JetBrains AI Assistant er gået fra at være en simpel autocomplete-udvidelse til en fuld AI-platform, der er bygget direkte ind i IntelliJ IDEA, PyCharm, WebStorm, Rider og resten af JetBrains-familien. I sommeren 2026 skete der to store ting på kort tid: agent-produktet Junie forlod beta den 17. juni, og JetBrains annoncerede den 30. juni, at GitHub Copilot nu kan køre som en integreret agent inde i JetBrains-IDE’er. Det betyder, at danske og nordiske udviklere for første gang skal tage stilling til et helt økosystem af credits, modeller og agent-tilstande, ikke bare et enkelt plugin.
Mange danske udviklingsteams har brugt GitHub Copilot eller Cursor som standardvalg, simpelthen fordi de kom først. JetBrains AI Assistant er et andet bud, bygget af samme firma som selve IDE’en, og det ændrer hvad værktøjet reelt kan se og gøre i din kodebase. Denne guide viser dig præcis hvordan du installerer, konfigurerer og bruger JetBrains AI Assistant fra bunden, med 13 konkrete trin, seks kodeeksempler, et komplet eksempelprojekt og en gennemgang af hvad prisskiftet i 2026 betyder for et team, der skal budgettere credits fremfor faste abonnementer.
Hvad er JetBrains AI Assistant og Junie?
JetBrains AI Assistant er navnet på det AI-lag, der sidder inde i selve IDE’en: kodefuldførelse, en chat-rude, kodegenerering og forslag til commit-beskeder. Junie er et separat, men tæt forbundet produkt: en autonom kodeagent, der kan planlægge og udføre flere trin på egen hånd, for eksempel “ret alle fejlende tests” eller “tilføj input-validering til denne klasse”. JetBrains har ikke omdøbt AI Assistant i 2026, men har i stedet splittet brandet i to spor, ifølge JetBrains’ egen dokumentation: AI Assistant til det IDE-integrerede lag, og Junie til agent-arbejdet.
Junie forlod beta-status den 17. juni 2026 og findes nu i alle JetBrains-IDE’er samt som en selvstændig Junie CLI, der kom i beta allerede den 9. marts 2026. CLI-versionen er, ifølge JetBrains, LLM-agnostisk: du kan bruge dine egne API-nøgler (Bring Your Own Key) og koble lokale modeller på via Ollama, i stedet for kun at bruge JetBrains’ hostede modeller. Den 4. august 2026 viste Junies “What’s New”-side release 26.8.3, hvilket fortæller dig at produktet stadig får hyppige opdateringer, og at du skal tjekke versionsnummeret før du følger denne guide, hvis der er gået lang tid siden udgivelsen.
Forskellen på de to lag er vigtig, fordi de bruger credits forskelligt. AI Assistant-funktioner som kodefuldførelse og korte chat-svar koster typisk få eller ingen credits, mens Junie-agenten, der kører flere værktøjskald og filændringer i træk, kan bruge markant flere credits pr. opgave. Det er en af de ting, nye brugere oftest overser, og vi kommer tilbage til det i afsnittet om faldgruber.
Værd at kende, før du installerer noget: JetBrains AI Assistant er ikke ét plugin, men flere lag, der arbejder sammen. Kodefuldførelsen kører tæt på editoren og reagerer på millisekunder, chat-laget håndterer længere spørgsmål og forklaringer, og Junie-agenten kobler sig på projektets filsystem, terminal og testkørsel for at udføre hele opgaver. Du behøver ikke forstå arkitekturen i detaljer for at bruge værktøjet, men det forklarer hvorfor de tre lag koster credits så forskelligt, og hvorfor en enkelt Junie-opgave kan koste det samme som hundredvis af kodefuldførelser.
Det praktiske spørgsmål for de fleste danske udviklere er ikke, om JetBrains AI Assistant er “godt”, men om det giver mening oveni den JetBrains-licens, mange allerede betaler for gennem arbejdsgiveren. Bruger du allerede IntelliJ IDEA Ultimate eller PyCharm Professional dagligt, er springet til at afprøve AI-laget lille, fordi selve IDE’en, projektstrukturen og genvejene allerede er dem, du kender. Det er en anden situation end at skulle lære et helt nyt værktøj som Cursor fra bunden, hvilket er værd at have med i overvejelserne, når du sammenligner de reelle omkostninger, ikke kun licensprisen isoleret set.
