Entire har lanserat en utvecklarplattform där AI-agenter inte bara skriver kod utan också granskar ändringarna och dokumenterar hur arbetet gick till. Den nya tjänsten utmanar GitHub, men det går också att använda båda tillsammans. För utvecklare och mindre team är de viktigaste skillnaderna hur kod granskas, vad AI-funktionerna kostar och hur känslig information hanteras.

Vad är Entire och hur skiljer det sig från GitHub?

Den 26 oktober 2026 presenterade Entire sin nya plattform för mjukvaruutveckling. Bakom företaget står bland andra Thomas Dohmke, tidigare vd för GitHub.

Entire har sedan tidigare erbjudit verktyg för att spara AI-agenters arbetshistorik. Nu tillkommer en bredare plattform med egen Git-baserad kodlagring, AI-granskning och ett system som hjälper agenter att återanvända information från tidigare arbetspass.

Den största förändringen handlar om hur utvecklarnas arbete organiseras.

På GitHub är en pull request central. En utvecklare föreslår kodändringar, andra granskar skillnaderna och automatiska tester kan behöva godkännas innan ändringarna förs in i projektets huvudgren.

Entire bygger i stället kring något som kallas Trails. Där samlas hela arbetet med en uppgift: instruktionerna till AI-agenten, kodändringarna, granskningsresultaten, testerna och det slutliga beslutet.

Tanken är att en mänsklig utvecklare ska kunna förstå inte bara vilken kod som har ändrats, utan också hur AI-agenten kom fram till resultatet.

Entire jämfört med GitHub

Funktion	Skillnaden
Kodlagring	GitHub erbjuder offentliga och privata projekt. Entire har egen lagring för privata projekt och kan spegla GitHub.
Kodgranskning	GitHub använder pull requests. Entire organiserar granskningen genom Trails.
AI-granskning	Båda har AI-funktioner. Entire bygger en större del av arbetsflödet kring automatiska granskningsagenter.
Projekthistorik	Entire kan spara promptar, agentsessioner och tidigare beslut som återanvändbart sammanhang.
Automatiska tester	GitHub har Actions. Entire använder bland annat integrationer med Buildkite och Depot.
Mänskligt godkännande	Båda kan kräva att en utvecklare godkänner ändringar innan koden slås samman.

Det är viktigt att skilja mellan en ny typ av utvecklingsplattform och en helt ny teknisk möjlighet.

GitHub Copilot kan redan granska kod med AI och lämna kommentarer om problem. Entire är alltså inte först med AI-baserad kodgranskning. Skillnaden är att företaget försöker göra AI-agenternas arbete till själva utgångspunkten för utvecklingsprocessen.

Så fungerar AI-granskningen i Entire

Anta att ett litet utvecklingsteam använder Claude Code eller Codex för att rätta ett fel i en webbapplikation.

I ett traditionellt arbetsflöde får AI-agenten skriva kod. Utvecklaren undersöker resultatet, kör tester och skickar sedan en pull request till GitHub.

Med Entire kan samma arbete samlas i ett Trail.

När agenten har gjort sina ändringar kan särskilda granskningsagenter analysera koden. En kan undersöka säkerhetsrisker, en annan kan bedöma kodkvaliteten och en tredje kan leta efter oönskade förändringar.

Resultaten presenteras med bedömningar, motiveringar och konkreta fynd. Utvecklaren kan därefter låta agenten åtgärda problemen och genomföra ytterligare granskningar.

Det finns dock en viktig begränsning: AI-granskningen körs inte automatiskt bara för att ett Trail har skapats. Granskningsagenterna och villkoren för när de ska starta behöver konfigureras.

Kan AI godkänna sin egen kod?

Entire har ett system med spärrar, kallade Gates, som kan användas för att bestämma vilka villkor som måste vara uppfyllda innan kod får slås samman.

Det kan exempelvis handla om att:

• Automatiska tester måste vara godkända.
• Allvarliga fynd från AI-granskningen måste ha hanterats.
• En mänsklig utvecklare måste godkänna ändringen.

Men de här kraven gäller inte nödvändigtvis automatiskt för varje projekt. Teamet behöver välja och aktivera rätt skydd.

Det betyder att en AI-granskare kan rekommendera en ändring utan att den därmed är godkänd för användning.

En AI kan dessutom missa samma fel som agenten som skrev koden. Ett godkänt automatiskt test är inte heller någon garanti för att allt fungerar, särskilt om relevanta testfall saknas.

Entire ger utvecklaren ett mer omfattande beslutsunderlag, men tar inte bort behovet av mänskligt ansvar.

Det finns också en säkerhetsfråga kring att låta AI-system övervaka andra AI-system. Den behandlas närmare i Hurbras artikel om riskerna med AI-agenter som granskar andra AI-agenter.

Måste man lämna GitHub för att använda Entire?

Nej. Det är en av de viktigaste detaljerna i lanseringen.

Entire kan användas tillsammans med ett befintligt GitHub-projekt genom spegling. Utvecklarna kan då prova Entires funktioner utan att omedelbart flytta kodlagringen.

