellvalg og den skjulte regningen

    Kostnadsbildet påvirkes også av hvilke modeller du bygger på. Open source-modeller kutter prisen men flytter kompetansekravet over på deg, og det kravet er en kostnad selv om det ikke står på en faktura. Samtidig er markedet konsentrert: tre leverandører tok mesteparten av kapitalen i Q1 2026, og leverandøravhengighet er en gjeldsform i seg selv.

    Modellversjonering er den mest oversette kostnaden. Når en assistent oppgraderes, endrer output seg, og kode som var konsistent blir inkonsistent over tid. Bildea peker på nettopp dette som en av tre vektorer (infoq.com, 2025). Lås versjoner der du kan, og logg hvilken versjon som var i bruk når.

    AI Act artikkel 50 og åpenhetskravene fra august 2026

    Åpenhetsforpliktelsene i AI Act artikkel 50 gjelder fra 2. august 2026 (EU-kommisjonen). De handler om merking og identifisering av AI-generert innhold, og de treffer både leverandører av generative systemer og de som bruker dem. For en SMB som har bygget en chatbot, en tekstgenerator eller en bildefunksjon, er dette ikke et leverandørspørsmål alene.

    Alura mener åpenhetskravene i artikkel 50 bør ryddes i samme runde som AI-gjelden, siden de har gjeldt siden 2. august 2026. Argumentet er praktisk: begge krever at du vet hvor AI er i bruk, hvilken modell som ble brukt, og hvem som eier løsningen. Det er samme kartlegging, gjort en gang.

    Hva kodeksen er og ikke er

    EU-kommisjonen har fått utarbeidet en frivillig atferdskodeks, Code of Practice on Transparency of AI-generated Content, som skal hjelpe leverandører og brukere med å oppfylle forpliktelsene i artikkel 50. Den ble laget av uavhengige eksperter i en flerpartsprosess tilrettelagt av AI-kontoret, fordelt på to arbeidsgrupper, med oppstart 5. november 2025, første utkast 17. desember 2025, andre utkast 3. mars 2026 og endelig kodeks publisert 10. juni 2026 (EU-kommisjonen).

    Det viktige skillet er dette: tilslutning til kodeksen er frivillig, men åpenhetskravene i artikkel 50 er rettslige forpliktelser. Kodeksen erstatter verken AI Act eller Kommisjonens retningslinjer for artikkel 50. Innen utgangen av juli 2026 hadde rundt 190 selskaper og organisasjoner signert. Å signere er altså en måte å vise hvordan du etterlever, ikke en måte å slippe unna.

    Hva SMB-en bør rydde nå

    Start med en liste over hvor i produktene dere genererer innhold med AI, hvor det vises for en bruker eller kunde, og hvordan det er merket i dag. Legg til hvilken modell og versjon som brukes per sted, og hvem som eier endringer der. Det er den samme listen arkitekten trenger for datagjeld og ansvarsgjeld.

    Deretter sammenhold listen med kravene og kodeksens to seksjoner, en for leverandører og en for brukere av generative systemer (EU-kommisjonen). De fleste SMB-er er brukere, ikke leverandører, men grensen flyttes så snart du finjusterer en modell eller pakker den inn i et eget produkt. Vurder hvor du står, skriftlig, og få det kvalitetssikret.

    Markedsobservasjon: ti anti-mønstre fra 300 prosjekter

    Ox Security analyserte 300 åpen kildekode-prosjekter, hvorav 50 var helt eller delvis AI-generert, og identifiserte 10 arkitektur- og sikkerhetsanti-mønstre som ofte finnes i AI-generert kode (infoq.com, 2025). Anti-mønstrene forekom med høy frekvens i de aller fleste AI-genererte kodebasene. Dette er den mest direkte oversettelsen fra forskning til sjekkliste som finnes i dag.