Forudsætninger før du går i gang
Du behøver ikke en dyr opsætning for at komme i gang, men du skal have styr på nogle få ting, inden du starter installationen. Tabellen herunder viser hvad du reelt skal bruge, og hvad der kun er nødvendigt, hvis du planlægger at bruge Junie-agenten og lokale modeller fra starten.
| Krav | Anbefalet | Note |
|---|---|---|
| JetBrains-IDE | IntelliJ IDEA, PyCharm, WebStorm, Rider eller anden JetBrains-IDE, seneste 2026.2-linje | AI Assistant følger IDE’ens release-cyklus |
| JetBrains-konto | Gratis konto på jetbrains.com | Kræves selv til gratis-tieret |
| Internetforbindelse | Stabil forbindelse | Cloud-modeller kræver løbende adgang |
| Licens (valgfrit) | AI Pro eller AI Ultimate | Kun nødvendigt for flere credits |
| Ollama (valgfrit) | Nyeste version til lokal model-kørsel | Bruges i BYOK-opsætningen senere i guiden |
| Diskplads | Minimum plads til IDE plus eventuelle lokale modeller | Lokale modeller via Ollama fylder typisk flere GB pr. model |
Du behøver ikke betale noget for at følge de første ni trin i denne guide. Gratis-tieret giver dig nok credits til at teste kodefuldførelse og chat, og du kan altid opgradere senere, hvis Junie-agenten bliver en fast del af din arbejdsdag. Arbejder du i et team, er det en god idé at én person tester hele opgaverne på gratis-tieret først, inden virksomheden køber licenser til alle, så I kender forbrugsmønstret, før pengene bruges.
Hvis du allerede har en aktiv IntelliJ IDEA Ultimate-, PyCharm Professional- eller All Products Pack-licens, skal du ikke købe noget ekstra for at afprøve grundfunktionerne. AI-laget aktiveres oven på din eksisterende licens, og du opgraderer først, når du rammer loftet for gratis-credits.
Trin 1-4: Installation af JetBrains AI Assistant
- Åbn din JetBrains-IDE og gå til Settings/Preferences via
Ctrl+Alt+S(Windows/Linux) ellerCmd+,(macOS). - Naviger til Plugins og søg efter “JetBrains AI Assistant” i Marketplace-fanen. Pluginet er ofte forudinstalleret i nyere IDE-versioner, så tjek om det allerede står under “Installed” først.
- Installer og genstart IDE’en når installationen er færdig. Du bliver mødt af en velkomstdialog, der beder dig logge ind med din JetBrains-konto.
- Log ind med din JetBrains-konto via browservinduet, der åbner automatisk. Bekræft godkendelsen, og vend tilbage til IDE’en.
Hvis du foretrækker kommandolinjen, kan du også installere pluginet uden om GUI’en med IDE’ens indbyggede plugin-værktøj. Eksemplet herunder viser hvordan i IntelliJ IDEA via idea.sh på Linux/macOS:
# Installer AI Assistant-pluginet fra kommandolinjen
idea.sh installPlugins com.intellij.ml.llm
# Verificer at pluginet er installeret
idea.sh listPlugins | grep -i "ai assistant"Når pluginet er installeret og du er logget ind, ser du et nyt AI-ikon i højre værktøjsvindue og en chat-rude, du kan åbne med genvejen Alt+Enter på en markeret kodeblok, eller direkte fra værktøjslinjen. Første gang du åbner chatten, beder JetBrains dig bekræfte hvilken model du vil bruge som standard, og du kan altid skifte den senere under indstillingerne, som vi gennemgår i næste trin. Du kan også hente pluginet fra JetBrains Marketplace-siden for AI Assistant direkte i browseren, hvis du vil læse ændringslog og brugeranmeldelser, før du installerer.
Trin 5-8: Konfiguration, licens og modelvalg
- Åbn AI Assistant-indstillingerne under Settings → Tools → AI Assistant. Her ser du dit nuværende tier, forbrugte credits og næste fornyelsesdato.
- Vælg dit abonnement. Gratis-tieret giver 3 AI Credits pr. 30 dage. Vil du bruge Junie regelmæssigt, skal du opgradere til AI Pro eller AI Ultimate, som vi gennemgår i prisafsnittet nedenfor.
- Vælg standardmodel for chat og kodefuldførelse under model-vælgeren. JetBrains lader dig vælge mellem flere modelfamilier, og du kan skifte model per samtale uden at ændre projektindstillinger.
- Slå AI-completion til eller fra pr. sprog under Settings → Editor → AI Assistant → Code Completion, hvis du kun vil have AI-forslag i bestemte filtyper, for eksempel kun Python og ikke konfigurationsfiler.
