Vibe Coding Crisis: Hvorfor CS-kandidater ikke længere kan kode uden AI

I en Reddit-tråd i marts 2026, som hurtigt nåede over 8.000 upvotes, delte en senior softwareudvikler fra et startup i Series-B skærmbilleder af en hjemmeopgave til en jobsamtale, han netop havde afvist. Kandidaten, en nyuddannet CS-kandidat med et karaktergennemsnit på 3,9 (GPA) fra en anerkendt uddannelse, havde afleveret kód, der fungerede fejlfrit under de mest basale scenarier (happy path), men som i al stilhed ødelagde data ved ethvert kanttilfælde (edge case). Da han blev bedt om at forklare logikken under et opfølgende opkald, kunne kandidaten ikke forklare, hvorfor en af hans egne funktioner brugte rekursion. Sætningen, der for alvor rystede tråden, var hans ærlige svar: „Jeg fortalte bare Claude, hvad vi havde brug for, og så skrev den det. Jeg læser normalt kun kóden igennem, hvis den ikke virker.“

Dette er krisen med „vibe coding“, og i 2026 har den migreret fra udvikler-Twitter og direkte ind i HR-pipelines, rekrutteringsmøder og i stigende grad ind på kontorerne hos lederne af datalogiske afdelinger, som forsøger at finde ud af, hvad der lige er sket med deres færdiguddannede kandidater. Udtrykket blev opfundet af Andrej Karpathy i februar 2025 for at beskrive en ny, positiv måde at arbejde på: Beskriv dit mål, accepter hvad modellen producerer, og udgiv. Inden for et år blev det samme udtryk branchens korte betegnelse for en generation af programmører, der kan prompte flydende, men som ikke kan ræsonnere over, hvad deres kód rent faktisk gør.

For programmeringsundervisere er dette ikke et hypotetisk problem om fremtidens arbejde. Det er en akut pædagogisk nødsituation i nutid om de studerende, I uddanner lige nu. Denne artikel ser på, hvad forskning og rapporter fra marken reelt viser om AI-induceret færdighedsatrofi, hvorfor kurser fra CS1 til det afsluttende bachelorprojekt er unikt sårbare, og hvordan en lille, men voksende gruppe af undervisere omstrukturerer deres fag for at sikre, at studerende dimitterer med evnen til at kóde — ikke blot prompte.

Hvad „vibe coding“ egentlig betyder (og hvorfor Karpathy sagde, det skulle være sjovt)

Karpathys oprindelige formulering var specifik. Vibe coding betød at acceptere, at programmering til personlige projekter nu kunne føles som en kreativ leg: Du fortæller modellen, hvad du vil have, den producerer kód, du justerer prompten frem for kóden, og du udgiver noget fungerende. Han bemærkede eksplicit, at han ikke længere læste kód linje for linje på sine egne sideprojekter. Formuleringen handlede om glæde, produktivitet og den legitime observation, at omhyggelig manuel gennemgang er unødvendig for uforpligtende engangskód.

Udtrykket slap derefter ud i den bredere branche, hvor det landede i to vidt forskellige sammenhænge:

• Erfarne udviklere, der bruger det bevidst: Behandler AI-genereret kód som et groft udkast, læser og refaktorerer det før commit, bruger AI til at slippe for rutinekód, men anvender årtiers mønstergenkendelse til at evaluere outputtet. Dette var, hvad Karpathy beskrev, og det fungerer.
• Juniorudviklere og studerende, der adopterer det som standard: Behandler AI-genereret kód som et færdigt produkt, accepterer det uden at læse det, fejlsøger kun når test fejler, og eskalerer kun til en senior eller underviser, når AI'en ikke selv kan rette sit eget output. Dette var, hvad Karpathy ikke beskrev, og det fungerer ikke.

Det pædagogiske problem er den anden gruppe, og de udgør størstedelen af de studerende, der starter på CS-uddannelser i 2026. Karpathy selv trak sin formulering delvist tilbage senere i 2025 og bemærkede, at vibe coding giver mening for eksperter på personlige projekter, men er ødelæggende for alle andre.

