AI-verktygskriget är över – men om vinnaren faktiskt kommer till användning är en annan sak – Mjukvaruutvecklingens förändring i AI-eran · Lär dig AI i lugn och ro 175

AI-verktygskriget är över – men om vinnarna faktiskt kan användas är en annan sak – Mjukvaruutvecklingens förändring i AI-eran · Lär dig AI långsamt 175

Låt oss börja med slutsatsen. När vi blickar tillbaka i mitten av 2026 har AI-verktygens “tron” inte roterat mellan fyra verktyg – den har tagits av Claude Code och Codex. Mer specifikt: de har erövrat segmentet “hög autonomi”, det vill säga den nivå som faktiskt kan pressa ner den end-to-end-leveranstid som verkligen räknas. GitHub Copilot sitter fortfarande kvar på förstaplatsen med 29 % arbetsplatsadoption, men det är företagens inköpsinertia som bär upp siffran – tillväxtkurvan har redan planat ut. Cursor är förra generationens upplevelsemästare, men tillväxttakten avtar. Google Antigravity är den tredje kraften som kliver in med Gemini, moln och företagsefterlevnad som hävstång – men efter två månader ligger de bara på 6 %, fortfarande kvar på startlinjen.

På den kinesiska sidan är det i dagsläget ByteDances Trae och Alibabas Qoder (tidigare Tongyi Lingma, namnbyte i maj 2026) som klarar av att samtidigt hantera tre saker: “autonom agentförmåga + regelefterlevnad + företagsanpassad driftsättning”. Men för att vara ärlig: inom segmentet “autonoma agenter” ligger de fortfarande en generation efter Claude Code och Codex.

Så den här texten svarar inte på frågan “vilket verktyg är starkast” – det var 2025 års fråga, och 2026 är den redan föråldrad. I år handlar verktygsvalet egentligen om tre andra saker, och de blir var och en allt lättare att hoppa över:

1. Hur mycket autonomi klarar din organisation av? Ju högre autonomi, desto mer och djupare kod producerar verktyget – och desto högre krav ställs på din granskningsförmåga. Att köra autonoma agenter utan den säkerhetsmekanismen är som att montera en stor motor i en bil utan bromsar.
2. Får din kod lämna landet? Inom finans, telekom, offentlig sektor och försvarsindustri är detta en hård begränsning. Den avgör direkt om du över huvud taget kan använda molnbaserade verktyg som Claude Code eller Codex, som skickar kod utanför landets gränser.
3. Tror du att leveransen blir snabbare bara för att du köper ett verktyg? Troligen inte. AI komprimerar själva kodningen – men i hårt reglerade branscher är kodning ofta bara den billigaste, minsta delen av en end-to-end-leverans.

Att tänka igenom dessa tre saker är tio gånger viktigare än att grubbla över “Cursor eller Claude Code”. Låt oss bryta ner det steg för steg.

1. Tronen har två kungar, inte fyra

Titta först på JetBrains undersökning från januari 2026 – den senaste och största verktygsundersökningen i branschen hittills (över 10 000 professionella utvecklare, åtta språk). Siffrorna ser ut så här:

Verktyg	Kännedom	Användning på arbetsplatsen	Utveckling jämfört med föregående år
GitHub Copilot	76 %	29 %	Stagnerat (upprätthålls av inköpsinertia; 56 % bland företag med över 10 000 anställda)
Cursor	69 %	18 %	Avtagande tillväxttakt
Claude Code	57 %	18 %	Från 3 % till 18 % på 9 månader (6-faldigt); 24 % i Nordamerika; CSAT 91, NPS 54 (högst i klassen)
OpenAI Codex	27 %	3 %	Accelererar (skrivbordsversionen hade ännu inte lanserats vid undersökningstillfället; nådde senare över 5 miljoner veckoaktiva användare)
Google Antigravity	—	6 %	Nykomling (inträdde november 2025, nådde 6 % på två månader)
JetBrains Junie CLI	—	5 %	LLM-neutral, med egen modell

Källa: JetBrains AI Pulse Survey, januari 2026, 10 000+ utvecklare.

Om man bara tittar på användningsgraden skulle man kunna tro att Copilot fortfarande är kung. Men användningsgraden är en eftersläpande indikator – den mäter hur många licenser som redan köpts in, inte var momentum finns under de kommande 12 månaderna. Lägger man däremot på tillväxtkurvorna förändras bilden: Claude Code gick från 3 % till 18 % på nio månader – den snabbaste tillväxten i hela undersökningen. Codex låg på ynka 3 % vid undersökningstillfället, men fyra månader senare hade veckoaktiva användare ökat från 3 miljoner till över 5 miljoner (enligt offentliga uppgifter från Sam Altman / OpenAI). Codex CLIs månatliga npm-nedladdningar steg från 82 000 i april 2025 (lanseringsmånaden) till 41,8 miljoner i maj 2026 – en tillväxt på 510× (detaljerad data från gradually.ai). Claude Codes årliga återkommande intäkter gick från 0 till 2,5 miljarder USD på nio månader (enligt Anthropics G-runda i februari 2026). De här två kurvorna visar en lutning som nästan saknar motstycke bland utvecklarverktyg i produkthistorien.

Copilot och Cursor uppvisar två helt olika kurvor. Copilots 29 procent bärs upp av stora företag som redan gått igenom compliance-processer och tecknat fleråriga avtal – nya sittplatser låses fast av upphandlingsprocesser, och utvecklare som vill byta till Claude Code måste få en separat budget godkänd. Därför är Copilot fortfarande etta, men tillväxten är närapå horisontell. Cursor ligger på 18 procent, i paritet med Claude Code, men medan Cursor tappar fart från en hög nivå, lyfter Claude Code från en låg. Två fullständigt olika banor. Cursors årliga återkommande intäkter nådde 2 miljarder USD i början av 2026 – med ett team på drygt 50 personer, vilket ger en ARR per anställd i storleksordningen 40 miljoner USD, och det är den snabbaste applikations-SaaS:en någonsin att nå 100 miljoner USD i ARR. Upplevelsen är fortfarande den smidigaste, och den är favoriten bland internet- och startup-team – men taket börjar bli synligt.