Et konkret eksempel: hvis dit team arbejder med følsom kode, kan I ekskludere mapper fra AI-analyse med en .aiignore-fil i projektets rod, på samme måde som en .gitignore-fil:
# .aiignore i projektets rodmappe
secrets/
*.env
config/production.yml
internal-api-keys/Filer, der matcher mønstrene, bliver ikke sendt til AI-modellerne som kontekst, hverken til kodefuldførelse eller til Junie-agentens filscanning. Det er særligt relevant for danske virksomheder, der arbejder under GDPR og skal kunne dokumentere hvilken data der forlader deres infrastruktur.
Modelvalget i trin 7 fortjener lidt ekstra opmærksomhed. Standardmodellen, du vælger her, bruges til alt fra kodefuldførelse til korte chat-svar, medmindre du aktivt skifter den for en bestemt samtale. Har dit team en fast politik for hvilke modeller I må bruge til hvilke opgavetyper, for eksempel af databehandlingsmæssige årsager, er det her den politik skal håndhæves rent praktisk, ikke bare i en dokumentation ingen læser.
Trin 9-13: Daglig brug og Junie-agenten
- Brug inline-kodefuldførelse ved bare at skrive kode som normalt. AI Assistant foreslår kodeblokke i gråt, som du accepterer med
Tab. - Åbn AI Chat med genvejen i højre værktøjspanel, og stil et konkret spørgsmål om din kodebase, for eksempel “forklar denne metode” eller “skriv unit-tests til denne klasse”.
- Generer en commit-besked automatisk ved at klikke AI-ikonet i commit-vinduet, når du er klar til at committe ændringer. AI Assistant læser din diff og foreslår en besked, du kan redigere før du bekræfter.
- Skift til Junie for større opgaver. Åbn Junie-panelet og giv den en flertrinsopgave, for eksempel “tilføj fejlhåndtering til alle endpoints i UserController og skriv tilhørende tests”. Junie planlægger trinene, viser dig planen, og udfører dem et ad gangen med mulighed for at du griber ind undervejs.
- Gennemgå og godkend Junies ændringer i diff-visningen, før du merger dem. Junie committer ikke automatisk til din hovedbranch, medmindre du eksplicit har sat den til det.
Sådan ser et typisk output fra Junie ud, når den får en opgave om at rette en bug i en Python-funktion:
Junie-plan for opgaven "Ret IndexError i calculate_average()":
1. Læser filen utils/stats.py og identificerer roden til fejlen
2. Tilføjer tjek for tom liste før division
3. Opdaterer eksisterende unit-test i tests/test_stats.py
4. Kører testsuiten lokalt og rapporterer resultat
Resultat: 3 filer ændret, 1 ny test tilføjet, testsuite: 14 bestået, 0 fejletLæg mærke til at Junie selv kører testsuiten som del af sin proces, i stedet for at bare foreslå kode og lade dig teste den manuelt. Det er den største praktiske forskel fra almindelig kodefuldførelse: agenten lukker løkken selv, fremfor kun at aflevere et forslag og lade dig om resten.
I praksis fungerer trin 9 til 13 bedst, hvis du behandler dem som et spektrum fra lille til stort, ikke som separate værktøjer. Brug kodefuldførelse til enkeltlinjer, chat til spørgsmål og forklaringer, og gem Junie til opgaver, der reelt kræver flere trin på tværs af filer. Bruger du Junie til noget, en enkelt kodefuldførelse kunne have klaret, betaler du unødvendigt mange credits for et resultat, du kunne have fået gratis.
Prismodeller og credit-systemet i 2026
JetBrains bruger et credit-baseret system, hvor 1 AI Credit svarer til 1 USD, og credits er gyldige i 12 måneder fra købsdato, ifølge JetBrains’ officielle prisside. Det gør prisstrukturen mere gennemsigtig end mange konkurrerende abonnementer, men det kræver også at du holder øje med forbruget, især hvis du bruger Junie-agenten flittigt. Til sammenligning bruger de fleste konkurrerende AI-kodningsværktøjer et fast månedligt abonnement uden synligt forbrugstal, hvilket gør det svært at vurdere, om du reelt får valuta for pengene. JetBrains’ model tvinger i stedet forbruget frem i lyset, hvilket kan virke som en ulempe i starten, men som giver et team bedre grundlag for budgettering over tid.
| Tier | Pris | Credits pr. 30 dage | Bedst til |
|---|---|---|---|
| AI Free | $0 | 3 credits | Test af chat og kodefuldførelse |
| AI Pro | $100/år pr. bruger | 10 credits | Solo-udviklere med jævnlig brug |
| AI Ultimate | $300/år pr. bruger | 35 credits | Daglig brug af Junie-agenten |
| AI Enterprise | $720/år pr. bruger | Højeste kvote i porteføljen | Teams med compliance-krav |
Nogle IDE-pakker, som All Products Pack og dotUltimate, bundler ekstra AI-credits, i nogle tilfælde op til 20 credits om måneden oveni den almindelige IDE-licens. Hvis dit team allerede betaler for en af de pakker, kan det være billigere at bruge de indbyggede credits end at købe et separat AI-abonnement. Siden den 2. februar 2026 kan du desuden se resterende credits, fornyelsesdato og mulighed for at købe ekstra credits direkte i IDE’en, uden at skulle logge ind på jetbrains.com for at tjekke forbrug.
