Googles 75-procentssiffra, som tillkännagavs av vd Sundar Pichai under Google Cloud Next 2026 i Las Vegas, är det mest slående offentliga riktmärket för hur snabbt AI-genererad kod har skalats upp inom en stor ingenjörsorganisation . Bolagets interna AI-kodmodell, Gemini, har integrerats i målen för prestationsbedömningar – under det fjärde kvartalet 2025 satte vissa avdelningar upp mål om att 55 % av kodändringarna skulle vara ”agentassisterade”, och för första halvåret 2026 förväntas 65 % av ingenjörerna i Googles creations-avdelning skriva mer än 75 % av sin kod med hjälp av AI
. Företaget rapporterade också att AI-assisterade kodmigreringar slutfördes sex gånger snabbare än vad ingenjörer klarade på egen hand ett år tidigare
.
Den 2 juni 2026, under Microsoft Build, introducerade Microsoft MAI-Code-1-Flash . Det är en kodmodell med 5 miljarder aktiva parametrar, byggd från grunden av Microsoft på licensierad data, utan någon destillering från OpenAI, Anthropic eller någon annan tredjepartsmodell
. Modellen använder en gles ”Mixture-of-Experts”-arkitektur med totalt 137 miljarder parametrar och ett kontextfönster på 256 000 token. Den tränades från mars till maj 2026 inuti GitHub Copilots produktionsmiljö – vilket innebär att modellen lärde sig på samma verkliga utvecklarflöden som den senare skulle betjäna
.
Resultatet är en modell som uppnår 85,8 % på Microsofts adversariella kodningsbenchmark och cirka 51 % på SWE-Bench Pro, vilket överträffar Anthropics Claude Haiku 4.5 med 16 procentenheter på det sistnämnda testet, samtidigt som den förbrukar upp till 60 % färre token vid komplexa kodningsuppgifter . MAI-Code-1-Flash började rullas ut till GitHub Copilot-användare i Visual Studio Code den 2 juni, över abonnemangsformerna Free, Pro, Pro+ och Max, med tredjepartsåtkomst via Fireworks AI, Baseten och OpenRouter
.
OpenAI lanserade Codex i april 2025 som en molnbaserad agent för mjukvaruutveckling som kan arbeta med många uppgifter parallellt . I april 2026 hade plattformen över 4 miljoner aktiva användare per vecka
. Sedan dess har den expanderat till en familj av modeller och gränssnitt som omfattar en app, CLI, IDE-tillägg och molntjänster, där varje del förstärker de andra
.
Viktiga milstolpar i Codex evolution:
Codex har blivit en produktionsredo infrastruktur som utvecklare beskriver som fundamentalt förändrande för hur de bygger mjukvara .
Anthropics Claude Code, som lanserades vid Code with Claude 2025, har haft den mest dramatiska kommersiella utvecklingen på AI-kodningsmarknaden. Verktyget passerade 500 miljoner dollar i årlig omsättningstakt inom några månader efter lanseringen i maj 2025, nådde 1 miljard dollar i slutet av 2025 och översteg 2,5 miljarder dollar i februari 2026 — en hastighet som till och med överträffade ChatGPTs tidiga tillväxt . Anthropics totala intäkter växte från cirka 9 miljarder dollar i slutet av 2025 till över 30 miljarder dollar våren 2026, till stor del drivet av Claude Code
.
Den 28 maj 2026 släppte Anthropic Claude Opus 4.8 — en hybridmodell för resonemang med ett kontextfönster på 1 miljon token, som tänjer gränserna för långvariga agentuppgifter. Anthropic rapporterar att den är ungefär fyra gånger mindre benägen än Opus 4.7 att låta brister i sin egen kod passera oanmärkta .