Antigravity är den enda som inte står i huvudrollen i tabellen, men som du inte bör ignorera. Det är Googles “agent-first”-programmeringsverktyg som lanserades i november 2025, byggt specifikt för Gemini 3; på Google I/O 2026 uppgraderades det till 2.0 och blev en komplett agentisk utvecklingsplattform med skrivbordsklient, CLI och SDK. Det lutar sig mot tre saker som ingen annan har: Gemini-modellerna, Googles Cloud-företagskompatibilitet och Googles Search-realtidssökning. Att det nådde 6 % penetration på två månader visar att det tar fart snabbt, men 6 % är 6 % – det är fortfarande i startgroparna, inte på tronen. När du väljer verktyg 2026 behöver du inte vänta på det, men du bör skriva in “Google satsar med företagsmuskler” i din långsiktiga bedömning: den slutliga spelarlistan i den här klassen kanske inte är fyra, utan “två starka + en välfinansierad utmanare”.

Om du placerar dessa fem i ett koordinatsystem inser du att de inte ens tävlar på samma bana:

Bilden säger allt: verktygen ligger längs en diagonal — ju längre upp till höger, desto högre kapacitet, men också desto högre krav på styrning och granskning. Så välj inte verktyg baserat på modellernas benchmark-poäng först. Börja med att fråga var din organisations styrningsförmåga befinner sig på skalan. Claude Code och Codex ligger i det övre högra hörnet med maximal kapacitet, men de ställer också högst krav på dina bromssystem. Copilot ligger i nedre vänstra hörnet — lägst tröskel, minst risk, och minst sannolikt att ge dig “generationshoppande” produktivitetslyft.

Två: Licenserna är köpta, men leveransen blev inte snabbare — flaskhalsen ligger i verifiering, inte i kodning

Det här avsnittet är det som de flesta verktygsvalsartiklar inte tar upp, men som kostar mest i hårt reglerade branscher.

Jag har hållit AI-utbildningar för operatörer och följt digitaliserings team inom telekom under lång tid. En regional operatör fastnade särskilt i minnet. Förra året rullade de ut Copilot till sina utvecklingsteam. Efter sex månader gjorde de en uppföljning: end-to-end-leveranstiden hade knappt rört sig. Utvecklarna själva hade visserligen blivit snabbare — kodtiden minskade med över en tredjedel — men en paketändring eller en justering av debiteringsregler tog fortfarande över en månad från krav till driftsättning. Ansvarig var inte dum; han hade redan gissat att flaskhalsen inte låg i kodningen. Men att gissa är en sak, budgeten beviljades ändå baserat på antalet licenser — för i rapporteringen uppåt var mätetalet “hur många utvecklare har täckts” och “hur många seatar har köpts in”. Det här är det vanligaste “vi vet men kan inte agera” i stora företag: hindret sitter inte i insikten, utan i mätetalen.

Det som verkligen åt upp den där månaden var hela kedjan av valideringssteg – och de har nästan ingenting med själva koden att göra. För en funktion som rör debiteringsmodulen kan själva kodningen ta två dagar, men sedan väntar: godkännande från Change Advisory Board (CAB), algoritmregistrering (om det involverar en modell), klassificerings- och skyddstestning (等保测评), samt bedömning av gränsöverskridande dataöverföring (om man använder utländska modeller eller molntjänster måste man välja mellan säkerhetsbedömning, standardavtal eller personuppgiftsskyddscertifiering), och slutligen avstämning och revisionsgranskning före driftsättning. Varje steg tar allt från några dagar till flera veckor – summerat blir det en månad. AI kan komprimera själva kodningsdelen med 30 %, men den delen utgör redan från början bara en bråkdel av hela kedjan.

Här är det värt att särskilt uppmärksamma en internetbubblas blindhet. Många artiklar om AI-programmering tar för givet att “validering” betyder CI/CD-automatiserade tester, enhetstester och lint-steg. Det är verkligheten på internetföretag. Inom telekom och finans däremot innebär “validering” algoritmregistrering, klassificerings- och skyddstestning, bedömning av gränsöverskridande dataöverföring, CAB-ändringsgodkännande samt avstämning och revision – inget av detta har med kod att göra, men varje steg tar veckor. Om man avfärdar allt detta som “testfaser” i en bisats, tappar man omedelbart läsare inom finans och telekom – deras tyngsta kostnad ligger just här, och du nämner inte ett ord om det.

Den här slutsatsen är avgörande för beslutsfattare: i hårt reglerade branscher är det bara den billigaste delen av leveranskedjan som AI-verktyg kan komprimera. Vill du göra hela kedjan snabbare från början till slut, måste du antingen angripa valideringssteget (genom att designa om CAB-takten, registreringsprocesserna och testningsschemat) eller ändra de mätetal du rapporterar uppåt. Att bara köpa verktyg rör ingenting.

Vid det här laget är det värt att vända på intuitionen “ju fler verktyg, desto bättre” — det mest kontraintuitiva faktumet under första halvåret 2026: ju mer verktygen används, desto mindre litar utvecklarna på dem.

JetBrains undersökning från januari 2026 visar att 90 % av utvecklarna använder minst ett AI-verktyg — på den nivån är adoptionen i princip mättad. Men i flera undersökningar från samma period har utvecklarnas förtroende för att AI ska kunna producera “produktionsklara pull requests” faktiskt sjunkit jämfört med 2024 — en källa anger att förtroendet sjunkit från 40 % 2024 till 29 % 2026. Cursor, Anthropic och OpenAIs företagssupportdata pekar alla på samma sak: ju mer verktygen används, desto mindre bekväma är utvecklarna med att låta dem köra hela vägen i mål. Det handlar om en förändrad produktionsrelation: utvecklaren går från att vara “den som skriver kod” till “den som granskar kod” — och den kognitiva bördan av att granska är högre än att skriva.

Praktisk innebörd: Det som avgör vem som vinner de kommande 24 månaderna är “förmågan att sluta förtroendegapet” – token-hastighet är sekundärt. Cursor satsar på interaktionsflödet, Anthropic på Skills-systemet, OpenAI på parallella sub-agenter – alla tre förstärker “mer förklarbart, mer avbrytbart, mer återrullningsbart”, ingen kämpar för “snabbare”. Om du inte förstår den här riktningen, kommer du inte att förstå vad verktygskonkurrensen handlar om 2026.

Tre: Efterlevnad och företagsdrift – verktygens “övergångsrit”

Hur starka de två tronpretendenterna än är, finns det en tröskel de måste passera för att komma in genom dörren hos ditt företag – efterlevnad och företagsdrift. Det här avsnittet tar upp några fallgropar som utomstående lätt trampar i, men som insiders frågar om i förväg. ⚠ I detta avsnitt är avsnitten om EU-datalagring och leverantörsstyrning mer europeiskt/utomeuropeiskt perspektiv – inhemska läsare som bara bryr sig om “vad gör vi om koden inte får lämna landet” kan hoppa direkt till avsnitt fyra (inhemska Trae/Qoder) eller insikt fyra i slutet.

