Men denne tilliten bryter sammen i det koden settes i produksjon. Rapporten identifiserer en "strukturell frakobling" – en direkte motsetning mellom hvordan kode vurderes under gjennomgang og hvordan den faktisk oppfører seg under reelle produksjonsbelastninger .

Tenk deg at bilmekanikeren gir bilen full pott på verkstedtesten, men motoren fusker i det du kjører ut på motorveien. Slik er tilliten til AI-generert kode – godkjent i det sterile kontormiljøet, men utilregnelig i den virkelige trafikken.

• 81% av bedriftsteknologiledere melder om en direkte økning i produksjonshendelser forårsaket av AI-generert kode .
• 78% av respondentene rapporterer flere driftshendelser totalt sett .
• 86% melder om økt tidsbruk blant seniorutviklere på å fikse slik kode .
• 74% sier at minst 25% av AI-generert kode må omarbeides etter lansering .

Dette fenomenet har fått et navn i rapporten: «vibe coding» – praksisen med å generere og sende ut kode hovedsakelig basert på tillit – har blitt mainstream, og den ubekreftede tilliten skaper en produksjonskrise .

Utover New Relic: Et bransjeomfattende problem

New Relic er ikke alene om å slå alarm. En rekke bransjerapporter fra 2026 tegner det samme bildet:

• Lightruns State of AI-Powered Engineering Report 2026 fant at 43% av endringer i AI-generert kode krever manuell feilsøking i produksjon, selv etter å ha bestått QA- og staging-tester. Ikke én eneste respondent kunne bekrefte en AI-foreslått fiks med bare én nyutrulling; 88% trengte to til tre runder .
• Faros AIs Engineering Report 2026 viste at feil per utvikler har økt med 54%, og forholdet mellom hendelser og pull-forespørsler har mer enn tredoblet seg. Sammenhengen mellom AI-bruk og produksjonskvalitet blir verre, ikke bedre .
• Sonars State of Code Developer Survey 2026 fant at AI allerede står for 42% av innsjekket kode, forventet å nå 65% innen 2027 – likevel stoler 96% av utviklerne ikke fullt ut på AI-generert kode, og bare 48% verifiserer alltid før innsjekk .
• CodeRabbits analyse av 470 pull-forespørsler i åpen kildekode viste at AI-genererte pull-forespørsler inneholder omtrent 1,7 ganger flere feil totalt sett, konsentrert rundt logiske feil, manglende feilhåndtering og sikkerhetsfunn. Ved 90-persentilen hadde AI-forespørsler 26 feil, mot 12,3 for menneskelige forespørsler .

Det underliggende problemet er ikke at AI skriver dårlig kode. Problemet er at kodegenerering skjer i 5–10 ganger menneskelig tempo, mens verifisering fortsatt går i gangfart . Rørledninger for kodegjennomgang, designet for menneskelig takt, klarer ikke å holde følge med mengden AI-kode. Resultatet er en verifiseringsflaskehals som lar upålitelig kode snike seg inn i produksjon ubemerket.

Mottiltaket: New Relic AI Coding Observability

Den 8. juni 2026 adresserte New Relic denne frakoblingen direkte ved å kunngjøre utviklingen av New Relic AI Coding Observability, en åpen kildekode-observabilitetsløsning spesialdesignet for AI-assistert programvareutvikling . Løsningen er planlagt lansert 23. juni 2026, og blir tilgjengelig uten ekstra kostnad for New Relic-kunder .

Et leverandørnøytralt telemetrilag

Arkitekturen er gjennomtenkt. New Relic har bevisst bygget AI Coding Observability på to åpne standarder: OpenTelemetry (OTel) og Model Context Protocol (MCP) . Dette betyr at team ikke låses til New Relics telemetriskjema eller én enkelt AI-kodeassistent. Enhver assistent som eksponerer MCP-kompatibel telemetri – GitHub Copilot, Cursor, Claude Code og andre – kan mates inn i samme observabilitetslag . I et marked der den dominerende kodeassistenten i 2027 kanskje ikke er den samme som i dag, er leverandørnøytralitet en praktisk nødvendighet.