I den modellen ligger den ordinarie GitHub-processen kvar. Kodändringarna behöver fortfarande följa de regler som gäller för projektet på GitHub, exempelvis krav på godkännanden och skyddade grenar.

Entire erbjuder samtidigt egen Git-baserad kodlagring för team som vill använda tjänsten mer självständigt.

Den egna plattformen är dock fortfarande ny. Offentliga kodförråd, som är en central del av GitHubs användning inom öppen källkod, har ännu inte lanserats hos Entire.

För ett mindre team som redan använder GitHub är det därför rimligare att börja med ett begränsat testprojekt än att flytta hela utvecklingsmiljön direkt.

Vad kostar Entire?

Entire använder en annan prismodell än ett vanligt abonnemang per utvecklare.

Enligt företagets aktuella faktureringsinformation är själva plattformen, kodlagringen och lagringen av sessionshistorik kostnadsfria. Kostnader uppstår framför allt när AI-modeller används för kodgranskning och andra agentuppgifter.

Nya faktureringskonton får 100 dollar i startkredit utan att behöva registrera ett betalkort. Krediten gäller i högst 90 dagar eller tills den förbrukas.

Därefter kan användaren köpa krediter, med ett lägsta köp på 10 dollar. Köpta krediter gäller i 365 dagar.

Vad kostar en AI-granskning?

Priset påverkas av vilken AI-modell som används, hur mycket kod som behöver granskas och hur många gånger granskningen körs.

Som ett räkneexempel: Om en modell kostar 4 dollar per miljon inmatade token och 20 dollar per miljon utmatade token, skulle en körning med 100 000 inmatade och 20 000 utmatade token kosta 0,80 dollar.

Det är inte ett fast pris för en kodgranskning. Ett stort projekt eller flera granskningsomgångar kan ge en betydligt högre kostnad.

Dessutom kan automatiska byggen och tester hos externa tjänster medföra egna avgifter.

Automatisk påfyllning av AI-krediter är avstängd som standard. Den som aktiverar funktionen bör kontrollera sina kostnadsgränser, eftersom standardinställningen inte innebär ett fast månadstak.

Är GitHub billigare?

GitHub har en kostnadsfri nivå för kodlagring och samarbete. GitHub Team kostar 4 dollar per användare och månad och ger bland annat ytterligare samarbetsfunktioner.

GitHub Copilot Pro kostar 10 dollar per månad, medan Pro+ kostar 39 dollar.

Men inte heller GitHubs AI-kodgranskning är alltid en obegränsad funktion till ett fast pris. GitHub använder förbrukningsbaserade AI-krediter, och granskningarna kan också förbruka GitHub Actions-minuter.

GitHub har uppskattat AI-kostnaden för lättare kodgranskningar till omkring 0,05–1 dollar och för djupare granskningar till 0,25–5 dollar, beroende på omfattningen.

Det går därför inte att utse Entire eller GitHub till det billigaste alternativet enbart genom att jämföra månadsavgifterna.

För ett litet team är den relevanta jämförelsen vad 20, 50 eller 100 verkliga kodgranskningar kostar under en månad, inklusive tester och omkörningar.

Vad händer med koden och allt som skrivs till AI?

Entire erbjuder ett system som kallas Continuous Memory. Det ska göra det möjligt för AI-agenter att återanvända information från tidigare arbetspass.

Exempelvis kan en agent som ska utveckla en ny funktion få tillgång till tidigare beslut om projektets struktur, vilka filer som hör ihop och varför vissa kodlösningar valdes.

Det kan minska behovet av att förklara samma sak inför varje ny session.

Men funktionen innebär också att mer information kan sparas.

Entires kommandoradsverktyg kan registrera användarens instruktioner, agentsvar, verktygsanrop och kopplingen mellan en session och de kodändringar som genomförts.

Sessionshistoriken kan lagras i särskilda Git-referenser. Informationen ligger då inte som vanliga filer i projektets arbetsgren, men den kan fortfarande följa med till ett fjärrlagrat kodförråd.

Det är betydelsefullt eftersom promptar ibland innehåller mer än tekniska instruktioner. Där kan finnas personuppgifter, uppgifter om kunder, interna system eller information som inte bör delas.

Är känsliga uppgifter skyddade?

Entire erbjuder automatisk identifiering av många typer av hemligheter och möjlighet att filtrera känsligt innehåll.

Men filtreringen har begränsningar.

Maskering av personuppgifter är exempelvis avstängd som standard och behöver aktiveras särskilt. Automatisk filtrering kan inte heller garantera att alla känsliga uppgifter upptäcks.

Eftersom historiken kan sparas i Git kan det dessutom vara komplicerat att i efterhand radera en uppgift som redan förekommer i flera historiska poster.

Entire uppger i sina villkor att kundernas kod och importerade innehåll inte används för att träna generella AI-modeller utanför tjänsten utan separat aktivt samtycke. Det innebär däremot inte att all bearbetning sker lokalt.

Räcker det att välja EU-lagring?

