Agentic Engineering: Den komplette guide til AI-først softwareudvikling efter vibe coding
Marts 2026 — I 2025 introducerede Andrej Karpathy os for vibe coding — at beskrive hvad du vil have og lade AI finde ud af implementeringen. Det var sjovt, hurtigt og fint til prototyper.
Derefter forsøgte folk at sende vibe-kodet software i produktion. Resultaterne var ikke gode.
I starten af 2026 skabte Karpathy et nyt udtryk for det næste skridt: agentic engineering — disciplinen i at designe systemer, hvor AI-agenter planlægger, skriver, tester og leverer kode under struktureret menneskeligt tilsyn. Ikke tilfældig prompting. Ikke "håb-og-tjek". En professionel ingeniørmetodologi bygget til AI-først udvikling.
Tallene bag dette skift er reelle: TELUS sparede 500.000+ timer med 13.000 AI-løsninger. Zapier nåede 89% AI-adoption på tværs af hele deres organisation. Stripes Minions producerer 1.000+ mergede PR'er om ugen. Dette er ikke teoretisk — det er sådan, software bliver bygget lige nu.
Fra Vibe Coding til Agentic Engineering: Hvad har ændret sig
Problemet med Vibe Coding
Vibe coding fungerer fremragende til:
- Hurtige prototyper og demoer
- Personlige scripts og engangsværktøjer
- Læring og udforskning
- Hackathon-projekter
Vibe coding fejler katastrofalt til:
- Produktionssystemer med krav til oppetid
- Kodebaser der vedligeholdes af teams
- Applikationer med behov for sikkerhed og compliance
- Software der skal udvikle sig over måneder og år
Fejltypen har et navn: AI slop — kode der ser fornuftig ud på overfladen, men mangler korrekt fejlhåndtering, introducerer sikkerhedshuller, ødelægger eksisterende funktionalitet eller skaber en arkitektur, der ikke kan vedligeholdes. Uden struktureret overvågning genererer AI kode, der øger den tekniske gæld hurtigere, end den skaber værdi.
Evolutionen
| Stadie | Æra | Tilgang | Menneskelig rolle |
|---|---|---|---|
| Manuel kodning | Før-2023 | Mennesker skriver alt kode | Forfatter |
| AI-assisteret kodning | 2023–2024 | AI foreslår færdiggørelser | Forfatter med autocomplete |
| Vibe Coding | 2025 | AI genererer ud fra beskrivelser | Prompt-forfatter |
| Agentic Engineering | 2026 | AI-agenter planlægger, skriver, tester og leverer autonomt | Arkitekt og supervisor |
Den centrale indsigt: agentic engineering fjerner ikke behovet for ingeniørmæssige færdigheder — det omdirigerer dem. I stedet for at skrive kode, designer du de systemer, begrænsninger og feedback-loops, der gør det muligt for AI at skrive kode pålideligt.
Kerne-frameworket: Planlæg → Udfør → Verificer (PEV)
Agentic engineering erstatter det uformelle "prompt og håb"-workflow med et struktureret loop:
Planlæg (Plan)
Før en agent skriver en eneste linje kode:
- Definer målet — Hvordan ser "færdig" ud? Hvad er acceptkriterierne?
- Opdel i opgaver — Bryd komplekse mål ned i arbejdsenheder i agent-størrelse
- Sæt begrænsninger — Arkitektoniske rammer, regler for tech-stack, styleguides
- Specificer kvalitetsporte — Hvilke tests skal bestås? Hvilke reviews er påkrævet?
- Tildel agent-roller — Hvilken agent håndterer implementering? Test? Sikkerhedsgennemgang?
Planlægningsfasen er der, hvor ingeniørekspertise betyder mest. En uklar plan producerer uklar kode. En præcis plan med klare begrænsninger producerer fokuseret output, der kan gennemgås.
Udfør (Execute)
Agenter arbejder autonomt inden for de begrænsninger, der er defineret i planlægningsfasen:
- Implementerings-agenter skriver kode efter arkitektoniske regler
- Test-agenter genererer og kører test-suites
- Review-agenter tjekker for stil, sikkerhed og arkitektonisk overholdelse
- Dokumentations-agenter opdaterer dokumentation, så den matcher kodeændringer
Agenterne itererer, indtil deres arbejde passerer kvalitetsportene. Menneskelig indgriben er kun nødvendig, når agenterne sidder fast, eller når afvejninger kræver dømmekraft.