Tre kjernefunksjoner

New Relics kunngjøring skisserer tre hovedpilarer for AI Coding Observability :

1. Innsyn (Visibility) – Spor hvordan AI-kodeassistenter brukes under utvikling: hvilke verktøy, hvor ofte og hva de produserer. Målet er å transformere fragmentert, uovervåket AI-bruk til en styrt og målbar ingeniørpraksis.
2. Kostnadskontroll (Cost Control) – Forutse og kontroller utgifter til AI-koding med budsjettvarsler. Dette adresserer en blindsone rapportert av FinOps-team, som rutinemessig mottar ugjennomsiktige månedsfakturaer for AI-kodeassistentbruk uten å forstå verdien som leveres .
3. Styring (Governance) – Hold spørringer og kodegenerering sikre og reviderbare, inkludert en null-utgående modus som holder sensitive data innenfor organisasjonens nettverk .

Å forbinde utvikling med produksjon

Den strategiske satsingen ligger i korrelasjon. AI Coding Observability designes for å normalisere telemetri på tvers av AI-kodeassistenter og koble den sømløst sammen med eksisterende produksjonsinfrastruktur . Målet er å skape et enhetlig kontrollpanel der team kan spore en AI-generert endring fra utviklingsmiljøet via utrulling og helt inn i produksjon – og deretter se om endringen henger sammen med en plutselig økning i driftshendelser timer eller dager senere.

Hvorfor dette er et veiskifte for teknologiledelse

CTO-er har i perioden 2024–2025 fokusert på innføring og produktivitetsgevinster fra AI-kodeassistenter. Data fra New Relic, Lightrun, Faros, Sonar og andre gjør det tydelig at neste fase må handle om verifisering, pålitelighet og kostnadsansvarlighet.

At 94% har høy tillit under kodegjennomgang er ikke nødvendigvis feil – AI produserer ofte ren, lesbar og syntaktisk korrekt kode som består statisk analyse. Feilmekanismen er miljøbetinget: AI-generert kode oppfører seg eksemplarisk i den trange sandkassen til en pull-forespørsel, men bryter sammen mot kompleksiteten i produksjonsdata, ekte brukeradferd og systeminteraksjoner som ingen kodegjennomgang kan simulere fullt ut. Uten observabilitet som spenner over begge faser, vurderer organisasjoner koden på en skala som produksjonsvirkeligheten avviser.

New Relics AI Coding Observability representerer et direkte forsøk på å lukke denne sløyfen, og flytte bransjen fra «stol på gjennomgangen» til «verifiser i produksjon».

Men denne tilliten bryter sammen i det koden settes i produksjon. Rapporten identifiserer en "strukturell frakobling" – en direkte motsetning mellom hvordan kode vurderes under gjennomgang og hvordan den faktisk oppfører seg under reelle produksjonsbelastninger .

Tenk deg at bilmekanikeren gir bilen full pott på verkstedtesten, men motoren fusker i det du kjører ut på motorveien. Slik er tilliten til AI-generert kode – godkjent i det sterile kontormiljøet, men utilregnelig i den virkelige trafikken.

• 81% av bedriftsteknologiledere melder om en direkte økning i produksjonshendelser forårsaket av AI-generert kode .
• 78% av respondentene rapporterer flere driftshendelser totalt sett .
• 86% melder om økt tidsbruk blant seniorutviklere på å fikse slik kode .
• 74% sier at minst 25% av AI-generert kode må omarbeides etter lansering .

Dette fenomenet har fått et navn i rapporten: «vibe coding» – praksisen med å generere og sende ut kode hovedsakelig basert på tillit – har blitt mainstream, og den ubekreftede tilliten skaper en produksjonskrise .

Utover New Relic: Et bransjeomfattende problem

New Relic er ikke alene om å slå alarm. En rekke bransjerapporter fra 2026 tegner det samme bildet:

• Lightruns State of AI-Powered Engineering Report 2026 fant at 43% av endringer i AI-generert kode krever manuell feilsøking i produksjon, selv etter å ha bestått QA- og staging-tester. Ikke én eneste respondent kunne bekrefte en AI-foreslått fiks med bare én nyutrulling; 88% trengte to til tre runder .
• Faros AIs Engineering Report 2026 viste at feil per utvikler har økt med 54%, og forholdet mellom hendelser og pull-forespørsler har mer enn tredoblet seg. Sammenhengen mellom AI-bruk og produksjonskvalitet blir verre, ikke bedre .
• Sonars State of Code Developer Survey 2026 fant at AI allerede står for 42% av innsjekket kode, forventet å nå 65% innen 2027 – likevel stoler 96% av utviklerne ikke fullt ut på AI-generert kode, og bare 48% verifiserer alltid før innsjekk .
• CodeRabbits analyse av 470 pull-forespørsler i åpen kildekode viste at AI-genererte pull-forespørsler inneholder omtrent 1,7 ganger flere feil totalt sett, konsentrert rundt logiske feil, manglende feilhåndtering og sikkerhetsfunn. Ved 90-persentilen hadde AI-forespørsler 26 feil, mot 12,3 for menneskelige forespørsler .

