AI skriver nå 75 prosent av Googles nye kode – tidsalderen for agentisk koding er her

Kampen om fremtidens koding

Google: Gemini driver en intern revolusjon

Googles 75-prosent-tall er den mest slående offentlige målestokken for hvor raskt AI-generert kode har skalert internt i en stor ingeniørorganisasjon . Selskapets interne AI-kodemodeller, Gemini, har blitt en integrert del av resultatmålene – fra og med fjerde kvartal 2025 satte enkelte avdelinger mål om at 55 prosent av kodeendringene skulle være «agent-assistert», og i første halvår av 2026 forventes 65 prosent av Googles ingeniører å skrive mer enn 75 prosent av sin kode ved hjelp av AI . Selskapet rapporterte også at AI-assisterte kodemigreringer ble fullført seks ganger raskere enn året før, da ingeniører jobbet alene .

Microsoft: MAI-Code-1-Flash – en «hjemmelaget» utfordrer til GitHub Copilot

Den 2. juni 2026, under Microsoft Build, introduserte Microsoft MAI-Code-1-Flash . Det er en kodemodell med 5 milliarder aktive parametere, bygget fra bunnen av av Microsoft på lisensierte data – uten å trekke veksler på OpenAI, Anthropic eller noen annen tredjepartsmodell . Modellen bruker en såkalt «Mixture-of-Experts»-arkitektur, har 137 milliarder totale parametere og et kontekstvindu på 256 000 tegn. Den ble trent i selve produksjonsmiljøet til GitHub Copilot, noe som betyr at modellen lærte på de samme virkelige utviklerarbeidsflytene den senere skulle betjene .

Resultatet er en modell som skårer 85,8 prosent på Microsofts fiendtlige kodebenchmark og omtrent 51 prosent på SWE-Bench Pro, noe som utkonkurrerer Anthropics Claude Haiku 4.5 med hele 16 prosentpoeng på sistnevnte, samtidig som den bruker opptil 60 prosent færre «tokens» (måleenhet for datavolum) på komplekse kodeoppgaver . MAI-Code-1-Flash ble umiddelbart tilgjengelig for GitHub Copilot-brukere i Visual Studio Code på tvers av alle prismodeller, med tredjepartstilgang gjennom Fireworks AI, Baseten og OpenRouter . For norske utviklere som bruker disse verktøyene i hverdagen, betyr dette en potensielt raskere og billigere AI-assistent.

OpenAI: Codex blir et kommandosenter for flere agenter

OpenAI lanserte Codex i april 2025 som en skybasert programvareagent i stand til å jobbe med mange oppgaver parallelt . Innen april 2026 hadde plattformen over 4 millioner ukentlige aktive brukere . Plattformen har siden utvidet seg til en familie av modeller og grensesnitt som spenner over en egen app, kommandolinje (CLI), IDE-utvidelser og sky, der hver del forsterker de andre .

Viktige milepæler i Codex' utvikling:

• GPT-5.2-Codex (desember 2025) – optimalisert for agentisk koding og defensiv cybersikkerhet, med bedre håndtering av langvarige oppgaver og sterkere støtte for Windows-miljøer .
• GPT-5.3-Codex (februar 2026) – 25 prosent raskere, og kombinerer spissytelse innen koding med bredere resonnering og fagkunnskap, posisjonert som et steg mot en fullverdig «jobb-på-en-datamaskin»-agent .
• Codex desktop-app (februar/mars 2026) – et «kommandosenter» for å administrere flere parallelle agenter på macOS og Windows .
• Codex Security (mars 2026) – en applikasjonssikkerhetsagent designet for å identifisere og fikse programvaresårbarheter .
• GPT-5.5 i Codex (mai 2026) – den nyeste grensesprengende modellen for kompleks koding, datamaskinbruk, kunnskapsarbeid og forskningsflyt .

Codex har blitt produksjonsklar infrastruktur som utviklere beskriver som fundamentalt endrende for hvordan de bygger programvare .

Anthropic: Claude Code – fra forskningseksperiment til et produkt verdt 2,5 milliarder dollar

Anthropics Claude Code, lansert på «Code with Claude 2025», har hatt den mest dramatiske kommersielle banen i AI-kodemarkedet. Det rundet en årlig gjentakende inntekt (ARR) på 500 millioner dollar i løpet av måneder etter lanseringen i mai 2025, nådde 1 milliard dollar sent i 2025, og passerte 2,5 milliarder dollar innen februar 2026 – en hastighet som overgikk selv ChatGPTs tidlige vekst .

Noen nøkkeltall for Claude Code :

• Står for 4 prosent av alle offentlige kodebidrag på GitHub, med en prognose om å nå 20 prosent eller mer av daglige bidrag innen utgangen av 2026.
• Over 80 prosent av Anthropics egne ingeniører bruker det daglig.
• Oppnådde en «mest elsket»-vurdering på 46 prosent blant utviklere i en stor spørreundersøkelse, godt foran Cursor (19 prosent) og GitHub Copilot (9 prosent).
• På Code with Claude 2026 (6. mai) annonserte Anthropic «Managed Agents» og dypere integrasjoner med GitHub, Vercel, Datadog og Bun .

