Insights AI
Att bygga för en era av agentbaserad kodning: Hur infrastrukturen anpassas till autonoma utvecklare
Podd · Lyssna (19 min)
Supabase Says 70% of Its New Users Aren't Human | AI Explained
Innehåll
- Flaskhalsen: Infrastruktur utformad för människor i en agentdriven värld
- Så fungerar agentcentrerad infrastruktur: En stegvis plan
- Steg 1: Programmatisk provisionering
- Steg 2: Agentoptimerade gränssnitt
- Steg 3: Automatiserad livscykelhantering
- Intuitiv liknelse: Byggande efter ritning kontra automatiserad utskrift av mikrolägenheter
- Vad som verkligen är nytt: Förflyttningen från ”hur man bygger” till ”vad man ska bygga”
- Ekonomisk och strategisk påverkan: Produkter, bransch och slutanvändare
- För produktteam
- För AI- och molnbranschen
- För vanliga användare
- Begränsningar, risker och öppna tekniska frågor
- Nyckeltal
- Vad skulle förändra denna bild
- Källförteckning
När agenter med artificiell intelligens (AI) i allt högre grad tar över det huvudsakliga genomförandet av programvaruutveckling genomgår den grundläggande utvecklarinfrastrukturen en strukturell omvandling för att tillgodose autonoma, icke-mänskliga utvecklare. Supabase, en PostgreSQL-plattform (Postgres) med öppen källkod, har aktivt omarbetat sin infrastruktur kring AI-agenter, som nu genererar ungefär 70% av all ny aktivitet på plattformen. Denna övergripande förflyttning mot agentbaserad programvaruutveckling gör skräddarsydd, ytterst specifik personlig programvara lika vanlig och tillfällig som personliga textdokument eller kalkylblad, samtidigt som den omdefinierar programvaruutvecklingens centrala värdedrivare från tekniskt genomförande (”att veta hur man bygger”) till domänkunskap och produktvision (”att veta vad man ska bygga”).
Flaskhalsen: Infrastruktur utformad för människor i en agentdriven värld
Traditionell infrastruktur för programvaruutvecklare utformades utifrån människors fysiska arbetstakt och kognitiva begränsningar. Äldre databasplattformar, kontrollpaneler för molnhantering och utvecklingsverktygskedjor förutsatte en mänsklig operatör framför en skärm – som manuellt konfigurerade miljöer, utformade databasscheman, körde kommandoradsskript och granskade applikationsprogrammeringsgränssnitt (API:er). Dessa människocentrerade arbetsflöden hade i grunden en långsam och metodisk arbetstakt, präglad av manuell felkorrigering, navigering i visuella gränssnitt och utvecklingscykler som sträckte sig över flera veckor.
Att anpassa äldre infrastruktur till autonoma AI-agenter innebär stora tekniska utmaningar. Till skillnad från mänskliga utvecklare, som interagerar med plattformar via grafiska konsoler eller genom medveten skriptkörning, startar, frågar, ändrar och avvecklar AI-agenter bakomliggande tjänster programmatiskt i extrema volymer och med nästan omedelbar hastighet. Traditionella databasplattformar möter operativa flaskhalsar när de utsätts för dessa icke-mänskliga arbetsbelastningar: manuella konfigurationsflöden stannar upp, anropsbegränsningar avsedda för människor utlöses för tidigt och visuella kontrollpaneler blir irrelevanta när ingen människa navigerar i användargränssnittet.
Under ett framträdande i Y Combinators podd om nystartade företag den 30 oktober 2026 (på kanalen Lightcone med Garry, Harj och Jared som värdar) beskrev Supabases medgrundare och verkställande direktör Paul Copplestone hur hans plattform identifierade denna genomgripande operativa omsvängning. När autonoma programvaruagenter snabbt blev den primära användartypen i hela ekosystemet konstaterade Supabase att det inte längre var hållbart att behandla agentinteraktioner som enkla automatiserade skript. Ur ett analytiskt perspektiv belyser dessa empiriska data en bredare strukturell verklighet: bakomliggande teknikstackar måste omkonstrueras i grunden för att optimeras för programmatiskt, icke-mänskligt genomförande snarare än manuell inmatning.
Så fungerar agentcentrerad infrastruktur: En stegvis plan
För att ge AI-agenter ställning som primära användare omarbetar utvecklarplattformar sina arkitekturer kring en operativ plan i tre steg, utformad för autonomt genomförande.
