Nøkkelinnsikt

• Claude Code står bak 4 % av alle offentlige GitHub-commits, og Cherny spår en femdel innen årets slutt
• Cherny har ikke skrevet en eneste kodelinje for hånd siden november, og leverer 10–30 pull requests daglig
• Anthropics tre lag av AI-sikkerhet — fra nevronanalyse til lansering i virkelig bruk — er designet for å følge modellene etter hvert som de blir mektigere

---

Kort fortalt

Boris Cherny, sjefen for Claude Code hos Anthropic, hevder at koding er «generelt løst» og at neste steg er AI som handler på vegne av deg langt utenfor kode. I denne samtalen med Lenny Rachitsky legger han fram tallene bak påstanden, forklarer hvorfor Anthropic bevisst underfinansierer team og gir ingeniører ubegrensede tokens (de minste enhetene et AI-system prosesserer), og beskriver tre lag av AI-sikkerhet som skal holde modellene i sjakk etter hvert som de blir mektigere. Samtalens mest overraskende poeng er kanskje at Cherny sammenligner AI-revolusjonen med trykkpressen, og spør hva som skjer når alle kan programmere.

---

Den sentrale påstanden: koding er løst

Chernys hovedpåstand er direkte: koding er et løst problem. I hvert fall den typen programmering han selv gjør, kan Claude nå håndtere fullstendig (18:20). Han har ikke redigert en eneste kodelinje for hånd siden november, og leverer likevel 10, 20, noen ganger 30 pull requests (PR-er, altså foreslåtte kodeendringer som andre kan gjennomgå) daglig (16:47). Alt skrevet av Claude Code.

Tallene fra en rapport av Semi Analysis støtter bildet: 4 % av alle offentlige commits (lagrede kodeendringer) på GitHub er nå skrevet av Claude Code, og de spår at andelen vil nå en femdel innen årets slutt (5:55). Spotify meldte samme uke at deres beste utviklere ikke har skrevet en kodelinje siden desember.

Internt hos Anthropic har produktiviteten per ingeniør økt 200 %, målt i pull requests (21:27). Cherny setter dette i perspektiv: i sin forrige jobb hos Meta jobbet hundrevis av ingeniører med kodekvalitet i årevis, og gevinsten var noen få prosentpoeng. Nå ser de hundrevis av prosentpoeng i forbedring.

---

Prinsippene bak Claude Code

Cherny deler flere prinsipper som styrer arbeidet med Claude Code. Tre av dem stikker seg ut:

Underfinansier team med vilje

Anthropic setter bevisst få folk på prosjekter. Når ressursene er knappe, tvinges folk til å bruke AI kreativt (24:28). Det er ikke bare at AI gjør deg raskere. Ifølge Cherny vil du faktisk få mer ut av AI-verktøyene med færre folk fordi presset tvinger frem nye måter å jobbe på.

Gi ubegrensede tokens

Cherny anbefaler å gi ingeniører så mange tokens som mulig i stedet for å forsøke å kutte kostnader tidlig (26:48). Noen ingeniører hos Anthropic bruker angivelig hundretusener av kroner i tokens per måned (27:47). Logikken: la folk eksperimentere fritt med den dyreste modellen. Finn ideen som fungerer. Optimaliser etterpå.

Bygg for modellen seks måneder frem i tid

Da Claude Code først ble laget, skrev modellen bare en brøkdel av koden. Den var ikke god nok. Men teamet satset på at modellene ville bli gode nok innen seks måneder (1:05:58). Da Opus 4 kom i mai, traff de blink: brukerveksten gikk eksponensielt oppover. Cherny presenterer dette som konkret råd til oppstartsselskaper: produktet ditt kommer til å føles middels bra i starten, men når neste modell treffer, er du klar.

---

Latent etterspørsel: fra tomater til Cowork

Et begrep Cherny gjentar flere ganger er latent etterspørsel (latent demand, et skjult behov som først blir synlig når folk begynner å misbruke et produkt til noe det ikke var laget for). Han trekker fram Facebook Marketplace som eksempel: 40 % av innleggene i Facebook-grupper handlet om kjøp og salg (48:08). Da var det opplagt å bygge et eget produkt for det.

