AI-verktyg skapar produktivitetsproblem – bara 10–30 procent av koden behålls långsiktigt

När mer kod betyder mindre produktivitet

I Silicon Valley har det blivit en statussymbol att ha stora symbolbudgetar – alltså hur mycket AI-processorkraft en utvecklare får tillgång till. Men bakom den glansiga ytan döljer sig en besvärande sanning: AI-kodverktyg levererar inte den produktivitetsökning som företagen tror.

Alex Circei, grundare av utvecklaranalysföretaget Waydev som arbetar med över 10 000 programutvecklare, har observerat ett tydligt mönster. Enligt TechCrunch rapporterar chefer att 80-90 procent av AI-genererad kod accepteras initialt. Men det de missar är att utvecklare måste revidera koden kraftigt inom några veckor. Den verkliga acceptansgraden landar på endast 10-30 procent.

"Fler rader kod skrivs, men en oproportionerligt stor del försvinner igen", förklarar Circei. Hans företag har omarbetat hela sin analysplattform för att fånga denna dynamik som tidigare varit osynlig i traditionella mätverktyg.

Forskningsdata avslöjar problemet

Flera oberoende studier bekräftar trenden. GitClear fann att AI-användare i genomsnitt hade 9,4 gånger högre "kodrörelse" – det vill säga kod som skrivs för att sedan raderas eller ändras – jämfört med utvecklare utan AI-verktyg. Faros AI rapporterade en ökning på 861 procent i kodrörelse under perioder med hög AI-användning.

Problemet är inte begränsat till kod. Samma mönster syns inom journalistik där AI-verktyg börjar användas för att producera artikelutkast. Enligt Wired använder teknikjournalisten Alex Heath från The Verge rutinmässigt AI för att skriva utkast baserat på hans anteckningar, medan Fortune-reportern Nick Lichtenberg publicerade hela 600 artiklar sedan juli – med sju artiklar en enda dag i februari.

Mätmetodernas blindfläck

Kärnan i problemet ligger i hur vi mäter produktivitet. Traditionella verktyg fokuserar på kvantitet – antal rader kod, antal artiklar, mängd processorkraft – men missar kvaliteten och hållbarheten i det producerade arbetet.

Detta skapar en farlig illusion. När chefer ser att utvecklare producerar dubbelt så mycket kod med AI-verktyg som Cursor eller Claude Code, antar de att produktiviteten ökat proportionellt. Men om 70-90 procent av koden måste skrivas om inom kort, har produktiviteten faktiskt minskat när man räknar in den extra arbetstid som krävs för omskrivning och buggfixning.

Paralleller över branscher

Detsamma gäller för skrivande. Medan AI kan hjälpa journalister att snabbt producera utkast, kräver dessa ofta omfattande redigering för att nå publiceringsstandard. Det som ser ut som en produktivitetsökning i första skedet kan bli en belastning när kvalitetskraven träder in.

Intressant nog visar Nvidias framsteg inom OCR-teknik en annan väg framåt. Genom att använda syntetisk data för att träna sin Nemotron OCR v2-modell har de uppnått dramatiska kvalitetsförbättringar för flerspråkig textigenkänning. Detta antyder att problemet kanske inte ligger i AI-tekniken själv, utan i hur vi implementerar och mäter dess användning.

Vägen framåt

Lösningen ligger inte i att överge AI-verktyg, utan i att utveckla smartare mätmetoder som fångar hela livscykeln för AI-genererat innehåll. Företag som Waydev omarbetar sina plattformar för att spåra kod från skapande till slutlig implementation, inklusive alla revisioner och omskrivningar.

Detta kräver en kulturförändring där vi slutar att fetischera råproduktivitet och börjar värdera hållbar, högkvalitativ output. AI-verktyg är kraftfulla, men deras verkliga värde realiseras först när vi lär oss använda dem rätt.