Google: AI-verktyg genererar nu tre fjärdedelar av vår kod

När Google meddelade att 75 procent av företagets nya kod nu genereras av AI under Cloud Next '26, blev det tydligt hur snabbt artificiell intelligens blivit en naturlig del av utvecklingsprocessen. För bara tolv månader sedan var siffran 50 procent – nu har den alltså ökat med hälften på ett enda år.

Det här är inte bara en statistik utan ett konkret bevis på hur AI-verktyg mognat till produktionsfärdiga verktyg som kan hantera komplexa programmeringsuppgifter. Största delen av den AI-genererade koden kommer från Googles egen Gemini-modell, även om vissa utvecklare enligt Computer Sweden även använder Anthropics Claude Code som komplement.

Infrastruktur för nästa generations AI-beräkningar

Parallellt med denna interna transformation presenterade Google och NVIDIA en ny hårdvaruarkitektur som ska tackla en av AI-branschens största utmaningar: de skyhöga kostnaderna för storskaliga beräkningar. Den nya A5X-plattformen bygger på NVIDIAs Vera Rubin NVL72-system och lovar enligt AI News att minska kostnaderna för AI-slutledning med upp till tio gånger.

Siffrorna är imponerande ur ett rent tekniskt perspektiv. Plattformen kan skala upp till 80 000 NVIDIA Rubin-grafikkort inom ett enda kluster, och upp till 960 000 kort över flera anläggningar. Att hantera närmare en miljon parallella processorer kräver exakt synkronisering – något som löses genom NVIDIAs ConnectX-9 SuperNICs tillsammans med Googles egen Virgo-nätverksteknik.

Men det verkligt intressanta ligger i kombinationen av hårdvaru- och mjukvarudesign. Systemet lovar inte bara dramatiskt sänkta kostnader per token, utan även tio gånger högre genomströmning per megawatt. Det sistnämnda är avgörande när energikostnader blir en allt större del av AI-infrastrukturens totala driftskostnader.

Säkerhet som konkurrensfördel

Ett särskilt fokus ligger på datasäkerhet genom NVIDIAs Confidential Computing – en hårdvarubaserad säkerhetsprotokoll som håller träningsdata skyddad. Det här riktar sig direkt mot högregulerade sektorer som finans och sjukvård, som ofta tvingats skjuta upp AI-satsningar på grund av krav på datasuveränitet.

Från ett systemutvecklingsperspektiv är det fascinerande att se hur Google samtidigt konsumerar sin egen AI-teknik i stor skala och producerar infrastruktur för andra att göra detsamma. När tre fjärdedelar av företagets kod skrivs av AI blir varje ny kodrad ett praktiskt test av modellernas kapacitet – en återkopplingsslinga som accelererar utvecklingen.

Praktiska konsekvenser för branschen

Det här är inte bara stora siffror utan konkreta tecken på AI:s mognad. När kostnaderna för AI-beräkningar kan sjunka med en tiopotens samtidigt som produktiviteten inom mjukvaruutveckling ökar dramatiskt, förändras förutsättningarna för hela teknikbranschen.

För mindre företag innebär billigare AI-infrastruktur att avancerade språkmodeller och andra AI-tjänster blir tillgängliga utan enorma initiala investeringar. För utvecklare betyder AI-genererad kod att vi kan fokusera mer på systemarkitektur och problemlösning snarare än att skriva boilerplate-kod.