Det samme mønsteret drev fram Cowork. Cherny og teamet hans oppdaget at folk brukte Claude Code til ting som ikke hadde noe med koding å gjøre (49:17). Noen dyrket tomater. Andre analyserte genomet sitt. Én person reddet korrupte bryllupsbilder. En dataanalytiker hos Anthropic lastet ned Node.js og åpnet terminalen for å gjøre SQL-analyser (50:31). Uken etter gjorde alle dataanalytikerne det samme.

Cowork ble bygget på 10 dager, brukt av millioner kort tid etter lansering (51:59). Cherny gir æren til teamet, men understreker at hele produktet ble bygget med Claude Code.

---

Trykkpresseanalogien

Cherny bruker trykkpressen som historisk parallell for å forstå hva som skjer (32:15). I Europa på 1400-tallet kunne under 1 % av befolkningen lese og skrive. Skrivearbeid var forbeholdt en liten gruppe skrivere. Så kom Gutenbergs trykkpresse:

Cherny hevder at AI gjør med programmering det trykkpressen gjorde med skriving: en ferdighet som var forbeholdt noen få, blir tilgjengelig for alle (40:19). Han ser for seg en verden der hvem som helst kan bygge programvare, og spør hva det låser opp. Han innrømmer samtidig at overgangen vil bli smertefull for mange.

---

Tre lag av AI-sikkerhet

Cherny beskriver tre lag av sikkerhet som Anthropic bruker for å holde modellene trygge (54:04):

Lag 1: Tilpasning og mekanistisk tolkbarhet (alignment og mechanistic interpretability, forskning på hva som faktisk skjer inne i modellens «nevroner»). Chris Olahs team studerer hvordan enkeltnevroner og grupper av nevroner representerer konsepter. De har ifølge Cherny begynt å kunne oppdage nevroner knyttet til bedrag, og kan overvåke når disse aktiveres (55:01). Fenomenet der ett nevron representerer flere konsepter samtidig kalles superposisjon (superposition).

Lag 2: Evalueringer (evals, syntetiske laboratorietester). Modellen settes i konstruerte situasjoner for å se om den gjør riktige ting.

Lag 3: Observasjon i virkelig bruk. Claude Code ble testet internt i fire til fem måneder før ekstern lansering fordi det var den første store AI-agenten (agent, en AI som ikke bare svarer, men som faktisk bruker verktøy og handler på vegne av brukeren) som ble bredt tilgjengelig (55:37). Cowork følger samme strategi: lanser tidlig som en forskningsforhåndsvisning, og lær av virkelig bruk.

Anthropic deler mye av dette arbeidet åpent og kaller det internt «kappløpet mot toppen» (race to the top): de slipper åpen kildekode for sikkerhetsverktøy som sandkassen (sandbox, et isolert miljø som hindrer agenten i å få tilgang til alt på systemet ditt) for Claude Code, slik at andre AI-utviklere kan bruke dem (59:06).

---

Fremtiden: fra ingeniør til «bygger»

Cherny ser for seg at tittelen «programvareingeniør» gradvis forsvinner. Innen årets slutt tror han grensene mellom ingeniør, produktsjef og designer blir så uklare at tittelen erstattes av «bygger» (43:17). Allerede nå koder alle på Claude Code-teamet: produktsjefen, designeren, dataanalytikeren, til og med økonomiansvarlig (41:33).

Lennys uformelle Twitter-undersøkelse peker i samme retning: 70 % av ingeniører og produktsjefer sier de trives bedre med jobben etter å ha tatt i bruk AI-verktøy (44:54). Blant designere er tallet lavere: bare 55 % sier det samme, og 20 % trives dårligere.

Chernys råd til folk som vil lykkes: eksperimenter med verktøyene, vær på forkanten, og bli generalist. De sterkeste ingeniørene han jobber med krysser fagfelt: de forstår produktdesign, forretningslogikk eller brukeropplevelse i tillegg til teknologi (41:12).

---

Motstridende perspektiver

Seleksjon og kontekst

Tallene Cherny presenterer kommer nesten utelukkende fra Anthropic internt. Anthropic er et AI-selskap med noen av verdens mest AI-kompetente ingeniører, ubegrensede tokens, og den mest kapable modellen. Resultatene representerer ikke nødvendigvis hva som er oppnåelig for et gjennomsnittlig utviklerteam i en bank eller et logistikkselskap. At 4 % av offentlige GitHub-commits skyldes Claude Code, er dessuten basert på en tredjeparts analyse (Semi Analysis), og tallet for private repos er ifølge Cherny selv «ganske mye høyere», uten at det underbygges med data.

