Med AI-assistenter som GitHub Copilot, Claude og ChatGPT er det pludselig muligt at skrive kode i sprog, du ikke mestrer. Men er det en god idé?
AI ændrer kalkulen
Før AI:
- Rust = 6-12 måneders læring
- Borrow checker = frustration
- Mange opgiver
Efter AI:
- AI forklarer lifetime errors
- Genererer boilerplate
- Foreslår idiomatiske løsninger
Rust er nu realistisk for ikke-eksperter.
Men der er en hage.
Problemet: Vedligeholdelse
AI hjælper dig med at skrive kode. Men hvem vedligeholder den?
// AI genererede dette
fn process_data<'a, T: AsRef<str>>(data: &'a [T]) -> impl Iterator<Item = &'a str> {
data.iter()
.map(|s| s.as_ref())
.filter(|s| !s.is_empty())
}Spørgsmål:
- Forstår du hvad
'abetyder? - Kan du debugge det om 6 måneder?
- Kan din kollega?
Hvis svaret er nej, har du et problem.
Den reelle risiko
Vi har set dette mønster:
- Udvikler bruger AI til at skrive Rust
- Det virker! Shipper til production
- 6 måneder senere: bug opstår
- Ingen forstår koden
- Omskrivning til Go/Java
Resultatet: Spildt tid og penge.
Hvornår AI + svært sprog giver mening
✅ Gør det når:
- Mindst én på teamet forstår sproget rigtigt
- I har tid til at lære undervejs
- Performance-gevinsten er målbar og værd det
- I planlægger at investere i kompetencen
❌ Undgå når:
- Hele teamet er nye i sproget
- Det er et kritisk system uden backup-plan
- I har stram deadline
- "AI kan jo bare skrive det"
Vores anbefaling
Brug AI som læreværktøj, ikke som krykke.
Den bedste måde at bruge AI til at lære Rust:
- Lad AI forklare kode linje for linje
- Bed om alternative implementeringer
- Spørg "hvorfor" til hver beslutning
- Skriv tests selv - det tvinger forståelse
Hvad vi selv gør
Vi rådgiver teams om teknologivalg, og ser konsekvenserne af både gode og dårlige beslutninger.
Vi bruger AI dagligt:
- Til boilerplate og repetitiv kode
- Til at forklare unfamiliar biblioteker
- Til at foreslå optimeringer
Men vi vælger altid teknologier vi forstår. Fordi vi skal vedligeholde dem.
Det vigtigste AI giver os er ikke kode - det er hurtigere læring.