Det underliggende problemet er ikke at AI skriver dårlig kode. Problemet er at kodegenerering skjer i 5–10 ganger menneskelig tempo, mens verifisering fortsatt går i gangfart . Rørledninger for kodegjennomgang, designet for menneskelig takt, klarer ikke å holde følge med mengden AI-kode. Resultatet er en verifiseringsflaskehals som lar upålitelig kode snike seg inn i produksjon ubemerket.

Mottiltaket: New Relic AI Coding Observability

Den 8. juni 2026 adresserte New Relic denne frakoblingen direkte ved å kunngjøre utviklingen av New Relic AI Coding Observability, en åpen kildekode-observabilitetsløsning spesialdesignet for AI-assistert programvareutvikling . Løsningen er planlagt lansert 23. juni 2026, og blir tilgjengelig uten ekstra kostnad for New Relic-kunder .

Et leverandørnøytralt telemetrilag

Arkitekturen er gjennomtenkt. New Relic har bevisst bygget AI Coding Observability på to åpne standarder: OpenTelemetry (OTel) og Model Context Protocol (MCP) . Dette betyr at team ikke låses til New Relics telemetriskjema eller én enkelt AI-kodeassistent. Enhver assistent som eksponerer MCP-kompatibel telemetri – GitHub Copilot, Cursor, Claude Code og andre – kan mates inn i samme observabilitetslag . I et marked der den dominerende kodeassistenten i 2027 kanskje ikke er den samme som i dag, er leverandørnøytralitet en praktisk nødvendighet.

Tre kjernefunksjoner

New Relics kunngjøring skisserer tre hovedpilarer for AI Coding Observability :

1. Innsyn (Visibility) – Spor hvordan AI-kodeassistenter brukes under utvikling: hvilke verktøy, hvor ofte og hva de produserer. Målet er å transformere fragmentert, uovervåket AI-bruk til en styrt og målbar ingeniørpraksis.
2. Kostnadskontroll (Cost Control) – Forutse og kontroller utgifter til AI-koding med budsjettvarsler. Dette adresserer en blindsone rapportert av FinOps-team, som rutinemessig mottar ugjennomsiktige månedsfakturaer for AI-kodeassistentbruk uten å forstå verdien som leveres .
3. Styring (Governance) – Hold spørringer og kodegenerering sikre og reviderbare, inkludert en null-utgående modus som holder sensitive data innenfor organisasjonens nettverk .

Å forbinde utvikling med produksjon

Den strategiske satsingen ligger i korrelasjon. AI Coding Observability designes for å normalisere telemetri på tvers av AI-kodeassistenter og koble den sømløst sammen med eksisterende produksjonsinfrastruktur . Målet er å skape et enhetlig kontrollpanel der team kan spore en AI-generert endring fra utviklingsmiljøet via utrulling og helt inn i produksjon – og deretter se om endringen henger sammen med en plutselig økning i driftshendelser timer eller dager senere.

Hvorfor dette er et veiskifte for teknologiledelse

CTO-er har i perioden 2024–2025 fokusert på innføring og produktivitetsgevinster fra AI-kodeassistenter. Data fra New Relic, Lightrun, Faros, Sonar og andre gjør det tydelig at neste fase må handle om verifisering, pålitelighet og kostnadsansvarlighet.

At 94% har høy tillit under kodegjennomgang er ikke nødvendigvis feil – AI produserer ofte ren, lesbar og syntaktisk korrekt kode som består statisk analyse. Feilmekanismen er miljøbetinget: AI-generert kode oppfører seg eksemplarisk i den trange sandkassen til en pull-forespørsel, men bryter sammen mot kompleksiteten i produksjonsdata, ekte brukeradferd og systeminteraksjoner som ingen kodegjennomgang kan simulere fullt ut. Uten observabilitet som spenner over begge faser, vurderer organisasjoner koden på en skala som produksjonsvirkeligheten avviser.

New Relics AI Coding Observability representerer et direkte forsøk på å lukke denne sløyfen, og flytte bransjen fra «stol på gjennomgangen» til «verifiser i produksjon».