Kompetensparadoxen
Jag kan be en AI visualisera en modell jag ska presentera och på några sekunder få något som är nästan exakt det jag ville ha. Men när jag försöker finjustera resultatet tar det roliga oftast slut.
Jag ber AI:n flytta en textbit. Den flyttar fel text. Jag försöker igen, och den tar bort ett visuellt element. Jag förklarar tydligare vad jag vill. Den fixar texten, men flyttar samtidigt all annan text. Efter några rundor ber jag AI:n dra åt h… någonstans långt, långt bort. Jag borde bara ha gjort det själv i Photoshop, Illustrator eller Canva (ja, även en riktig designer kan använda Canva nuförtiden).
Jag är först och främst konceptutvecklare, marknadsförare och designer, inte utvecklare. Min kodningserfarenhet slutar ungefär vid att byta ut URL:er i html-koden till ett nyhetsbrev för länge sedan. Även efter nästan tjugo år nära utvecklare är det de som kan koden, inte jag.
När AI gör fel inom mitt eget område är det lättare för mig att upptäcka det. Just för att jag kan design. Jag har erfarenheten och vet hur jag själv skulle ha löst problemet, eller åtminstone hur jag skulle ha gått till väga för att hitta en lösning. Därför kan jag bedöma om AI:n faktiskt har löst min uppgift på ett bra sätt.
När jag vibbkodar har jag däremot ingen aning. Jag kan testa om inloggningen fungerar, men jag kan inte bedöma om autentiseringen är säkert implementerad. Jag kan se att data sparas, men jag vet lite om databasstruktur, skalning eller hur personuppgifter hanteras. Det ser bra ut. Det fungerar. Tror jag.
Jag ser inte vad AI:n gör fel
AI är förstås mest värdefull när den gör saker jag inte kan göra själv. Problemet är att det också är då jag har sämst förutsättningar att veta om den gör fel.
Det betyder inte att professionella utvecklare alltid levererar perfekt kod heller. Skillnaden är att en erfaren utvecklare har mycket bättre förutsättningar att bedöma det AI:n producerar. De kan upptäcka dåliga arkitekturval, säkerhetshål och teknisk skuld, och de vet vad som händer när en lösning ska fungera för tiotusen användare i stället för tio. AI förstärker den kompetens du redan har, utan att nödvändigtvis ersätta den.
Vi ser också att AI förändrar vad våra kunder efterfrågar. De köper betydligt mindre av det enkla utvecklingsarbetet: lätta MVP:er, CRUD-applikationer, generisk frontend och manuell QA. Priset på ren produktionskapacitet pressas nedåt. Samtidigt växer intresset för integrationer, säkerhet, regelefterlevnad, modernisering och att städa upp AI-genererad kod.
Det är egentligen ganska logiskt: om det som tidigare krävde tio personer nu kan göras av fem, blir det svårt att sälja tio personer.
Vi ser förändringar på arbetsmarknaden också. Svenska forskare vid Örebro universitet fann att sysselsättningen bland 22–25-åringar i AI-exponerade yrken, som mjukvaruutveckling, sjönk med 5,5 procent jämfört med mindre exponerade yrken efter att ChatGPT kom. För dem över 50 ökade den med 1 procent. Det här är troligen bara början.
I Norge ser Handelshøyskolen BI och Frischsenteret ett liknande mönster. De hittar ingen generell AI-kris på arbetsmarknaden, men de ser en nedgång bland unga i de mest AI-exponerade yrkena.
AI kanske inte ersätter juniora utvecklare helt, men det väcker en intressant fråga: om vi i allt högre grad använder AI till de uppgifter som tidigare gjordes av mindre erfarna utvecklare, hur ska de då få den erfarenhet som gör att de kan bedöma det AI:n producerar?
PwC pekar på något liknande i sin Global AI Jobs Barometer 2026. I amerikanska data efterfrågar de mest AI-exponerade instegsjobben betydligt oftare kompetenser vi brukar förknippa med seniora personer, som omdöme och ledarskap. Förväntningarna på våra blivande juniorer förändras.
Vi värderar erfarenhet allt högre, samtidigt som vi gör det svårare för människor att skaffa sig just den erfarenhet vi efterfrågar.
Det här är väl kompetensparadoxen från en annan vinkel. AI gör det enklare att utföra uppgifter som tidigare krävde specialistkompetens, samtidigt som den kompetens som krävs för att bedöma resultatet blir allt mer värdefull.
Det verkliga värdet flyttas från att producera kod till att bedöma den. ”From hands to heads”, som vissa skulle säga.
Nästa gång jag lutar mig tillbaka med choklad, kaffe och ett stort leende för att AI:n säger att allt är frid och fröjd, kanske jag borde ställa mig en fråga: vet jag faktiskt att det fungerar, eller saknar jag bara kompetensen att märka att det inte gör det?