Agenda

• Hvorfor AI ændrer udviklingsarbejdet
• Værktøjer, agenter og centrale begreber
• Kontekst, MCP og RAG i praksis
• Prompts, kvalitet og analyzers
• Risici, økonomi og lokale modeller
• Hvad teams kan gøre allerede nu

Hvorfor dette er relevant nu

• AI er gået fra demo til dagligt værktøj
• Flere opgaver flytter fra søgning til dialog
• Tempoet stiger, men ansvar forsvinder ikke
• Værdien flytter fra syntaks til dømmekraft

De tre typer værktøjer

• Automatiske kodeforslag
• Chatbaseret sparring
• Agentbaserede arbejdsgange

Fra "her er et kodeforslag"
til "jeg analyserede projektet og foreslog en rettelse"

Hurtig begrebsramme

• Agent: arbejder i flere trin og bruger værktøjer
• MCP: standardiserer forbindelsen til eksterne værktøjer
• RAG: henter relevant materiale ind i svaret
• Embeddings: hjælper med at finde lignende indhold

Hvad er en agent egentlig?

• En model med mål, kontekst og værktøjer
• Kan læse filer, følge relationer og udføre trin
• Er ofte simple løkker, ikke magi
• Bliver værdifuld, når den reducerer friktion

Kontekst er ofte vigtigere end modelvalg

• Hvilke filer kan modellen se?
• Hvor meget af kodebasen er tilgængeligt?
• Hvad huskes fra tidligere trin?
• Hvad hentes ind igen, når det bliver nødvendigt?

MCP og hvorfor det betyder noget

• Tool calling fandtes allerede før MCP
• MCP standardiserer integrationerne
• Gør værktøjer mere genbrugelige på tværs af klienter
• Øger værdien af AI med aktuelle data og handlinger

RAG: hvornår hjælper det reelt?

• Når svar skal forankres i interne eller aktuelle data
• Når dokumentation, runbooks og kodebase betyder mere end generel viden
• Når navngivning, kontrakter og lokale mønstre skal med
• Ikke når problemet primært er dømmekraft og konsekvensvurdering

Gode prompts minder om specifikationer

• Mål
• Begrænsninger
• Kontekst
• Kvalitetskrav
• Tests og risici

Vagt vs brugbart prompt

• Vagt: "Omskriv denne service"
• Brugbart: bevar API, flyt logik, gør testbar, peg på risici
• Forskellen er mindre gætteri og bedre validering

Omarbejd denne ASP.NET Core-service, så den bruger tydelig
afhængighedsinjektion, bevarer det offentlige API og gør koden lettere
at enhedsteste. Tilføj forslag til relevante tests og peg på risici.

Et konkret eksempel mere: AI i kodegennemgang

• Bed AI pege på regressionsrisici, ikke kun stil
• Giv diff, kontekst og forventet adfærd
• Brug svaret som input til review, ikke som facit

Gennemgå denne ændring i login-flowet.
Fokuser på regressionsrisici, manglende tests og sikkerhedsproblemer.
Antag at ekstern adfærd skal være uændret.

Kvalitet stopper ikke ved kompilerbar kode

• AI verificerer ikke automatisk korrekthed
• Tests, kodegennemgang og analyzers er stadig nødvendige
• Advarsler fra analyseværktøjer er signaler, ikke kosmetik
• Human approved slår AI generated alene

Risici, sikkerhed og økonomi

• Hallucinationer og usikker kode
• Data på afveje og licensspørgsmål
• Tokenforbrug, seat-licenser og API-priser
• Cloud vs lokale eller selvhostede modeller

Hvad giver værdi først?

• Forklar kode og services
• Foreslå tests og særtilfælde
• Hjælp med refaktoreringer
• Opsummer dokumentation og onboarding
• Strukturér debugging og hypoteser

En pragmatisk startmodel for teams

• Start med afgrænsede og reversible opgaver
• Hold menneskelig godkendelse i kæden
• Mål kvalitet, ikke bare hastighed
• Brug evals og regressionstests for AI-adfærd

Hvad er allerede i gang?

• Mere agentbaserede værktøjer
• Dybere integration i udviklingsmiljøer
• Flere arbejdsgange i flere trin
• Mere orkestrering, mindre enkeltstående prompts

Det stabile er stadig softwarehåndværket

• Arkitektur
• Domæneforståelse
• Kritisk tænkning
• Kommunikation
• Ansvar for kvalitet

AI gør ikke den erfarne udvikler irrelevant

Spørgsmål?

• Hvilke opgaver ville give mest værdi hos jer?
• Hvor er jeres største risiko?
• Hvad ville I være trygge ved at starte med?