Designerens perspektiv

Lennys undersøkelse viser at designere ligger markant bak ingeniører og produktsjefer i AI-trivsel. Cherny adresserer dette kort ved å peke på at Anthropics designere koder, men undersøkelsen dekker bransjen bredere. Det er verdt å spørre om «alle koder»-visjonen fungerer like godt for roller som tradisjonelt handler om visuell kreativitet, brukerempati og systemtenkning som ikke lar seg uttrykke i kode.

Jevons' paradoks og jobbspørsmålet

Cherny blir spurt direkte om jobbtap og svarer med trykkpresse-optimisme. Men trykkpressen tok 200 år å skalere. AI-verktøy sprer seg på måneder. Selv om Jevons' paradoks (ideen om at økt effektivitet fører til økt etterspørsel, ikke mindre) har fungert historisk, er det et åpent spørsmål om det holder når endringstempoet er så mye raskere.

---

Hvordan tolke disse påstandene

Cherny presenterer overbevisende argumenter, men flere spørsmål fortjener nøye vurdering før man godtar bildet uten forbehold.

Kilden er en interessent

Cherny er sjefen for Claude Code hos Anthropic, et selskap som nylig hentet kapital til en verdsettelse på 350 milliarder dollar. Claude Code genererer angivelig rundt 2 milliarder dollar i inntekter, av Anthropics totale 15 milliarder (1:15:27). Når han hevder at koding er «løst», er det også en salgspåstand. Det betyr ikke at det er feil, men det bør veies med denne konteksten i bakhodet.

Produktivitetsmåling er vanskelig

«200 % økning i produktivitet» måles i pull requests per ingeniør. Flere PR-er betyr ikke nødvendigvis bedre programvare. En PR laget av en AI-agent kan inneholde enklere endringer enn en håndskrevet PR. Kvalitetsmåling, feilrater etter lansering, vedlikeholdskostnad over tid og brukeropplevelse er alle dimensjoner som ikke fanges opp av PR-tellinger.

Den bitre leksen er ikke universell

Cherny refererer til Rich Suttons «The Bitter Lesson» (den bitre leksen, en forskningsartikkel som argumenterer for at generelle AI-metoder med mye datakraft alltid slår spesialiserte løsninger) som et kjernprinsipp (1:04:45). Men den bitre leksen handler om AI-forskning, ikke nødvendigvis om produktstrategi. Å «alltid satse på den mest generelle modellen» ignorerer tilfeller der finjusterte modeller (fine-tuned models, modeller som er videre trent på spesifikke data) gir bedre resultater for smale oppgaver til en brøkdel av kostnaden.

Hva sterkere bevis ville sett ut som

Uavhengige studier som måler kodekvalitet, feilrate i produksjon og brukertilfredshet over tid hos selskaper med ulike AI-modenhetsnivåer. Kontrollerte sammenligninger mellom team som bruker AI-agenter og team som ikke gjør det, med samme oppgavesett. Langsiktig data (minst 12 måneder) på vedlikeholdskostnad for AI-generert kode kontra menneskeskrevet kode.

---

Praktiske implikasjoner

For utviklere og ingeniører

Chernys tips for å bruke Claude Code er konkrete: bruk den mest kapable modellen (Opus 4.6 med maks innsats), start i planmodus (plan mode, der modellen planlegger før den skriver kode) for rundt 80 % av oppgavene, og prøv ulike grensesnitt som desktop-app, mobilapp eller Slack-integrasjon (1:08:51). Overraskende nok hevder han at billigere modeller ofte bruker mer tokens totalt fordi de trenger flere forsøk, og dermed ikke nødvendigvis sparer penger.

For ledere og teknologisjefer

Cherny anbefaler å starte med å gi ingeniører fri tilgang til tokens uten å optimalisere for kostnad med én gang. La folk eksperimentere. Når en idé fungerer, da er tiden inne for å optimalisere, for eksempel ved å bytte til en rimeligere modell (26:48). Han går enda lenger: underfinansier team bevisst, slik at de tvinges til å bruke AI kreativt.

For alle som bygger AI-produkter

Tre prinsipper oppsummerer Chernys produktfilosofi: ikke sett modellen i en boks, men gi den verktøy og mål. Følg den bitre leksen og sats på den mest generelle modellen. Og bygg for modellen som kommer om seks måneder, ikke den du har i dag (1:03:42).

---

Ordliste

---

Kilder og ressurser