Ifølge VentureBeat oplyser Anthropic, at mere end 80 procent af koden, der blev merged i deres produktions‑branch i maj, var skrevet af deres egen model, Claude. Samme rapport siger 8x mere kode pr. ingeniør pr. kvartal end deres 2021–2025‑baseline. Det er en markant milepæl, selvom tallene er virksomhedsoplyste og ikke fuldt eksternt verificeret.
Anthropic peger samtidig på en oplagt følgeeffekt: når AI skriver mere kode, stiger review‑mængden. Det matcher, hvad vi så i en dansk finans‑pilot i foråret: flere, mindre PRs, højere frekvens — og en ny form for reviewer‑træthed sidst på dagen.
Hvorfor 80 procent føles som et skift
Tallet står stærkt i sig selv, men konteksten betyder noget. VentureBeat refererer til Anthropics roadmap for udviklerarbejdsgange: 2021–2023 med primært håndskrevet kode, 2023–2025 med chat‑assistenter, 2025–2026 med egentlige coding‑agenter — og nu beskrivelser af mere autonome agenser, der tager længerevarende opgaver. Narrativt, ja, men genkendeligt for teams, der er rykket fra Copilot‑snippets til målorienterede agenter.
Det mest jordnære modenhedstegn er varigheden. Ifølge VentureBeat beskriver Anthropic interne evalueringer, hvor modeller arbejder 12–16 timer i træk på samme problemrum. Det kræver state‑management, robust logging og en stabil sandbox. Ikke bare en chat, der spytter snippets — men længere, sammenhængende arbejde.
Hvad Anthropic faktisk har målt
VentureBeat gengiver flere tal fra Anthropic: 76 procents succesrate på åbne, komplekse problemer i maj 2026, 12–16 timers kontinuerlig problemløsning og isolated optimization‑resultater med op til 52x speedup på specifik træningskode i interne tests. Stærke påstande — men metodikken er ikke fuldt offentlig, og tredjeparts‑verifikation mangler.
Eksterne benchmarks som SWE‑bench nævnes som branchereferencer. Alligevel er springet fra open source‑bugs til jeres ERP‑monolit ikke givet. Definitionen af “authored by” ved merge‑tidspunktet er uklar: hele filer, inline edits, tests, docs? Og hvor meget menneskelig post‑edit? Stil de spørgsmål, før tallene bliver til OKR’er.
Konkrete operationelle konsekvenser
Hvis I vil nærme jer Anthropics niveau, kræver det fire fundamenter. Ikke visioner — skinner og bremseliner.
- Code review og human‑in‑the‑loop: Behold to‑trins review for kritiske services. Lad agenter åbne separate PRs med tydelig provenance (model, version, prompt‑hash). Mål bl.a. testpass‑rate, bug‑regression inden for 30 dage og security‑findings pr. 1.000 linjer. Typisk fejl: små sikkerhedshjørner overses, fordi PR’en ser “ren” ud.
- CI/CD og rollback: Gating er afgørende. Kør fuld testmatrix på agent‑PRs, brug canary releases og feature flags for at isolere risiko. Værktøjer: GitHub Actions, GitLab CI eller Jenkins; LaunchDarkly/Unleash til flags. Typisk fejl: auto‑merge uden staged rollout, fordi testen er “grøn”.
- Sikkerhedsscanning og dependency‑styring: Agenter vælger ofte nærmeste dependency, som kan skabe drift. Kør Snyk, Dependabot, OWASP‑checks og container‑scanning på hver agent‑PR. Kræv SBOM og licens‑policy‑gates.
- Observability og incident response: Log alle agenthandlinger som strukturerede events. Correlér til builds og deploys. Brug tracing (OpenTelemetry), metrics (Prometheus/Datadog) og en enkel playbook: “Hvis MTTR overskrider X, deaktiver feature flag og revert agent‑commit.” Typisk fejl: manglende audit‑trail af prompts og modelversioner, så root cause bliver gæt.
Hvordan en implementeringsvej kan se ud
Et praktisk oplæg til europæiske miljøer med eksisterende dev‑teams og reguleret drift:
- 1) Kortlæg kritiske flows og risikozoner: 2–3 uger. Ansvar: eng‑lead + SRE + sikkerhed. Output: heatmap over services, SLO’er, datafølsomhed og en “do‑not‑touch”‑liste.
- 2) Pilot på ikke‑kritiske services: 8–12 uger. Ansvar: pilot‑tech lead. Mål: 10–20 procent af PRs genereret af agent. Gating: ekstra testlag, staging‑miljø, manuel approval.
- 3) Integreret verification‑pipeline: 3–6 uger. Ansvar: platform‑team. Et separat CI‑spor til agent‑PRs med forstærkede sikkerheds‑ og performance‑tests samt kontrakt‑tests mod nabo‑services.
- 4) Access og secrets governance: 2–4 uger. Ansvar: sikkerhed + platform. Indfør least privilege, automatisk tokenrotation og logning af alle modelkald med formål og kontekst.
- 5) Feedback‑loops og metricering: løbende. Ansvar: produkt + eng‑lead. Mål: reduceret lead time, stabil bug rate, uændret eller bedre MTTR. Ugentlig triage af agent‑fejl med labels, så mønstre kan aflæres.
- 6) Kontrolleret optrapning: 4–8 uger. Ansvar: CTO/VP Eng. Udvid domænet til flere services, men behold stramme gates for alt, der rører compliance‑kritiske data eller certificerede komponenter.
