I takt med att generativ Artificiell Intelligensen (AI) har börjat användas inom mjukvaruutveckling väcks även frågor kring den genererade kodens kvalitet. Samtidigt som tekniken möjliggör en snabbare produktionstakt, kan komplex och rörig kod på sikt bygga upp en teknisk skuld. Medan tidigare forskning främst undersöker kodens procedurella kodkomplexitet, lämnas objektorienterad arkitektonisk komplexitet outforskat. Denna studie ämnar att fylla denna kunskapslucka genom att applicera C&K-metriken på AI-genererade kodprojekt skrivna i C#. Studien genomför ett formellt experiment, där AI-modellerna Claude Opus 4.6, Gemini 3.1 Pro och GPT-5.4 instrueras att utveckla en mindre e-handelswebbsida för att sedan jämföra detta med ett mänskligt skrivet best-practice-projekt. Studiens resultat visar att samtliga modeller genererar kod vars C&K-värden i genomsnitt är jämförbart med ett best-practice-projekt där modellerna överlag skapade välstrukturerad kod. GPT-5.4 och Gemini 3.1 Pro presterade för det mesta nära referensprojektet och genererade allmänt stabila resultat, medan Claude Opus 4.6 presterade mer oförutsägbart och skapade en mindre väluppdelad kodarkitektur. 

Generative Artificial Intelligence (AI) has become an increasingly common tool within software development, which has led to questions about the quality of the generated code. While such technology enables faster development, complex and poorly structured code may, over time, accumulate technical debt. While previous research predominantly studies procedural code complexity, object-oriented architectural complexity remains largely unexplored. This study aims to bridge this gap by applying the C&K-metric suite to AI-generated code projects written in C#. The study conducts a formal experiment in which the AI models Claude Opus 4.6, Gemini 3.1 Pro, and GPT-5.4 are tasked with developing a small e-commerce website, which will be compared against a human-written, best-practice project. The results demonstrate that the respective models, on average, generate code with C&K values comparable to the best-practice project; overall producing well-structured code. GPT-5.4 and Gemini 3.1 Pro consistently performed close to the reference project and yielded generally stable results, whereas Claude Opus 4.6 exhibited greater unpredictability and generated a less modular code architecture.