Falder dit abonnement til udløb uden fornyelse, falder kontoen automatisk tilbage til AI Free-niveauet, ifølge dokumentationen. Det betyder ikke tabt adgang til IDE’en, kun reduceret AI-kvote, hvilket er en vigtig detalje at kende, hvis din virksomhed styrer licenser centralt.
Sæt tallene i perspektiv for et lille team: ti udviklere på AI Pro koster $1.000 om året i alt, mens samme team på AI Ultimate koster $3.000 om året, men med mere end tre gange så mange credits pr. person om måneden. For et team, der bruger Junie dagligt til flertrinsopgaver, er Ultimate ofte den billigere løsning i praksis, fordi Pro-tierets 10 credits om måneden kan være opbrugt efter få større agent-forløb, hvorefter du enten køber dyre top-ups eller venter på næste cyklus.
Vælg den rigtige AI-model til din opgave
JetBrains AI Assistant og Junie er ikke bundet til én enkelt model. Ifølge Junies produktside kan du vælge mellem flere modelfamilier afhængigt af opgavens kompleksitet og din prisfølsomhed. Det er en markant ændring fra tidligere år, hvor JetBrains i højere grad styrede hvilken model, du fik adgang til, og hvornår.
| Model | Familie | Typisk brug |
|---|---|---|
| Claude Opus 4.8 | Anthropic | Komplekse refaktoreringer, flertrins Junie-opgaver |
| Claude Sonnet 5 | Anthropic | Daglig kodning, balance mellem hastighed og kvalitet |
| Gemini 3.6 Flash | Hurtig kodefuldførelse, lav latenstid | |
| GPT-5.6 | OpenAI | Generel chat og dokumentation |
| Grok 4.5 | xAI | Alternativ model til sammenligning af svar |
| Lokal model via Ollama | Selvvalgt (BYOK) | Følsom kode, ingen data forlader maskinen |
Rider 2026.2, der landede i sommeren 2026, tilføjede understøttelse af tredjeparts-udbydere til AI-completion specifikt, adskilt fra hvilken model du bruger til agent-arbejde. Det betyder, at du kan køre en billig eller lokal model til den løbende kodefuldførelse, mens du reserverer en dyrere model som Claude Opus 4.8 til de tunge Junie-opgaver, hvor kvaliteten betyder mest.
En praktisk tommelfingerregel: brug en hurtig, billig model til autocomplete i editoren, og skift manuelt til en kraftigere model, når du beder Junie om at løse en opgave, der rører flere filer på én gang. Det sparer credits uden at gå på kompromis med kvaliteten der, hvor det tæller. Læs mere om selve modellerne og deres opdateringstakt på JetBrains’ produktside for Junie, som opdateres, hver gang der tilføjes eller udfases en model.
JetBrains AI Assistant vs GitHub Copilot i JetBrains-IDE’er
Sammenligningen mellem de to værktøjer ændrede sig markant den 30. juni 2026, da JetBrains annoncerede, at GitHub Copilot nu kan køre som en integreret agent direkte inde i JetBrains-IDE’er. Det er ikke længere et spørgsmål om enten-eller, men om hvordan de to spiller sammen. Du skal stadig have et separat GitHub Copilot-abonnement for at bruge det inde i JetBrains, uanset dit JetBrains AI-tier.
| Egenskab | JetBrains AI Assistant | GitHub Copilot |
|---|---|---|
| Prismodel | Credits, $0-$720/år | Abonnement, $0-$39/md. |
| Gratis tier | 3 credits/30 dage | Begrænset gratis niveau findes |
| IDE-dækning | Kun JetBrains-IDE’er | VS Code, JetBrains, Neovim, CLI m.fl. |
| Agent-funktion | Junie (siden 17. juni 2026) | Copilot-agenter |
| Lokale modeller | Ja, via Ollama BYOK | Ja, via Ollama BYOK i JetBrains |
| Dybde i IDE-integration | Native, bygget af samme firma som IDE’en | Plugin-baseret, bredere økosystem |
Fordelen ved JetBrains AI Assistant er den native integration. Fordi JetBrains selv bygger både IDE og AI-lag, kan de tilbyde funktioner som refaktorering og navigation, der er dybt forbundet med IDE’ens interne kodeforståelse. Copilots styrke er den bredere rækkevidde: samme abonnement følger dig fra VS Code til JetBrains til kommandolinjen. Mange teams ender med at bruge begge dele, JetBrains AI til den daglige kodefuldførelse og Copilot-agenten til opgaver, hvor GitHub-integrationen (issues, pull requests) er vigtig.
