December 2025 – Januar 2026
År skiftede, og ordforrådet skiftede med det. Jeg var ikke længere vibe coding — jeg lavede agentic development. Forskellen betød mere end det lyder.
Det Nye Paradigme
Vibe coding var interaktivt. Du beskrev, AI'en byggede, du justerede. Som pair programming hvor en partner er umuligt hurtig og aldrig bliver træt. Sjovt, produktivt, men fundamentalt begrænset af en constraint: du var nødt til at være i loopet for hver beslutning.
Agentic development fjernede den constraint. AI'en udførte ikke bare opgaver — den planlagde dem, testede dem, evaluerede resultaterne, og itererede. Din rolle skiftede fra "co-driver" til "arkitekt." Du sætter destinationen og guardrails. AI'en kørte.
Jeg markerede denne transition med et simpelt LinkedIn opslag: "Agentic Development i 2026." Ingen forklaring nødvendig. Hvis du havde fulgt med, forstod du. Hvis du ikke havde, var opslaget nok uden mening. Det var okay.
.NET Aspire: Det Agent-Ready Framework
En af de mest impactfulde tekniske opdagelser af denne periode var .NET Aspire. Ikke fordi det var nyt — Microsoft havde været ved at bygge det et stykke tid — men fordi det viste sig at være ved et uheld perfekt for agentic development.
Aspire's killer feature for agenter: det kunne self-diagnose. Når noget fejlede, kunne frameworket fortælle agenten hvad der gik galt, foreslå rettelser, genstarte services, og verificere reparationen. Jeg skrev entusiastisk om det: "Hvis du ikke har fanget hvorfor Aspire er episk — agenten kan finde fejl og fikser dem selv, genstarter services, alt custom kommandoer tilgængelige gennem apphost.cs setup. Blæser sindet."
Min anbefaling var pointeret: "Satse på frameworks fra mennesker der bruger agentic development — de er 10 trin foran alt andet." David Fowler, en af Aspire's arkitekter, byggede klart for en fremtid hvor AI agenter var first-class consumers af hans framework. At følge hans arbejde på Twitter blev en daglig vane.
AI-Drevet Failure Analyse
En konkret implementering fra denne periode som jeg var ægte stolt af: jeg tilføjede et AI-drevet failure analysis trin til mine CI/CD pipelines.
Konceptet var simpel. Når en deployment pipeline fejlede, i stedet for bare at logge en fejl, ville systemet sende failure kontekst til en AI der ville analysere root cause, foreslå rettelser, og i nogle tilfælde anvende dem automatisk og re-run pipelinen.
Det lyder som en lille ting. Det var det ikke. Traditionelle CI/CD fejl kræver at et menneske læser logs, forstår kontekst, identificerer problemet, implementerer en fix, og triggerer en re-run. Det kunne tage minutter eller timer afhængigt af kompleksitet. AI-driven step kollapsede det meste af det til sekunder.
Jeg skrev om det med contained spænding: "🤖 AI-Drevet Failure Analyse — jeg har tilføjet et if-failure step i min pipeline der sender failure data til Claude for analyse." Robot emoji var en sjælden indrømmelse til spænding.
End-to-End Tests: En Ny Kærlighed
Noget jeg ikke forventede: jeg blev ægte passioneret omkring end-to-end testing.
I traditionel udvikling er e2e tests grøntsagerne af software engineering. Alle ved de er vigtige. Ingen gør det sjovt at skrive dem. De er skrøbelige, langsomme, og smerter at vedligeholde.
Med AI blev at skrive e2e tests næsten sjovt. Jeg kunne beskrive user flow i naturligt sprog, lade AI'en generere test kode, køre den, se hvad der fejlede, iterere. Cyklen der plejede at tage timer tog minutter. Og fordi AI'en kunne generere variationer, kunne jeg dække mere scenarier end jeg ville være generet at skrive manuelt.
