JetBrains lancerede i februar 2026 et nyt administrationslag kaldet JetBrains Console, bygget til at give it-afdelinger og udviklingschefer overblik over, hvem der bruger AI i koden, hvad det koster, og hvilke agenter der har adgang til hvad. Den 23. september 2026 blev værktøjet udvidet markant som en del af JetBrains Air, hvor den styrende del nu kaldes Air Governance (tidligere JetBrains Central). For danske og nordiske organisationer, der har rullet Junie, GitHub Copilot eller andre AI-kodeassistenter ud til hundredvis af udviklere uden et klart billede af forbruget, er det her stedet at starte. Denne guide viser trin for trin, hvordan du opsætter JetBrains Console, styrer AI Credits, begrænser adgang til agenter og bygger et simpelt budget-dashboard oven på de data, konsollen leverer.

Hvad er JetBrains Console, og hvorfor findes det

JetBrains Console er en organisationsrettet webtjeneste til at styre, observere og kontrollere AI-brug og -omkostninger på tværs af et udviklerteam. Det er ikke en editor-funktion og ikke noget, den enkelte udvikler installerer. Det er en administrationskonsol, en organisation kobler til sin JetBrains-konto, og som giver administratorer et samlet dashboard over AI-aktivitet i alle tilknyttede IDE’er.

Konsollen samler tre ting, som tidligere lå spredt i licensstyring, support-tickets og regneark: adoption-data (hvem bruger AI, og hvor meget), aktivitetsdata (hvor mange kodeforslag bliver genereret og accepteret) og kreditstyring (hvor mange AI Credits et team eller en bruger har brugt af den delte pulje). Det skete, fordi flere organisationer rapporterede, at de ikke kunne se, om deres investering i AI-licenser faktisk blev brugt, eller om ti procent af udviklerne stod for halvdelen af forbruget.

Siden lanceringen er konsollen vokset til at dække mere end selve IDE’erne. Et ændringslog fra 23. september 2026 viser, at AI Analytics nu også kan filtreres efter kilde: JetBrains IDE’er, JetBrains Air og JetBrains Central CLI. Det betyder, at en administrator kan se, om et kodeforslag kom fra en udvikler, der sad i IntelliJ IDEA, eller fra en agent, der kørte autonomt via kommandolinjen.

Tænk på det som overgangen fra at styre mobiltelefoner uden MDM til at styre dem med et centralt system. Før havde it-afdelingen typisk et regneark med licensnøgler og et par support-tickets om, hvorfor en bestemt udvikler ikke kunne logge ind. Nu findes samme type styring for AI: hvem er aktiveret, hvor meget bruger de, og hvilke agenter må de give adgang til deres kode. Forskellen er, at omkostningen ved AI-forbrug kan svinge meget mere fra uge til uge end en fast mobilabonnementspris, hvilket gør overvågningen mere akut.

Fra JetBrains Central til Air Governance: den korte baggrund

For at forstå, hvorfor konsollen pludselig dukker op i flere produktnavne, skal man kende rækkefølgen. JetBrains introducerede først “Enhanced AI Management and Analytics for Organizations” i februar 2026, det produkt, der i praksis er grundstammen i dagens Console. Da JetBrains i september annoncerede JetBrains Air, en samlet produktfamilie for agentbaseret softwareudvikling, blev styringsdelen omdøbt og udvidet til Air Governance. Navnet JetBrains Central bruges stadig i dele af dokumentationen, så du vil se både “JetBrains Console”, “JetBrains Central Console” og “Air Governance” referere til samme underliggende system.

Det praktiske formål er uændret: organisationer skal kunne sætte politikker for, hvilke AI-værktøjer og -agenter medarbejderne må bruge, med fuld synlighed og revisionsspor. Det dækker både AI-assisteret udvikling, hvor en udvikler bruger autocomplete og chat, og agentbaseret udvikling, hvor en agent som Junie arbejder mere selvstændigt over flere filer.

Hvorfor nordiske udviklingsteams bør bruge det

AI-kodeassistenter er gået fra at være et sidetilbud til at være en fast del af arbejdsdagen for de fleste udviklere. Ifølge Stack Overflows Developer Survey 2025 svarede 84 procent af respondenterne, at de bruger eller planlægger at bruge AI-værktøjer i deres udviklingsproces, og 51 procent af de professionelle udviklere brugte AI-værktøjer dagligt. Samme undersøgelse viste, at 31 procent allerede bruger AI-agenter aktivt, mens 38 procent ikke havde planer om det, en kløft der typisk betyder, at nogle teams løber langt forud for organisationens styring.