Der er også en praktisk licensdetalje, mange overser: fordi Copilot-integrationen kræver et separat abonnement oveni din JetBrains AI-licens, betaler et team, der vil have det bedste fra begge verdener, reelt to regninger i stedet for én. For et solo-team eller en mindre virksomhed er det ofte billigere at vælge det ene værktøj og lære det godt, end at holde begge dele kørende for en marginal gevinst. Vurder derfor, om jeres arbejde reelt kræver Copilots GitHub-native funktioner, før I dobbeltbetaler.
Byg et komplet eksempelprojekt med Junie
For at gøre guiden konkret bygger vi et lille Python-API med Junies hjælp. Opret et nyt projekt i PyCharm og opret en fil app.py.
# app.py - simpelt REST-endpoint bygget med Junies hjælp
from flask import Flask, jsonify, request
app = Flask(__name__)
users = {}
@app.route("/users/", methods=["GET"])
def get_user(user_id):
user = users.get(user_id)
if user is None:
return jsonify({"error": "Bruger ikke fundet"}), 404
return jsonify(user)
if __name__ == "__main__":
app.run(debug=True) Åbn Junie-panelet og skriv en opgave som: “Tilføj et POST-endpoint til at oprette brugere, valider at navn og e-mail er udfyldt, og skriv pytest-tests for både succesfulde og fejlende kald.” Junie analyserer app.py, foreslår en plan, og genererer koden. Et typisk resultat ser sådan ud efter godkendelse:
@app.route("/users", methods=["POST"])
def create_user(...):
data = request.get_json()
if not data.get("name") or not data.get("email"):
return jsonify({"error": "Navn og e-mail er påkrævet"}), 400
new_id = len(users) + 1
users[new_id] = {"id": new_id, "name": data["name"], "email": data["email"]}
return jsonify(users[new_id]), 201
# tests/test_app.py
def test_create_user_success(client):
response = client.post("/users", json={"name": "Mette", "email": "[email protected]"})
assert response.status_code == 201
def test_create_user_missing_fields(client):
response = client.post("/users", json={"name": "Mette"})
assert response.status_code == 400Kør testsuiten selv bagefter med pytest for at bekræfte resultatet, i stedet for kun at stole på Junies egen rapport. Det er en god vane uanset hvor sikker agenten virker: du er stadig den, der committer koden, og dermed den, der har ansvaret for at den virker.
Vil du gøre eksemplet komplet, kan du give Junie en opfølgende opgave: “Tilføj et DELETE-endpoint til at slette en bruger via ID, returner 404 hvis brugeren ikke findes, og opdater tests.” Fordi Junie allerede har set filen fra den forrige opgave, genbruger den samme mønster for fejlhåndtering, som du allerede har i koden, i stedet for at opfinde en ny stil. Det er her den vedvarende kontekst inden for en session bliver tydelig: agenten lærer af de valg, du allerede har godkendt, og holder sig til dem fremadrettet, medmindre du eksplicit beder om noget andet.
GDPR og datahåndtering for danske og nordiske teams
For danske virksomheder er spørgsmålet ikke kun om AI Assistant er godt nok teknisk, men om det er foreneligt med GDPR og interne databehandlingsregler. Her har JetBrains bygget flere håndtag ind, som er værd at kende, før du ruller værktøjet ud til et helt team. Det vigtigste er .aiignore-filen fra trin 7, som du bør behandle som obligatorisk, ikke valgfri, i ethvert projekt der rører persondata, kundeoplysninger eller interne API-nøgler.
Dernæst er der spørgsmålet om hvor dine data faktisk behandles. Cloud-modellerne som Claude Opus 4.8, Gemini 3.6 Flash og GPT-5.6 sender kodekontekst til de respektive udbyderes servere for at generere svar. Har din virksomhed en databehandleraftale, der kræver, at kildekode med personoplysninger ikke forlader EU eller jeres egen infrastruktur, er den lokale Ollama-vej fra trin med BYOK-opsætning reelt det eneste alternativ, der holder data på maskinen. Det koster dig noget i modelkvalitet sammenlignet med de største cloud-modeller, men det løser et compliance-problem, som ellers kan stoppe en AI-udrulning helt.
