Cloud-baserede AI-kodeværktøjer dominerer markedet. GitHub Copilot, Claude Code, Cursor - de fleste udviklere sender i dag deres kode gennem en tredjeparts API for at få AI-assistance. Men en voksende bevægelse insisterer på at holde alt lokalt. Begrundelserne varierer fra privatlivshensyn til økonomi, men resultatet er det samme: et økosystem af værktøjer der nu gør det muligt at køre autonome AI-kodeagenter på egen hardware. Senest er Claw-Coder dukket op på Hacker News - et værktøj der kombinerer knowledge graphs, RAG og Docker-validering, alt kørende lokalt. Det er ikke et enkeltstående projekt. Det er del af en bredere tendens.
Modellerne der driver det
For et år siden var lokale kodemodeller en kompromis-løsning. I dag er billedet anderledes. Open source-modeller er nået et niveau hvor de håndterer reelle kodningsopgaver uden konstant at hallucere eller miste kontekst.
Qwen3-Coder fra Alibaba er et af de mest interessante eksempler. 30B-varianten har kun 3,3 mia. aktive parametre takket være mixture-of-experts arkitektur, men leverer resultater der matcher langt større modeller. Den er trænet på 7,5 billioner tokens med 70 procent kode og understøtter op til 256K tokens kontekst nativt - nok til at arbejde med hele repositories. Den kører fint via Ollama eller LM Studio på en maskine med 20 GB hukommelse.
DeepSeek V3 er en anden stærk kandidat. Open source, veldokumenteret og med solid performance på kodningsopgaver. Llama 4 Scout fra Meta tilbyder en mere kompakt profil der passer til maskiner med begrænset hardware.
Microsofts Phi-serie fortjener også opmærksomhed. Phi-4 er en lille model der overrasker med hvad den kan i kodekontekst, særligt til autocompletion og korte refactoring-opgaver. Den er designet til at køre på hardware helt ned til bærbare computere uden dedikeret GPU.
Tommelfingerreglen i dag er at 8B-modeller er brugbare til kodning med menneskelig oversigt. Ved 32B og derover begynder modellerne at fungere som autonome agenter der selv kan planlægge, udføre og validere ændringer. Det er et markant skift fra hvor vi var for blot et år siden, som udviklingen af Qwen-modellerne også illustrerer.
Værktøjerne
Modellerne alene er ikke nok. Det er værktøjslaget ovenpå der afgør om lokal AI-kodning er praktisk brugbar.
- Claw-Coder bygger en knowledge graph over kodebasen for at forstå relationer mellem filer, klasser og funktioner. Den bruger RAG til at hente relevant kontekst og kører genereret kode i Docker-containere for at validere at det faktisk virker. Alt sker lokalt.
- Aider er et CLI-baseret værktøj med over 13.000 commits og aktiv udvikling. Det understøtter mere end 100 programmeringssprog, har indbygget git-integration med automatiske commits og kan kobles til lokale modeller. Codebase mapping giver det overblik over større projekter.
- Continue.dev er en open source-extension til VS Code og JetBrains der fungerer som en lokal Copilot-erstatning. Den understøtter Ollama og andre lokale model-backends og giver autocompletion, chat og inline-redigering.
- Foundry Local er Microsofts svar på lokal AI i VS Code. Via AI Toolkit kan udviklere køre Phi og Qwen-modeller lokalt med en Copilot-lignende oplevelse, uden at data forlader maskinen.
- Goose er en open source-agent fra Agentic AI Foundation under Linux Foundation. Bygget i Rust, understøtter 15+ AI-udbydere inklusive Ollama, og kan installere, eksekvere, redigere og teste kode - ikke bare foreslå ændringer.
Fælles for alle er at de arbejder med den lokale filsystem og kan fungere helt uden internetforbindelse når først modellen er downloadet.
Hvornår lokal slår cloud
Der er fire scenarier hvor lokale AI-kodeagenter har en klar fordel.