Det tal, der bør få en nordisk it-direktør til at stoppe op, er, at 69 procent af de udviklere, der havde brugt AI-agenter på arbejdet, rapporterede en stigning i produktivitet. Uden et værktøj som JetBrains Console er det stort set umuligt at vide, om den stigning kommer fra en håndfuld power-users, eller om den er bredt fordelt i organisationen. Gartner pegede allerede i sin analyse af strategiske teknologitrends på, at 58 procent af organisationer brugte eller planlagde at bruge generativ AI over de følgende 12 måneder specifikt for at styre eller reducere omkostninger, ikke kun for at øge hastigheden.

For en dansk eller svensk softwarevirksomhed med 50 til 500 udviklere er regnestykket enkelt. Hvis en del af teamet bruger agenter uden grænser, og AI Credits faktureres efter forbrug, kan en enkelt uge med ukontrolleret agentkørsel koste mere end den planlagte kvartalsbudget. Governance er ikke bureaukrati her, det er den eneste måde at holde AI-investeringen inden for budgettet, samtidig med at man kan dokumentere brugen over for både ledelse og revisorer.

Forudsætninger og versionskrav

Før du går i gang, skal følgende være på plads. Listen er baseret på den aktuelle dokumentation fra oktober 2026.

  • En JetBrains-organisationskonto med administratorrettigheder.
  • En gyldig AI-licens på Business-niveau (20 dollar per sæde per måned) eller Enterprise-niveau (pris efter forespørgsel).
  • IntelliJ IDEA Ultimate, PyCharm Pro, WebStorm eller GoLand version 2024.3.2 eller nyere, hvis I vil køre Junie-plugin’t på disse IDE’er.
  • IntelliJ IDEA Community, PhpStorm, RubyMine eller RustRover version 2025.1 eller nyere for samme funktion.
  • CLion eller Rider version 2025.2.1 eller nyere.
  • Den nyeste stabile IDE-build, for eksempel IntelliJ IDEA 2026.2.3 (build 262.10968.63, udgivet 16. september 2026) eller Rider 2026.2.2, for fuld kompatibilitet med den nyeste Console-analytik.
  • En JetBrains-konto til hver udvikler, der skal have AI-adgang, da Console styrer adgang på kontoniveau, ikke på maskinniveau.
  • Administrativ adgang til at oprette roller, hvis I vil have mere end én person med fuld kontrol over kreditpuljen.

Har I i forvejen Junie installeret via AI Chat i en IDE, skal I ikke geninstallere noget for at komme i gang med Console. Konsollen kobler sig på eksisterende installationer, så længe kontiene hører til samme organisation.

Versionskravene varierer efter, hvilken IDE udviklerne bruger til daglig. Tabellen nedenfor samler de minimumsversioner, dokumentationen angiver for Junie-plugin’t, så I kan tjekke jeres flåde af IDE-installationer, før I ruller en organisationspolitik ud.

IDE-gruppeMinimumsversionBemærkning
IntelliJ IDEA Ultimate, PyCharm Pro, WebStorm, GoLand2024.3.2Ældste understøttede gruppe
IntelliJ IDEA Community, PhpStorm, RubyMine, RustRover2025.1Kræver nyere version end Ultimate-sporet
CLion, Rider2025.2.1Nyeste krav blandt de officielt listede IDE’er
Alle IDE’er, Junie CLI-opdagelse2026.1Kræves specifikt for kommandolinje-integrationen

Trin 1: Opret organisation og aktiver en AI-licens

Start med at bekræfte, at jeres virksomhed har en JetBrains-organisation oprettet under jeres eksisterende licensaftale. Hvis I allerede køber IntelliJ IDEA Ultimate eller Rider i flåde, har I sandsynligvis allerede en organisation. Gå ind under licensstyring og aktiver AI-tilføjelsen på Business- eller Enterprise-niveau. Business-tieret giver avanceret AI-governance, adgangskontrol og organisationsanalyse for 20 dollar per sæde om måneden. Enterprise lægger workspace-niveau-kontroller, skærpet sikkerhed, revisionslog og prioriteret support på toppen, men prisen er kun tilgængelig efter forespørgsel til JetBrains’ salgsafdeling.

Et sæde giver kun én bruger ret til at tilgå de AI-drevne funktioner. Det er vigtigt at skelne sædet fra selve AI-forbruget, fordi AI Credits, altså det faktiske token-forbrug i chat, autocomplete og agentkørsler, afregnes separat. En udvikler kan have et aktivt sæde uden at bruge en eneste credit i en given måned, og omvendt kan en enkelt agentkørsel bruge en stor del af et teams månedlige kreditpulje.