Involver jeres compliance-ansvarlige eller DPO tidligt, ikke efter at udrulningen allerede er i gang. En kort skriftlig vurdering af, hvilke projekter der må bruge cloud-modeller, og hvilke der kun må bruge lokale modeller eller slet ingen AI, sparer jer for en efterfølgende oprydning, hvis et projekt viser sig at indeholde data, I ikke havde regnet med lå der. Det er billigere at lave den vurdering én gang for alle, end at genopdage problemet projekt for projekt.
Endelig bør du bruge credit-oversigten i IDE’en aktivt som en del af jeres governance. Fordi hver credit koster et fast, kendt beløb, kan en it-sikkerhedsansvarlig eller DPO relativt let sætte et loft for, hvor meget AI-forbrug der er “normalt” for en given udvikler i en given måned, og få et signal, hvis forbruget pludselig stiger markant. Det er ikke en erstatning for en rigtig databehandleraftale med JetBrains, men det giver et konkret, målbart datapunkt at bygge intern politik omkring, hvilket er mere end de fleste AI-værktøjer tilbyder ud af boksen. Kombinér det gerne med jeres eksisterende NIS2- eller ISO 27001-processer, så AI-forbrug bliver en naturlig del af den løbende risikovurdering frem for et sideprojekt, ingen ejer.
Sådan ruller du AI Assistant ud i et helt team
At installere pluginet på egen maskine er nemt. At rulle det ud til et team på ti, tyve eller hundrede udviklere, uden at nogen bruger det forkert eller brænder hele budgettet af i den første uge, kræver lidt mere planlægning. Den mest almindelige fejl er at give alle Ultimate-licenser fra dag ét, før nogen reelt ved, hvor meget teamet kommer til at bruge værktøjet.
En bedre rækkefølge er at starte med en pilotgruppe på tre til fem udviklere på AI Pro i en måned, og lade dem logge, hvilke opgavetyper der reelt sparer tid, og hvilke der bare koster credits uden at give noget tilbage. Brug den måned til at opbygge en simpel intern liste over “gode Junie-opgaver” (større refaktoreringer, testdækning, dokumentation) og “dårlige Junie-opgaver” (trivielle etlinjersrettelser, opgaver hvor du allerede kender løsningen). Den liste er ofte mere værdifuld for et team end selve værktøjsvalget.
Når pilotperioden er slut, skalerer du op baseret på faktiske tal frem for gæt: hvis pilotgruppen i gennemsnit brugte 7 af sine 10 månedlige credits, ved du at Pro-tieret sandsynligvis rækker til resten af teamet også. Brugte de konsekvent alle 10 og måtte vente på næste cyklus, er Ultimate det rigtige udgangspunkt for en fuld udrulning, selvom det tredobler licensomkostningen pr. bruger.
Sikkerhedsrisici ved AI-agenter i din IDE
Junie og lignende agenter kan læse filer, køre terminalkommandoer og skrive kode uden at et menneske godkender hvert enkelt tastetryk. Det er en del af værdien, men det er også en ny type angrebsflade, som et sikkerhedsfokuseret team bør tage alvorligt, ikke bare afvise som teoretisk. Den mest omtalte risiko på tværs af agent-baserede kodeværktøjer i 2026 er indirekte prompt injection: en ondsindet kommentar eller streng gemt i en afhængighed, en README-fil eller et issue kan i teorien instruere agenten til at udføre handlinger, brugeren aldrig bad om, hvis agenten læser og handler på indholdet uden kritisk vurdering.
Du reducerer risikoen konkret ved at holde fast i den vane, vi nævnte i afsnittet om eksempelprojektet: gennemgå altid diffen, før du godkender en Junie-ændring, og vær særligt skeptisk hvis agenten pludselig foreslår ændringer i filer, der ligger uden for det, du bad om. Brug .aiignore aggressivt på mapper med hemmeligheder, og overvej at køre Junie i projekter med tredjeparts-afhængigheder i et isoleret miljø eller en container, hvis projektet håndterer særligt følsom kode. Giv desuden ikke agenten adgang til produktions-legitimationsoplysninger eller cloud-nøgler i dit lokale miljø, medmindre opgaven kræver det, og fjern adgangen igen bagefter.