Skiftet från att skriva kod till att övervaka agenter är inte en avlägsen förutsägelse — det är den nuvarande arbetsmodellen på världens största mjukvaruorganisationer. Googles ingenjörer, förklarade Pichai, agerar alltmer som granskare och orkestratörer snarare än kodskrivare rad för rad, och använder AI-agenter som planerar, skriver, testar och utför komplexa uppgifter .
Anthropics rapport ”2026 Agentic Coding Trends” beskrev omvandlingen tydligt: under 2025 gick kodagenter från experimentella verktyg till produktionssystem som levererar verkliga funktioner till verkliga kunder. AI hanterar nu hela implementationsflöden — skriver tester, felsöker, genererar dokumentation och navigerar i allt mer komplexa kodbaser. Rapporten förutspår att enskilda agenter snart kommer att bli koordinerade team av agenter, där uppgifter som tidigare tog timmar eller dagar kan slutföras med minimal mänsklig inblandning .
Denna omdefiniering av ingenjörsrollen visar sig över de stora plattformarna:
Produktivitetsvinsterna är dramatiska. Claude Code demonstrerade förmågan att arkitekta ett komplext distribuerat system på en timme — ett arbete som rapporten hävdade tidigare tog ett Google-projekt ett helt år . Microsoft hävdar att MAI-Code-1-Flash använder upp till 60 % färre token vid komplexa uppgifter jämfört med liknande modeller
.
Den ursprungliga frågan refererade till specifika arbetsmarknadssiffror — en 30-procentig ökning av amerikanska jobbannonser för ingenjörer och en nästan 20-procentig nedgång i sysselsättning för utvecklare i åldern 22–25. Dessa exakta siffror kunde inte oberoende verifieras i källmaterialet. Den tillgängliga evidensen målar dock en konsekvent bild av ett yrke som genomgår en tudelning snarare än en kollaps.
Anthropics trendrapport konstaterar att företag anställer fler ingenjörer, inte färre, i takt med att AI möjliggör snabbare leveranser och arbete med högre värde . Efterfrågan förskjuts mot seniora ingenjörer som kan arkitekta system, granska AI-genererad kod och fatta designbeslut på hög nivå. På Google tyder de interna målen för agentassisterade kodändringar, i kombination med företagets uttalande om att antalet ingenjörer fortsätter att växa, på att AI används för att förstärka produktionen snarare än att ersätta ingenjörer direkt
.
Den mest akuta oron i källmaterialet är vad som händer med ingenjörer i början av karriären. Juniora utvecklare har traditionellt byggt sina färdigheter genom rutinmässiga kodningsuppgifter — att fixa buggar, skriva tester och implementera okomplicerade funktioner. Det är just dessa uppgifter som nu mest effektivt absorberas av AI-agenter. Flera källor beskriver detta som ett ”erfarenhetsklyftsproblem”: om AI hanterar kodningsarbetet på ingångsnivå, hur ska nya ingenjörer då lära sig att bli seniora ?
Ingen källa i det tillhandahållna materialet erbjuder en verifierad lösning på denna utmaning. Implikationen är att yrket kommer att behöva nya utbildningsvägar, mentorstrukturer och en omdefinierad karriärstege — men dessa förändringar är fortfarande under utarbetande.
Riktningen är entydig. Google gick från 25 % AI-genererad kod till 75 % på arton månader. Claude Code gick från noll till 2,5 miljarder dollar i årlig omsättningstakt på mindre än ett år. OpenAI:s Codex växte från ett CLI-verktyg för en agent till en multi-agentplattform som spänner över skrivbord, moln och IDE under ungefär samma period .
De obesvarade frågorna handlar inte om huruvida AI-kodningsagenter kommer att fortsätta förbättras — det kommer de — utan om hur ingenjörsorganisationer, utbildningsinstitutioner och enskilda utvecklare kommer att anpassa sig till ett yrke där själva handlingen att skriva kod alltmer hanteras av maskiner, och den mänskliga rollen är att styra, granska och bestämma vad som ska byggas.
Comments
0 comments