Claude Codes EU-datalagring – en fallgrop som får dig att tro att du är skyddad, när du inte är det. Låt oss börja med slutsatsen: går du direkt via claude.ai eller Anthropic API hamnar data som standard i USA. Claude Enterprise, företagets SaaS-paket, inkluderar inte EU-datalagring – även där är USA-standardinfrastruktur standard, och det är här de flesta går i fällan. För att hålla koden inom EU finns bara en väg: köp inte direkt från Anthropic, utan gå via molnleverantörernas europeiska regioner – AWS Bedrocks EU-profil (Frankfurt/Irland/Paris) eller Google Vertex AIs EU-region, där du dessutom måste lägga till prefixet eu. i modell-ID:t för att tvinga fram EU-lagring. Claude Code kan köras på Bedrock med data kvar i ditt eget AWS – utan att lämna din infrastruktur. Detta är en avgörande funktion för företagsanvändning, men bara om du väljer just den vägen. Det finns ytterligare en dold fallgrop: Claude lanserades i Europa på Microsoft Foundry i juli 2026, men Anthropics dokumentation begränsar datalagringsåtagandet till Vertex/Bedrock – Foundry omfattas inte, utan markeras bara med “Coming 2026” utan datum. Så påståendet “vi har köpt Claude Enterprise, så vi är compliant” är i nio fall av tio fel – rätt fråga är inte “har vi köpt det?”, utan “vilken lagringsväg använder vi?”.

Codex företagssatsning är en annan väg: direkt in i ditt serverrum. Den 18 maj 2026 tillkännagav OpenAI och Dell på Dell Technologies World Dell AI Factory with OpenAI Codex – en lösning som distribuerar Codex i företagets on-premises-miljö eller hybridmoln, så att koden stannar “där datan redan finns”. Dells CTO uttryckte det som att “låta företag distribuera AI där deras data redan finns, och ge kunderna en praktisk och säker väg att skala agenter”. Lägg därtill att ChatGPT Enterprise sedan 2025 erbjuder EU-datalagring (både lagring och inferens kan stanna inom EU-regionen), och Codex har den mest utbyggda regelefterlevnadsprofilen i den här kategorin – molnet har EU-residens, lokalt har man Dell. Det är också därför Codex veckoaktiva användare kunde växa från 3 miljoner till över 5 miljoner på fyra månader: det handlar inte bara om att utvecklare gillar det – det kommer in genom dörren i stora företag.

Leverantörernas styrningshållning är redan en del av supply chain-risken – det är det viktigaste att läsa under H1 2026.

Anthropic hamnade i blåsväder efter att ha vägrat Pentagon krav på “obegränsad användning” av deras Claude-modell. Under första halvåret 2026 klassades företaget som en “leveranskedjerisk” av USA:s försvarsdepartement, och en federal domare utfärdade ett preliminärt föreläggande. Detaljerna i den här historien väger betydligt tyngre än rubriken antyder: Pentagons krav var att militären skulle kunna använda Claude “for all lawful purposes“ (alla lagliga ändamål, utan begränsningar). Anthropics vd Dario Amodei drog gränsen vid två punkter – ingen massövervakning inom landet, inga helt autonoma vapensystem. När förhandlingarna bröt samman den 27 februari 2026, beordrade Trump på Truth Social att alla federala myndigheter omedelbart skulle “sluta använda” Anthropics teknik. Försvarsminister Hegseth deklarerade att “alla entreprenörer, leverantörer och partners som gör affärer med den amerikanska militären inte får ha några som helst affärsförbindelser med Anthropic”. I början av mars klassades Anthropic formellt som en leveranskedjerisk. Anthropic slog tillbaka med en stämningsansökan (vid federala distriktsdomstolen i norra Kalifornien), och den 26 mars godkände domare Rita Lin ett preliminärt föreläggande. I sitt beslut skrev hon: “Bevisningen talar starkt för att klassificeringen av Anthropic som leveranskedjerisk var en förevändning (pretextual), och regeringens verkliga motiv var olaglig hämnd.”

Den mest tankeväckande jämförelsen är denna: samma dag som Anthropic tackade nej, tillkännagav OpenAI ett avtal med Pentagon om användningsvillkor. Den ena drog en gräns och förlorade ett militärkontrakt; den andra skrev på och fick militäraffären. Jag dömer ingen av dem. När du väljer mellan Claude Code och Codex väljer du inte bara modell – du väljer också om företaget är villigt att betala ett kommersiellt pris för sina värderingar. Under 2026, där takten i den kinesisk-amerikanska teknikkopplingen är osäker, har leverantörens styrningshållning, datapolicy och leveranskedjans motståndskraft blivit lika formella urvalskriterier som funktionalitet och pris.

Fyra: Inhemskt håller Trae och Qoder måttet – men autonoma agenter saknas fortfarande en generation

Inom finans, offentlig sektor, försvarsindustrin och en betydande del av telekomens kärnsystem får kod helt enkelt inte lämna landet. Det här avsnittet handlar om inhemska alternativ. De aktörer som idag lyckas driva framåt kombinationen av “autonoma agenter + regelefterlevnad + enterprise-distribution” är, såvitt jag kan se, ByteDances Trae och Alibabas Qoder. Jag lägger deras enterprise-versioner på bordet åt dig.

Trae (ByteDance) — den inhemska aktören som kommit längst med autonoma agenter. Trae CN Enterprise Edition släpptes officiellt i december 2025. Över 92 % av ByteDances ingenjörer använder verktyget internt, och den personliga versionen har passerat 6 miljoner registrerade användare. Satsningen på företagsmarknaden är seriöst genomförd: man erbjuder två distributionsmodeller — “Enterprise Edition” för standardiserad, underhållsfri drift, och “Enterprise Dedicated Edition” med högre säkerhetsisolering, anpassad för företag med strikta compliancekrav som behöver åtkomst via privat nätverk. På säkerhetssidan: krypterad överföring i hela kodkedjan, noll lagring i molnet, modeller tränas inte på kunddata, och inga loggar sparas. Prestandamässigt hanterar den indexering av upp till 100 000 filer och 150 miljoner rader kod, med millisekundsvar från företagets GPU-kluster. Den integrerar interna kunskapsbaser och MCP-protokollet, och kopplar kodgenerering, granskning och testning direkt in i befintliga CI/CD- och DevOps-flöden. SSO, effektivitetsdashboard (spårar AI-genererad kodandel och AI-kodvolym), kostnadstak och användningsövervakning ingår. Man har också en typiskt “ByteDance-approach”: konsumentversionen är permanent gratis för att driva tillväxtflythjulet, och SOLO-läget (en arbetsyta som kombinerar editor, terminal, webbläsare och dokument — du anger krav, och den planerar, skriver, debuggar och deployar själv) är fritt tillgängligt. Detta är kärnvapnet i konkurrensen mot Claude Code och Cursor på autonomi. I praktiken har team hos Huifu (digitala betalningar) och Douyin Life Services redan rullat ut verktyget — Huifu gick från pilot i september 2025 till över hundra utvecklare, med en toppanvändningsfrekvens över 70 %.