    Anti-mønsterForekomst i AI-genererte kodebaserHva gjennomgangen ser etter
    Comments Everywhere90 til 100 prosentKommentarer som gjentar koden i stedet for å forklare hensikt
    By-the-Book Fixation80 til 90 prosentMønsterbruk uten tilpasning til faktisk problem
    Avoidance of RefactorsSamme nivå, i de aller fleste AI-genererte kodebaseneNy kode lagt ved siden av gammel i stedet for å erstatte den
    Over-SpecificationSamme nivå, i de aller fleste AI-genererte kodebaseneKonfigurasjon og abstraksjon for behov som ikke finnes
    Bugs Deja-Vu, feil som gjentar segSamme nivå, i de aller fleste AI-genererte kodebaseneSamme feilklasse som dukker opp på nye steder

    Kommentarer overalt er mer enn kosmetikk

    At det hyppigste anti-mønsteret er for mange kommentarer, med forekomst i nesten alle de AI-genererte kodebasene, virker trivielt. Det er det ikke. Kommentarer som beskriver hva en linje gjør, skjuler at ingen har skrevet ned hvorfor den gjør det. Når hensikten mangler, må neste utvikler, eller neste modell, gjette.

    Praktisk motgrep: krev at kommentarer forklarer beslutninger og avvik, aldri syntaks. Det er en regel som kan håndheves i gjennomgang på sekunder, og den reduserer støyen som ellers gjør reell gjeld vanskeligere å se.

    Unngåelse av refaktorering er den dyreste

    Avoidance of Refactors forklarer mye av persistensen i commit-studien. Assistenter legger gjerne ny kode ved siden av eksisterende i stedet for å endre det som finnes, fordi det er den tryggeste måten å løse en konkret oppgave. Resultatet er to veier gjennom samme funksjonalitet, og ingen av dem kan fjernes uten arbeid.

    Dette mønsteret er også forklaringen på at designgjeld topper listen i kodekommentarene (arXiv). Duplisering er et designproblem lenge før det blir et driftsproblem. Sett duplisering som en egen post i oppryddingskvoten, og mål den over tid heller enn per endring.

    Vanlige feil når SMB-er ruller ut AI-kodeassistenter

    Feilene som koster mest, er sjelden tekniske. De handler om rekkefølge, om hvem som ble invitert inn, og om hva som ble målt. Her er de tre mønstrene som går igjen.

    Full utrulling før målepunktene finnes

    Det vanligste er å kjøpe lisenser til alle utviklerne først og tenke på måling etterpå. Da mister du nullpunktet. Uten tall på feilrate, lead time og rettingsandel før utrulling, kan du aldri avgjøre om gevinsten ble reell, og du står igjen med gevinstgjeld (kode24).

    Riktig rekkefølge er kjedelig: mål i to til fire uker, rull ut til et team, sammenlign, og skaler deretter. Det utsetter gevinsten med en måned og gjør den etterprøvbar i årevis.

    Å behandle AI-kode som annen kode

    Den andre feilen er å si at kode er kode, uansett hvem som skrev den. Det er en rimelig holdning til ansvar og en dårlig holdning til risikostyring. Fordelingen av gjeldstyper er målbart annerledes i AI-relatert kode, særlig for test og krav (arXiv), og anti-mønstrene er systematiske nok til å kunne listes opp (infoq.com, 2025).

    Når feilmønsteret er forutsigbart, er kontrollen som fanger det også forutsigbar. Det er argumentet for å merke AI-kode og la pipeline behandle den litt strengere, ikke for å mistro utviklerne som bruker verktøyet.

    Å la juniorene lære av maskinen alene

    Den tredje feilen er den som viser seg senest. En junior som får en assistent fra dag en, leverer raskere enn før og lærer saktere. Erfaringen til studenten som sluttet med AI i studiene, at hun ikke klarte å se forbedringspotensialet i eget arbeid, er direkte overførbar (Digi.no). Når 81 prosent av norske utviklere allerede frykter feil de aldri oppdager (kode24), er evnen til å se feil selv den ferdigheten du minst kan la forvitre.

    Motgrepet er ikke å nekte juniorer verktøy. Det er å kreve at de kan forklare koden de merger, muntlig, i gjennomgang. Den samtalen tar fem minutter og avdekker kompetansegjeld før den blir strukturell.

    Spørsmål og svar om teknisk gjeld fra AI-kode

    Spørsmålene under er de som oftest kommer fra ledelsen når utviklingsteamet ber om lisenser, og de som bør ha et svar før beslutningen tas.

    Hva er teknisk gjeld fra AI-kode?

    Det er svekket vedlikeholdbarhet, sikkerhet og forståelse som oppstår når AI-generert kode tas inn raskere enn den vurderes. Knudsen utvider begrepet til organisatorisk gjeld også: manglende kontroll på data, prosesser, ansvar og gevinst (kode24). Den tekniske delen er den synlige, den organisatoriske er den dyre.

