GitLab 19.4 gir AI-agenter mer å gjøre med vakter

GitLab vil at utvikleren skal beskrive målet

GitLab lanserte versjon 19.4 17. september med en tydelig endring i hvordan utviklere skal bruke AI: De skal kunne beskrive resultatet de vil ha, mens agenten håndterer flere av stegene underveis. GitLabs lanseringsmelding kaller funksjonen /goal i GitLab Duo CLI, som nå er i offentlig beta.

En /goal-oppgave kan kjøre lokalt, implementere endringer og kontrollere arbeidet mot målet før den avsluttes. GitLab opplyser at en separat modell verifiserer fremdriften underveis, og at utvikleren kan stoppe kjøringen, endre målet og starte på nytt. Det er en annen arbeidsdeling enn klassisk kodefullføring: Agenten får et avgrenset ansvar, mens mennesket fortsatt setter rammene og avgjør når resultatet er godt nok.

MCP kobler agenten til hele prosjektet

Den største praktiske nyheten er kanskje GitLabs nye MCP-verktøy, også i offentlig beta. De gir eksterne AI-klienter tilgang til arbeidsoppgaver på tvers av CI/CD, merge requests, work items, sårbarheter og prosjekter. En agent kan dermed starte en pipeline, lese sporet fra en mislykket jobb, følge en merge request gjennom review og oppdatere en arbeidsoppgave. GitLabs tekniske gjennomgang beskriver dette som en utvidelse av automasjonen, ikke bare en ny samtalefunksjon.

Det avgjørende ligger i tillatelsene. Skrive- og slettehandlinger spør som standard alltid om godkjenning, mens lesetilgang kan kjøre uten å stoppe arbeidsflyten. Reglene settes i de samme gruppe- og prosjektinnstillingene som gjelder for GitLab Duo Agent Platform. GitLab sier at dette skal gjøre det mulig å ta i bruk tredjepartsagenter uten å bygge et separat kontrollsystem for hver klient.

For utviklingsteam er det en nyttig grense: En agent kan få lese feillogger og status automatisk, men må be om tillatelse før den endrer kode, slår sammen en merge request eller sletter data. Det gjør ikke agenten feilfri, men det gjør ansvaret lettere å plassere og hendelser enklere å ettergå.

Flere modeller og bedre kostnadskontroll

GitLab legger samtidig tre GitLab-hostede modeller inn i Duo Agent Platform: Kimi K3, MiniMax M3 og GLM 5.3. Selskapet oppgir at modellene kan gi opptil fire ganger flere kall per GitLab Credit enn flere sammenlignbare frontmodeller, samtidig som ytelsen ifølge GitLab er på et sammenlignbart nivå. Det er en leverandørpåstand, ikke en uavhengig test, men retningen er klar: Teamene skal kunne velge en rimeligere modell til en enkel oppgave og spare de kraftigste modellene til arbeid som faktisk trenger dem.

Versjonen gjør også oversikten over GitLab Credits allment tilgjengelig. Plattformansvarlige kan se forbruk per person og styre hvor mye agentisk automasjon et team får bruke. Dermed blir AI-bruk en del av den samme kostnadsstyringen som byggjobber, skylagring og andre utviklerverktøy.

GitLab Duo Agent Platform i Slack er i tillegg lansert som et eksperiment for Premium- og Ultimate-kunder. Team kan nevne @GitLab i en tråd for å søke i GitLab, åpne en sak eller få svar om et prosjekt, med samtalen og den siste kanalhistorikken som kontekst. GitLab opplyser at flyten kjører på en CI/CD-runner og legger resultatet tilbake i tråden.

Hvor mye bør teamet slippe agenten til?

19.4 er interessant fordi lanseringen handler like mye om styring som om modellkraft. En agent som kan gjøre mer enn å foreslå kode, trenger tydelige stoppunkter, eierskap til endringer og en måte å se hva den faktisk har brukt av tid og kreditter. Det er særlig viktig når agenten får tilgang til produksjonsnære systemer.

For norske utviklingsteam som allerede bruker GitLab, kan dette gjøre det lettere å starte med små, målbare oppgaver: feilsøking av en pipeline, førsteutkast til en merge request eller triage av sårbarheter. Begynn med lesetilgang og godkjenning på alle endringer, og utvid først når teamet har sett hvordan agenten oppfører seg i egne prosjekter. Se flere arbeidsverktøy i koding og utvikling og automatisering og agenter.

Vanlige spørsmål

Hva er nytt i GitLab 19.4?
Hovednyhetene er /goal i GitLab Duo CLI, nye MCP-verktøy, GitLab-hostede modeller og mer detaljert oversikt over kredittbruken.

Kan en ekstern AI-agent slå sammen kode selv?
Den kan arbeide med merge requests, men skrive- og sletteverktøy spør som standard alltid om godkjenning. Administratorer kan styre reglene på gruppe- og prosjektnivå.

Er de nye modellene billigere i kroner?
GitLab oppgir bedre utnyttelse per GitLab Credit, men lanseringsmeldingen oppgir ikke en norsk kronepris. Faktisk kostnad avhenger av abonnement, kreditter og bruk.

Hva dette betyr for norske utviklingsteam

Norske team bør starte med GitLab 19.4 på avgrensede oppgaver og beholde godkjenning på alle skrivehandlinger. Den største gevinsten ligger ikke i å gi agenten frie tøyler, men i å kombinere målbasert automasjon med sporbar bruk, tydelige eiere og en kostnadsgrense som utviklingslederen faktisk kan følge opp.

Ofte stilte spørsmål

Hva er nytt i GitLab 19.4? Versjonen lanserer blant annet /goal i GitLab Duo CLI, nye MCP-verktøy, GitLab-hostede modeller og bedre oversikt over kredittbruken.

Kan en ekstern AI-agent slå sammen kode selv? Agenten kan jobbe med merge requests, men skrive- og sletteverktøy krever som standard godkjenning. Reglene kan styres av administratorer.

Er de nye modellene billigere i norske kroner? GitLab oppgir bedre utnyttelse per GitLab Credit, men ingen norsk kronepris. Kostnaden avhenger av abonnement, kreditter og faktisk bruk.