Steg 1: Programmatisk provisionering#
I ett agentcentrerat paradigm är databaskonfigurationen helt frikopplad från mänskliga användargränssnitt. Agenter initierar fullt konfigurerade databasinstanser programmatiskt via maskinläsbara ändpunkter. I stället för att en mänsklig utvecklare navigerar i webbformulär för att välja molnregioner, tilldela lagring och ange miljövariabler utfärdar en AI-agent automatiserade API-direktiv som provisionerar kompletta Postgres-instanser på millisekunder.
Steg 2: Agentoptimerade gränssnitt
När de bakomliggande tjänsterna har provisionerats måste databaslagret tillhandahålla gränssnitt som är specifikt optimerade för stora språkmodeller (LLM:er) och autonoma agenter. Plattformar implementerar servrar för Model Context Protocol (MCP), självbeskrivande OpenAPI/Swagger-scheman och strukturerade JSON-loggningssystem parallellt med traditionella API:er. Dessa maskinanpassade abstraktioner gör det möjligt för agenter att direkt granska schemaarkitekturer, skriva giltig frågelogik, genomföra schemamigreringar och tolka felloggar från körning utan att behöva visuella verktyg eller mänsklig vägledning.
Steg 3: Automatiserad livscykelhantering#
Autonoma kodningsflöden genererar mycket föränderliga infrastrukturmönster som kännetecknas av kortlivade, uppgiftsspecifika arbetsbelastningar. Agentcentrerad infrastruktur måste hantera högfrekventa livscykelhändelser – inklusive automatiserad skalning, omedelbar tillfällig databaskloning för isolerad funktionstestning och snabb avveckling när en agent har slutfört en uppgift. Infrastrukturplattformar måste upprätthålla systemstabilitet och beräkningseffektivitet samtidigt som de hanterar ständiga skapande- och raderingscykler som drivs av automatiserade system.
Intuitiv liknelse: Byggande efter ritning kontra automatiserad utskrift av mikrolägenheter
För att förstå denna strukturella utveckling kan man jämföra konventionellt bostadsbyggande med automatiserad modultillverkning: * Traditionell databashantering liknar att skräddarsy ett bostadshus. Arkitekter tar fram fysiska ritningar för mänskliga boende, och entreprenörer monterar manuellt stomme, rör och elledningar under flera månader. Varje steg är beroende av människors fysiska arbetstakt och manuell kontroll. * Agentbaserad provisionering fungerar som en automatiserad fabrik som omedelbart skriver ut modulära mikrolägenheter på begäran när en algoritm efterfrågar utrymme. Enheterna genereras kontinuerligt, anpassas omedelbart utan mänskligt manuellt arbete och monteras sömlöst ned så snart utrymmet inte längre behövs.
Vad som verkligen är nytt: Förflyttningen från ”hur man bygger” till ”vad man ska bygga”
Övergången till agentbaserad kodning innebär ett kvalitativt brott med tidigare rörelser för demokratisering av programvara, såsom plattformar med lite eller ingen kod. Tidigare verktyg med lite kod fokuserade på att abstrahera bort komplex syntax genom att ge mänskliga användare visuella dra-och-släpp-gränssnitt eller förenklade grafiska kontroller. Den operativa flaskhalsen kvarstod dock: människor behövde fortfarande manuellt kartlägga logiska arbetsflöden, koppla samman visuella komponenter och sätta ihop applikationer steg för steg.
Det grundläggande genombrottet i den agentbaserade eran ligger i att genomförandet delegeras fullständigt. Programvaruutveckling har gått från att människor skriver kod eller använder visuella utvecklingsverktyg till att autonoma agenter utför den tekniska utvecklingen från början till slut utifrån avsikter uttryckta på naturligt språk.
+-----------------------------------------------------------------------+
| EVOLUTION OF BUILDING |
+-----------------------------------------------------------------------+
| TRADITIONAL CODING | Low-Code / No-Code | AGENTIC CODING ERA |
| Human writes code | Human uses drag-and-| Agent executes end-to-end |
| line-by-line. | drop interfaces. | development autonomously. |
+--------------------+---------------------+----------------------------+
| Focus: | Focus: | Focus: |
| "How to build" | "How to build" | "What to build" |
| (Syntax & Code) | (Visual Workflows) | (Domain Vision & Intent) |
+-----------------------------------------------------------------------+
Denna strukturella förändring ligger till grund för Paul Copplestones vision om ”personlig programvara”. Historiskt har programvaruutveckling krävt betydande kapital eller specialiserat utvecklingsarbete, vilket begränsat applikationsskapandet till breda, standardiserade produkter utformade för stora målmarknader. I den agentbaserade eran närmar sig marginalkostnaden och tidsåtgången för att generera fungerande programvara noll.
