Den tillid braser sammen, i det øjeblik koden sendes i produktion. Rapporten blotlægger en "strukturel afbrydelse" – en direkte modsætning mellem karakteren ved reviewet og kodens faktiske opførsel under ægte arbejdsbelastning .

• 81% af enterprise-teknologiledere rapporterer en direkte stigning i produktionshændelser knyttet til AI-genereret kode .
• 78% af respondenterne melder om flere hændelser generelt .
• 86% rapporterer en stigning i den tid, seniorpersonale bruger på at rette koden .
• 74% vurderer, at mindst 25% af AI-genereret kode kræver omfattende omarbejdning efter deployment .

Dette mønster har fået et rammende navn i rapporten: "vibe coding" – praksissen med at generere og sende kode afsted hovedsageligt på tillid. Ukontrolleret tillid er blevet mainstream og er nu årsag til en regulær produktionskrise .

Udfordringen breder sig i industrien

New Relic er langtfra alene om at slå alarm. Andre brancherapporter fra 2026 tegner samme dystre billede:

• Lightruns '2026 State of AI-Powered Engineering Report' fandt, at 43% af AI-genererede kodeændringer kræver manuel debugging i produktion, selv efter at have bestået QA- og stagingtests. Ikke en eneste respondent kunne verificere en AI-foreslået rettelse med blot én genudrulning; 88% havde brug for to til tre cyklusser .
• Faros AI's 'Engineering Report 2026' konkluderede, at antallet af fejl pr. udvikler er steget med 54%, og forholdet mellem hændelser og pull requests er mere end tredoblet. Sammenhængen mellem AI-adoption og produktionskvalitet bliver ringere, ikke bedre .
• Sonars '2026 State of Code Developer Survey' fandt, at AI allerede står for 42% af al committed kode, et tal der forventes at nå 65% i 2027 – og alligevel stoler 96% af udviklere ikke fuldt ud på AI-genereret kode, og kun 48% verificerer den altid, før de committer .
• CodeRabbits analyse af 470 open source-PR'er viste, at AI-genererede PR'er i gennemsnit bærer omkring 1,7 gange flere problemer, særligt koncentreret om logiske fejl, mangelfuld fejlhåndtering og sikkerhedshuller. Ved 90-percentilen havde AI-PR'er 26 problemer mod 12,3 for menneskelige PR'er .

Det underliggende problem er ikke, at AI skriver dårlig kode. Problemet er, at generering kører 5-10 gange hurtigere end menneskelig hastighed, mens verifikation stadig kører i almindeligt tempo . De pipelines til code review, der blev designet til menneskelig kadence, kan slet ikke følge med AI'ens output-volumen. Dette skaber en verifikationsflaskehals, som lader upålidelighed sive ubemærket ud i produktionen.

Løsningen: New Relic AI Coding Observability

Den 8. juni 2026 adresserede New Relic direkte dette misforhold ved at annoncere udviklingen af New Relic AI Coding Observability, en open source-observabilitetsløsning designet specifikt til AI-assisteret softwareudvikling . Funktionen er planlagt til udgivelse den 23. juni 2026 og vil være tilgængelig uden yderligere omkostninger for New Relic-kunder .

Et leverandørneutralt telemetrilag

Arkitekturen er afgørende. New Relic har bevidst bygget AI Coding Observability på to åbne standarder: OpenTelemetry (OTel) og Model Context Protocol (MCP) . Det betyder, at teams ikke låses fast i New Relics telemetriskema eller en enkelt AI-kodningsassistent. Enhver assistent, der eksponerer MCP-kompatibel telemetri – GitHub Copilot, Cursor, Claude Code og andre – kan spille sammen med det samme observabilitetslag . I et marked, hvor det dominerende kodningsværktøj i 2027 måske ikke er det, vi bruger i dag, er leverandøruafhængighed en praktisk nødvendighed.

