Vibbekoding – hva er det, og hva er det ikke?

Vibbekoding gjør enkel systemutvikling tilgjengelig for alle, men hva er det egentlig, og hvor går begrensningene?

Eivind Lundqvist

Trykk på taggene for å lese mer om hvor og hvordan vi benytter samme fag og teknologi


Vibbekoding er en ny måte å programmere på hvor man overlater jobben med å produsere kode til et AI-verktøy. Begrepet, fra det engelske "vibe coding", ble introdusert av Andrej Karpathy, tidligere AI-direktør hos Tesla og medgrunnlegger av OpenAI, i en tweet 2. februar 2025 [1]. Han definerte det som:

"There's a new kind of coding I call "vibe coding", where you fully give in to the vibes, embrace exponentials, and forget that the code even exists. (...)"

I praksis betyr det at en bruker AI-verktøy som ChatGPT, Claude, Cursor og GitHub Copilot til å skrive all koden. En beskriver hva applikasjonen skal gjøre, lar AI-verktøyet generere kode, tester det og ber den om å gjøre endringer, helt til en får det resultatet en ønsker. Det hele gjøres uten at en trenger å se på og forstå koden som blir generert.

I et intervju med Ars Technica [2] sier AI-forsker og utvikler Simon Willison

"If an LLM wrote every line of your code, but you've reviewed, tested, and understood it all, that's not vibe coding in my book—that's using an LLM as a typing assistant."

Ikke bare trenger en ikke å forstå koden som genereres - det er nærmest et krav for å kunne kalle det vibbekoding.

Vibbekoding fungerer godt til å lage enkle applikasjoner og nettsider – for eksempel en notatapplikasjon, enkle spill, visualiseringer eller enkel analyse av aksjeinformasjon.

Basert på egen erfaring møter en raskt veggen når applikasjonene vokser. Sjansen for at en feil blir rettet eller ny funksjonalitet lagt til, oppleves omtrent like stor som risikoen for at noe blir ødelagt. En må sjekke inn kode ofte og helst be om små, isolerte endringer.

Bilde av en vibbekoding-løsing for Norgespris
Her er et eksempel på en Norgespris-kalkulator laget med vibbekoding i GitHub Copilot. Målet var å la folk beregne om det lønte seg for dem, lignende det som finnes på Elhub. Denne ble ikke ferdig da de har strømpriser og forbruk som jeg ikke hadde.

Man må også passe på å be AI-en om å strukturere applikasjonen i selvstendige tjenester med tydelig ansvarsdeling. Mikrotjenester kommer virkelig til sin rette her. Jo bedre jobb du gjør med det, jo bedre jobb gjør AI-en. Man ender raskt opp i rollen som teknisk arkitekt eller seniorutvikler som ber om små endringer. Men da er egentlig steget tatt fra vibbekoding til å bruke AI som en parprogrammerer.

En av årsakene til at det fungerer dårligere jo større og mer kompleks applikasjonen blir, er begrensninger i modellens kontekstvindu.

Et kontekstvindu er hvor mye informasjon en AI-modell kan ta inn om gangen. Det kan sammenlignes med en tavle: Jo større den er, jo mer kan man skrive på den før noe må fjernes.

Når modellen når maksgrensen sin, begynner AI-verktøyet å søke i koden og legge ved det den antar er relevant. Dette blir grunnlaget for endringer – noe som ikke alltid er nok.

Fordelen med vibbekoding over annen tekstproduksjon med AI er at kode kan kompileres og kjøres. Den blir dermed validert, og med tester kan man verifisere at den gjør det den skal. AI-en kan kjøre runde etter runde: endre kode, kompilere, kjøre tester, og justere hvis noe feiler.

Det blir enda viktigere å ha tester som verifiserer funksjonalitet enn før. Disse bør AI-en ikke røre uten eksplisitt å ha blitt bedt om det. Erfaring tilsier at den er like fornøyd med å endre testdata som å fikse funksjonalitet.

Etter hvert som kontekstvinduene utvides, forventes det at en kan vibbe opp større og mer komplekse applikasjoner. Samtidig så er det noen som hevder at smartere modeller med større kontekstvindu kan gi mer hallusinering. [4]

Hallusinering i AI-sammenheng er når modellen produserer selvsikker, men feil informasjon – den finner rett og slett opp "fakta" som fremstår plausible, men ikke stemmer.

I kodesammenheng ser en ofte at modellen forsøker å bruke klasser og metoder som ikke finnes, men som virker som om de kunne – eller kanskje burde – ha eksistert.

Fremtiden for vibbekoding ligger derfor trolig ikke bare i større kontekstvinduer og kraftigere modeller, men i å kombinere disse med intelligent søk, kompilering og testing.[2][3][4]

### Kilder

[1] Karpathy, A. [@karpathy] (2025) 

https://x.com/karpathy/status/1886192184808149383

[2] Benj Edwards (2025) "Will the future of software development run on vibes?" 
https://arstechnica.com/ai/2025/03/is-vibe-coding-with-ai-gnarly-or-reckless-maybe-some-of-both/

[3] Youngwhan Nick Lee (2025) "The AI Hallucination Paradox: The Smarter AI becomes, the More it Hallucinates" 
https://medium.com/@youngwhannicklee/the-hallucination-paradox-the-smarter-ai-becomes-the-more-it-hallucinates-b82fc2a3df9d

[4] Ziwei Xu, Sanjay Jain, Mohan Kankanhalli (2024). Hallucination is inevitable: A theoretical proof. arXiv: 2401.11817

Se flere prosjekter, bloggartikler og historier fra oss