Qoder (Alibaba, tidigare Tongyi Lingma) – den mest mogna företagsnivån och bäst anpassad för Kinas inhemska tech-stack. I maj 2026 bytte Alibaba Cloud officiellt namn på Tongyi Lingma till Qoder CN, och utökade produkten från ett IDE-plugin till en helhetslösning som täcker kodning, kontorsarbete, terminal och mobila enheter. Företagsversionen är uppdelad i två tydliga nivåer: Enterprise Standard – en licensbaserad prenumeration per sittplats, redo att användas direkt, med enhetlig användarhantering, statistikrapporter och åtkomstloggar. Enterprise Dedicated (VPC) – den nivå som är avsedd för företag med strikta efterlevnadskrav: privat deployment i ett VPC-nätverk, data stannar inom företagets nätverk, SSO, organisationsspecifik kunskapsbas, finjustering av modeller, avancerad kodgranskning, SLA på 99,9 %, dedikerad teknisk rådgivare och support dygnet runt. Under huven stöds flera inhemska kinesiska modeller – Qwen, GLM, DeepSeek, Kimi och MiniMax – med fri växling mellan dem. Data lämnar aldrig Kinas gränser, och verktyget är anpassat till Kinas cybersäkerhetslag och dataskyddslag (Cybersecurity Law respektive Data Security Law). Varför jag säger att det passar särskilt bra i just telekom- och finanssektorn: er infrastruktur ligger med stor sannolikhet redan på Alibaba Cloud. Qoders kontosystem, RAM-behörigheter och Yunxiao-företagshantering är redan på plats – migrationsfriktionen är minimal.

Efter att ha nämnt de två kinesiska aktörerna är det dags att tömma ett glas kallt vatten: på nivån “autonoma agenter” ligger de inhemska verktygen fortfarande en generation efter USA. De stora leverantörernas enterprise-versioner (privatiserad drift + algoritmregistrering + inhemsk teknik-anpassning) har i princip alla passerat de regulatoriska godkännandena – det är inte där skillnaden ligger. Den verkliga skillnaden handlar om autonomi: Claude Code kan själv ändra i ett tiotal filer, köra shell-kommandon, hantera Git och skicka pull requests. Codex kan låta flera sub-agenter arbeta parallellt i isolerade kopior och sedan slå samman resultaten. Den här typen av långa kedjor och höga grad av självständig exekvering är något Trae och Qoder fortfarande jagar – Trae försöker med sitt SOLO-läge, men gapet kvarstår, särskilt när det gäller komplex resonering och långa autonoma arbetsflöden. Så behovet från mognare team i hårt reglerade branscher – “autonoma agenter + kod som inte lämnar landet” – är bara halvt tillgodosett av de inhemska alternativen: compliance är löst, men agenterna ligger en generation efter. Detta gap är i sig en möjlighet – och just därför är det värt att lägga ner tid på att designa en implementationsväg snarare än att bara köpa ett verktyg.

Baidus Wenxin Kuaikuai Comate (Agent Hub + kodgraf, starkt inom stora projekt och högt reglerade miljöer) och Zhipus CodeGeeX (brett språkstöd, men svagare agent-funktionalitet) kan också vara värda att överväga som komplement beroende på ditt specifika scenario – men det går vi inte in på här.

5. Hur väljer man: mognadsgrad × datautflödesgräns

Komprimera de fyra föregående avsnitten till en praktisk urvalslogik. Börja med två dimensioner – båda är nödvändiga.

Dimension ett: organisatorisk mognad avgör hur mycket autonomi du kan hantera. Organisationer i tidig fas (utvecklare har knappt använt AI, saknar etablerade code review- och testrutiner) bör börja med lågautonoma kompletteringsverktyg som Copilot – lägst tröskel, minst risk, och syftet är först att vänja människor vid AI-samarbete. Organisationer med viss grund (utvecklare har använt AI, har grundläggande ingenjörsrutiner) kan gå vidare till Cursor eller inhemska Trae / Qoder – den förbättrade upplevelsen ger större effektivitetsvinster. Mogna organisationer (starka ingenjörsteam, med code review / automatiserad testning / säkerhetsskanning / kanarieutrullning på plats) är först då redo för högautonoma agenter som Claude Code och Codex. Varför mognad är tröskeln: ju högre autonomi, desto mer kod produceras och desto djupare förändringar görs – vilket ställer högre krav på din granskning och validering. Pragmatic Engineers undersökning ger en hård verklighet – bland företag med färre än 10 000 anställda väljer 75 % Claude Code, medan 56 % av de stora bolagen med över 10 000 anställda fortfarande använder Copilot. Det handlar inte om preferens – det handlar om organisatorisk förmåga.

Andra dimensionen: styrningsnivån avgör vilken verktygsklass som över huvud taget kommer in genom dörren. Huruvida koden får lämna landet är det första hindret. Claude Code, Codex, Cursor och Copilot skickar all kod till molntjänster utanför landet; för finans, offentlig förvaltning, försvarsindustri och vissa delar av telekomkärnsystemen är det inte tillåtet att koden lämnar landet. Därför håller inte resonemang som “rulla ut i hela företaget” i hårt reglerade branscher – du kan inte rulla ut något innan du har passerat denna behörighetsprövning för verktyg. För de delar där kod får lämna landet har Claude Code högst kapacitetstak, och Codex har bredast efterlevnadslösningar för företag; för kärnområden där kod inte får lämna landet används Trae och Qoders enterprise-versioner (VPC-privatiserade) som grund, kompletterat med Comate eller CodeGeeX beroende på scenario.