Mønsteret for færdighedsatrofi i reelle tal

Beviserne er nu massive, og de peger i én retning. En analyse fra december 2025 udgivet af CodeRabbit, som undersøgte pull requests på tværs af hundredvis af open-source arkiver, viste, at kód skrevet i samarbejde med generativ AI indeholdt omtrent 1,7x flere „alvorlige“ problemer end kód skrevet udelukkende af mennesker. Logiske fejl (forkerte afhængigheder, fejlbehæftet kontrolflow) og sikkerhedssårbarheder var begge markant forhøjede, hvor sikkerhedsfejl optrådte med en rate på 2,74x i forhold til kód skrevet udelukkende af mennesker.

En rapport fra TechSpot i slutningen af 2025 spurgte aktive udviklere om de kognitive effekter af tvungne arbejdsgange med vibe coding. Det fælles rapporterede mønster: Øget tidsforbrug på fejlsøgning, faldende evne til mentalt at simulere kód i hovedet og en svækket intuitionsfornemmelse for, hvordan kód i produktionskvalitet egentlig ser ud. En udvikler beskrev sin oplevelse efter seks måneders arbejde med vibe-first som helt at „miste svalens muskelhukommelse“ for problemløsning.

Den klareste illustration kom fra en udvikler, der kørte et 30-dages eksperiment i starten af 2026: Ingen AI-hjælp i en måned, og derefter en refleksion over forskellen. Indlægget på dev.to, I Coded Without AI for 30 Days: The Results Were Embarrassing, blev et af årets mest delte udvikleressays. Den vigtigste konklusion: En aktiv seniorudvikler med otte års erfaring kunne ikke længere skrive et simpelt binært søgetræ (binary tree traversal) ud fra hukommelsen. Færdigheden var blevet outsourcet og derefter tiše nedbrudt.

Hvis en erfaren seniorudviklers fejlsøgningsmuskel svækkes på få måneder med AI-afhængighed, så forestil dig kurven for en studerende i CS1, som aldrig har opbygget den muskel til at begynde med — hvis hele oplevelse med programmering er gået igennem en LLM, der leverer en fungerende løsning inden for ti sekunder efter at have set opgaveformuleringen.

Hvorfor programmeringsundervisning er unikt sårbar

Andre fagområder håndterer AI i uddannelsen med svingende succes, men de fleste har stadig intakte evalueringsmetoder. En litteraturstuderende kan stadig blive bedt om at diskutere en tekst i et seminar. En kemistuderende kan stadig blive bedt om at udføre et laboratorieforsøg. En matematikstuderende kan stadig blive bedt om at udlede et bevis ved tavlen. Programmeringsundervisning har ingen af disse intakte evalueringsmetoder. Næsten alle programmeringsopgaver er hjemmeopgaver, der evalueres på, om kóden består test — og en AI i 2026 består de test uden problemer.

Dette skaber tre sårbarheder, der er specifikke for programmering:

• Opgave-test-løkken er fuldt automatiserbar. Codex, Claude Code og Cursor læser opgaven, skriver kóden, kører testsuiten, itererer over fejl og afleverer en fungerende løsning. Den fulde cyklus, som en studerende forventes at gennemgå — forstå krav, designe en løsning, implementere den, fejlsøge den — kan udføres af AI'en hurtigere, end den studerende kan nå at læse opgaveformuleringen.
• Evaluering ansigt-til-ansigt er logistisk dyrt. Et CS1-hold med 200 studerende kan ikke reelt gennemføre et fem minutters mundtligt forsvar på hver eneste opgave uden at brænde tyve timer af asistenternes tid af pr. opgavecyklus. Den økonomiske model for store CS-fag forudsætter asynkron karaktergivning af hjemmeopgaver.
• Snyd er usynligt for den studerende. En studerende, der kopierer et essay, ved godt, at vedkommende snyder. En studerende, der prompter en AI til at løse en programmeringsopgave, registrerer det måske ikke som snyd — den sociale norm har flyttet sig hurtigere end reglerne, og handlingen føles uadskillelig fra at slå noget op. Når de når til sidste år og skal tænke selv, har de brugt fire år uden at opbygge nogen relevante færdigheder.

Resultatet er en uddannelsespipeline, der producerer kandidater med eksamensbeviser, der ikke længere hænger sammen med færdigheder. Rekrutteringsansvarlige i 2026 går i stigende grad udenom CV'et og karaktererne til fordel for live teknisk evaluering, netop fordi uddannelsessystemet har koblet sig af den underliggende kapacitet.