Verificer (Verify)
Mennesker gennemgår agentens output i forhold til de oprindelige mål:
- Lever det op til acceptkriterierne?
- Introducerede det sikkerhedshuller?
- Er arkitekturen konsistent med den eksisterende kodebase?
- Er testene meningsfulde eller tjekker de kun "happy paths"?
- Ville en menneskelig ingeniør godkende denne PR?
Verificering er ikke bare en formel godkendelse. Det er fasen, hvor ingeniørmæssig dømmekraft er mest kritisk — du evaluerer, om agentens løsning ikke bare er funktionel, men god.
Multi-Agent Orkestrering: Den centrale praksis
Agentic engineering handler ikke om én AI, der gør det hele. Det handler om specialiserede agenter med definerede roller, der arbejder sammen under menneskelig orkestrering.
Team-modellen for agenter
| Agent-rolle | Ansvar | Eksempel på værktøj |
|---|---|---|
| Feature Author | Skriver implementeringskode | Codex, Claude Code, Cursor |
| Test Generator | Opretter unit-, integrations- og E2E-tests | Codex, Claude Code |
| Code Reviewer | Tjekker stil, mønstre, sikkerhed | Brugerdefinerede LLM-baserede linters |
| Architecture Guardian | Validerer strukturel overholdelse | ArchUnit + LLM-auditor |
| Documentation Writer | Opdaterer dokumentation | Codex, Claude Code |
| Security Scanner | Identificerer sårbarheder | AI-forstærkede SAST-værktøjer |
| Release Manager | Administrerer CI/CD, udrulningstjek | Brugerdefinerede agenter |
Hvordan de koordinerer
I praksis følger multi-agent workflows en pipeline:
Opgavebeskrivelse (Menneske)
→ Feature Author (skriver kode)
→ Test Generator (skriver tests)
→ Code Reviewer (gennemgår ændringer)
→ Architecture Guardian (tjekker overholdelse)
→ Security Scanner (sårbarhedstjek)
→ Menneskelig gennemgang (endelig godkendelse)
→ CI/CD Pipeline (automatiseret udrulning)
Hver agent producerer artefakter, der føder ind i den næste. Mennesket forbliver beslutningstageren ved de vigtigste checkpoints, men udførelsen mellem checkpoints er fuldt autonom.
Resultater fra den virkelige verden: Hvad virksomheder opnår
TELUS: 13.000 AI-løsninger, 500.000 timer sparet
TELUS Digital udrullede agentic engineering i hele deres organisation:
- 13.000+ skræddersyede AI-løsninger oprettet
- Ingeniørkode leveret 30% hurtigere
- 500.000+ samlede timer sparet
- Skalering fortsatte på tværs af ikke-tekniske teams
Zapier: 89% AI-adoption i hele organisationen
Zapiers tilgang fokuserede på at gøre agent-værktøjer tilgængelige for alle:
- 89% AI-adoption i hele organisationen
- 800+ agenter udrullet internt
- Ikke-ingeniører bruger agenter til workflows, dataanalyse og indhold
Stripe: 1.000+ mergede PR'er om ugen fra agenter
Stripes interne Minions-system repræsenterer moden agentic engineering:
- Udvikler poster en opgave i Slack
- Minion skriver koden
- Minion består CI
- Minion åbner en PR
- Menneske gennemgår og merger
Nul interaktion mellem opgavetildeling og PR-review. Infrastrukturen håndterer alt.
OpenAI: 1 million linjer med nul menneskelig kode
OpenAIs eget Codex-team byggede en produktionsapplikation med:
- 1 million+ linjer kode
- Nul manuelt skrevne linjer
- ~1/10 af tiden i forhold til traditionel udvikling
- Interne daglige brugere og eksterne alpha-testere
- Produktet leveres, udrulles, går i stykker og bliver rettet — alt sammen af agenter
Rakuten: 12,5 millioner linjers kodebase på 7 timer
Rakuten brugte Claude Code til at færdiggøre en kompleks vLLM-implementering i en 12,5 millioner linjers kodebase på kun 7 timer med 99,9% numerisk nøjagtighed.