Entire erbjuder regional kodlagring, bland annat inom EU. Det är relevant för svenska företag, men innebär inte automatiskt att alla data stannar inom unionen.

Vissa verktyg arbetar lokalt på utvecklarens dator. AI-granskningen använder däremot molnbaserade modeller och exekveringsmiljöer.

Ett företag behöver därför kontrollera var koden behandlas, vilka underleverantörer som används och hur länge promptar, loggar och sessionsdata lagras.

För en svensk utvecklingsbyrå som arbetar med kundernas kod är det också viktigt att granska avtalen och ansvarsfördelningen innan känslig information förs över till tjänsten.

Är Entire verkligen 89 gånger snabbare än GitHub?

Entire lyfter fram prestanda som ett av de starkaste argumenten för den egna kodlagringen.

I företagets egna tester klarade Entire 418 samtidiga kodöverföringar per sekund, jämfört med 4,7 för GitHub. Det motsvarar ungefär 89 gånger högre kapacitet.

Men resultatet behöver läsas i sitt sammanhang.

Testet gäller en specifik arbetsbelastning med många samtidiga Git-operationer. Det säger inte hur snabbt en utvecklare kan bygga en färdig funktion, hur bra AI-granskningen är eller hur lång tid det tar att få igenom alla tester.

Entire har publicerat sitt testverktyg öppet, vilket gör det möjligt att undersöka metoden. Någon oberoende verifiering av att vanliga utvecklingsprojekt blir 89 gånger snabbare finns däremot inte i underlaget.

Det finns också en praktisk begränsning: när Entire används som GitHub-spegel går kodöverföringarna genom GitHub. Då får användaren inte automatiskt tillgång till den kapacitet som Entire redovisar för sin egen lagring.

Bolagets påstående om 71 procent färre token kräver försiktighet

Entire hävdar också att verktyget entire-graph kan minska AI-agenters tokenförbrukning med upp till 71 procent genom att ge dem mer relevant information om koden.

Det skulle kunna vara värdefullt eftersom tokenförbrukningen påverkar kostnaden för många AI-tjänster.

Men det finns en viktig reservation i bolagets egen tekniska dokumentation.

I det öppna projektet entire-graph på GitHub redovisar utvecklarna att tidigare påståenden om tokenbesparingar har dragits tillbaka på grund av problem med testmetoden.

Bland annat kunde testupplägget uppmuntra en AI-agent att avsluta arbetet tidigare. En producerad kodändring räknades också i vissa fall som en löst uppgift utan att motsvarande tester hade godkänts.

Det är inte fastställt att just lanseringens uppgift om 71 procent kommer från samma mätningar. Men dokumentationen visar varför sådana besparingssiffror måste granskas kritiskt.

Att en AI använder färre token är bara en verklig förbättring om den fortfarande löser uppgiften med samma eller bättre kvalitet.

Färre token, snabbare kodöverföringar och höga betyg från AI-granskare är därför tre olika mått. Inget av dem visar ensamt att ett utvecklingsteam levererar bättre eller säkrare programvara.

Vem har mest nytta av Entire?

Entire är mest intressant för utvecklare och team som redan använder AI-agenter till en betydande del av programmeringen.

Om flera agenter regelbundet skriver, granskar och ändrar kod kan det finnas ett värde i att samla deras arbete i en gemensam historik. Det blir enklare att se vilka instruktioner som ledde till en förändring och vilka problem som upptäcktes under granskningen.

För ett mindre team som vill prova tjänsten är en försiktig start lämplig:

1. Behåll GitHub och anslut ett privat testprojekt utan känsliga kunduppgifter.
2. Kontrollera vilka promptar, kodändringar och sessionsdata Entire kommer att spara.
3. Aktivera AI-granskningen och välj vilka fynd som ska stoppa en ändring.
4. Kräv godkända tester och mänskligt godkännande innan kod förs in i huvudgrenen.
5. Jämför den faktiska tidsåtgången och kostnaden med teamets vanliga GitHub-flöde.

För en ensam utvecklare som sällan använder AI-agenter kan det befintliga GitHub-flödet fortfarande vara enklare och fullt tillräckligt.

För team som låter AI producera stora mängder kod är det mer sannolikt att Entires historik och automatiserade granskning kan tillföra något.

Kommer Entire att ersätta GitHub?

Entire är ett ambitiöst alternativ, men lanseringen innebär inte att GitHub plötsligt har blivit omodernt.

GitHub har redan en etablerad miljö för kodlagring, automatiska tester, AI-stöd och samarbete. Entire försöker förändra hur de delarna sätts samman när allt mer kod produceras av AI-agenter.

Den stora möjligheten ligger i att utvecklare kan få bättre överblick över vad AI-agenter faktiskt har gjort, varför ändringar föreslagits och vilka granskningar som genomförts.

Men när kod produceras snabbare ökar också betydelsen av fungerande tester, tydliga behörigheter och ansvariga människor som kan bedöma resultatet.

Entire kan göra AI-genererad kod enklare att följa och granska. Om det också gör utvecklingen snabbare, billigare och säkrare återstår att visa i praktisk användning.