    Hvilke typer teknisk gjeld snakker vi om?

    I kodebasen fordeler selvinnrømt gjeld seg på design, krav, test, defekt og dokumentasjon, med designgjeld som den vanligste (arXiv). I organisasjonen er inndelingen data, prosess, ansvar, kompetanse og gevinst (kode24). Bruk begge listene, de dekker ulike hull.

    Hvordan reduserer vi teknisk gjeld fra AI?

    Fire grep med dokumentert begrunnelse: merk AI-generert kode slik at den kan måles, krev test som faktisk feiler ved brudd, flytt sikkerhets- og arkitekturkrav inn i promptmal og pipeline (infoq.com, 2025), og sett av fast kapasitet til opprydding hver sprint. Det femte, å involvere arkitekt, test og QA tidlig, er det som gjør de fire første vedvarende.

    Er AI-assistenter netto negative for kodekvalitet?

    Nei, og det er viktig å være presis her. I den store commit-studien fikset AI-commits 449 984 kodelukt-problemer mot 431 850 innførte, en netto reduksjon på 18 134 (arXiv). Problemet er ikke at assistentene gjør kodebasen dårligere totalt. Problemet er at den andelen de innfører, blir liggende, og at den konsentrerer seg i design og test.

    Må vi gjøre noe med AI Act hvis vi bare bruker Copilot internt?

    Åpenhetskravene i artikkel 50 handler om AI-generert innhold som møter mennesker, ikke om intern koding i seg selv (EU-kommisjonen). Men bygger assistenten funksjoner som genererer tekst, bilde eller lyd for kundene dine, treffer kravene produktet. Kartleggingen er den samme uansett, og den tar en dag.

    Oppsummering og tre neste steg

    AI-assistenter skriver nå en stor nok andel av koden til at gjelden deres er en budsjettstørrelse, ikke en fagdiskusjon. En vesentlig andel av problemene de innfører, blir aldri ryddet (arXiv). Det meste er vedlikeholdbarhet, ikke akutte feil, og det er nettopp derfor det blir liggende. Gjelden konsentrerer seg i design og test, de to områdene der maskinen er svakest og der konsekvensene kommer senest.

    Det som skiller virksomhetene som håndterer dette fra dem som ikke gjør det, er ikke verktøyvalg. Det er om målepunktene og eierskapet var på plass før utrullingen, og om kontrollen ligger i automatikk og promptmal i stedet for utelukkende i menneskelig gjennomgang.

    Tre neste steg denne måneden

    Første steg: innfør merking av AI-generert kode i commit-meldingene og mål nullpunktet ditt i to til fire uker. Uten det tallet blir alt etterpå synsing, og gevinstgjeld er den enkleste formen å unngå (kode24).

    Andre steg: opprett budsjettposten. Fast oppryddingskvote per sprint, lisens til automatisk analyse, og avsatt arkitektur- og QA-tid. Planleggingsvinduet er halvannet år, ikke neste kvartal (infoq.com, 2025).

    Tredje steg: kartlegg hvor i produktene AI genererer innhold som møter kunder, og hold listen mot åpenhetskravene som har gjeldt siden 2. august 2026 (EU-kommisjonen). Samme kartlegging dekker datagjeld, ansvarsgjeld og etterlevelse, og den er billigere å gjøre nå enn under et tilsyn.

    Alura er et norsk AI-byrå i Oslo. Vi holder AI-kurs og workshops og lager AI-strategi for bedrifter. Se opplæring og strategi, eller start med en gratis kartlegging.

    Kilder
    • arXiv. Debt Behind the AI Boom: A Large-Scale Empirical Study of AI-Generated Code in the Wild
    • kode24. Advarer mot KI-gjeld: – Utviklere må samarbeide mer
    • arXiv. “TODO: Fix the Mess Gemini Created”: Towards Understanding GenAI-Induced Self-Admitted Technical Debt
    • infoq.com (2025). AI-Generated Code Creates New Wave of Technical Debt, Report Finds - InfoQ
    • EU-kommisjonen. Code of Practice on Transparency of AI-generated Content | Shaping Europe’s digital future
    • Digi.no. KI-utvalget advarer: Raske KI-svar kan svekke læring

    Alura Innsikt: AI-nyhetene som angår din bransje, en e-post i uken.