Jeg skrev: "End2End tests — jeg er blevet insanely glad for hvordan jeg kan skrive e2e tests og køre dem med Aspire." Kommer fra en developer der traditionelt havde set e2e tests som en nødvendig ond, var det en ægte mindset skift.
De Agentic Live Sessions
I december 2025 startede jeg noget nyt: touge "Agentic Live" sessioner. Hver anden fredag, 8:15 til 9 AM, åbnede jeg et video call og arbejdede på et projekt live, med hvem som helst der ville se og deltage.
Formatet var simpelt og upoleret. Ingen slides. Ingen forberedt demo. Bare mig, Claude Code, og whatever projekt jeg arbejdede på den uge. Nogle gange var det en mobile app. Nogle gange var det infrastruktur. Nogle gange gik ting virkelig galt live på kamera.
Sessionerne tjente flere formål. De forcerede mig til at artikulere min tænkning i realtid. De skabte accountability for at lave progress på faktiske projekter. Og de byggede et lille community af mennesker på samme rejse — developers der figurerede ud hvordan man arbejder med AI agenter, deler opdagelser, og lærer fra hinanden fejl.
Bygge Værktøjer for At Bygge Værktøjer
Et meta-shift skete i denne periode: jeg begyndte at bygge værktøjer for AI-assisteret udvikling, i stedet for bare at bruge dem. Et Claude Code plugin marketplace koncept. Custom skills og kommandoer. Frameworks for hvordan agenter skal interagere med codebases.
Det var øjeblikket hobbydet blev en vocation. Jeg var ikke længere bare en consumer af AI udviklings værktøjer. Jeg tænkte på hvordan disse værktøjer skal virke, hvad der mangler, hvad der kunne være bedre. Perspektivet fra en professionel developer med 20+ år erfaring, kombineret med 12 måneder intensiv AI kodning, producerede idéer der føltes ægte nye.
En idé jeg udforskede: hvad sker der når skills og kommandoer fuserer i Claude Code? Anthropic lavede denne ændring, og jeg havde meninger: "Personligt tror jeg de er to forskellige ting og skal forblive som agentic primitives — men de må vide noget jeg ikke gør. Jeg undrer mig på om det handler om context management."
Villigheden til at være offentlig uenig med platform beslutninger, mens jeg forbliver nysgerrig omkring resoneringen, var ved at blive del af min stemme.
Gemini 3 Og Den Multi-Model Verden
Da Google udgav Gemini 3, eksperimenterede jeg øjeblikkeligt — ikke med flagskib model, men med de billigere varianter. Min thesis fra sommeren holdt stadig: regler og kontekst betød mere end rå model intelligens. Gemini 3 producerede interessante resultater med mine eksisterende prompt frameworks.
Men jeg bemærkede også noget nyt: modellerne udvikler personlighed. Kørende samme prompts gennem forskellige modeller producerede subtilt forskellige outputs — ikke kun i kvalitet, men i stil. Claude var grundig og omhyggelig. Gemini var kreativ og nogle gange overraskende. GPT var selvsikker og nogle gange forkert.
At lære at matche modeller til opgaver var ved at blive sin egen skill. Som at vælge det rigtige værktøj fra en værktøjskasse, bortset fra værktøjerne fik upgraderet hver par uger.
Bølgen Kommer
Jeg endte denne fase med et opslag som jeg tror fangede øjeblikket: "Bølgen kommer — er du klar? :)"
Smileyen tog kanten af, men budskabet var seriøst. Agentic development var ikke en kuriøsitet eller eksperiment længere. Det var en arbejds metodologi der producerede rigtige resultater. Og det var ved at ramme mainstream.
Næste: Bygge Over Købe → — Hvorfor custom software vinder i AI alderen, og hvad det betyder for industrien.
Dette er del 8 af en 10-delt serie der dokumenterer min rejse fra traditionel softwareudvikler til agentic AI udvikler, december 2024 – marts 2026.