Copilot, en kodeassistent utviklet av Microsoft-støttede GitHub ved hjelp av OpenAI sine store språkmodeller, ble lansert i 2022 og brukes nå av millioner av utviklere over hele verden. I tillegg er mange brukere avhengige av generelle AI-chatboter som Claude, ChatGPT og Gemini for ulike oppgaver. Alphabets administrerende direktør Sundar Pichai nevnte i et inntjeningsanrop at AI nå genererer over en fjerdedel av ny kode hos Google, noe som gjør ingeniørene mer effektive. Andre teknologiselskaper forventes å følge etter, ettersom nye oppstartsselskaper som Zencoder, Merly, Cosine, Tessl og Poolside dukker opp i AI-kodingsektoren, og kjemper om markedsandeler. Analytikere bemerker at utviklere ser ut til å være åpne for å betale for kopilotverktøy. Disse nye oppstartene har som mål å forbedre generative kodeassistenter utover bare autokomplettering. De kan nå prototype, teste og feilsøke kode, noe som potensielt lar utviklere fokusere mer på tilsyn snarere enn direkte koding. Mange tror at disse fremskrittene kan føre til kunstig generell intelligens (AGI) gjennom koding. Korrekthet innen programvareutvikling omfatter to aspekter: syntaktisk korrekthet, som sikrer at kode kjører uten feil, og funksjonell korrekthet, som sikrer at koden utfører den tiltenkte oppgaven. Neste generasjon av kodeassistenter har som mål å forbedre ikke bare kodegenerering, men også resonnementet bak skapelsen av den koden. Effektiv trening av modeller krever en detaljert forståelse av kodeprosessen, ikke bare kodeprøver. Zencoder fokuserer på kontekstuell relevans når de analyserer kodebaser, mens Cosine samler inn data om koderes tankegang, som kartlegger de typiske trinnene som tas for å produsere kode.

Poolside bruker en metode som kalles forsterkningslæring fra kodeeksekvering (RLCE) for å optimalisere kodegenerering. Cosine og Poolside henter inspirasjon fra DeepMind sitt AlphaZero, som bruker prøving og feiling i koding for å forbedre modellene sine. Mens Cosine tilpasser eksisterende modeller, bygger Poolside en ny, spesialisert modell. Cosine hevder at modellen deres overgår andre i kodebenchmarker, mens Poolside fortsatt er under utvikling, men viser lovende tidlige resultater. Derimot avviser Merlys tilnærming store språkmodeller, og fokuserer i stedet på de logiske fundamentene for programmering ved å bruke en mellomliggende representasjon av kode som fanger dens underliggende struktur. Denne metoden søker å forbedre logisk resonnement i kodegenerering. Fremveksten av disse AI-verktøyene kan endre rollene i programvareutvikling, noe som gjør det mulig for team å produsere programvare mer effektivt. Kodeassistenter som Cosines Genie kan håndtere feilrettinger og andre oppgaver, noe som lar ingeniører overvåke flere prosesser samtidig, og dermed endrer tradisjonelle arbeidsmetoder. Etter hvert som AI-kodeteknologien utvikler seg, kan en ny hierarki av programvareingeniører oppstå, med elite roller som har ansvar for å overvåke AI-generert kode, mens mindre team håndterer overordnede oppgaver. Denne transformasjonen ligner på de endringene minibanker brakte til banksektoren. For noen, som Gottschlich fra Merly, krever skapelsen av avanserte programvaresystemer AI som kan kode uavhengig. Han kritiserer ideen om at mennesker skal hjelpe AI, og argumenterer for at det motsatte bør være tilfelle. Generelt er spenningen knyttet til generative kodeassistenter ledsaget av ambisjoner om større utviklinger innen AI, ettersom selskaper ser for seg verktøyene sine som skritt mot å oppnå AGI. Når landskapet innen programvareutvikling utvikler seg, omformer disse verktøyene rollene og arbeidsflyten til programvareutviklere, noe som varsler en spennende, men usikker fremtid i feltet.