Business eller Enterprise: hvad får organisationen for pengene

Mange it-indkøbere spørger med det samme, om de kan nøjes med det billigste niveau. Svaret afhænger af, hvor mange teams der skal have forskellige politikker, og om organisationen har krav om fuld revisionslog. Business dækker langt de fleste mellemstore teams, mens Enterprise typisk bliver relevant, når flere forretningsenheder eller datterselskaber skal have separate workspaces med egne grænser.

EgenskabBusinessEnterprise
Pris20 dollar per sæde om månedenIndividuel pris efter forespørgsel
AI-governanceAvanceretAvanceret, med workspace-niveau-kontroller
Adgangskontrol til agenterInkluderetInkluderet, med flere administrationslag
OrganisationsanalyseInkluderetInkluderet
RevisionslogBasalUdvidet revisionslog
SupportStandardPrioriteret support

En praktisk tommelfingerregel: start på Business, og brug de første tre måneders adoptions- og aktivitetsdata til at vurdere, om organisationen reelt har brug for workspace-niveau-opdeling. De fleste teams under et par hundrede udviklere finder, at Business dækker behovet, mens større koncerner med flere juridiske enheder ofte ender på Enterprise for at kunne holde data og politikker helt separate mellem enhederne.

Sådan passer AI Credits ind i jeres eksisterende licensbudget

Den del, der forvirrer flest nye administratorer, er forholdet mellem sæder og credits. Et sæde er en adgangsret, credits er brændstoffet. I praksis betyder det, at finansafdelingen skal budgettere med to separate linjer: en fast månedlig licensomkostning baseret på antal sæder, og en variabel omkostning baseret på det faktiske forbrug af AI Credits.

Forbruget varierer meget efter opgavetype. Et enkelt autocomplete-forslag i editoren bruger typisk langt færre credits end en chatbesked, der skal læse flere filer for at svare, og en agentkørsel, der arbejder selvstændigt over et helt repository, bruger normalt mest af alle tre. Det er derfor, et team, der eksperimenterer meget med agenter, hurtigt kan ramme en grænse, der føltes rigelig for et team, der kun bruger autocomplete.

En praktisk konsekvens er, at I bør undgå at kopiere en standardgrænse direkte fra et andet team eller en anden organisation. Brug i stedet de første uger som en kalibreringsperiode, og lad den faktiske arbejdsbyrde, ikke en gennemsnitstal fra internettet, bestemme jeres grænser.

Trin 2: Log ind på JetBrains Console og find AI management

Log ind på jetbrains.com med en konto, der er knyttet til organisationens administratorrolle. Naviger til Console-sektionen og klik ind på AI management. Her finder du tre undermenuer: Adoption og brug, Aktivitet og effekt samt Credits og politikker. Første gang kan det tage et par minutter, før data begynder at strømme ind, især hvis organisationen lige har aktiveret AI-licensen.

Bekræft, at listen over tilsluttede brugere matcher jeres faktiske udviklerstab. Hvis en tidligere medarbejder stadig står med et aktivt sæde, er det her, I fanger det, før det koster en unødvendig måned af licensbudgettet.

Trin 3: Konfigurer roller og administratorer

Console bruger rollebaseret adgang, så I kan dele ansvaret op uden at give hele organisationen fuld kontrol. Definer, hvem der må ændre AI-indstillinger og politikker, hvem der kun må se brugs- og adoptionsdata, og hvem der må tildele eller fjerne licenser. En typisk opsætning i en mellemstor dansk softwarevirksomhed er: en platform- eller it-chef med fuld administratorrolle, et par teamledere med læseadgang til deres eget teams data, og en finansansvarlig med adgang til kun credit-rapporterne.

Denne opdeling betyder meget i praksis. Uden den ender AI-governance ofte hos en enkelt person, som bliver en flaskehals, hver gang et team har brug for et hurtigt svar på, om de har credits tilbage i denne måned.

Trin 4: Opsæt en delt AI Credit-pulje og sæt grænser

Under Credits og politikker kan administratorer styre en samlet pulje af AI Credits for hele organisationen, sætte en standardgrænse, der gælder for alle, og derefter overskrive den for enkelte brugere eller teams, der har brug for mere. Det giver mening at starte konservativt: sæt en lav standardgrænse de første to til tre uger, og brug adoptionsdataene fra trin 8 til at justere, før I låser budgettet fast for et kvartal.

Her er et eksempel på, hvordan I kan planlægge jeres kreditbudget i et internt dokument, før I indtaster tallene i konsollen. Dette er ikke et officielt eksportformat fra JetBrains, men en skabelon, I kan bruge til at holde styr på beslutningerne, inden de lægges ind manuelt.