Færdighedssættet til Agentic Engineering
Hvad der ændrer sig
| Traditionel færdighed | Agentic Engineering modstykke |
|---|---|
| At skrive kode | Præcis angivelse af hensigt |
| Debugging af kode | Debugging af agent-adfærd |
| Code review | Validering af agent-output |
| Test | Design af teststrategi |
| Arkitektur | Design af begrænsningssystemer |
| Dokumentation | Maskinlæsbar vidensingeniørarbejde |
| Projektledelse | Multi-agent orkestrering |
Hvad der forbliver det samme
- Domæneekspertise — Du skal stadig vide, hvordan god software ser ud
- Systemtænkning — Forståelse for, hvordan komponenter interagerer, er vigtigere, ikke mindre
- Sikkerhedsbevidsthed — Agenter kender ikke nødvendigvis din trusselsmodel
- Kodelæsning — Du læser mere kode end nogensinde før, du skriver den bare ikke
Hvad der er nyt
- Prompt-design til agenter — Forskelligt fra chatbot-prompts; agent-prompts er operationelle specifikationer
- Harness-design — Opbygning af de begrænsninger, linters og feedback-loops, der holder agenterne produktive
- Context engineering — Sikre at agenter har den rette information på det rette tidspunkt
- Evaluering af agenter — Måling af om dine agenter forbedres eller forringes
Sådan kommer du i gang med Agentic Engineering
Stadie 1: Single-Agent Workflow
Hvis du i øjeblikket laver vibe coding, så tilføj struktur:
- Skriv en spec før prompting — Definer hvordan "færdig" ser ud
- Brug CLAUDE.md eller .cursorrules — Indkod dine konventioner
- Kør tests før accept — Merge aldrig AI-kode, der ikke er blevet testet
- Gennemgå diffs omhyggeligt — Led efter AI slop-mønstre (unødvendige abstraktioner, overflødig fejlhåndtering, hallucinerede API'er)
Stadie 2: Multi-Agent Pipeline
Når du er fortrolig med strukturerede single-agent workflows:
- Tilføj en test-genereringsagent — Adskil implementering fra test
- Tilføj CI-validering — Automatiserede kvalitetsporte mellem agent og menneskelig gennemgang
- Tilføj dokumentations-agenter — Hold dokumentationen synkroniseret med kodeændringer
- Begynd at spore metrics — Agent-succesrater, review-afvisningsrater, fejlintroduktionsrater
Stadie 3: Organisatorisk adoption
For teams der skalerer agentic engineering:
- Opret interne playbooks — Dokumenter hvordan agenter skal bruges til forskellige opgavetyper
- Definer retningslinjer for styring — Hvad kræver menneskelig gennemgang? Hvad kan merges automatisk?
- Byg fælles harnesses — Standardiserede konfigurationer, der indkoder teamets konventioner
- Træn i review af agent-output — Forskelligt fra traditionelt code review; fokuser på strukturelle og sikkerhedsmæssige mønstre
- Mål forretningsmæssig effekt — Sparetid, forbedringer i hastighed, kvalitetsmål
Agentic Engineering vs. relaterede koncepter
| Koncept | Fokus | Omfang |
|---|---|---|
| Vibe Coding | Uformel AI-assisteret udvikling | Enkelt udvikler, prototyper |
| Context Engineering | Optimering af model-input/kontekst | Enkelt interaktion |
| Prompt Engineering | Udformning af effektive prompts | Enkelt prompt |
| Harness Engineering | Infrastruktur omkring agenter | Design af agentsystemer |
| Agentic Engineering | Komplet AI-først udviklingsmetodologi | Hele organisationen |
Forholdet:
- Prompt engineering → hvordan du taler til modellen
- Context engineering → hvad modellen ved
- Harness engineering → hvad der begrænser modellen
- Agentic engineering → hvordan du bygger software med modellen
Agentic engineering omfatter alle tre og tilføjer team-workflows, styring, organisatorisk forandring og integration af forretningsprocesser.