Tre kernefunktioner

New Relics annoncering skitserer tre hovedelementer for AI Coding Observability :

1. Synlighed – Spor, hvordan AI-kodningsassistenter bliver brugt under udvikling: hvilke værktøjer, hvor ofte, og hvad de producerer. Målet er at forvandle fragmenteret, uovervåget AI-brug til en styret og målbar ingeniørpraksis.
2. Omkostningskontrol – Forudsig og kontroller forbruget af AI-kodning med budgetalarmer. Dette adresserer direkte en blind vinkel rapporteret af FinOps-teams, der rutinemæssigt modtager uigennemsigtige månedlige fakturaer for brug af AI-værktøjer uden at forstå den leverede værdi .
3. Governance – Hold forespørgsler og kodegenerering sikre og reviderbare, herunder en 'zero-outbound'-tilstand, der holder følsomme data inden for organisationens netværk .

Forbind udvikling til produktion

Det strategiske væddemål handler om korrelation. AI Coding Observability er designet til at normalisere telemetri på tværs af AI-kodningsassistenter og korrelere den sømløst med eksisterende produktionsinfrastruktur . Idéen er at skabe en samlet glasrude, hvor teams kan spore en AI-genereret ændring fra IDE’en gennem deployment og ind i produktion – og derefter se, om den ændring korrelerer med en stigning i hændelser timer eller dage senere.

Et vendepunkt for ingeniørledelse

CTO'er har brugt 2024-2025 på at fokusere på adoption og produktivitetsgevinster fra AI-kodningsassistenter. Data fra New Relic, Lightrun, Faros, Sonar og andre gør det klart, at næste fase må handle om verifikation, pålidelighed og omkostningsansvarlighed.

Den enorme tillid på 94% under code review er ikke nødvendigvis forkert – AI producerer ofte ren, læsbar og syntaktisk korrekt kode, der består statisk analyse. Fejlmekanismen er miljøbestemt: AI-genereret kode performer fremragende i et pull requests snævre sandkasse, men bryder sammen mod kompleksiteten i produktionsdata, ægte brugeradfærd og systeminteraktioner, som intet code review kan simulere fuldt ud. Uden observabilitet, der spænder over begge faser, bedømmer organisationer på en kurve, som produktionen nægter at honorere.

New Relics AI Coding Observability repræsenterer et direkte forsøg på at lukke det kredsløb og flytte industrien fra "stol på reviewet" til "verificér i produktion."

Den tillid braser sammen, i det øjeblik koden sendes i produktion. Rapporten blotlægger en "strukturel afbrydelse" – en direkte modsætning mellem karakteren ved reviewet og kodens faktiske opførsel under ægte arbejdsbelastning .

• 81% af enterprise-teknologiledere rapporterer en direkte stigning i produktionshændelser knyttet til AI-genereret kode .
• 78% af respondenterne melder om flere hændelser generelt .
• 86% rapporterer en stigning i den tid, seniorpersonale bruger på at rette koden .
• 74% vurderer, at mindst 25% af AI-genereret kode kræver omfattende omarbejdning efter deployment .

Dette mønster har fået et rammende navn i rapporten: "vibe coding" – praksissen med at generere og sende kode afsted hovedsageligt på tillid. Ukontrolleret tillid er blevet mainstream og er nu årsag til en regulær produktionskrise .

Udfordringen breder sig i industrien

New Relic er langtfra alene om at slå alarm. Andre brancherapporter fra 2026 tegner samme dystre billede:

• Lightruns '2026 State of AI-Powered Engineering Report' fandt, at 43% af AI-genererede kodeændringer kræver manuel debugging i produktion, selv efter at have bestået QA- og stagingtests. Ikke en eneste respondent kunne verificere en AI-foreslået rettelse med blot én genudrulning; 88% havde brug for to til tre cyklusser .
• Faros AI's 'Engineering Report 2026' konkluderede, at antallet af fejl pr. udvikler er steget med 54%, og forholdet mellem hændelser og pull requests er mere end tredoblet. Sammenhængen mellem AI-adoption og produktionskvalitet bliver ringere, ikke bedre .
• Sonars '2026 State of Code Developer Survey' fandt, at AI allerede står for 42% af al committed kode, et tal der forventes at nå 65% i 2027 – og alligevel stoler 96% af udviklere ikke fuldt ud på AI-genereret kode, og kun 48% verificerer den altid, før de committer .
• CodeRabbits analyse af 470 open source-PR'er viste, at AI-genererede PR'er i gennemsnit bærer omkring 1,7 gange flere problemer, særligt koncentreret om logiske fejl, mangelfuld fejlhåndtering og sikkerhedshuller. Ved 90-percentilen havde AI-PR'er 26 problemer mod 12,3 for menneskelige PR'er .

