Mittuniversitetet

Detta examensarbete undersöker hur olika AI-verktyg kan användas för att effektivisera mjukvaruutveckling. Studien genomfördes med utgångspunkt i tre forskningsfrågor: vilka AI-verktyg som lämpar sig bäst för mjukvaruutveckling, hur kodkvalitet skiljer sig mellan dessa i form av läsbarhet och kommentarer, samt vilka arbetsmetoder och regler som kan optimera användningen. Arbetet avgränsades till tre AI-verktyg, Cursor, Windsurf och Claude Code. Dessa testades i identiska utvecklingsscenarier med varierande promptkvalitet och med och utan regler. Resultaten visar att Claude Code presterade bäst överlag, särskilt vad gäller effektivitet och läsbarhet i koden. Det framgår också att detaljerade promptar och tydliga regler signifikant förbättrar resultatet oavsett verktyg. Däremot visade alla AI-verktyg begränsningar vid mer komplexa uppgifter där djupare förståelse krävs, vilket pekar på vikten av fortsatt mänskligt översikt i utvecklingsprocessen. Studien föreslår att AI bör användas som ett komplement snarare än en ersättning, och att ett strukturerat arbetssätt med AI kan bidra till ökad effektivitet och kvalitet.

This thesis investigates how different AI tools can be used to improve the efficiency of software development. The study is based on three research questions: which AI tools are most suitable for software development, how the code quality differs between them in terms of readability and documentation, and which working methods and rules increase the efficiency of their use. The work was limited to three AI tools, Cursor, Windsurf, and Claude Code. They were tested across identical development scenarios with varying prompt quality and rule application. The results show that Claude Code performed best overall, especially in terms of efficiency and readability. The results also highlight that detailed prompts and clearly defined rules significantly improve the outcome regardless of the tool. However, all tools showed limitations when handling complex tasks that require deeper understanding, underlining the continued importance of human oversight. The study concludes that AI should be used as a complement rather than a replacement and that a structured approach to AI integration can contribute to improved efficiency and code quality.