{
  "organisation": "Nordisk Softwarehus A/S",
  "standard_graense_per_bruger_pr_maaned": 400,
  "teams": [
    { "navn": "Platform", "graense": 900, "antal_udviklere": 12 },
    { "navn": "Backend",  "graense": 600, "antal_udviklere": 18 },
    { "navn": "Frontend", "graense": 400, "antal_udviklere": 14 }
  ],
  "samlet_pulje_pr_maaned": 14000,
  "alarmgraense_procent": 80
}

Når skabelonen er godkendt internt, overføres tallene manuelt til Console under hver brugers eller teams profil. Alarmgrænsen på 80 procent bruger vi igen i trin 10, hvor vi bygger en Slack-advarsel.

Trin 5: Styr adgang til AI-agenter

En af de funktioner, der adskiller Console fra en simpel forbrugsrapport, er agentstyring. Dokumentationen nævner tre navngivne agenter, organisationer kan kontrollere adgangen til: Junie, Claude Agent og OpenAI Codex. Det betyder, at en administrator kan tillade, at designteamet bruger Junie til mindre refaktoreringer, mens kun platformteamet får lov til at køre agenter, der kan foretage ændringer uden direkte godkendelse for hvert trin.

Praktisk betyder det, at I bør tage en kort snak med sikkerhedsansvarlig eller compliance-funktionen, før I åbner agentadgang bredt. En agent, der har adgang til et repository, kan i princippet læse og ændre kode, som et menneske normalt skulle godkende manuelt. Start med et begrænset pilotteam, og udvid adgangen, når I har set to til fire ugers aktivitetsdata uden overraskelser.

Trin 6: Forbind jeres IDE’er og installer Junie-plugin’t

Når roller og politikker er sat, skal de faktiske IDE’er kobles til organisationens AI-licens. Det sker typisk automatisk, så snart en udvikler logger ind med sin arbejds-JetBrains-konto i IntelliJ IDEA, Rider, PyCharm eller en af de andre understøttede editorer. Junie installeres nemmest via den indbyggede AI Chat: åbn chatpanelet, vælg Junie by JetBrains fra listen over understøttede kodeagenter, og lad IDE’en downloade og aktivere plugin’t automatisk.

Hvis en udvikler i stedet vil bruge Junie fra kommandolinjen, understøtter Junie CLI’en IDE-opdagelse for Android Studio, CLion, GoLand, IntelliJ IDEA, PhpStorm, PyCharm, Rider, RubyMine, RustRover og WebStorm. Hvis opdagelsen af en lokal IDE ikke virker, er den mest almindelige årsag, at IDE-versionen er ældre end 2026.1, så det er værd at tjekke, før I fejlsøger netværk eller firewall.

# Opdater Toolbox-styrede IDE'er til en version, der opfylder
# Junie-plugin'ts minimumskrav, inden I ruller Console-politikker ud
toolbox list
toolbox update intellij-idea-ultimate
toolbox update rider
toolbox update pycharm-professional

Kør kommandoerne på en testmaskine først. Hvis et team bruger en ældre IDE-version med lokale plugins, der ikke er testet mod den nyeste build, kan en tvungen opdatering midt på en sprint skabe mere støj end den governance-fordel, I får ud af det.

Rul det ud i faser: fra pilotteam til hele organisationen

En fejl, mange organisationer begår, er at aktivere Console og agentpolitikker for alle udviklere på samme dag. Det giver en stor mængde data på én gang, uden at nogen har haft tid til at reagere på problemer undervejs. En faseopdelt tilgang gør det lettere at justere kreditgrænser og agentadgang, før de påvirker hele organisationen.

FaseVarighedOmfangSucceskriterium
Pilot2-3 ugerEt enkelt team, begrænset agentadgangIngen uventede ændringer i produktionskode
Udvidelse4-6 ugerTre til fem teams, justerede kreditgrænserForbrug stabiliserer sig inden for budget
Fuld udrulningLøbendeHele organisationen, kvartalsvis gennemgangFaste rutiner for budget- og agentgennemgang

Pilotfasen bør altid inkludere et team, der allerede er erfarent med AI-værktøjer, fordi de kan give konkret feedback på, om kreditgrænserne er realistiske. Brug udvidelsesfasen til at inkludere mindst ét team med en anden profil, for eksempel et team, der arbejder med ældre kode eller strengere compliance-krav, så I ser, hvordan politikkerne fungerer uden for den oprindelige komfortzone.

