Så kvalitetssäkrar vi kod i AI-eran
Joakim Gudmunds
Utvecklare

Granskningen har blivit flaskhalsen
För bara ett år sedan var det att skriva kod som tog mest tid. Idag skriver våra utvecklare kod tillsammans med AI-assistenter, och tempot och produktionsmöjligheterna har ökat enormt. Men betydligt mer kod på kortare tid betyder också mer kod att granska och kvalitetssäkra. Oavsett om koden är skriven av en människa eller av AI har kodgranskningen precis som tidigare en viktig funktion att fylla. Det är här många buggar förebyggs och säkerhetsrisker upptäcks. I en e-handel kan en missad bugg få stora konsekvenser där köpflöden kan brista, priser bli fel eller till och med göra webbplatsen oåtkomlig.
För att kunna hålla det högre tempot utan att kompromissa med kvaliteten, har vi byggt om våra granskningsflöden helt den senaste tiden.
Second opinion, fast för kod
Även om Claude har blivit vår bästa vän när det kommer till AI-assisterad utveckling på Motillo så behövs andra ögon på koden. På samma sätt som man inom vården ber om en second opinion från en kollega som gör en oberoende bedömning, så kan olika AI-modeller också se saker från olika vinklar. Två granskningar från samma AI-modell har en tendens att missa samma saker, eftersom de har samma blinda fläckar.
Därför ser vårt flöde ut så här:
- Utvecklaren producerar koden, med AI som stöd.
- Utvecklaren kör tester och en första AI-granskning innan koden lämnas över. Vi använder primärt Claude från Anthropic, med instruktioner anpassade efter varje projekt och plattform.
- En andra, oberoende granskning körs av en annan modell från en annan leverantör. Här fångas ofta saker upp som den första granskningen missade.
- En utvecklare i teamet går igenom förändringarna och bedömer också AI:ns kommentarer innan något går live på kundens webbplats.
Stora delar av detta flöde körs idag helt automatiskt.
AI:n föreslår, människan bestämmer
AI är bra på att hitta mönster och missar, men den har inte alltid rätt. Därför har vi även byggt in ett enkelt sätt för teamet att säga till när granskningen träffar rätt och när den har fel. Den återkopplingen använder vi för att förbättra granskningen över tid, så att den blir mer träffsäker för just våra projekt.







