AI-agenter som kodar själva: den nya trenden som kallas ”agentic engineering”

Under det senaste året har ett nytt sätt att programmera med AI vuxit fram, och det skiljer sig rejält från det vanliga ”skriv en fråga, få ett svar”-mönstret. Det kallas för agentic engineering — utveckling där AI-verktyget inte bara föreslår kod, utan själv kör den, testar den och rättar sina egna fel, ofta utan att en människa behöver godkänna varje steg på vägen.

Skillnaden mot vanlig AI-kodning

I den klassiska varianten skriver en utvecklare en fråga till en AI-modell, får ett kodförslag tillbaka, och klistrar in det manuellt. Med agentiska verktyg — som Claude Code och liknande ”coding agents” — får AI:n istället tillgång till en dator den kan agera på egen hand i. Den kan köra koden, se om den kraschar, läsa felmeddelandet, justera och försöka igen. Det gör att den kan lösa uppgifter som sträcker sig över många steg utan konstant styrning.

Skillnaden är särskilt tydlig när man jämför med det som brukar kallas ”vibe coding” — där man knappt bryr sig om koden som skrivs, utan bara litar på att AI:n löser uppgiften. Agentic engineering är snarare en mer disciplinerad variant: utvecklare bygger upp konkreta mönster och rutiner för hur man bäst styr och granskar det AI-agenter gör, snarare än att bara släppa taget helt.

Varför det växer nu

Anledningen till att den här arbetsformen tagit fart just nu är att modellerna blivit betydligt bättre på att hålla ihop längre uppgifter — de tappar inte tråden lika lätt, och de klarar av att både skriva och exekvera kod i samma flöde. Det gör att en AI-agent kan få en relativt öppen uppgift, som ”fixa de här buggarna”, och arbeta sig igenom den över flera timmar utan att en människa behöver sitta bredvid och peka.

Samtidigt växer en hel repertoar av tekniker fram bland utvecklare som jobbar mycket med de här verktygen: att låta AI:n skriva en plan innan den börjar koda, att spara planen som ett slags mellansteg man kan justera, och att låta enklare, billigare modeller sköta rutinuppgifter medan mer kraftfulla modeller sparas till svårare avgöranden.

Vad det betyder för vanliga användare

Man behöver inte vara utvecklare för att trenden ska märkas. Samma princip — att låta AI:n arbeta mer självständigt över flera steg istället för att bara svara på enskilda frågor — sprider sig till fler typer av AI-verktyg, från forskningsassistenter till kalender- och e-posthantering. Det är en del av en bredare rörelse där AI går från att vara ett uppslagsverk man ställer frågor till, till att bli något som faktiskt utför uppgifter åt en.

Samtidigt är det värt att komma ihåg att mer självständighet också innebär mer som kan gå fel utan att någon märker det direkt. Ju mer man låter en AI-agent göra på egen hand, desto viktigare blir det att granska resultatet i efterhand — inte bara lita blint på att allt blev rätt.

Inspirerad av Simon Willisons rapportering om agentiska kodningsmönster på simonwillison.net.