Sikkerhedsdimensionen
Anthropics 2026 Agentic Coding Report understreger, at agentic engineering skal indlejre sikkerhed fra dag ét:
- Agenter kan introducere sårbarheder i stor skala — En agent, der skriver 1.000 PR'er/uge med en sårbarhedsrate på 1%, skaber 10 nye sårbarheder ugentligt
- Angrebsflader udvides — Agenter, der tilgår API'er, databaser og eksterne tjenester, skaber nye vektorer
- Automatiseret forsvar er påkrævet — Manuel sikkerhedsgennemgang kan ikke følge med agent-genereret kode
- Kvalitetsporte skal inkludere sikkerhed — Hver PEV-cyklus bør inkludere automatiseret sikkerhedsscanning
Den samme skalering, der gør agentic engineering kraftfuld til udvikling, gælder også for angribere. At bygge sikkerhed ind i infrastrukturen — ikke tilføje den senere — er uomgængeligt.
Vores perspektiv: Opbygning af AI-drevne produkter med Agentic Engineering
Hos NxCode har vi i løbet af de sidste måneder bevæget os fra AI-assisteret udvikling til agentic engineering. Her er hvad vi har lært:
Hvad der virker
- Strukturerede specs før agent-udførelse — De 10 minutter brugt på at skrive en klar spec sparer timers omarbejde
- Multi-provider agent-pipelines — Brug af Claude til ræsonnements-tunge arkitekturbeslutninger og Codex til implementeringsopgaver med høj volumen
- Aggressiv CI-validering — Vores CI fanger ~15% af agent-genereret kode, der ville have introduceret fejl
- Dokumentation-først workflow — Opdatering af dokumentation før kodning (via agenter) holder vidensbasen frisk til fremtidige agent-sessioner
Hvad der ikke virker (endnu)
- Fuldt autonome flerdages-projekter — Agenter har stadig brug for menneskelige checkpoints hver par timer ved komplekst arbejde
- Refactoring på tværs af systemer — Agenter håndterer refactoring af en enkelt tjeneste godt, men kæmper med koordinerede ændringer på tværs af microservices
- Helt nye arkitekturbeslutninger — Når der ikke er præcedens i kodebasen, falder agenter tilbage på generiske mønstre, der ikke passer til den specifikke kontekst
Konklusionen
Agentic engineering handler ikke om at erstatte udviklere. Det handler om at mangedoble hvad hver udvikler kan opnå. De teams, der mestrer denne disciplin, vil levere 5-10 gange mere end dem, der stadig skriver hver linje i hånden — ikke fordi AI'en er klogere, men fordi ingeniørprocessen er bedre.
Vigtigste takeaways
- Agentic engineering er den professionelle evolution efter vibe coding — struktureret overvågning erstatter tilfældig prompting
- PEV-loopet (Planlæg → Udfør → Verificer) er det centrale workflow, der erstatter "prompt og håb"
- Multi-agent orkestrering bruger specialiserede agenter (forfatter, tester, reviewer, sikkerhedsscanner), der arbejder i koordination
- Resultater fra den virkelige verden er betydelige: TELUS (500.000 timer sparet), Zapier (89% adoption), Stripe (1.000+ PR'er/uge fra agenter)
- Ingeniørens rolle skifter fra at skrive kode til at designe systemer, specificere hensigt og validere output
- Sikkerhed skal indlejres fra dag ét — udvikling i agent-skala kræver sikkerhed i agent-skala
- Start med struktur: Skriv specs, indkod konventioner, kør tests, gennemgå omhyggeligt — og skaler derefter op
Relaterede ressourcer
- Harness Engineering Complete Guide — Infrastrukturlaget, der driver agentic engineering
- The Agentic Web Explained: AGENTS.md, MCP vs A2A — Protokolstandarderne for multi-agent systemer
- Cursor Cloud Agents: Autonomous Coding on VMs — Agentic engineering i praksis med cloud VM'er
- Byg din hjemmeside med NxCode — AI-drevet webudvikling baseret på principperne for agentic engineering