Dataopbevaring og revisionsspor: hvad det betyder for jeres GDPR-arbejde

For organisationer i Danmark og resten af Norden er revisionssporet i Console ikke kun en teknisk funktion, det er også et dokumentationsredskab i forhold til GDPR’s ansvarlighedsprincip. Når en agent som Junie har foretaget ændringer i kode, der håndterer personoplysninger, giver adoptions- og aktivitetsdataene et spor af, hvem der godkendte adgangen, og hvornår agenten var aktiv.

Det er stadig organisationens eget ansvar at vurdere, om en given AI-agent må få adgang til kode eller data, der indeholder personoplysninger, og at dokumentere den vurdering separat. Console erstatter ikke en databehandleraftale eller en konsekvensanalyse, men det gør det markant lettere at bevise bagudrettet, hvilke konti og agenter der reelt havde adgang til et system i en given periode, hvis en tilsynsmyndighed eller en intern revisor spørger.

En praktisk anbefaling er at lade jeres sikkerheds- eller compliance-ansvarlige få læseadgang til Console som en fast del af opsætningen i trin 3, i stedet for at tildele den adgang reaktivt, den dag der opstår et spørgsmål om en konkret ændring.

Trin 7: Overvåg AI-adoption og brug

Under segmentet AI adoption and usage kan I følge, hvor stor en del af organisationen der faktisk har adgang til AI, hvor mange der aktivt bruger det over en given periode, det samlede forbrug af AI Credits, og hvilke brugere der rammer deres månedlige grænse. Det er her, I typisk opdager den klassiske fordeling: en tredjedel af teamet bruger værktøjerne dagligt, en tredjedel bruger dem sporadisk, og en tredjedel har aldrig åbnet AI Chat.

Brug disse data aktivt. Hvis et helt team ikke bruger AI-funktionerne, selvom de har et aktivt sæde, er det enten et tegn på, at de ikke har fået oplæring, eller at opgaverne i deres kodebase ikke passer godt til nuværende AI-værktøjer, for eksempel meget gammel eller stærkt specialiseret kode. Begge scenarier er værd at undersøge, før I forlænger licensen for det team.

Trin 8: Analyser AI-aktivitet og effekt

Mens adoptionsdataene fortæller, hvem der logger på, viser segmentet AI activity and impact, hvad der rent faktisk sker i koden: hvor mange kodeforslag der genereres, og hvor mange der bliver accepteret, fordelt på de forskellige AI-værktøjer og -funktioner. En lav accept-rate på tværs af et team er ofte et bedre signal end rå forbrugstal, fordi det viser, om forslagene reelt matcher kodebasen.

AnalysesegmentHvad det viserTypisk brug
AI adoption and usageAdgang, aktiv brug, AI Credit-forbrug, brugere ved grænsenLicensplanlægning og onboarding
AI activity and impactGenererede og accepterede kodeforslag pr. værktøjKvalitetsvurdering af AI-output
Credits og politikkerDelt pulje, standardgrænser, individuelle overskrivningerBudgetstyring og omkostningskontrol

Kombiner altid de to første rækker i tabellen, før I drager konklusioner. Et team med høj aktivitet men lav accept-rate bruger muligvis AI-værktøjet forkert, mens et team med lav aktivitet men høj accept-rate sandsynligvis bare mangler tid til at udforske funktionerne mere.

Det er også værd at se på udviklingen over tid i stedet for kun et enkelt øjebliksbillede. Et team, der starter med en lav accept-rate og langsomt forbedrer den over et kvartal, lærer typisk, hvordan de formulerer bedre instruktioner til agenten eller chatten. Et team, der ligger stabilt lavt måned efter måned, er et bedre signal om, at kodebasen eller opgavetypen simpelthen passer dårligt til de nuværende AI-værktøjer, og at tiden måske er bedre brugt andre steder end på at presse flere agentkørsler igennem.

Trin 9 og 10: Byg et komplet eksempelprojekt med budget-dashboard og Slack-alarm

For at samle det hele i et konkret projekt bygger vi et lille internt dashboard, der henter den eksporterede CSV-fil fra Console-analytikken og sender en advarsel til Slack, når et team nærmer sig sin kreditgrænse. Projektet kræver kun Python 3.11 eller nyere og et Slack-webhook, I selv opretter i jeres arbejdsrum.

Start med at eksportere data fra AI adoption and usage-segmentet til CSV. Filen indeholder som minimum bruger- eller teamnavn og forbrugte credits for perioden. Følgende script læser filen og beregner forbrugsprocenten pr. team ud fra den plan, I lagde i trin 4.