Den anden risiko er mere kedelig, men langt mere almindelig i praksis: forsyningskædeproblemer, hvor en agent selv foreslår at installere et nyt bibliotek for at løse en opgave, et bibliotek hverken du eller din sikkerhedsafdeling har godkendt. Behandl den slags forslag som ethvert andet forslag om en ny afhængighed. Tjek pakkens popularitet, vedligeholdelsesstatus og licens, før du accepterer, uanset om forslaget kom fra en kollega eller fra Junie.
Fem almindelige faldgruber
De fleste problemer, nye brugere støder på, handler ikke om at værktøjet er i stykker, men om forventninger, der ikke matcher hvordan credits og agenter reelt fungerer. Her er de fem, vi ser oftest, når teams tager JetBrains AI Assistant i brug for første gang.
- Ukontrolleret credit-forbrug. Junie-opgaver med mange filer kan tømme et månedligt kvote hurtigt. Start med små, afgrænsede opgaver, indtil du kender forbrugsmønstret.
- Manglende .aiignore-fil. Uden den kan følsomme filer som
.envblive sendt som kontekst til modellen. Opret filen som en del af projektopsætningen, ikke som en eftertanke. - Blind tillid til genererede tests. Junie kan skrive tests, der teknisk set består, uden at dække de vigtige edge-cases. Læs testene, du committer dem stadig under dit eget navn.
- Forkert modelvalg til opgaven. At bruge en tung model til triviel autocomplete spilder credits, mens en let model til komplekse Junie-opgaver ofte giver dårligere resultater, der kræver flere rettelser.
- Glemt abonnementsfornyelse. Fordi et udløbet abonnement stille falder tilbage til AI Free, kan et team pludselig opleve markant reducerede credits uden en tydelig fejlmeddelelse.
- Ingen pilotfase før fuld udrulning. Teams, der springer piloten fra afsnittet ovenfor over, ender ofte med at købe det forkerte tier og skulle skifte licens midt i et budgetår, hvilket typisk koster mere administrativt besvær end selve licensforskellen.
Fejlfinding: otte almindelige problemer og løsninger
Selv med en ren installation løber de fleste brugere ind i mindst ét af følgende problemer i løbet af de første par ugers brug. Løsningerne herunder er samlet fra JetBrains’ egen dokumentation og fra almindelige mønstre, vi har set på tværs af AI-baserede kodeværktøjer.
- AI Assistant vises ikke i værktøjsvinduet. Gå til Settings → Plugins og bekræft at pluginet er aktiveret, ikke kun installeret. Genstart IDE’en efter enhver ændring.
- Login-vinduet åbner ikke i browseren. Kopier login-linket manuelt fra IDE’ens logfil (Help → Show Log) og indsæt det i browseren, hvis den automatiske browseråbning fejler bag en firewall.
- “Insufficient credits”-fejl midt i en Junie-opgave. Tjek dit resterende kvote under Settings → Tools → AI Assistant. Køb et top-up, eller vent til næste 30-dages cyklus.
- Kodefuldførelse føles langsom. Skift til en hurtigere model som Gemini 3.6 Flash til completion, og gem de tunge modeller til chat og Junie.
- Junie ændrer filer, du ikke forventede. Gennemgå altid planen, før du godkender den. Du kan afvise enkelte trin uden at stoppe hele opgaven.
- Ollama-modellen dukker ikke op i modelvælgeren. Bekræft at Ollama-tjenesten kører lokalt (
ollama list), og at IDE’en har adgang til den lokale port under BYOK-indstillingerne. - Commit-besked-forslag mangler. Funktionen kræver at ændringer er staged. Stage filerne først, klik derefter AI-ikonet i commit-vinduet.
- To forskellige credit-tal i dokumentationen. JetBrains har opdateret prissiderne flere gange i 2026. Stol altid på tallet, der vises direkte i din IDE under Settings, ikke på ældre skærmbilleder eller cachede sider.
- Junie stopper midt i en opgave uden forklaring. Det sker oftest, når credit-kvoten løber tør midtvejs i et flertrinsforløb. Tjek forbruget først, før du fejlsøger selve agentens logik, det sparer dig for at lede efter en bug, der ikke findes.
- Forslag fra AI Assistant matcher ikke projektets kodestandard. Modellen lærer ikke automatisk jeres interne konventioner. Tilføj en kort projektbeskrivelse eller style-guide som kontekst i chatten, eller brug JetBrains’ indbyggede kodeformatering til at rette output efter generering, i stedet for at forvente perfekt formateret kode fra modellen første gang.
Avancerede tips til erfarne brugere
Når du har kørt de 13 trin igennem og kender det grundlæggende workflow, er der en håndfuld indstillinger, der gør en reel forskel i det daglige arbejde. Den første er at forbinde en lokal model via Ollama, så følsom kode aldrig forlader din maskine.