Det første er privatliv og GDPR. Kode der sendes til en cloud-API forlader virksomhedens kontrol. For organisationer med følsom kode - finanssektoren, sundhed, forsvarsrelateret udvikling - er det et reelt problem. Lokale modeller eliminerer det fuldstændigt.
Det andet er økonomi. API-kald til GPT-4 eller Claude koster penge pr. token. En udvikler der bruger AI-assistance intensivt kan nemt generere en månedlig regning på 1.500-3.000 DKK. En lokal model koster strøm og den initiale hardware-investering, men herefter er marginalomkostningen tæt på nul.
Det tredje er tilgængelighed. Cloud-tjenester har nedbrud. OpenAI, Anthropic og Google havde tilsammen mindst seks dokumenterede nedbrud i 2025-2026. En lokal model kører uanset hvad der sker med tredjeparts-infrastruktur.
Det fjerde er hastighed for simple opgaver. Netværkslatens forsvinder. For autocompletion og korte forslag kan en lokal model føles hurtigere end en cloud-model, selv om den er mindre kapabel.
Men det er vigtigt at være ærlig om begrænsningerne. Cloud-modeller er stadig markant bedre til komplekse opgaver: store refactorings, arkitekturbeslutninger, fejlfinding i ukendt kode. Kontekstvinduet og ræsonneringsevnen i de største cloud-modeller overgår hvad der kan køre lokalt. Den praktiske tilgang for de fleste er en hybrid - lokal til det daglige, cloud til det komplekse.
Arkitekturen bag lokale agenter
Lokale AI-kodeagenter er mere end en model med en terminal. De bedste kombinerer tre komponenter for at kompensere for at lokale modeller er mindre end deres cloud-modstykker.
RAG - retrieval-augmented generation - løser kontekstproblemet. I stedet for at proppe hele kodebasen ind i modellens kontekstvindue henter RAG-laget kun de relevante filer og funktioner baseret på den aktuelle opgave. Det er samme princip som bruges i dokumentsøgning med AI, bare anvendt på kode.
Knowledge graphs tilføjer strukturel forståelse. Hvor RAG finder relevante tekststykker, kortlægger en knowledge graph relationer: hvilke funktioner kalder hvilke, hvilke klasser arver fra hinanden, hvilke filer ændres sammen. Det giver agenten en forståelse af kodebasen der ligner en erfaren udviklers mentale model.
Docker-sandboxing er det tredje lag. Genereret kode køres i en isoleret container for at verificere at den faktisk kompilerer, består tests og ikke bryder eksisterende funktionalitet. Det er forskellen mellem en agent der foreslår kode og en der leverer valideret kode.
Denne arkitektur er ikke unik for lokale agenter - cloud-værktøjer bruger lignende teknikker. Men for lokale agenter er den afgørende, fordi den kompenserer for den mindre model ved at give den bedre kontekst og validering. De teams der strukturerer deres kodebaser rigtigt får markant bedre resultater, uanset om agenten kører lokalt eller i skyen.
Hvad det betyder fremadrettet
Markedet for on-device AI er vurderet til omkring 75 mia. DKK i 2025 og forventes at vokse til over 500 mia. DKK i 2033. Det er ikke kun kodeagenter - det inkluderer alt fra edge-inferens til on-device assistenter - men kodning er en af de mest modne anvendelser.
For virksomheder med følsom kode er lokal AI allerede et realistisk alternativ til cloud-baserede værktøjer. Ikke som en komplet erstatning, men som et lag der håndterer den daglige kodningsassistance uden at data forlader organisationen.
De næste 12 måneder vil sandsynligvis bringe to ting: modeller der er endnu mere kapable i kompakte størrelser, og værktøjer der gør opsætningen triviel. Når en udvikler kan installere en lokal kodeagent lige så nemt som en VS Code-extension - og det er vi tæt på - forsvinder den sidste barriere for adoption.