# budget_check.py
import csv
import json

with open("plan.json", encoding="utf-8") as f:
    plan = json.load(f)

graenser = {t["navn"]: t["graense"] for t in plan["teams"]}
alarmgraense = plan["alarmgraense_procent"] / 100

with open("console_export.csv", encoding="utf-8") as f:
    reader = csv.DictReader(f)
    for row in reader:
        team = row["team"]
        brugt = float(row["credits_brugt"])
        graense = graenser.get(team)
        if not graense:
            continue
        andel = brugt / graense
        status = "ALARM" if andel >= alarmgraense else "OK"
        print(f"{team}: {brugt:.0f}/{graense} credits ({andel:.0%}) -> {status}")

Kør scriptet en gang om ugen, eller sæt det op som et cron-job på en intern server. Det næste trin er at sende et Slack-varsel, hver gang et team passerer alarmgrænsen, så I ikke skal tjekke konsollen manuelt hver mandag morgen.

# slack_alert.py
import json
import urllib.request

SLACK_WEBHOOK_URL = "https://hooks.slack.com/services/DIT/WEBHOOK/URL"

def send_alert(team, brugt, graense, andel):
    payload = {
        "text": (
            f":warning: *{team}* har brugt {brugt:.0f} af {graense} "
            f"AI Credits ({andel:.0%}) i denne periode."
        )
    }
    req = urllib.request.Request(
        SLACK_WEBHOOK_URL,
        data=json.dumps(payload).encode("utf-8"),
        headers={"Content-Type": "application/json"},
    )
    urllib.request.urlopen(req)

Importer send_alert i budget_check.py, og kald den, når status er “ALARM”. Herefter har I et fuldt internt kredsløb: Console leverer tallene, scriptet fortolker dem i forhold til jeres egen budgetplan, og Slack sikrer, at den rette person opdager det, inden fakturaen lander. Gem CSV-filerne i en mappe pr. måned, så I bagudrettet kan dokumentere forbruget over for ledelsen eller en ekstern revisor.

Sådan ændrer det den enkelte udviklers arbejdsdag

Det er let at beskrive Console ud fra et administratorperspektiv og glemme, hvad det faktisk betyder for udvikleren, der sidder og koder. I de fleste tilfælde er ændringen minimal. Udvikleren logger ind med sin JetBrains-konto som altid, åbner AI Chat, og bruger Junie eller autocomplete præcis som før. Den eneste synlige forskel er, at de nu kan se deres eget credit-forbrug og den grænse, de har fået tildelt, typisk et sted i indstillingerne for AI-funktionerne.

Hvis en udvikler rammer sin grænse, afhænger oplevelsen af den politik, I har valgt i trin 4. Nogle organisationer lader forbruget glide over i den delte pulje uden afbrydelse, mens andre viser en besked om, at grænsen er nået, og at yderligere brug kræver godkendelse fra en teamleder. Fortæl udviklerne, hvilken model I har valgt, før I ruller politikken ud. Uforklarede beskeder om en nået grænse er en af de hurtigste måder at skabe mistillid til et nyt værktøj, selv når værktøjet i sig selv fungerer korrekt.

For agentbrug er forskellen lidt større. En udvikler, der vil bruge Junie til en større opgave, skal først sikre sig, at deres rolle har adgang til agenten. Hvis adgangen ikke er givet, viser IDE’en typisk, at agenten ikke er tilgængelig, i stedet for en fejl, der ligner et teknisk problem. Det er værd at nævne for udviklerne på forhånd, så de ikke bruger tid på at fejlsøge noget, der i virkeligheden er en politikbeslutning.

Forventet output: hvordan en sund opsætning ser ud

Når opsætningen er på plads, bør en typisk ugentlig kørsel af budget_check.py give output, der ligner dette:

Platform: 612/900 credits (68%) -> OK
Backend: 540/600 credits (90%) -> ALARM
Frontend: 180/400 credits (45%) -> OK

I dette eksempel vil Backend-teamet trigge en Slack-besked, fordi 90 procent ligger over den alarmgrænse på 80 procent, I satte i planen. Platform og Frontend kører fortsat inden for budget. Hvis I ser alle tre teams ramme over 90 procent i samme uge, er det typisk et tegn på, at standardgrænserne fra trin 4 er sat for lavt i forhold til den faktiske arbejdsbyrde, ikke at forbruget er problematisk i sig selv.

