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?