Det underliggende problem er ikke, at AI skriver dårlig kode. Problemet er, at generering kører 5-10 gange hurtigere end menneskelig hastighed, mens verifikation stadig kører i almindeligt tempo . De pipelines til code review, der blev designet til menneskelig kadence, kan slet ikke følge med AI'ens output-volumen. Dette skaber en verifikationsflaskehals, som lader upålidelighed sive ubemærket ud i produktionen.

Løsningen: New Relic AI Coding Observability

Den 8. juni 2026 adresserede New Relic direkte dette misforhold ved at annoncere udviklingen af New Relic AI Coding Observability, en open source-observabilitetsløsning designet specifikt til AI-assisteret softwareudvikling . Funktionen er planlagt til udgivelse den 23. juni 2026 og vil være tilgængelig uden yderligere omkostninger for New Relic-kunder .

Et leverandørneutralt telemetrilag

Arkitekturen er afgørende. New Relic har bevidst bygget AI Coding Observability på to åbne standarder: OpenTelemetry (OTel) og Model Context Protocol (MCP) . Det betyder, at teams ikke låses fast i New Relics telemetriskema eller en enkelt AI-kodningsassistent. Enhver assistent, der eksponerer MCP-kompatibel telemetri – GitHub Copilot, Cursor, Claude Code og andre – kan spille sammen med det samme observabilitetslag . I et marked, hvor det dominerende kodningsværktøj i 2027 måske ikke er det, vi bruger i dag, er leverandøruafhængighed en praktisk nødvendighed.

Tre kernefunktioner

New Relics annoncering skitserer tre hovedelementer for AI Coding Observability :

1. Synlighed – Spor, hvordan AI-kodningsassistenter bliver brugt under udvikling: hvilke værktøjer, hvor ofte, og hvad de producerer. Målet er at forvandle fragmenteret, uovervåget AI-brug til en styret og målbar ingeniørpraksis.
2. Omkostningskontrol – Forudsig og kontroller forbruget af AI-kodning med budgetalarmer. Dette adresserer direkte en blind vinkel rapporteret af FinOps-teams, der rutinemæssigt modtager uigennemsigtige månedlige fakturaer for brug af AI-værktøjer uden at forstå den leverede værdi .
3. Governance – Hold forespørgsler og kodegenerering sikre og reviderbare, herunder en 'zero-outbound'-tilstand, der holder følsomme data inden for organisationens netværk .

Forbind udvikling til produktion

Det strategiske væddemål handler om korrelation. AI Coding Observability er designet til at normalisere telemetri på tværs af AI-kodningsassistenter og korrelere den sømløst med eksisterende produktionsinfrastruktur . Idéen er at skabe en samlet glasrude, hvor teams kan spore en AI-genereret ændring fra IDE’en gennem deployment og ind i produktion – og derefter se, om den ændring korrelerer med en stigning i hændelser timer eller dage senere.

Et vendepunkt for ingeniørledelse

CTO'er har brugt 2024-2025 på at fokusere på adoption og produktivitetsgevinster fra AI-kodningsassistenter. Data fra New Relic, Lightrun, Faros, Sonar og andre gør det klart, at næste fase må handle om verifikation, pålidelighed og omkostningsansvarlighed.

Den enorme tillid på 94% under code review er ikke nødvendigvis forkert – AI producerer ofte ren, læsbar og syntaktisk korrekt kode, der består statisk analyse. Fejlmekanismen er miljøbestemt: AI-genereret kode performer fremragende i et pull requests snævre sandkasse, men bryder sammen mod kompleksiteten i produktionsdata, ægte brugeradfærd og systeminteraktioner, som intet code review kan simulere fuldt ud. Uden observabilitet, der spænder over begge faser, bedømmer organisationer på en kurve, som produktionen nægter at honorere.

New Relics AI Coding Observability repræsenterer et direkte forsøg på at lukke det kredsløb og flytte industrien fra "stol på reviewet" til "verificér i produktion."