Komprimerar vi de tidigare avsnitten till en beslutsväg – tre frågor, fyra vägar:

Så här navigerar du: först frågar du om koden får lämna landet (nej → inhemska privatiserade lösningar som grund, men autonoma agenter är fortfarande en generation efter); därefter frågar du om organisationens mognadsgrad (utan bromsar installerade ska du inte införa autonoma agenter); slutligen frågar du om du vill ha end-to-end autonoma agenter (ja → Claude Code / Codex, de två ledande). Notera “generationsgapet” vid första vägskälet – i hårt reglerade branscher är behovet av “autonoma agenter + kod som inte lämnar landet” hos mogna team i nuläget ett ouppfyllt behov, och detta gap är i sig en möjlighet.

Innan du rullar ut ett beslutsträd i ditt företag, ta trettio sekunder och betygsätt er egen mognadsgrad med hjälp av tre kriterier – det svarar direkt på Q2:

• ① Använder mer än 50 % av utvecklarna AI minst en gång i veckan? (Branschsnittet är att 90 % har provat, men ”minst en gång i veckan” är först då en tillförlitlig aktivitetsnivå.)
• ② Har ni obligatorisk kodgranskning plus automatiserad testtäckning på över 60 %? (Plustecknet i ”täckning” innebär att testerna faktiskt stoppar AI-genererad kod – inte bara att raderna är täckta.)
• ③ Är kanarieutrullning en del av den normala driften? (Inte ”vi har gjort det en gång” – utan ”nya funktioner går som standard via kanarie”.)

Uppfyller ni alla tre = mogna, då kan ni satsa på Claude Code / Codex i den vänstra kolumnen. Uppfyller ni bara en eller två = ni har en grund att stå på, då passar Cursor / Trae / Qoder-nivån. Uppfyller ni inget = ni är i startgroparna, börja med Copilot eller en inhemsk privatiserad lösning som bas – se till att bromsarna sitter på plats innan ni pratar om uppgradering.

Ett pragmatiskt upplägg: för de delar som får lämna landet använder du Claude Code för de tuffa bitarna, Codex för batchvis parallellkörning och Copilot för bred komplettering. För kärndomäner som inte får lämna landet satsar du på enterprise-versionen av Trae eller Qoder som grund. Satsa inte allt på ett enda verktyg – MCP-protokollet gör att flera verktyg nu kan samverka, och en multi-leverantörsstrategi är idag både tekniskt möjlig och nödvändig ur efterlevnadssynpunkt. Pragmatic Engineers “best practices för seniora ingenjörer” visar att 70 % använder 2 till 4 verktyg samtidigt och växlar beroende på scenario.

Där har du ramverket. Men exakt hur din kombination ser ut beror på dina gränser för dataexport, din mognadsgrad och din bransch – det lagret kan ingen artikel bestämma åt dig, det avgörs av ditt företags faktiska situation. Det är också därför jag har lagt mina kontaktuppgifter i slutet av texten.

Sex: Ju högre autonomi, desto tyngre styrning – sätt inte en stor motor i en bil utan bromsar

Kapacitetstaket höjs, men priset är en ökad granskningsbörda. CodeRabbits rapport från slutet av 2025 analyserade 470 open source GitHub-PR:er och fann att AI-genererad kod har 1,7 gånger fler defekter än ren mänsklig kod (i genomsnitt 10,83 vs 6,45 per PR), och att säkerhetsbrister per underkategori är 1,82 till 2,74 gånger vanligare (XSS 2,74×, osäkra direkta objektreferenser 1,91×, felaktig lösenordshantering 1,88×, osäker deserialisering 1,82×). Apiiros skanning av Fortune 50-företags repositories i september 2025 (data från dec 2024–juni 2025) ger en ännu tydligare bild: AI-genererad kod fick antalet månatliga säkerhetsfynd att skjuta från cirka 1 000 till över 10 000 (en tiofaldig ökning), med en uppgång på 322 % för privilegieeskaleringssårbarheter och 153 % för arkitekturella designbrister. Under samma period minskade syntaxfel med 76 % och logiska buggar med 60 % – så utvecklare upplever att allt går snabbare, men de farliga sårbarheterna ökar i det tysta. Poängen med dessa siffror är inte att AI-genererad kod är oanvändbar, utan att den produceras i större volym och snabbare – och att defekter och sårbarheter ökar proportionellt. När verktygens output väl skalar upp skjuter granskningsbördan i höjden: koden växer snabbare än review-kapaciteten, och mellanchefsnivån blir snabbt mättad.

Två siffror som tillsammans berättar en historia: verktygens produktionsförmåga har ökat, men din granskningsförmåga har inte hängt med – du ackumulerar helt enkelt farligare teknisk skuld i snabbare takt. Detta gäller särskilt för autonoma agenter. Verktyg som Claude Code kan själva ändra i ett tiotal filer och skicka pull requests – kapacitetstaket är extremt högt, men risken för att tappa kontrollen är också stor. Carlini dokumenterade offentligt ett ofta citerat exempel i januari–februari 2026 – Anthropic-forskaren Nicholas Carlini lät 16 Claude Opus 4.6-agenter arbeta parallellt i 2 veckor, med cirka 2 000 sessioner och cirka 20 000 USD i API-kostnader, och skrev från grunden en Rust-baserad C-kompilator på 100 000 rader kod som kan kompilera Linux 6.9-kärnan (x86/ARM/RISC-V), klarar 99 % av GCC:s torture test, och kör FFmpeg/Redis/PostgreSQL/QEMU/Doom. Den typen av autonomi, i en organisation utan code review, utan automatiska tester, utan säkerhetsskanning och utan gradvis driftsättning – det är bara en tidsfråga innan något går snett.

Så innan du sätter in autonoma agenter, bygg först fyra saker: obligatorisk manuell kodgranskning (AI:s pull requests får inte undantas från granskning), automatiserad testning (AI:s ändringar måste kunna köras), säkerhetsskanning (AI-kod ska skannas enligt samma standard som mänsklig kod) och gradvis driftsättning (AI:s ändringar rullas ut i liten skala först). Dessa fyra är bromsarna. Sätt dit bromsarna först, prata sedan om hur stor motor du vill ha. Det är också därför jag sätter organisatorisk mognad som första dimension i valet av verktyg – mognad handlar i grunden om hur kompletta dina bromsar är.