Hvordan „at lære ingenting“ ser ud i kontortiden

Hvis du underviser i programmering, har du sikkert set dette mønster, selvom du måske ikke har sat ord på det endnu. Vi har samlet de mest almindelige diagnostiske tegn fra undervisere på tværs af CS1, datastrukturer og afsluttende bachelorprojekter i slutningen af 2025 og starten af 2026.

• Den studerende kan ikke finde sin egen fejl. Afleveringen kørte perfekt. En ny enhedstest fejler. Den studerende åbner filen, kigger på kóden som om det var første gang, scroller op og ned uden en hypotese og siger til sidst: „Jeg spørger bare lige Claude, hvad der er galt.“ Den første reaktion på en fejlet test er at eskalere til AI i stedet for at danne en hypotese.
• Den studerende kan ikke svare på „hvorfor“. Spurgt: „Hvorfor brugte du et hash map her i stedet for et array?“ lyder svaret: „Det foreslog AI'en.“ Valget blev truffet, men logikken bag blev aldrig internaliseret. Der er ingen kognitiv model bag kóden.
• Den studerende kan ikke lave en lille variant. „Modificer dette til også at håndtere negative tal“ burde tage tredive sekunder at rette. For den AI-afhængige studerende bliver det til en fem minutters prompte-session, fordi de skal sende den nye begrænsning tilbage til modellen frem for at tænke over, hvor i den eksisterende kód ændringen skal foretages.
• Den studerende mestrer værktøjerne, men forstår ikke problemerne. De kan konfigurere Vercel, bygge en React-komponent, opsætte en Postgres-database, udrulle med Docker. De kan bruge hele det moderne værktøjsbånd. Bed dem implementere quicksort. Taushed.
• Afsløringen i bachelorprojektet. Bachelorprojektet — det øjeblik, hvor de opsamlede færdigheder skal bære frugt — er i stigende grad et øjeblik, hvor det fuldstændige fravær af færdigheder afsløres. Grupper, der har vibe-kodet sig igennem fra CS1 til tredje år, ankommer til bachelorprojektet uden at kunne designe et system, opdele en funktion eller håndtere de dele af programmering, som AI klarer sig dårligst til.

Den pædagogiske løsning: Behandl AI-færdighed som en reel kompetence (og gør den fortjent)

De undervisere, der håndterer denne overgang godt, er ikke dem med de strengeste nej-til-AI-politikker. Det er dem, der har genopbygget fag omkring en klar sondring: AI er et værktøj, som de studerende skal lære at bruge godt, OG de studerende skal selvstændigt demonstrere de kognitive færdigheder, som AI udøver. De to krav er ikke i modstrid med hinanden — de supplerer hinanden, og de kurser, der får dette rigtigt, producerer kandidater, der præsterer bedre end både vibe-coders og AI-banned kohorter.

De specifikke designmønstre, vi ser fungere i programmeringsfag i 2026:

• 1. Den tosporede opgave. Hver opgave har en „solo“-del (AI forbudt, ofte en lille del i klassen) og en „værktøjs“-del (AI tilladt, men dokumenteret). Solo-delen måler, hvad den studerende reelt kan. Værktøjs-delen lærer dem at opnå mere.
• 2. AI-færdighed som en karaktergivende kompetence. Studerende afleverer de AI-prompter, de brugte, de svar, de fik, samt en analyse af, hvor AI'en tog fejl eller var ineffektiv. Kritisk læsning af AI-output behandles som et læringsmål i kurset, ikke som en omvej.
• 3. Vurderinger udelukkende baseret på fejlsøgning. Studerende får udleveret fungerende AI-genereret kód med subtile fejl (off-by-one, forkert basistilfælde, chybějící null-tjek, sikkerhedssårbarhed) og får karakter for deres evne til at finde og rette dem. Dette tréner den færdighed, AI klarer sig dårligst til, og som arbejdsgivere værdsætter mest.
• 4. Proces-synlig karaktergivning. Krav om versionshistorik, obligatoriske kommentarer, der dokumenterer designvalg, optagede forklaringer. Selve koden alene udgør ikke længere hele karakteren.
• 5. Live tekniske samtaler. En kort, struktureret mundtlig del på enhver væsentlig opgave. Fem minutter pr. studerende, fokuseret på et eller to diagnostiske spørgsmål. Indsatsen er reelt givende, og signalet er fremragende.
• 6. Verifikation af autenticitet på systemniveau. Værktøjer som Plagly.ai scanner afleveringer for AI-genereringsmønstre, stilistisk ensartethed på holdniveau samt fraværet af de iterativt opbyggede spor, som reelt studerende arbejde normalt udviser. Dette er ikke karakteren; det er et flag, der fremhæver de afleveringer, der er værd at tage en samtale om i kontortiden.

