På Sequoias AI Ascent 2026 åbnede Andrej Karpathy — medstifter af OpenAI, tidligere Tesla AI-direktør og grundlægger af Eureka Labs — med en overraskende indrømmelse: han har aldrig følt sig mere tilbagestående som programmør. Ikke fordi han har mistet sine færdigheder, men fordi AI-drevne kodningsværktøjer ændrer, hvad programmering betyder, hurtigere end nogen kan følge med.
Karpathy skitserede en tre-faset ramme for at forstå denne udvikling: vibe coding, agentic engineering og Software 3.0. Det er det klareste mentale model, nogen har fremlagt for, hvor softwareudvikling er på vej hen — og hvilke færdigheder der vil betyde mest.
Vigtigste budskab
Vibe coding gør det muligt for alle at bygge med prompts. Agentic engineering gør det muligt for professionelle at bygge med AI-agenter, mens de opretholder kvalitet. Software 3.0 er, når neurale netværk bliver programmeringslaget selv. Vi er i øjeblikket i overgangen fra fase 1 til fase 2.
Hvad er Vibe Coding?
Vibe coding er Karpathys begreb for den nuværende fase, hvor alle — tekniske eller ej — kan bygge software ved at beskrive, hvad de vil have, på naturligt sprog. Du siger til en AI "byg mig en landingsside med en hero-sektion, prisoversigt og tilmeldingsformular", og den genererer fungerende kode.
Vibe coding har hævet gulvet. En produktleder kan nu prototype en app. En designer kan bygge et funktionelt website. En studerende kan skabe et værktøj, der løser et ægte problem. Barrieren for at bygge er faldet fra "år med kodningserfaring" til "evnen til at beskrive, hvad du vil have".
Værktøjer, der muliggør vibe coding: Cursor, Bolt, v0, Replit og i nogle grad ChatGPT og Claude med kodegenerering.
Begrænsningen: Vibe coding producerer kode, der virker, men ofte med subtile designfejl. Karpathys eksempel: en AI-genereret app, der matchede Stripe-betalinger til Google-konti via e-mailadresser i stedet for persistente bruger-ID'er. Koden kørte fint. Arkitekturen var forkert. En juniorudvikler ville ikke opdage det. En erfaren udvikler ville se det med det samme.
Det er, hvad Karpathy kalder "jagged intelligence" — AI-evne er ikke jævnt fordelt. Modellerne topper i områder, hvor træningsdata, belønninger og verifikationsløkker findes, og fejler uforudsigeligt i andre.
Hvad er Agentic Engineering?
Agentic engineering er næste fase — brug af AI-agenter til professionel kvalitet i udvikling, mens menneskelig oversight over arkitektur, designbeslutninger og kvalitetsstandarder opretholdes.
Hvor vibe coding er "beskriv, hvad du vil have, og accepter, hvad AI'en giver dig", er agentic engineering "brug AI-agenter til at udføre, mens du styrer, gennemgår og rettede kurs". Menneskets rolle skifter fra at skrive kode til at gennemgå kode, fra implementering til arkitektur, fra kodning til ingeniørarbejde.
Værktøjer, der muliggør agentic engineering: Claude Code, OpenAI Codex, Hermes Agent og Cursor's agent-tilstand. Disse værktøjer genererer ikke kun kode — de planlægger multistegs-opgaver, udfører dem, tester resultaterne og itererer.
| Aspekt | Vibe Coding | Agentic Engineering |
|---|---|---|
| Hvem gør det | Alle — ingen kodning kræves | Udviklere med ingeniørdom |
| AI'ens rolle | Generer kode fra beskrivelser | Udfør multistegs-planer autonomt |
| Menneskets rolle | Beskriv, hvad du vil have | Styr, gennemgå, ret kurs |
| Kvalitet på output | Virker, men kan have designfejl | Produktionsklar med oversight |
| Nøglefærdighed | Prompting-færdighed | Smag, dømmekraft, arkitekturviden |
| Verifikation | "Kører det?" | "Er det korrekt, sikkert, vedligeholdeligt?" |
Hvad er Software 3.0?
Karpathys største koncept. Hans ramme for softwareudviklingens evolution:
Software 1.0: Mennesker skriver hver linje kode. Eksplicitte instruktioner. Deterministisk adfærd. Det er traditionel programmering.
Software 2.0: Neurale netværk lærer fra data. I stedet for at skrive regler giver du eksempler, og modellen lærer mønstrene. Computer vision, taleanerkendelse, anbefalingssystemer. Karpathy prægede dette begreb i 2017.
Software 3.0: Store sprogmodeller bliver et programmerbart lag. I stedet for at specificere hver instruktion beskriver udviklere mål, begrænsninger og kontekst. Modellen tolker og udfører. Grænsefladen er naturligt sprog. Programmet er prompten.
I Software 3.0 er LLM både runtime og programmeringssprog. Du skriver ikke kode, der kalder en LLM — LLM ER koden. Prompten ER programmet. Og udviklerens job er at designe prompten, kuratere konteksten og verificere outputtet.
Det er grunden til, at context engineering bliver den vigtigste færdighed i AI. Hvis prompten er programmet, bestemmer konteksten omkring det programmets adfærd. At håndtere den kontekst er den nye form for softwareingeniørarbejde.
---📬 Får du værdi ud af dette? Vi udgiver ugentligt om de færdigheder, der betyder noget i AI. Få det i din indbakke →
---Hvorfor betyder smag mere end syntaks nu?
Karpathys mest citerbare linje fra foredraget: "Du kan outsource tænkning. Du kan ikke outsource forståelse."