Ytterligare en lättförbisedd fallgrop: skugga-AI – AI-verktyg som medarbetarna använder på eget bevåg utan IT:s godkännande. JetBrains undersökning från januari 2026 visar att 90 % av utvecklarna redan använder AI-verktyg; flera branschundersökningar pekar åt samma håll – de flesta utvecklare medger att de använt AI-verktyg i arbetet utan formellt godkännande från IT (UpGuard 2025 anger storleksordningen 80 %). Du tror att du fortfarande håller på att “välja verktyg”, men dina utvecklare har redan klistrat in kod i diverse utländska verktyg som inte genomgått någon compliance-prövning. I Pragmatic Engineers undersökning från februari 2026 finns en ännu mer tankeväckande siffra: 56 % av seniora ingenjörer uppger att över 70 % av deras ingenjörsarbete är beroende av AI-verktyg – det handlar inte om “AI hjälper mig skriva några rader kod”, utan om att “AI redan är det normala arbetssättet”. Ger du dem inte kompatibla verktyg använder de icke-kompatibla. Kostnaden för skugga-AI handlar inte bara om att IT-avdelningen förlorar några licensintäkter – det innebär att compliance brister, den immateriella egendomen hamnar i okontrollerat skick och risken för koddäckning inträffar samtidigt.

Sju: Implikationer för beslutsfattare

Insikt 1: Verktygsval är ett organisatoriskt beslut, inte ett tekniskt sådant. Det du väljer är inte bara ett verktyg – du väljer hur din organisation ska arbeta. Att välja Copilot innebär “människan leder, AI assisterar”; att välja Claude Code innebär “AI agerar självständigt, människan övervakar”. Dessa två vägar ställer helt olika krav på organisationens förmågor. Det dyraste misstaget är inte prenumerationen – det är att verktyget tvingar din organisation att arbeta på ett sätt som du inte har kapacitet att hantera. Första steget är därför att lyfta beslutet från CTO:ns tekniska domän till en organisatorisk fråga för CEO/COO-nivån.

Insikt 2: Ju högre autonomi, desto tyngre styrning – installera bromsarna först. Innan du rullar ut autonoma agenter måste fyra saker vara på plats: kodgranskning, automatiserad testning, säkerhetsskanning och kanarieutrullning. CodeRabbits siffror – 1,7 gånger fler defekter och 1,82–2,74 gånger fler säkerhetsbrister – är den tydligaste varningen för den som vill köra agenter utan skyddsnät. Styrningen måste vara på plats innan kapaciteten går i produktion.

Insikt tre: In hårt reglerade branscher – klara “tool clearance” innan utrullning, och ändra samtidigt mätetalen. Du tror att flaskhalsen för leverans är kodningen? Oftast inte – den ligger i valideringsleden (Change Advisory Board, regelefterlevnad, granskning, revision). Men de mätetal du rapporterar uppåt – antal seat, täckningsgrad, antal kodrader – döljer just dessa verkliga flaskhalsar, och därför går budgeten till verktyg. För att bota “vi vet men kan inte agera” måste mätetalen ändras: mät inte AI-ROI i licensantal och kodrader, utan i end-to-end-leveranstid, change failure rate, tid till godkänd validering och antal produktionsincidenter. När mätetalen ändras, flyttas budgeten från “fler seat” till att angripa valideringsleden.

Insikt 4: Leverantörens styrningshållning är redan en del av supply chain-risken. Anthropic pekas ut som en supply chain-risk för att de vägrat militärens “obegränsade användning”, medan OpenAI samma dag skrev avtal med militären — vid val av leverantör handlar det inte bara om funktion och pris, utan om tre saker: datahanteringspolicy (sparas koden, och i så fall hur länge?), regelefterlevnad (är leverantören villig att anpassa sig till dina regulatoriska krav, och är de beredda att betala ett kommersiellt pris för sina värderingar?), och supply chain-resiliens (lägg inte hela din framtid i händerna på en enda utländsk leverantör). Att ha flera leverantörer är inte en bonus — det är ett minimikrav för riskhantering. (Beslutsfattare inom telekom, finans och offentlig sektor i Kina bör notera: din primära begränsning är dataexport, inte leverantörens styrningshållning — det senare är mer av ett perspektiv från utlandet, låt det inte ta över diskussionen.)

Insikt 5: Förtroendegapet är det verkliga slagfältet under de kommande 24 månaderna. Dina utvecklare använder redan AI, men deras förtroende för AI-genererade resultat är faktiskt lägre än för två år sedan (ner från 40% till 29%). Det innebär att utvärderingen av verktyg måste inkludera en ytterligare dimension: vågar du släppa loss koden det skriver — den måste vara förklarbar, avbrytbar, återställningsbar och spårbar.

Självkontroll (var ärlig när du svarar): Väljer du verktyg baserat på “vilken autonomi-nivå kan min organisation hantera” – eller “vilket är hetast just nu”? Innan du rullar ut autonoma agenter: är din code review, testning, säkerhetsskanning och canary-deployment på plats? När du rapporterar AI-programmeringens ROI till styrelsen – pratar du om antal sittplatser eller end-to-end-leveranstid? Kan din kärn-domänkod lämna landet, och finns det en inhemsk motsvarighet om inte? Har du utvärderat leverantörens styrningshållning och datapolicy? Litar ditt team mer eller mindre på AI-genererade resultat för varje vecka som går? – Om du känner dig osäker på någon av dessa sex frågor, behöver din utvärderingsramverk en ny version.

Nästa steg

I nästa del (del 5) tittar vi på den andra hälften av verktygsekosystemet – appgeneratorer och AI-IDE:er (Bolt, Lovable, Replit, v0) och hur de omdefinierar själva “utveckling”. De sänker tröskeln för utveckling till nästan noll, men säkerhets- och compliance-tröskeln får absolut inte sänkas i samma takt – det här är en annan, mer dold skugg-AI-kris som håller på att utspela sig.

---

Vill du omsätta det här i din organisation?

När AI-programmeringsverktyg kommer in i ett företag handlar det oftast om några konkreta frågor: vilken kod och vilka data får matas in i modellen, hur hög autonomi passar teamet, hur mycket behöver de befintliga valideringsprocesserna förstärkas, och vilka mätetal ska användas för att utvärdera piloten.

Vi erbjuder för närvarande tre typer av samarbeten:

Företagsintern utbildning

Genomför verktygsval, användningsgränser, valideringsprocesser och design av styrningsmekanismer utifrån era egna verkliga projekt.

Specialiserad rådgivning

Fokusera på ett tydligt beslut, till exempel om Claude Code är lämpligt att införa, hur Trae och Qoder kan implementeras i en hårt reglerad miljö, eller hur man designar ett 90-dagars pilotprogram.

Ledningsseminarier och branschpresentationer

Inriktade på AI-programmering, förändringar inom mjukvaruutveckling, företags AI-transformation och organisatorisk styrning.