Værktøjslaget, der gør dette praktisk

Den største indvending mod modellen ovenfor er logistisk. Rigtige hold har hundredvis af studerende; rigtige undervisere har ikke tid til at læse hver aflevering linje for linje, gennemføre et mundtligt forsvar på hver eneste opgave eller spotte holdmønstre med det blotte øje. Værktøjerne skal foretage den indledende scanning, så mennesket kan fokusere sin dømmekraft på de tilfælde, hvor det betyder noget.

Hvordan dette ser ud i praksis for et CS1-hold med 200 studerende:

• Automatisk scanning af afleveringer: Hver uploadet fil kører igennem en AI-detektionsscanning, der returnerer en konfidensscore og markeringer pr. blok. Plagly.ai udfører denne analyse med 99 % nøjagtighed på tværs af GPT-5.5, Claude 4.6, Gemini 3.1 og andre store modeller, inklusive de specifikke kódvarianter, som disse modeller foretrækker.
• Dashboard på holdniveau (kohorte): Underviseren ser en klyngeopdeling af stilistiske mønstre på tværs af holdet. Når otte afleveringer deler idiomatisk formulering, identisk kommentarhusthed og samme defensive mønster ved kanttilfælde, trækkes denne klynge frem til gennemsyn.
• Forfatterskabsspor: Plagly.ai's Agentic Council — syv domæneekspertmodeller, der analyserer afleveringen for skrivekvalitet, struktur, AI-detektion, originalitet og konsistens — producerer en dokumenteret rapport. Rapporten anklager ikke for akademisk uredelighed; den dokumenterer mønstrene, som underviseren kan undersøge.
• Målrettede samtaler i kontortiden: Studerende, hvis afleveringer markeres, får det fem minutters mundtlige tjek. De fleste afklares hurtigt; det lille antal, der ikke gør, bliver til de sager, underviseren håndterer omhyggeligt og formelt.

Pointen er ikke at fange enhver snyder. Pointen er at holde læringsprocessen intakt for de studerende, der ønsker at lære. Et hold uden verifikation er et hold, hvor de studerende, der omgår systemet, sætter barren, og de studerende, der arbejder ærligt, bliver sorteper. Et hold med verifikation er et hold, hvor den sociale norm holder — opgaverne uddanner stadig, karaktererne betyder stadig noget, og de færdiguddannede kan rent faktisk kóde.

Udsigterne for programmeringsundervisning på 18 måneders sigt

De fleste aktive programmeringsundervisere, vi taler med i 2026, deler en fornemmelse af, at det nuværende setup er ustabilt. Hjemmeopgaven, der evalueres ud fra beståede test, er strukturelt uforenelig med eksistensen af agentielle kódningsværktøjer. Noget må vige. Tre sandsynlige retninger, i rækkefølge efter stigende sandsynlighed:

• Fuldstændige AI-forbud: Nogle institutioner vil prøve, og de fleste vil mislykkes. Forbuddene kan ikke håndhæves, politikkerne bliver inkonsekvente, og de studerende, der følger reglerne, uddanner sig mindre dygtige end de studerende, der ikke gør det. Dette er det værste resultat af begge verdener, og det har allerede miskrediteret sig selv på flere universiteter, der prøvede det i 2023-2024.
• Kompetenceskift nedad i læseplanen: CS1 starter senere med mere vægt på konceptuelt grundlag. CS2 dækker, hvad CS1 plejede at dække. Avancerede kurser bliver mere teoretiske, fordi implementeringsdelen ikke længere er der, hvor læringen sker. Det sker, langsomt.
• Evaluering skifter mod live demonstration: Hjemmeopgaver bliver formative. Summative karakterer bestemmes af live kodning under supervision, mundtlige forsvar og processynligt arbejde. Det er den retning, de stærkeste CS-programmer allerede bevæger sig, og det er den retning, vi tror, ​​de fleste programmer med tiden vil falde til.

