In the tech world, there is a constant flow of changes and keeping up with them means the choice for tools and technologies which are the most appropriate to invest your time in.
In 2026 the best programming language or technology stack to learn really depends on your personal aims, hobbies, and apps you are going to create.
The use of AI is increasing. AI as a “Pair Programmer” is becoming the default. Code completion, refactoring, and boilerplate generation are used often. Devs spend more time reviewing and steering code than typing it. “Explain this error” and “why is this slow?” prompts are useful.
In prompt-Driven Development programmers describe the intent in natural language and then let AI generate first drafts of functions, APIs, or configs. Iterate by refining prompts rather than rewriting code. Trend: Knowing how to ask is becoming as important as syntax.
Strong growth in: Auto-generated unit and integration tests and edge-case discovery. Trend: “Test-first” is easier when AI writes the boring parts.
AI is moving up the stack. Trend: AI as a junior architect or reviewer, not the final decider.
AI comes to Security & Code Quality Scanning. Rapid adoption in: Static analysis and vulnerability detection, secret leakage and dependency risk checks. AI can give secure-by-default code suggestions. Trend: AI shifts security earlier in the SDLC (“shift left”).
Instead of one-off prompts: AI agents that plan → code → test → fix → retry. Multi-step autonomous tasks (e.g., “add feature X and update docs”) can be done in best cases. Trend: Still supervised, but moving toward semi-autonomous dev loops.
AI is heavily used for explaining large, unfamiliar codebases and translating between languages/frameworks. It helps onboarding new engineers faster.
What’s changing: Less manual boilerplate work
More focus on problem definition, review, and decision-making. There is stronger emphasis on fundamentals, architecture, and domain knowledge. Trend: Devs become editors, designers, and orchestrators.
AI usage policies and audit trails is necessary. Trend: “Use AI, but safely.”
Likely directions:
Deeper IDE + CI/CD integration
AI maintaining legacy systems
Natural-language → production-ready features
AI copilots customized to your codebase
859 Comments
Tomi Engdahl says:
https://www.semafor.com/article/10/27/2026/microsofts-buyout-offer-to-employees-shows-which-tech-jobs-matter
Tomi Engdahl says:
https://www.howtogeek.com/a-sub-100-homelab-can-pay-for-itself-by-replacing-just-3-cloud-subscriptions/
Tomi Engdahl says:
Microsoft expects ‘very few people’ to accept buyouts, CFO says in internal memo : https://mrf.lu/2XHYF
Tomi Engdahl says:
https://www.xda-developers.com/a-10-esp32-that-pretends-to-be-a-keyboard-is-the-most-useful-gadget-on-my-desk/
Tomi Engdahl says:
https://www.theregister.com/devops/2026/10/30/http/3-is-faster-with-some-work-and-help-from-cloudflare/5306767
Tomi Engdahl says:
Google says Gemini 4 Argon is the best coder alive, so I put it up against Claude Opus 5.5 | Read More: bit.ly/4yPfRVH
Tomi Engdahl says:
https://www.facebook.com/share/r/1RE7k6WYsa/
The problem he has with using Claude
Brian Kernighan (Bell Labs MTS): “I’ve been using mostly Claude, but others as well, to generate SQL, ’cause I’m not an SQL expert. And I have a colleague over at the Institute for Advanced Study who has a database. She’s not a programmer at all, but she wants to query her database effectively.
How do I know whether it gave me the right query? ‘Cause I’m not an SQL expert, and we, if we already knew the answer, we wouldn’t need it.
And so I’m wrestling with that, and my observation is 90% of the time it generates a perfectly fine query and 10% of the time it doesn’t, gives you a totally wrong answer, and I don’t know which is which.”
For the full conversation, you can search Brian Kernighan on my YouTube, Spotify or Apple Podcasts
Video
https://www.facebook.com/share/r/1EwE98DCZx/
Tomi Engdahl says:
Linux kasvaa ennätysvauhtia – koodia jo lähes 42 miljoonaa riviä
https://etn.fi/index.php/13-news/19476-linux-kasvaa-ennaetysvauhtia-koodia-jo-laehes-42-miljoonaa-riviae
Linux-ytimen kehitystahti on noussut ennätykselliseksi. Sunnuntaina julkaistun Linux 7.4 ensimmäisen testiversion kehitykseen sisältyi lähes 20 000 muutosta. Samalla Linuxin lähdekoodin koko lähestyy jo 42 miljoonaa riviä. Kasvua vauhdittaa myös tekoäly, jonka avulla löydetään ja korjataan yhä enemmän ohjelmistovirheitä.
Tomi Engdahl says:
Tekoäly kirjoittaa koodia nopeammin kuin ihminen ehtii tarkastaa
https://etn.fi/index.php/13-news/19499-tekoaely-kirjoittaa-koodia-nopeammin-kuin-ihminen-ehtii-tarkastaa
Tekoäly on kiihdyttänyt ohjelmistokehitystä voimakkaasti, mutta samalla se on synnyttänyt uuden pullonkaulan. Koodia syntyy nyt nopeammin kuin sitä ehditään tarkastaa ja hyväksyä. Ohjelmistokehityksen tuottavuutta mittaavan LinearB:n tutkimuksen mukaan tekoälyagenttien tekemät koodimuutokset odottavat katselmointia yli viisi kertaa pidempään kuin muut muutokset.
LinearB:n vuoden 2026 vertailututkimus perustuu 2,7 miljoonaan koodimuutosehdotukseen eli pull requestiin, joita teki 83 000 ohjelmistokehittäjää 253 organisaatiossa. Tulokset osoittavat, kuinka voimakkaasti tekoäly muuttaa ohjelmistokehityksen työnkulkua.
Tekoälyä vähintään 75 prosenttina ohjelmointipäivistään käyttävien kehittäjien viikoittain hyväksyttyjen koodimuutosten määrä kasvoi vuodessa 96 prosenttia. Ilman tekoälyä työskentelevillä määrä puolestaan väheni 3,6 prosenttia. Luvut osoittavat vahvan yhteyden tekoälyn käytön ja tuottavuuden kasvun välillä, vaikka ne eivät yksin todista tekoälyn aiheuttaneen koko eroa.