AI skriver mere kode. Hvad får virksomhederne for pengene?

En AI-assistent kan skrive kode, mens udvikleren arbejder videre med næste opgave. For virksomheden er det afgørende, hvad der sker bagefter: Kommer en brugbar løsning hurtigere ud til kunden? Holder kvaliteten? Og hvor meget tid bruger kollegerne på at kontrollere og rette arbejdet?

De spørgsmål skal besvares, før en højere aktivitet kan omsættes til en økonomisk gevinst. Antallet af kodelinjer fortæller, hvor meget der bliver skrevet. Regningen fortæller, hvad værktøjet koster. Afkastet kræver også viden om det arbejde og de resultater, virksomheden får ud af det.

Bankdata undersøgte værdien, før flere fik adgang

Et konkret dansk eksempel er Bankdata, som udvikler it til banksektoren. I virksomhedens egen beskrivelse af en afprøvning over et halvt år indgår både produktivitet, kvalitet og udviklernes oplevelse som begrundelse for at udbrede GitHub Copilot.

Det tydeligste offentliggjorte resultat handler om medarbejdernes vurdering: 86 procent sagde, at de fik en bedre oplevelse af arbejdet som udvikler. 88 procent mente, at alle skulle have adgang til værktøjet. Ifølge en kundehistorie hos Microsoft omfattede afprøvningen både det ældre programmeringssprog COBOL og Java.

Eksemplet viser, hvordan en dansk virksomhed har undersøgt værdien blandt sine egne udviklere. De to beskrivelser giver dog hverken en fuld beskrivelse af forsøgets opbygning, en samlet opgørelse over udgifter eller et beregnet afkast i kroner. Microsoft sælger værktøjet, og tallene bygger på Bankdatas egne oplysninger. De 86 procent er dermed et mål for oplevet forbedring, ikke for en tilsvarende stigning i produktiviteten.

Regningerne varierer, og nogle er allerede faldet

En ny gennemgang fra Gergely Orosz i Pragmatic Engineer viser, hvor forskelligt virksomheder bruger penge på AI. Han har talt med ledere og erfarne udviklere fra 27 arbejdspladser. Det er journalistiske eksempler, ikke en repræsentativ brancheundersøgelse.

Et europæisk firma med to udviklere oplyser, at det bruger omkring 3.000 dollar om måneden pr. udvikler. Andre virksomheder arbejder med langt lavere beløbsgrænser. Samtidig skriver Orosz, at udgifterne toppede i juni og juli hos næsten alle virksomhederne i hans materiale. Hos virksomheder med forbrugsafregning var regningen omtrent halveret efterfølgende.

Hvad værktøjerne faktisk koster, afhænger derfor af det enkelte firmas abonnementer, forbrug og øvrige udgifter. Eksemplerne giver ikke belæg for en generel prisstigning på AI-kodning.

Koden skal også blive til en færdig løsning

Forskning giver en forklaring på, hvorfor en hurtigere start på opgaven kan være svær at aflæse i det færdige resultat. I et arbejdspapir fra Harvard-forskerne Fiona Chen og James Stratton, i den tilgængelige version dateret 4. august 2026, analyseres arbejdsdata fra 718 virksomheder via platformen Jellyfish.

Efter indførelsen af AI-agenter finder forskerne omkring 30 procent flere tilføjede kodelinjer. Tiden fra indsendelse af en kodeændring til dens indarbejdelse i den fælles kodebase vokser samtidig med 49 procent. Det sidste mål omfatter hele forløbet, også ventetid, og er derfor bredere end den tid, en kollega aktivt bruger på gennemgang.

Forskerne finder små positive, men statistisk usikre ændringer i antallet af færdiggjorte opgaver og projekter. Mere kode kan altså være svært at genfinde i mere færdigt arbejde. Studiet opgør ikke virksomhedernes økonomiske afkast, og resultaterne dokumenterer heller ikke, at værdien er nul. Forskerne sammenligner virksomheder, der har indført AI på forskellige tidspunkter, og bygger på antagelser om, hvordan virksomhederne ellers ville have udviklet sig.

Et kendt negativt resultat har fået en vigtig opdatering

Effekten afhænger også af værktøjerne og opgaverne. I METRs forsøg fra 2025 brugte 16 erfarne udviklere 19 procent længere tid på opgaver med adgang til datidens AI-værktøjer. De arbejdede på open source-projekter, de kendte godt, med værktøjer fra begyndelsen af 2025.

I en opdatering fra februar 2026 vurderer METR imidlertid, at nyere værktøjer sandsynligvis giver større tidsgevinster. De nye forsøgsdata kan ikke give et sikkert mål for størrelsen. Blandt problemerne er, at nogle udviklere fravælger deltagelse eller bestemte opgaver, fordi de gerne vil arbejde med AI.

I en senere spørgeskemaundersøgelse fra maj 2026 beskriver 349 tekniske medarbejdere betydelige gevinster ved AI. METR understreger, at deltagerne selv har vurderet gevinsterne, og at udvælgelsen af deltagere kan påvirke resultatet. Svarene kan derfor overvurdere effekten. Undersøgelsen belyser oplevet værdi, ikke virksomhedernes økonomiske afkast.

Det oprindelige resultat viser, hvor vigtigt det er at skelne mellem oplevet og faktisk tidsbesparelse. Forsøgets afgrænsning og de nyere værktøjer gør det for snævert som generel vurdering af AI-kodning i dag.

Hvad skal med i virksomhedens regnestykke?

De danske eksempler viser, at virksomheder allerede undersøger værdien. De offentlige beskrivelser giver indblik i afprøvningen, men fortæller kun lidt om virksomhedernes interne beregninger af det økonomiske afkast.

AI Times' vurdering er, at en brugbar opgørelse skal følge en opgave frem til det tidspunkt, hvor løsningen fungerer hos brugeren. Den bør omfatte licenser og forbrug, oplæring, sikkerhedsarbejde, kontrol, fejlretning og efterfølgende vedligeholdelse. Resultatet skal vurderes sammen med kvaliteten og opgavens størrelse, så en simpel rettelse og en ny funktion ikke tæller som samme præstation.

Frigjort tid har også flere mulige værdier. Et team kan bruge den på flere leverancer, bedre service eller mindre arbejdspres. Først når virksomheden kan vise, hvad der faktisk ændrer sig, kan den skelne mellem frigjort kapacitet, en besparelse i budgettet og ekstra indtjening.

For medarbejderne er det et spørgsmål om, hvad de bliver vurderet på. En måling af hele arbejdsforløbet giver også plads til det arbejde, der sikrer, at løsningen holder: faglig vurdering, samarbejde og oplæring af nye kolleger. Det er en del af det regnestykke, ledelsen bør gøre synligt, når den spørger, hvad virksomheden får for AI-regningen.

Om kilderne

Artiklen bygger på offentliggjorte beskrivelser og forskning, gennemgået 24. oktober 2026. Bankdata og DSB er konkrete eksempler på afprøvning og evaluering, ikke uafhængigt efterprøvede opgørelser over økonomisk afkast. Vi har læst den frit tilgængelige del af Pragmatic Engineers artikel. Harvard-studiet er et arbejdspapir. METRs oprindelige forsøg er læst sammen med forskernes opdatering. Artiklen bygger på skriftlige kilder og indeholder ingen egne interviews.