# Installer og hent en lokal model med Ollama
ollama pull codellama:13b
ollama serve
# I JetBrains: Settings > Tools > AI Assistant > Third-Party Providers
# Tilføj endpoint: http://localhost:11434
# Vælg codellama:13b som completion-modelAndre tips, der er værd at kende: opret et bibliotek af genbrugelige prompts til gentagne opgaver, som “skriv en changelog-post” eller “gennemgå denne PR for sikkerhedsproblemer”, så du ikke skriver samme instruktion hver gang. Brug Junie CLI, hvis du vil køre agent-opgaver fra et CI-script eller en terminal uden for IDE’en, den er LLM-agnostisk og understøtter samme BYOK-opsætning som IDE-versionen. Og sæt et internt team-loft for credit-forbrug pr. udvikler pr. måned, så et enkelt overivrigt Junie-forløb ikke tømmer hele teamets kvote midt i en sprint.
En sidste ting erfarne brugere ofte overser: du kan bede Junie om at forklare sin egen plan, før den udfører noget, ved simpelthen at spørge “hvorfor foreslår du dette trin?” i chatten, inden du godkender. Det koster ingen ekstra credits at spørge, og det fanger ofte misforståelser, før agenten har brugt tid og credits på at bygge noget i den forkerte retning. Det er den samme disciplin, du ville bruge over for en ny kollega: bed om en kort forklaring, før du siger ja til en stor ændring.
Ofte stillede spørgsmål
Er JetBrains AI Assistant gratis?
Ja, der findes et gratis niveau med 3 AI Credits pr. 30 dage, nok til at teste chat og kodefuldførelse i mindre skala.
Hvad er forskellen på AI Assistant og Junie?
AI Assistant dækker kodefuldførelse, chat og commit-forslag inde i editoren. Junie er en selvstændig agent, der planlægger og udfører flertrinsopgaver på tværs af flere filer.
Kan jeg bruge JetBrains AI Assistant i VS Code?
Nej. AI Assistant og Junie er bygget specifikt til JetBrains-IDE’er som IntelliJ IDEA, PyCharm, WebStorm og Rider, ikke til andre editorer.
Skal jeg vælge JetBrains AI eller GitHub Copilot?
Det afhænger af dit workflow. Arbejder du udelukkende i JetBrains-IDE’er og vil have dyb native integration, er AI Assistant et naturligt valg. Skifter du mellem flere editorer og værktøjer, giver Copilots bredere dækning mere værdi pr. krone. Siden GitHub Copilot blev en integreret agent i JetBrains-IDE’er i juni 2026, behøver du dog reelt ikke vælge kun ét: mange teams kører begge dele side om side og bruger dem til forskellige opgavetyper.
Hvor mange credits bruger en typisk Junie-opgave?
Det varierer med opgavens størrelse. En lille rettelse i én fil bruger typisk under en credit, mens en flertrinsopgave, der rører flere filer og kører tests, kan bruge flere credits på én gang. Følg forbruget i Settings, indtil du kender dit eget mønster.
Kan jeg bruge en lokal model i stedet for cloud-modeller?
Ja, via BYOK-understøttelse og Ollama kan du køre lokale modeller som completion-kilde, hvilket er relevant for teams med strenge krav til datahåndtering.
Hvad sker der, hvis mit abonnement udløber?
Kontoen falder automatisk tilbage til AI Free-niveauet med 3 credits pr. 30 dage. Du mister ikke adgang til selve IDE’en.
Virker AI Assistant offline?
Kun delvist. Cloud-modellerne kræver internetforbindelse, men en lokal Ollama-model kan køre offline, når den først er hentet ned på din maskine.
Er JetBrains AI Assistant sikkert at bruge på arbejdskode?
Det afhænger af jeres opsætning. Brug .aiignore til at udelukke følsomme mapper, vælg lokale modeller via Ollama til de mest følsomme projekter, og gennemgå altid Junies ændringer manuelt, før du merger dem, i stedet for at stole blindt på agentens egen rapport.
Relateret dækning
- GitHub Copilot Opsætning: $0-$100/Md, 12 Trin [2026]
- GitHub Copilot Agents i VS Code: 12 Trin, 30 Min [2026]
- Cursor AI: Opsætning i 20 Trin med Composer og MCP [2026]
- Claude Code Opsætning: $20-200/Md, 13 Trin [2026]
- Meta Lancerer Muse Code Mod Copilots 20 Mio. Brugere [2026]
Se også flere guider til AI-kodningsassistenter og udviklerværktøjer i vores Software-kategori.