Almindelige faldgruber

  • At forveksle sæde med forbrug. Et aktivt AI-sæde betyder ikke, at der bruges credits. Mange teams glemmer at fjerne sæder fra medarbejdere, der er stoppet, og betaler for licenser uden forbrug.
  • At sætte grænser uden baseline-data. Hvis I låser kreditgrænser fast, før I har set mindst to til tre ugers reelt forbrug, ender I ofte med grænser, der er enten alt for stramme eller alt for løse.
  • At give bred agentadgang fra dag ét. Agenter som Junie og Claude Agent kan ændre kode direkte. Uden en pilotfase risikerer I, at et team opdager begrænsningen først efter en uventet ændring i produktionskode.
  • At ignorere IDE-versionskravene. Junie-plugin’t kræver specifikke minimumsversioner afhængigt af IDE. En ældre IntelliJ IDEA-installation vil simpelthen ikke vise Junie som en mulighed i AI Chat.
  • At lade én person have al administratoradgang. Når kun én person kan ændre politikker, bliver den person en flaskehals, og organisationen mister redundans, hvis personen er på ferie, når en akut justering er nødvendig.
  • At forveksle JetBrains Console med en editor-funktion. Fordi navnet ligner et IDE-værktøj, prøver nye administratorer ofte at finde det inde i selve IntelliJ IDEA. Det er en selvstændig webtjeneste under jetbrains.com.

Fejlfinding: 8 almindelige problemer og løsninger

De fleste problemer med Console handler om en af tre ting: en forkert IDE-version, en rolle, der ikke har de rettigheder, brugeren tror, eller et tidsmæssigt hul mellem, at noget sker i IDE’en, og at det vises i dashboardet. Gennemgå listen herunder, før I eskalerer til JetBrains’ support.

  • Junie vises ikke i listen over kodeagenter i AI Chat. Tjek, at IDE-versionen opfylder minimumskravet for netop den IDE, for eksempel 2024.3.2 for IntelliJ IDEA Ultimate eller 2025.2.1 for Rider.
  • Junie CLI finder ikke den lokale IDE. IDE-opdagelse kræver version 2026.1 eller nyere. Opdater IDE’en, og kør opdagelsen igen.
  • En ny medarbejder har intet AI-sæde, selvom licensen er aktiveret. Kontroller, at brugerens JetBrains-konto er tilknyttet organisationen, og at et sæde er tildelt manuelt under licensstyringen.
  • Adoptionsdata viser ingen aktivitet, selvom teamet rapporterer, at de bruger AI dagligt. Det kan tage op til et par minutter for data at synkronisere efter en session, og i sjældne tilfælde kan en forkert konfigureret proxy blokere telemetri fra IDE’en til Console.
  • En agent nægtes adgang, selvom brugeren har et aktivt sæde. Agentadgang styres separat fra sædet under politikker. Tjek, at den specifikke agent (Junie, Claude Agent eller OpenAI Codex) er aktiveret for brugerens rolle.
  • Kreditforbruget stemmer ikke med det, udviklerne oplever. Sammenlign perioden i jeres CSV-eksport med faktureringsperioden. Mange teams eksporterer ved et uheld kalendermåneden, mens faktureringen følger licensstartdatoen.
  • Slack-webhooket svarer med en fejl. Kontroller, at webhook-URL’en stadig er aktiv i Slack-appens indstillinger, da arbejdsrum-administratorer kan deaktivere gamle integrationer uden varsel.
  • Roller kan ikke redigeres af den nye it-chef. Kun brugere med administratorrollen kan ændre andre brugeres roller. Bed den oprindelige kontoadministrator om at opgradere rollen manuelt, før I fortsætter.

Avancerede tips til drift i stor skala

Når I har kørt opsætningen i et par måneder, kan I begynde at finjustere i stedet for bare at overvåge. Sæt forskellige kreditgrænser efter teamtype i stedet for en flad organisationsgrænse. Et platformteam, der bruger agenter til migrationer og oprydning i gammel kode, vil typisk bruge markant flere credits end et frontend-team, der primært bruger autocomplete.

Brug aktivitets- og effektdataene til at identificere, hvilke dele af kodebasen der har lav accept-rate på AI-forslag. Det er ofte et signal om, at den del af koden er svær at forstå for et sprogmodel, enten fordi den er dårligt dokumenteret, eller fordi den bruger meget specifikke interne konventioner. Det er værdifuld information uafhængigt af AI-værktøjet, fordi det ofte peger på den samme kode, som er svær for nye menneskelige udviklere at sætte sig ind i.

Overvej at koble jeres budget-script fra trin 9 og 10 til et dashboard-værktøj som Grafana i stedet for kun Slack-beskeder, hvis organisationen er stor nok til, at flere teamledere skal kunne se tallene uden selv at logge ind i Console. Eksportér CSV-filen automatisk via et planlagt job, og lad Grafana læse den direkte fra en delt mappe eller et lille internt API, der blot serverer den seneste eksport.