Följaktligen blir starkt individanpassade applikationer lika allmänt förekommande, tillfälliga och förbrukningsbara som personliga textdokument eller kalkylblad. En finansanalytiker som förbereder en kvartalsrevision kan exempelvis instruera en agent att bygga en applikation för engångsavstämning av data, med en kortlivad Postgres-instans som stöd. Agenten provisionerar databasen, läser in olikartade leverantörsfakturor, kör avstämningsskript och presenterar revisionsrapporten. När analysen är klar avvecklar hela applikationsstacken och den bakomliggande instansen sig själva, efter att ha fyllt sitt specifika syfte.
Därmed genomgår värdet av mänskligt arbete inom programvaruutveckling en strategisk omfördelning. Tekniska implementationsdetaljer – ”hur man bygger” – tas över av agentoptimerad infrastruktur och AI-modeller. Den avgörande konkurrensfördelen förskjuts helt till domänkunskap, problemdefinition, produktintuition och utformning av användarupplevelser – ”vad man ska bygga”.
Ekonomisk och strategisk påverkan: Produkter, bransch och slutanvändare
Omställningen av infrastrukturen kring autonoma utvecklare skapar systemiska följdeffekter för tre centrala intressentgrupper inom tekniksektorn:
För produktteam
Produktiterationscykler komprimeras från funktionsinriktade utvecklingsperioder på flera veckor till operativa cykler som varar i minuter. Utvecklingsteam lägger betydligt mindre kapacitet på att manuellt skriva rutinmässig kod för bakomliggande tjänster, genomföra schemamigreringar eller konfigurera rutinmässiga API:er. I stället använder produktchefer och utvecklare agenter för att snabbt ta fram prototyper, testa och driftsätta funktioner. Detta möjliggör ytterst individanpassade användarupplevelser, där skräddarsydda programvarufunktioner kan genereras i realtid för att stödja enskilda användares arbetsflöden.
För AI- och molnbranschen
För molnleverantörer och databasplattformar förändras användningsmönstren för bakomliggande tjänster dramatiskt från mänskligt initierade åtgärder till automatiserade operationer i stora volymer. När AI-agenter står för merparten av databasprovisioneringen upplever infrastrukturplattformar massiva, automatiserade användningstoppar, där miljontals mikrodatabaser kontinuerligt startas, frågas och avvecklas.
Ur ett investerings- och enhetsekonomiskt perspektiv förändrar denna förskjutning molnleverantörernas marginalprofiler. Traditionella förutsägbara abonnemangsmodeller för programvara som tjänst (SaaS), baserade på antal användarplatser, ersätts av användningsbaserad mätning anpassad till kontinuerlig resursförbrukning i högt tempo. Molnleverantörer som optimerar sin infrastruktur för agent-API:er med låg latens, automatiserad schemastyrning och omedelbar instansprovisionering har förutsättningar att ta den dominerande marknadsandelen av den icke-mänskliga efterfrågan på beräkningskapacitet.
För vanliga användare
Yrkesverksamma utan teknisk bakgrund och sakkunniga inom verksamheten förvandlas till direkta programvaruskapare. Genom att kombinera avsikter uttryckta på naturligt språk med agentbaserade plattformar för bakomliggande tjänster kan individer bygga skräddarsydda nyttoapplikationer utan formell utbildning i datavetenskap. Domänexperter kan omedelbart lösa specifika produktivitetsutmaningar genom att generera anpassade programvaruverktyg som exakt motsvarar deras omedelbara verksamhetsbehov.
Begränsningar, risker och öppna tekniska frågor
Även om förflyttningen mot agentbaserad infrastruktur öppnar stora operativa möjligheter medför hanteringen av plattformar där autonoma agenter genererar merparten av aktiviteten tekniska risker och olösta styrningsfrågor.
- Plattformstillförlitlighet och dataintegritet: Som dokumenterats i Supabases plattformsdata genererar AI-agenter nu ungefär 70% av den nya aktiviteten. Denna stora volym av icke-mänsklig drift medför systemiska risker avseende skadade scheman, oavsiktlig frågekörning och försämrad prestanda. Autonoma agenter som arbetar utan mänsklig tillsyn kan snabbt sprida ineffektiva frågestrukturer eller bristfälliga migreringsskript över tusentals molnmiljöer samtidigt.