AI-agenter kan skrive kode, generere udkast, kalde værktøjer og udføre opgaver. Men de kan ikke fortælle dig, om resultatet er godt. Det kræver dømmekraft — evnen til at genkende, hvornår noget er teknisk korrekt, men arkitektonisk forkert, når kode kører, men ikke skalerer, når en funktion virker, men skaber en sikkerhedsrisiko.
Karpathy kalder det "taste". Det er evnen til at kigge på AI-genereret output og vide, om det er rigtigt. Ikke kun "kompilerer det?" men "ville en erfaren ingeniør bygge det sådan?"
Den praktiske implikation: udviklere, der forstår fundamenterne dybt, vil trives. Udviklere, der kun kender overfladisk kodning, vil kæmpe, fordi AI gør overfladisk kodning bedre end dem. Værdien flytter op ad stakken — fra implementering til arkitektur, fra syntaks til dømmekraft, fra at skrive kode til at evaluere kode.
Hvad betyder "Jagged Intelligence"?
Det er Karpathys begreb for AI'ens ujævne evnefordeling. Modeller kan præstere enestående godt på nogle opgaver, mens de fejler uventet på andre. Intelligenzen er ikke glat — den er hakket.
Nøgleindsigt: AI automatiserer det, der kan verifieres. Opgaver med klare feedbackløkker — går koden igennem test? tjekker matematikken? matcher outputtet det forventede format? — er, hvor AI excellerer. Opgaver, der kræver dømmekraft i tvetydige situationer — er det den rigtige arkitektur? er brugeroplevelsen intuitiv? giver strategien mening? — er, hvor AI stadig kæmper.
For udviklere betyder det: jo mere målbart outputtet er, jo mere nyttige bliver AI-værktøjerne. Kodning, test, dataanalyse og struktureret indholdsoprettelse er højt automatiserbare. Produkt设计, systemarkitektur og strategiske beslutninger kræver stadig menneskelig dømmekraft.
Hvilke færdigheder skal du have til Agentic Engineering?
Baseret på Karpathys ramme er de færdigheder, der betyder mest i agentic engineering-æraen:
1. Dyb forståelse af fundamenterne. Når AI bliver bedre, er fristelsen at lære mindre. Karpathy argumenterer for det modsatte. Forståelse bliver flaskehalsen. Du har brug for tilstrækkelig dybde til at styre systemet, vide hvad du skal spørge om, hvad du skal inspicere, hvad du skal afvise.
2. Systemdesign og arkitektur. AI skriver funktioner. Du designer systemer. Forståelse af, hvordan komponenter interagerer, hvor fejlpointene er, og hvordan man bygger til skala bliver kernet færdigheden for udviklere.
3. Verifikation og gennemgang. Evnen til at læse AI-genereret kode kritisk — ikke kun "virker det?" men "er det den rigtige tilgang?" Det kræver den samme dybe viden, der lader dig skrive kode, anvendt anderledes.
4. Prompt- og context engineering. Hvis prompten er programmet, er det at skrive gode prompts programmering. ICCSSE framework (Identity, Context, Constraints, Steps, Specifics, Examples) gælder direkte for agentic engineering — du giver agenten en klar specifikation, ligesom du ville skrive et designdokument til en menneskelig udvikler.
5. Værktøjsorkestrering. At vide, hvilket AI-værktøj der skal bruges til hvilken opgave. Claude Code til at skrive features, Cursor til redigering, Hermes Agent til automatisering, Copilot til forslag. De bedste ingeniører kombinerer flere værktøjer, ikke kun ét.
For at skærpe din prompting til AI-kodningsværktøjer, prøv den gratis Prompt Optimizer — den anvender struktureret rammer på enhver prompt. Og for en praktisk guide til de bedste AI-kodningsværktøjer tilgængelige nu, se vores Claude Code vs Codex sammenligning.
---📬 Vil du have mere som dette? Vi dækker de idéer, der former, hvordan AI-praktikere arbejder, ugentligt. Tilmeld dig gratis →
---Ofte stillede spørgsmål
Er vibe coding dødt?
Nej. Vibe coding bliver ved — det er indgangspunktet for ikke-udviklere til at bygge software. Agentic engineering er den professionelle evolution for folk, der har brug for produktionskvalitet. Begge sameksisterer. Tænk på vibe coding som skitsering og agentic engineering som arkitektur.
Skal jeg lære at kode, hvis AI skriver koden for mig?
Ja, men anderledes. Du behøver ikke memorere syntaks. Du skal forstå, hvordan software virker — datastrukturer, systemdesign, sikkerhedsprincipper, performanceafvejinger. Viden, der lader dig evaluere, om AI-genereret kode er korrekt og passende.
Når bliver Software 3.0 mainstream?
Det sker allerede i snævre domæner — kodningsassistenter, indholdsoprettelse, dataanalyse. Fuld Software 3.0 (hvor de fleste applikationer er LLM-native) er 3-5 år væk baseret på nuværende udvikling. Overgangen bliver gradvis, ikke pludselig.
Hvad er forskellen mellem agentic engineering og at bruge ChatGPT til kodning?
ChatGPT genererer kodesnippets som svar på prompts. Agentic engineering bruger autonome agenter (Claude Code, Codex, Hermes), der planlægger multistegs-opgaver, udfører dem på din faktiske kodebase, tester resultaterne og itererer — alt med minimal menneskelig indgriben. Det er forskellen mellem at bede om vejledning og at hyre en chauffør.
Offentliggørelse: Nogle links i denne artikel er affiliate-links. Vi anbefaler kun værktøjer, vi har personligt testet og bruger regelmæssigt. Se vores fulde offentliggørelsespolitik.