Ingen af disse udfald løser spørgsmålet om, hvad man skal lave dette semester med de studerende, man har. Til det er det praktiske træk en hybrid: behold dine nuværende opgaver, tilføj et verifikationslag, der fanger de værste tilfælde, læg en eller to personlige vurderingskomponenter i hvert kursus, og start det langsommere arbejde med at redesigne læseplanen til en verden, hvor agent AI er basislinjen. Verifikationsværktøjet giver dig tid til at lave omlægningen af ​​læseplanen uden at miste denne kohorte til vibe-kodning i mellemtiden.

Ofte stillede spørgsmål

Er vibe coding altid dårligt, eller er det nogle gange legitimt?

Det er helt legitimt for erfarne udviklere, der arbejder på uforpligtende personlige projekter, hvor omkostningerne ved fejl er lave, og udvikleren har de underliggende færdigheder til at vurdere outputtet, når det gælder. Det er ødelæggende for studerende, der stadig er ved at opbygge de underliggende færdigheder, fordi det kortslutter det kognitive arbejde, som programmeringsundervisningen er sat i verden for at udvikle. Forskellen er stort set den samme som forskellen på en kok, der bestiller takeaway (helt i orden), og en kokkeelev, der bestiller takeaway til sin praktiske eksamen (ikke i orden). Begge dele involverer at modtage mad, de ikke selv har lavet. Men kun den ene undergraver læringsprojektet.

Kan studerende hævde, at de selv har skrevet AI-detekteret kód?

Det kan de, og nogle gange har de ret. Falske positive i kóddetektion forekommer oftest, når studerende skriver kód i en meget „lærebogsagtig“ stil, som tilfældigvis matcher de mønstre, AI typisk producerer. Den rigtige tilgang behandler ikke en høj score som en endelig dom — den behandler det som en anledning til en fem minutters samtale. En studerende, der selv har skrevet kóden, kan forklare den, ændre den på stedet og spore dens kørsel. En studerende, der har promptet den, kan næsten aldrig. Samtalen, ikke scoren, er det, der afgør sagen. Rapporterne fra Plagly.ai er designet til at understøtte den samtale, ikke erstatte den.

Hvordan adskiller AI-detektion i kód sig fra AI-detektion i prosa?

Kóddetektion anvender lignende statistiske grundlag — perplexitet, burstiness, stilometriske fingeraftryk — men anvender dem på andre overfladetræk. I kód er de mest informative signaler strukturelle frem for leksikalske: Mønstre i variabelnavngivning, kommentartæthed og -stil, idiomatiske biblioteksvalg, fejlhåndtering og valg af idiomatiske konstruktioner. Vores ensemblesystemer opnår en nøjagtighed på 90-95 % på isolerede kódafleveringer i 2026, hvilket stiger til et godt stykke over 95 %, når mønsteranalyse på holdniveau kombineres med scoringen på filniveau.

Hvad med studerende, der oprigtigt bruger AI som en tutor uden at kopiere dens output?

Dette er netop den gruppe, som verifikationslaget er designet til ikke at ramme. En studerende, der bruger AI til at forstå et koncept og derefter selv skriver sin løsning, vil generere kód, der ikke matcher AI-genererede mønstre på linjeniveau. Detektionssignalerne fanger produktet, ikke selve læringsprocessen. Hvis dit holds regler tillader AI som tutor — hvilket vi mener, de bør — fungerer denne arbejdsgang fortsat. Du kontrollerer afleveringen, ikke den studerendes læringsmetode.

Fungerer dette for projektbaserede kurser og afgangsprojekter?

Ja, med tilpasning. For projektarbejde over flere uger med mange filer skifter de mest brugbare signaler mod synlighed i processen: Analyse af commit-historik (opstod kóden i én stor commit, eller udviklede den sig over tid?), konsistens i forfatterskabet på tværs af filer (læses kildekoden, som om én person skrev den, eller er det forskellige bidder, der er stykket sammen?) og dokumentation af designbeslutninger (kan den studerende forklare, hvorfor bestemte arkitektoniske valg blev truffet?). Afgangsprojekter drager størst fordel af et struktureret mundtligt forsvar kombineret med en skriftlig designdokumentation, hvor AI-detektion fungerer som et sekundært frem for det primære signal.