- Styrning och integritetskontroller: Hanteringen av säkerhetsparametrar, åtkomstkontrollistor och efterlevnad av dataskyddskrav blir avsevärt mer komplex när databaser provisioneras automatiskt i stor skala (över 1 miljon nya instanser per vecka). Att upprätta robusta skyddsräcken för att säkerställa att agenter inte oavsiktligt exponerar känsliga data eller felkonfigurerar policyer för säkerhet på radnivå (RLS) är fortfarande en stor teknisk utmaning.
- Kostnadshantering och resursallokering: Det högfrekventa skapandet och avvecklandet av bakomliggande tjänster riskerar att skapa resursallokeringsproblem för både infrastrukturleverantörer och plattformskunder. Utan automatiserade livscykelregler och kraftfull återvinning av inaktiva instanser kan övergivna databaser skapade av agenter leda till slöseri med molnresurser och oväntade kostnadsöverskridanden.
- Mognad kontra överdriven uppmärksamhet: Infrastrukturanalytiker måste skilja mellan dokumenterade operativa plattformsmått och spekulativa branschprognoser. Även om den stora volymen agentinitierad databasprovisionering är en etablerad verklighet på plattformar som Supabase, är den långsiktiga ekonomiska stabiliteten och företagens användning av modeller för tillfällig ”personlig programvara” fortfarande framväxande paradigm som kräver löpande utvärdering under verkliga operativa belastningar.
För att fördjupa din förståelse av dessa strukturella förändringar välkomnar vi dig att utforska fler analyser med öppen tillgång på DeepValues Researchs webbplats eller att prova DeepValues-appen.
Nyckeltal#
Följande grundläggande mätvärden beskriver plattformens skala, operativa volym och agentaktivitet och har hämtats direkt från källmaterialet:
- Supabases totala användarbas: 13 miljoner användare (per den 30 oktober 2026).
- Antal skapade databaser per vecka: Mer än 1 miljon databaser startas varje vecka (per den 30 oktober 2026).
- Andel agentbaserad aktivitet: Ungefär 70% av den nya aktiviteten på Supabase kommer från AI-agenter (per den 30 oktober 2026).
- Poddavsnittets längd: 49 minuter (publicerat den 30 oktober 2026).
Vad skulle förändra denna bild
Den långsiktiga analytiska utvecklingsbanan för agentbaserad infrastruktur beror på flera föränderliga tekniska, regulatoriska och ekonomiska variabler. Denna strategiska bedömning skulle förändras väsentligt av följande observerbara utvecklingar:
- Förändringar i andelen agentbaserad aktivitet: En varaktig minskning eller betydande ökning av den andel på ~70% av plattformsaktiviteten som genereras av AI-agenter skulle signalera förändringar i utvecklarnas användning, modellernas tillförlitlighet eller gränserna för agenternas autonomi.
- Framväxt av agentspecifika säkerhetsregler: Införandet av regelverk eller efterlevnadskrav som specifikt begränsar autonoma AI-agenters åtkomst till molndatabaser skulle kunna tvinga infrastrukturleverantörer att begränsa automatiserade arbetsflöden för resurstilldelning.
- Förändrad enhetsekonomi i molnet: Om skapandet och avvecklingen av kortlivade databaser i stora volymer leder till negativa marginaler eller instabilitet i nätverket kan molnplattformar tvingas omstrukturera prissättningsmodellerna för automatiserade agentarbetsbelastningar.
- Standardisering av protokoll mellan agenter och databaser: En utbredd användning i branschen av standardiserade protokoll för interaktion mellan agenter och databaser över molngränserna—som sträcker sig bortom Postgres till proprietära molnekosystem för företag—skulle kunna påskynda integrationen av infrastruktur i det bredare tekniklandskapet.
Källförteckning
- "What Happens When Everyone Can Build Software," Y Combinator Startup Podcast (featuring Paul Copplestone, hosted by Garry, Harj, and Jared on the Lightcone), published October 30, 2026.
Se
Källänkar
- What Happens When Everyone Can… - Y Combinator Startup Podcast - Apple Podcasts
Se & lyssna
- Supabase Says 70% of Its New Users Aren't Human YouTube · EN
- Supabase每週增百萬資料庫,七成活動不是人類 YouTube · 中文
- Supabase Says 70% of Its New Users Aren't Human | AI Explained Podd · EN
- Supabase每週增百萬資料庫,七成活動不是人類|AI 前沿 Podd · 中文