Tradeoffs og begrænsninger
Det er ikke plug‑and‑play. Kontekstlængde og tool‑use kan stadig snuble ved lange refaktoreringer. Selv‑opdaterende agenser lyder fristende, men uden klare guardrails kan man ende i driftsløkkker, hvor modellen jagter mikroskopiske forbedringer og overser helheden.
Generaliserbarheden er usikker: en forskningsintensiv AI‑skala som Anthropics er ikke én‑til‑én med en SAP‑tung forsyningskæde. Og ansvarsplacering er grå: hvem hæfter, når en agentændring bryder en certificering? Indtil praksis er klar, bør alt dokumenteres — og der skal være en stop‑knap med klart ejerskab.
Snilld‑vinklen fra felten
I en større dansk finansorganisation splittede en agent en monolitisk helper‑fil i tre moduler, hvilket speedede testene op. Fint. Men den ignorerede et internt rate‑limit i et API dokumenteret i et afsides Confluence‑hjørne. Resultat: regressionsfejl i staging. Rollback tog 14 minutter, men vi brugte en time på at genskabe audit‑trail for prompts. Bagefter strammede vi prompt‑loggingen og lagde en hårdere kontrakt‑test ind.
I workshops ser vi også for brede rettigheder til modeller. “Bare giv den læseadgang til hele org’en i GitHub.” Nej. Giv den de få repoer, den arbejder på, og lad alt andet være et eksplicit pull via godkendt servicekonto. Under tidspres er det ofte princip of least privilege, der først ryger — det må ikke ske her.
Praktiske anbefalinger til CI/CD, review og drift
- Gating og approvals: Kræv menneskelig approval for alle kritiske services. For ikke‑kritiske kan I teste auto‑merge — men kun bag feature flags.
- Teststrategi: Udvid med kontrakt‑tests, fuzzing af inputgrænser og property‑based tests på agent‑PRs. Tilføj performance‑budgetter, så agenten ikke indfører skjulte CPU‑leaks.
- Observability: Log hver agenthandling med korrelation til commit‑SHA, model‑ID og prompt‑reference. Byg dashboards for andel af agent‑PRs, failure‑rate og MTTR.
- Incident response: Skriv en kort playbook. Eksempel: “Hvis p95‑latency for service X stiger >20 procent 10 minutter efter deploy, slå feature flag fra og revert agent‑commit automatisk.”
- Security: Scan alle nye dependencies. Bloker ukendte licenser. Kør SAST og DAST i agentsporet. Ikke et lag mindre end i det menneskelige spor — gerne et lag mere.
Pilotdesign der holder vand
En solid pilot er bevidst kedelig. 8–12 uger. Mål: 10 procent af PRs i to ikke‑kritiske services er agentgenererede. Evaluer tre tal: bug rate (30 dage efter merge), lead time (issue‑til‑prod) og MTTR ved incidents.
Exit‑kriterier skal være klare: hvis bug rate stiger over baseline + X procent, eller MTTR forværres væsentligt, så pauser man. Vi lærte det i en anonymiseret e‑handelspilot, hvor to services delte en udokumenteret cache — først opdaget i uge tre.
Organisatoriske ændringer uden drama
Roller flytter sig. Nogle udviklere bliver stærkere dommere end skribenter. Reviewer‑rollen kræver tålmodighed og domain‑intuition. Prompt engineering er nyttigt, men vigtigst er evnen til at formulere mål og constraints kort og klart.
Model‑ops og observability rykker tættere sammen. Platform‑teams får mere at sige om politikker, tokens og logging. Træningen ligger ikke hos jer, men driften gør. Planlæg 2–3 korte sessions om agent‑gating, prompt‑provenance og incident‑playbooks. Det er hverdagshåndværk, ikke et langt kursus.
Hvad skeptikerne vil sige
“Tallene er selekterede.” Måske. VentureBeat citerer Anthropics egne opgørelser. Uden offentligt metodebilag kræver de forsigtighed. “Overfitting til egen kodebase.” Muligt. En agent tunet til et bestemt sprog og en intern stil kan snuble udenfor. “Langsigtet leveringssikkerhed.” Reelt. Hvis leverandørens model ændrer adfærd, kan jeres pipeline vakle.
Modsvaret er ikke jubel — det er kontrol. Kør piloter med klare målepunkter, behold menneskelig approval på alt kritisk, og byg et audit‑spor, der tåler revision. Sådan oversættes et virksomhedsoplyst milepælstal til stabil drift.
Fakta og kilder
- Verificeret via VentureBeat: “>80 procent af maj‑merges var skrevet af Claude”, “8x mere kode pr. ingeniør pr. kvartal”, samt citater om øget review‑behov. Kilde: VentureBeat‑artiklen om Anthropics rapport.
- Oplyst af Anthropic via VentureBeat uden uafhængig verifikation: 76 procents succesrate på komplekse problemer, 12–16 timers kontinuerlig problemløsning, 52x optimering i isolerede interne tests, og fasemodellen 2021–nu. Behandles som virksomhedsoplyst.
- Branchekontekst: analyser af Anthropics position er støttet af kommentarer i uafhængige medier, men er vurderinger — adskil analyse fra facts.
Konklusion
Anthropic melder, at AI nu skriver langt det meste af deres produktionskode. Det løfter forventningerne til, hvor hurtigt teams kan rykke — og skærper kravene til review, CI/CD, sikkerhed og observability. Generaliserbarheden kræver omtanke, men efter vores egne piloter: modenheden rækker til forsigtig produktion, hvis hjemmearbejdet er gjort, stop‑knappen er synlig, og nøgletallene måles benhårdt. Forskellen mærkes først, når det kører i jeres pipeline.
