Efter tio år i ledarskapsroller har jag bestämt mig för att kliva närmare tekniken igen. Framtiden får utvisa vart det tar vägen, men just nu vill jag vara nära koden, nära problemen och nära själva skapandet.

Det är ett steg in i något bekant, men långt ifrån ett oförändrat område. Jag har hållit mig nära tekniken hela tiden, men det är en sak att leda arbete och en annan att sitta i det själv. Att prata om arkitektur kontra att bygga den. Att peka ut riktningen kontra att lösa detaljerna.

Och branschen är inte densamma som den jag lämnade för tio år sedan. Mycket har förändrats, men jag tänker att inget har skakat om spelplanen så mycket som AI.

AI är inte längre något vid sidan av

Det är ett verktyg som redan påverkar hur vi skriver kod, hur vi lär oss och hur vi tänker om vad en utvecklare egentligen gör. När kod kan genereras snabbare än jag hinner formulera problemet förskjuts frågan – inte bara hur man programmerar, utan varför, vilket problem vi vill lösa eller vilket värde vi vill skapa.

Vi har sett liknande skiften förut. Från assembler till högnivåspråk, från manuellt till automatiserat, från lågnivådetaljer till högre abstraktioner. Som jag ser det är AI samma typ av skifte, bara snabbare och större.

Jag tror inte att det är utvecklingen i sig själv som försvinner. Det är silorna och fokusområdena. De gränser som vuxit fram när specialisering och komplexitet gjort det möjligt att stanna i sitt område utan att behöva förhålla sig till helheten. I många organisationer är det dessutom så det är tänkt att fungera; utvecklaren plockar nästa Jira-kort, kravspecen kommer från ett håll och arkitekturen från ett annat. Det är inte nytt tänkande att ifrågasätta det. Domändriven design har i grunden alltid handlat om att förstå varför man bygger något, inte bara hur (Eric Evans, Domain-Driven Design , 2003). Men när AI tar hand om mer av det mekaniska blir frågan svårare att ducka för.

Lärandet förändras också

Förr kom förståelse ofta ur friktion – man fastnade, kämpade sig igenom och lärde sig på vägen. Jag som många andra har vandrat hem med tunga utvecklingsböcker och plöjt en uppsjö av tutorials utan att hitta exakt det jag sökte. Nu kan jag få ett svar på tio sekunder. Det gör mig snabbare, men inte automatiskt bättre. Jag måste vara mer medveten om att förstå varför något fungerar, inte bara att det gör det. Det kräver lite mer av mig än det kanske gjorde förut.

Det finns en sida av det här som jag inte vill missa. Att ha tillgång till AI är på många sätt fantastiskt – som att ha en lärare och kollega tillgänglig dygnet runt, en som kan förklara, exemplifiera och tålmodigt gå igenom samma sak en gång till utan att bli trött på att du inte fattade första gången. Det är något som tidigare var förbehållet de få som hade rätt nätverk eller råd att betala för det.

Det öppnar upp på sätt vi kanske inte pratar tillräckligt mycket om. Jag är själv dyslektiker. Länge har det inneburit en extra tröskel – inte för att tankarna saknas, utan för att få dem att landa rätt på papper. Med AI kan jag fokusera på vad jag faktiskt vill säga och sedan låta verktyget hjälpa till med hur det formuleras så att det blir begripligt för andra. Vissa kanske kallar det fusk. Jag ser det som att använda rätt verktyg för rätt sak – att lägga energin där den gör störst nytta. Om AI används för att undvika lärande är det sällan verktygets fel. Det handlar om hur man väljer att använda det.

Vem som egentligen är i riskzonen

Förändringen påverkar inte bara hur vi jobbar – den påverkar hur många händer som behövs. Min bild är att om en person med AI-stöd kan producera det som tidigare krävde till exempel tre utvecklare, minskar inte behovet av utvecklare som profession – WEF:s Future of Jobs Report 2025 listar faktiskt mjukvaruutvecklare som fjärde snabbast växande yrke globalt. Men behovet av den som enbart skriver rader gör det (McKinsey Global Institute, A New Future of Work , 2024).

Som jag tolkar det ligger de roller som är mest utsatta bland de som bygger på repetitiva, lätt specificerade uppgifter. Det som växer i värde är förmågan att förstå varför systemet finns, vad det faktiskt ska lösa och vad som händer när det inte gör det – när produktionssystemet ligger nere klockan tre på natten, kunderna inte kan logga in och någon måste förstå tillräckligt mycket för att både felsöka och förklara. Det är inte kod AI skriver som avgör den stunden. Det är omdömet hos den som sitter vid tangentbordet.

Det är nog därför min bakgrund känns rätt just nu. Sexton år som utvecklare och tio år i ledarskap är inte två separata spår – det är en kombination som blir mer intressant när AI förskjuter värdet från kodproduktion mot omdöme, riktning och förståelse.

Vad jag håller på med just nu

Som ett konkret experiment byggde jag nyligen en Python-app med hjälp av Anthropics API – ett verktyg för att granska och jämföra avtal, identifiera risker och avgöra vilket av två avtal som är mest fördelaktigt. Det som slog mig var inte hur svårt det var att komma igång, utan hur annorlunda jag tänkte. Fokus låg inte på programmeringsdetaljerna utan på vad jag egentligen ville att appen skulle producera. Vilket problem den skulle lösa. Vilken fråga den faktiskt svarade på.

Det är en liten men märkbar förskjutning. Och jag tror att det är precis den förskjutningen som blir viktigare framöver.

Känner du igen någon av de här tankarna – om lärandet, om rollen, om vart branschen är på väg?