Pair programming med AI

Hvad er pair programming med AI?

Pair programming med AI er når en udvikler og en AI-assistent samarbejder om at skrive kode. I realtid, i den samme session. Det er inspireret af traditionel pair programming, hvor to udviklere arbejder sammen ved én computer, men med AI som den ene partner.

I guiden til compound engineering beskriver jeg min måde at bygge med AI på. Plan, kode og review hænger sammen fra opgave til opgave.

I traditionel pair programming er der en “driver” (der skriver kode) og en “navigator” (der tænker strategisk og spotter fejl). Med AI pair programming kan rollerne skifte flydende: nogle gange skriver du kode mens AI’en foreslår forbedringer, andre gange beskriver du hvad du vil have og AI’en skriver koden.

Hvordan fungerer det?

1. Inline suggestions. Du skriver kode, og AI’en foreslår completion i realtid. Du accepterer, afviser eller redigerer forslagene. GitHub Copilot er det mest kendte eksempel.
2. Chat-baseret samarbejde. Du beskriver et problem eller en opgave i naturligt sprog, og AI’en genererer kode, forklarer tilgange eller hjælper med debugging. Cursor’s inline chat og Claude Code’s terminalbaserede dialog.
3. Agentic par-kodning. AI’en navigerer selv i kodebasen, forstår konteksten og foreslår ændringer på tværs af flere filer. Du fungerer som reviewer og godkender.
4. Review og feedback. Du skriver kode, AI’en gennemgår den og foreslår forbedringer: bedre navngivning, potentielle bugs, performance-optimeringer.

Fordele ved AI pair programming

1. Produktivitet. Studier viser at udviklere med AI-assistenter løser opgaver 30-55% hurtigere. Rutinekode skrives næsten automatisk, så du kan fokusere på arkitektur og logik.
2. Læring. AI’en kan forklare kode, foreslå bedre mønstre og introducere dig til nye biblioteker. Det er som at have en kollega der kender alle frameworks.
3. Færre fejl. To par øjne (selv når det ene par er AI’s) fanger flere fejl. AI’en spotter typiske bugs som off-by-one errors, null references og manglende edge cases.
4. Tilgængelighed. Traditionel pair programming kræver to udviklere. AI pair programming er altid tilgængeligt. Ingen kalenderkoordinering nødvendig.
5. Reduceret frustration. Sidde fast på et problem? AI’en kan foreslå tilgange, forklare fejlbeskeder og hjælpe dig videre i stedet for at du skal Google i 30 minutter.

AI pair programming i praksis

1. GitHub Copilot + VS Code. Den mest udbredte kombination. Copilot foreslår kode mens du skriver, baseret på konteksten i din fil og åbne filer. Som at have en copilot der ser med over skulderen.
2. Claude Code i terminalen. En anden tilgang: du og Claude Code arbejder sammen i terminalen. Du beskriver opgaven, Claude navigerer kodebasen, foreslår en plan og implementerer. Du reviewer og godkender.
3. Cursor. IDE med dyb AI-integration. Du kan markere kode og chatte om den, bede om refactoring, eller lade AI’en skrive hele funktioner baseret på naturligt sprog.
4. Code review med AI. Selv efter koden er skrevet fungerer AI som en pair programmer: gennemgår pull requests, identificerer potentielle problemer og foreslår forbedringer.

Forskelle fra traditionel pair programming

1. Asymmetrisk viden. I traditionel pair programming har begge parter domæneviden. AI’en har bred men overfladisk viden og mangler kontekst om dine specifikke forretningsregler og systemarkitektur.
2. Ingen træthed. AI’en bliver aldrig træt, irriteret eller uopmærksom. Den er konsistent hele dagen. Men den bliver heller aldrig bedre af at kende dig.
3. Skalerbarhed. Traditionel pair programming kræver to udviklere per opgave. AI pair programming lader alle udviklere have en “par-partner” samtidig.
4. Tillid og verifikation. Med en menneskelig partner stoler du typisk på deres kode. Med AI skal du altid verificere. AI’en kan producere overbevisende men forkert kode.

Bedste praksis

1. Verificer altid. AI-genereret kode kan se korrekt ud men indeholde subtile fejl. Kør tests, læs koden igennem, og forstå hvad den gør.
2. Giv kontekst. Jo mere kontekst AI’en har om din kodebase, arkitektur og intentioner, jo bedre forslag giver den. Brug system prompts, CLAUDE.md-filer og eksplicitte instruktioner.
3. Vær specifik. “Fikse denne bug” giver dårligere resultater end “Denne funktion returnerer null når input-arrayet er tomt. Den burde returnere et tomt array i stedet.”
4. Brug AI’en til det den er god til. Boilerplate, rutinekode, testskrivning, refactoring og forklaring. Brug din egen hjerne til arkitektur, forretningslogik og designbeslutninger.