Endelig bør I genbesøge agentpolitikkerne hvert kvartal. Et pilotteam, der har kørt uden problemer i tre måneder, er en naturlig kandidat til at få udvidet adgang, mens et team med flere “ALARM”-uger i træk bør have en snak om, om arbejdsopgaverne reelt kræver agentbaseret kodning, eller om almindelig autocomplete er tilstrækkeligt.

Hvis organisationen vokser ud over et par hundrede udviklere, kan det give mening at automatisere hele kalibreringsprocessen i stedet for at justere grænser manuelt hver måned. Et simpelt mønster er at lade budget_check.py fra trin 9 og 10 skrive sine resultater til en database i stedet for kun til konsollen, og derefter bygge en lille historisk oversigt, der viser, om et teams forbrug stiger eller falder over tid. Den slags trend er ofte en bedre guide til at justere grænser end et enkelt øjebliksbillede, fordi den udjævner udsving fra enkeltstående store opgaver som en større migrering.

Det er også værd at aftale en fast eskaleringsvej, før den første alvorlige hændelse opstår. Hvis en agent foretager en uventet ændring, skal I vide, hvem der kan trække agentadgangen tilbage med det samme, og hvem der efterfølgende går igennem revisionssporet i Console for at forstå, hvad der skete. At have den aftale klar på forhånd sparer værdifuld tid i en situation, hvor minutter tæller.

Ofte stillede spørgsmål

Er JetBrains Console det samme som JetBrains Air?

Nej. JetBrains Air er den bredere produktfamilie for agentbaseret softwareudvikling, annonceret 23. september 2026. Den styrende del af Air, kaldet Air Governance, bruger den samme underliggende konsol og analytik, som tidligere blev lanceret selvstændigt som JetBrains Console i februar 2026.

Kan vi bruge Console uden at have Junie installeret?

Ja. Console viser adoptions- og aktivitetsdata for alle AI-funktioner i JetBrains-ekosystemet, ikke kun for Junie. I kan bruge det til at overvåge almindelig AI-autocomplete og chat, selv hvis organisationen ikke har aktiveret agentfunktioner.

Hvad er forskellen mellem Business- og Enterprise-tieret?

Business koster 20 dollar per sæde om måneden og giver avanceret AI-governance, adgangskontrol og organisationsanalyse. Enterprise tilføjer workspace-niveau-kontroller, skærpet sikkerhed, revisionslog og prioriteret support, men prisen fastsættes individuelt efter forespørgsel til JetBrains.

Kan Console styre GitHub Copilot-brug sammen med JetBrains-værktøjer?

Den dokumenterede agentstyring navngiver Junie, Claude Agent og OpenAI Codex. Der er på nuværende tidspunkt ikke offentlig dokumentation, der bekræfter direkte styring af GitHub Copilot-forbrug gennem JetBrains Console, så organisationer, der bruger begge værktøjer, bør fortsat holde separate oversigter for hvert værktøj.

Hvor lang tid tager det at sætte Console op fra bunden?

For et team på 20 til 50 udviklere tager selve opsætningen af konto, licens, roller og politikker typisk mellem 45 og 60 minutter. Det tager derefter yderligere to til tre uger at samle nok forbrugsdata til at sætte realistiske kreditgrænser.

Kræver det en betalt AI-licens at se adoptionsdata?

Ja. AI management og analytics-funktionerne i Console er en del af den kommercielle AI-licens og følger med uden ekstra Console-gebyr for alle kommercielle AI-licenskunder. Uden en aktiv AI-licens har organisationen ikke adgang til dashboardet.

Hvad sker der, hvis et team bruger alle sine credits før månedens udgang?

Det afhænger af, hvordan I har sat politikken op under Credits og politikker. Administratorer kan vælge at lade brugere fortsætte mod den delte organisationspulje, eller at blokere yderligere AI-brug for den enkelte, indtil næste periode starter, eller indtil en administrator manuelt hæver grænsen.

Skal vi bruge Console, hvis vi kun har fem til ti udviklere?

For et så lille team kan omkostningen ved Business-tieret veje tungere end fordelen, og en manuel månedlig gennemgang af fakturaen kan være nok. Governance-værdien stiger markant, så snart organisationen passerer omkring 20 til 30 udviklere, hvor det bliver praktisk umuligt at følge forbruget manuelt for hver enkelt person.

Virker opsætningen ens for alle JetBrains-IDE’er?

Selve Console-opsætningen er ens, uanset hvilke IDE’er organisationen bruger, fordi den sker på kontoniveau. Men minimumsversionerne for Junie-plugin’t varierer, som beskrevet i forudsætningerne, så et team, der kører en blanding af IntelliJ IDEA, Rider og PyCharm, bør tjekke versionstabellen for hver enkelt IDE-gruppe, før de forventer den samme funktionalitet overalt.