Artiklar kan erbjuda generella ramverk. Konkret implementering kräver dock fortfarande omdesign utifrån företagets datagränser, regulatoriska krav, teknisk mognad och befintliga leveransprocesser. Samarbete kan kontaktas via coach@iaiuse.com.

Vidare läsning: Se Skyltmetoden v1.0 (Lär dig AI långsamt 187), som systematiskt presenterar ett 7-stegs ramverk för företags AI-transformation.

---

Om denna serie

“Mjukvaruutvecklingens förändring i AI-eran” är en forskningsserie riktad till CIO:er, CDO:er, CTO:er och digitaliseringsansvariga inom telekom, finans, tillverkning och e-handel. Serien fokuserar på hur AI-programmeringsverktyg påverkar mjukvaruleveransprocesser, organisationsstrukturer, styrningsmekanismer och ledningsmått.

Serien följer kontinuerligt akademiska uppsatser, leverantörsdokumentation och branschrapporter. Forskningsdatabasen omfattar över 200 artiklar, och nyckelbedömningar förses med evidensnivåer för att i möjligaste mån skilja mellan verifierade fakta, leverantörspåståenden, branschobservationer och författarens resonemang.

Jag har nära 8 års erfarenhet av konsultverksamhet och affärsanalys inom stora företag, med bakgrund från IBM, där jag deltog i projekt inom telekom, finans, försäkring och tillverkning. Därefter har jag fortsatt arbeta i frontlinjen med operatörsprodukter, internetprodukter och AI-applikationsutveckling – med fokus på kravanalys, produktdesign och tvärfunktionellt genomförande.

De bedömningar som presenteras i denna serie – kring verktygsval, valideringsprocesser och organisatorisk styrning – bygger på dessa praktiska erfarenheter, korsvaliderade mot offentlig forskning och branschfall. Allt som rör specifika projekt har avidentifierats; vissa branschscenarier är typiska problemkonstruktioner, och källhänvisningar finns i slutet av dokumentet.

Referenser (källa för varje punkt + evidensnivå + ställningstagande)

• JetBrains AI Pulse Survey 2026.1 (nivå 1): 10 000+ professionella utvecklare, 8 språk. GitHub Copilot 76 % kännedom / 29 % användning på arbetsplatsen / avtagande tillväxt (56 % i företag med över 10 000 anställda); Cursor 69 % / 18 % / långsammare tillväxt; Claude Code 57 % / 18 % / 6× tillväxt på 9 månader, 24 % i Nordamerika, CSAT 91 / NPS 54; Codex 27 % / 3 % (pre-desktop); Antigravity 6 % (inträde nov 2025); Junie CLI 5 %. 90 % av utvecklarna använder minst ett AI-verktyg; 70 % använder 2–4 verktyg. https://www.jetbrains.com/research/ai-coding-assistant-usage/

• Pragmatic Engineer Newsletter (feb. 2026, primärkälla): enkät bland 15 000 utvecklare; Claude Code mest omtyckt med 46 % (jämfört med Cursor 19 %, Copilot 9 %); bland företag med färre än 10 000 anställda väljer 75 % Claude Code, medan 56 % av företag med fler än 10 000 anställda väljer Copilot; 70 % använder samtidigt 2–4 verktyg. https://newsletter.pragmaticengineer.com/p/ai-tooling-2026

• Anthropics G-runda (feb. 2026, primärkälla, leverantörsperspektiv): Claude Code gick från noll till 2,5 miljarder USD i årlig återkommande intäkt på nio månader. Reuters, Forbes, SaaStr med flera rapporterar samstämmigt.

• Microsoft FY26 Q1/Q2-rapport (2026-01-28, direkt från Microsofts investerarsida, leverantörsperspektiv): GitHub Copilot har 4,7 miljoner betalda prenumerationer, en ökning med +75 % jämfört med föregående år (enligt Q2 FY26-rapporten); Copilot Pro+ för privatpersoner ökade med +77 % kvartalsvis i Q2. Cirka 77 000 företagskunder är siffran från FY24-redovisningen; FY26 har inte uppdaterats, så den används med källhänvisning.

• Cursor / Anysphere serie D (2025-11, primärmarknad): 2,3 miljarder USD i finansiering, värdering på 29,3 miljarder USD. ARR gick från 100 MUSD (2025-01) till 2 MUSD (2026-02), den snabbaste applikations-SaaS:en någonsin att nå 100 MUSD i ARR. CNBC, The Information.

• Sam Altman / OpenAIs officiella siffror (2026.4–6, primärkälla, leverantörsperspektiv): Codex hade 3 miljoner aktiva användare per vecka (början av april) → 4 miljoner (21 april) → över 5 miljoner (2 juni, varav 20 % icke-utvecklare); tokenanvändningen ökade med över 70 % månad över månad; Codex CLI:s npm-nedladdningar steg från 82 000 i april 2025 (lanseringsmånaden) till 41,8 miljoner i maj 2026 – en tillväxt på 510×. gradually.ai, Neowin och Constellation Research rapporterar samstämmigt.

• OpenAI × Dell-samarbetet (18 maj 2026, primärkälla, leverantörsperspektiv): På Dell Technologies World lanserades Dell AI Factory with OpenAI Codex, som möjliggör Codex-distribution i on-premises- och hybridmolnmiljöer; omfattar Codex och ChatGPT Enterprise. https://openai.com/index/dell-codex-enterprise-partnership

• OpenAI EU-datalagring (från 2025.2, förstahandsinformation, leverantörens perspektiv): Europeisk datalagring för ChatGPT Enterprise/Edu/API; från 2026.1 utökas med GPU-inferens inom regionen (US/EU). https://openai.com/index/introducing-data-residency-in-europe/

• Claude Code på AWS Bedrock + EU-datalagring (nivå 1): Claude via claude.ai/Anthropic API använder som standard amerikansk infrastruktur; Claude Enterprise (SaaS) inkluderar inte EU-datalagring; för EU-datalagring krävs AWS Bedrock EU-profil (Frankfurt eu-central-1 / Irland / Paris) eller Vertex AI EU, med modell-ID-prefix eu.; Microsoft Foundry når allmän tillgänglighet i Europa i juli 2026, men löftet om datalagring omfattar inte Foundry (“Coming 2026”). compound.law, InfoQ, bespinian. https://www.infoq.com/news/2026/07/claude-foundry-ga-europe