Den 28. mai 2026 lanserte Anthropic Claude Opus 4.8 – en hybrid resonneringsmodell med et kontekstvindu på 1 million tegn som presser grensene for langvarige agentoppgaver. Anthropic rapporterer at den er omtrent fire ganger mindre sannsynlig enn forgjengeren til å overse feil i sin egen kode .

Slik endres utviklerrollen

Skiftet fra å skrive kode til å overvåke agenter er ikke en fjern spådom – det er dagens driftsmodell i verdens største programvareselskaper. Googles ingeniører opptrer i økende grad som sensorer og orkestratorer, og bruker AI-agenter til å planlegge, skrive, teste og utføre komplekse oppgaver .

Anthropics «2026 Agentic Coding Trends Report» beskrev transformasjonen klart: I 2025 gikk kodeagenter fra å være eksperimentelle verktøy til produksjonssystemer som leverer reelle funksjoner til ekte kunder. AI håndterer nå hele implementeringsprosesser – skriver tester, feilsøker, genererer dokumentasjon og navigerer stadig mer komplekse kodebaser. Rapporten spår at enkeltagenter snart vil bli koordinerte team av agenter, der oppgaver som tidligere tok timer eller dager, fullføres med minimal menneskelig innblanding .

Denne omdefineringen av ingeniørrollen kommer til syne på tvers av de store plattformene:

• OpenAI Codex støtter nå parallell kjøring av agenter, slik at utviklere kan delegere langvarig arbeid til flere agenter samtidig og vurdere resultatet i ett enhetlig grensesnitt .
• Anthropic introduserte en «auto-modus» for Claude Code, som lar agenten autonomt bestemme hvilke handlinger som er trygge å ta, med innebygde AI-sikkerhetsmekanismer .
• Microsofts MAI-Code-1-Flash ble trent i selve produksjonsmiljøet til Copilot – et designvalg som betyr at modellen lærte reelle, agentiske kodeflyter, ikke bare isolert kodegenerering .

Produktivitetsgevinstene er formidable. Claude Code viste evnen til å arkitekte et komplekst distribuert system på én time – et arbeid som ifølge rapporten tidligere tok et Google-prosjekt et helt år . Microsoft hevder at MAI-Code-1-Flash bruker opptil 60 prosent færre tokens på komplekse oppgaver sammenlignet med konkurrerende modeller .

Arbeidsmarkedet splittes – hva skjer med norske utviklere?

I spørsmålet fra leseren ble det referert spesifikke tall for arbeidsmarkedet – en 30 prosents økning i amerikanske ingeniørutlysninger, og en nedgang på nesten 20 prosent i sysselsettingen for utviklere i alderen 22–25 år. Disse nøyaktige tallene lot seg ikke bekrefte i det tilgjengelige kildematerialet. Det finnes heller ingen tilsvarende norske tall i grunnlaget. Likevel tegner den dokumenterte utviklingen et konsistent bilde av et yrke i splittelse.

Økende etterspørsel i toppen

Anthropics trendrapport slår fast at selskaper ansetter flere ingeniører, ikke færre, fordi AI muliggjør raskere leveranser og arbeid med høyere verdi . Etterspørselen forskyves mot erfarne utviklere som kan designe systemer, vurdere AI-generert output og ta overordnede designbeslutninger. Hos Google tyder kombinasjonen av interne mål for agent-assistert kode og selskapets utsagn om at antall ingeniører fortsetter å vokse, på at AI brukes til å forsterke produksjonen, ikke erstatte ingeniører direkte . For norske teknologiselskaper og konsulenthus kan dette bety en enda hardere kamp om erfarne seniorutviklere, samtidig som inngangsbilletten for nyutdannede blir smalere.

Erfaringsgapet for juniorutviklere

Den mest presserende bekymringen i kildematerialet gjelder hva som skjer med ferske ingeniører. Juniorutviklere har tradisjonelt bygget ferdigheter gjennom rutineoppgaver som å fikse feil, skrive tester og implementere enkle funksjoner. Det er nettopp disse oppgavene som nå mest effektivt absorberes av AI-agenter. Flere kilder beskriver dette som et «erfaringsgap»-problem: Hvis AI håndterer inngangsoppgavene, hvordan skal nye ingeniører lære seg å bli erfarne ?

Ingen kilde i det foreliggende materialet gir noen verifisert løsning på denne utfordringen. Implikasjonen er at profesjonen vil trenge nye opplæringsløp, mentorstrukturer og en omdefinert karrierestige – men disse endringene er fortsatt under utvikling.

Veien videre

Utviklingsbanen er umiskjennelig. Google gikk fra 25 prosent til 75 prosent AI-generert kode på atten måneder. Claude Code gikk fra null til en årlig omsetning på 2,5 milliarder dollar på under ett år. OpenAIs Codex vokste fra en enkeltagent-CLI til en multi-agent-plattform i omtrent samme periode .

De ubesvarte spørsmålene handler ikke om hvorvidt AI-kodeagenter vil fortsette å forbedre seg – det vil de – men om hvordan ingeniørorganisasjoner, utdanningsinstitusjoner og individuelle utviklere vil tilpasse seg en profesjon der selve det å skrive kode i økende grad håndteres av maskiner. Den menneskelige rollen blir i stedet å styre, vurdere og avgjøre hva som skal bygges.