• Anthropic–USA:s försvarsdepartement-tvist (H1 2026, nivå 1, nyhetsfakta + juridiska dokument): Pentagon krävde att Claude skulle kunna användas utan begränsningar “for all lawful purposes”; Dario Amodeis gräns var att inte användas för inhemsk massövervakning eller helt autonoma vapen; 2026-02-27 beordrade Trump federala myndigheter att sluta använda verktyget, och Hegseth klassade det som en “supply chain risk”; 2026-03-04 formellt utsett av DoD; Anthropic stämde 2026-03-09 (ND Cal, 3:26-cv-01996, domare Rita Lin); 2026-03-26 preliminärt föreläggande (“skälen är sannolikt en förevändning, motivet är olaglig hämnd”); 2026-04-08 avslog appellationsdomstolen Anthropics begäran om stay; samma dag meddelade OpenAI att man nått en överenskommelse med Pentagon. Mayer Brown, Wikipedia, Arms Control Association, Breaking Defense, CNBC. https://www.mayerbrown.com/en/insights/publications/2026/03/pentagon-designates-anthropic-a-supply-chain-risk-what-government-contractors-need-to-know

• TRAE CN Enterprise Edition released (2025-12-18, tier 1, vendor perspective): 92% of ByteDance engineers use it internally; 6M+ registered personal edition users; dual deployment of Enterprise Edition + Dedicated Enterprise Edition (Dedicated Enterprise Edition with private network isolation); end-to-end encryption + zero cloud storage + models not trainable; indexes 100K files/150M lines; SSO, efficiency dashboards, MCP; deployed at Huifu (Chinese fintech) and Douyin Life Services (ByteDance service). Covered by CSDN, Sina Tech, ZOL (citing official release). https://www.csdn.net/article/2025-12-18/156057918

• Qoder CN (tidigare Tongyi Lingma) Enterprise Edition (2026.5, primär, leverantörens perspektiv): I maj 2026 bytte Tongyi Lingma namn till Qoder CN och utökade sin matris till att omfatta kodning, kontorsarbete, terminaler och mobila enheter. Erbjuder Enterprise Standard Edition (licens per sittplats) samt Enterprise Exclusive Edition (VPC-privatisering, data stannar inom nätverket, SSO, modellfinjustering, SLA 99,9 %, dedikerad rådgivare, 7×24-support). Underliggande modeller från flera inhemska leverantörer (Qwen/GLM/DeepSeek/Kimi/MiniMax). Alibaba Cloud officiella dokumentation. https://help.aliyun.com/zh/lingma/qoder-cn-account-and-subscription

• Google Antigravity (2025.11 + I/O 2026, primär): Lanserades i november 2025 som ett agent-first-programmeringsverktyg (byggt för Gemini 3, enligt The Verge). Uppgraderades till version 2.0 vid Google I/O 2026 (en komplett agentisk utvecklingsplattform med desktop + CLI + SDK). JetBrains 2026.1 rapporterar 6 % användningsgrad. Wikipedia, The Verge, Google officiella källor.

• CodeRabbit (2025.12.17, förstahandsrapport): 470 open source GitHub PR:er (AI vs. manuell granskning). Totala defekter 1,7× (10,83 vs. 6,45 per PR); säkerhetsbrister per underkategori 1,82–2,74× – XSS 2,74×, osäkra direkta objektreferenser 1,91×, felaktig lösenordshantering 1,88×, osäker deserialisering 1,82×; läsbarhetsproblem 3×. https://www.coderabbit.ai/whitepapers/state-of-AI-vs-human-code-generation-report

• Apiiro (2025.9.4, leverantörsperspektiv): Skanning av Fortune 50-företags databaser (dataperiod 2024.12–2025.6). Månatliga säkerhetsfynd i AI-genererad kod ökade från cirka 1 000 till över 10 000 (10×), privilegieeskaleringssårbarheter +322 %, arkitekturrelaterade designbrister +153 %; syntaxfel minskade med 76 %, logiska buggar med 60 %. The Register, Cloud Security Alliance Labs.

• GitHub × Accenture-studien (primärkälla, leverantörsperspektiv, GitHub Blog 2024.4): 450+ Accenture-utvecklare, 6 månaders kontrollerat experiment. PR per person +8,69 %, merge-rate +15 %, utvecklare behåller 88 % av Copilot-genererad kod (efter granskning). Obs: Den spridda siffran “55 % snabbare” kommer från en annan GitHub-studie med ett litet urval på en JavaScript HTTP-tjänsteuppgift, och har inget med Accenture-studien att göra – den tillskrivs ofta felaktigt.

• MIT Economics Working Group-papper (primärkälla): Microsoft-experiment (1 663 personer) PR +12,9 %–21,8 %; Accenture-experiment (311 personer) PR +7,5 %–8,7 %. https://economics.mit.edu/sites/default/files/inline-files/draft_copilot_experiments.pdf

• Stack Overflow Developer Survey 2025 (primärkälla): 84 % av utvecklarna använder AI-verktyg; JetBrains 2026.1 stiger till 90 %.

• UpGuard 2025 / Journal of Accountancy (sekundärkälla): Cirka 80 % av utvecklarna medger att de använder AI-verktyg som inte godkänts av IT-avdelningen (mätt som skugga-AI).

• Förtroendet bland utvecklare sjunker (sekundärkälla, flera källor): År 2026 är andelen utvecklare som litar på AI-genererad kod cirka 29 %, en minskning från 40 % år 2024; code churn har ökat från 3,1 % år 2020 till 5,7 % år 2024. Uppgifter från Uvik Software med flera.

• Carlini / Anthropic (2026.1–2, primärkälla, originalforskning): Anthropic-forskaren Nicholas Carlini lät 16 Claude Opus 4.6-agenter arbeta parallellt i två veckor, med cirka 2 000 sessioner och en API-kostnad på cirka 20 000 USD. De skrev från grunden en Rust-baserad C-kompilator på 100 000 rader kod, kompilerade Linux 6.9 (x86/ARM/RISC-V), klarade 99 % av GCC:s torture test och fick FFmpeg, Redis, PostgreSQL, QEMO och Doom att fungera. Källa: InfoQ och Anthropics blogg.

• Avidentifieringsnotis: Operatörsscenariot i denna artikel baseras på mina egna erfarenheter av AI-internutbildning och arbete med digitaliserings-team inom telekombranschen, och har avidentifierats. Avsnitten om banker, tillverkning och e-handel som används för att illustrera att “samma logik gäller vid branschbyte” är typiska branschscenarier, inte resultat från specifika konsultuppdrag. Vid citering, vänligen ange att materialet är avidentifierat.