Jeg bruger AI-værktøjer i mit arbejde, og effekten afhænger af omfanget. De kan hjælpe med velkendt implementering og udkast, mens produktbeslutninger, vanskelig fejlfinding og kontrol stadig kræver erfaren opmærksomhed. Det følgende er mine erfaringer, ikke et benchmark eller et fast løfte om leveringstid.
Det nyttige spørgsmål er, hvilke dele af et projekt der passer til arbejdsgangen, og hvor menneskeligt skøn stadig er nødvendigt.
Hvor AI kan hjælpe
- Velkendt implementering. Når krav og projektets konventioner er tydelige, kan AI hjælpe mig med formularer, API-klienter, migreringer og lignende kode. Jeg kontrollerer stadig, at det passer til produktet.
- At læse ukendt kode. AI-værktøjer kan hjælpe mig med at kortlægge en codebase og formulere et konkret spørgsmål. En fokuseret senior-diagnose behandler ét aftalt spørgsmål på én time (€300); en fuld audit har et særskilt omfang.
- Tests. AI kan hjælpe med at udarbejde testtilfælde. Jeg afgør stadig, hvilken adfærd der er vigtig, og kontrollerer at testene dækker den.
- Første udkast. Et udkast giver mig noget at gennemgå, men kræver stadig redigering, produktkontekst og validering.
- Arbejde på tværs af stacks. AI kan hjælpe mig med at finde rundt i backend- og infrastrukturkode. Domæneviden, systembegrænsninger og gennemgang er stadig vigtige.
Det, der stadig kræver erfaring og fagligt skøn
- At beslutte hvad der skal bygges. Modeller kender ikke dine kunder eller begrænsninger; produktbeslutninger kræver stadig evidens og skøn.
- Langsigtet arkitektur. Et forslag kan passe til dagens opgave og gøre senere ændringer vanskeligere. Erfaring og gennemgang hjælper med at synliggøre afvejningen.
- Fejl der er svære at genskabe. Modeller kan foreslå spor, men problemer med samtidighed, hukommelse eller en bestemt enhed kræver stadig omhyggelig undersøgelse og bekræftelse.
- Smag og produktets egnethed. En model kan foreslå varianter, men mennesker afgør, om interaktionen og sproget fungerer for produktet.
- Koordinering. Udkast kan blive til hurtigere; enighed mellem mennesker kræver stadig kommunikation.
Sådan gennemgår du AI-genereret app-kode før udgivelse
Gennemgå en lille, overskuelig ændring frem for at acceptere en hel funktion på én gang. Beskriv den forventede brugerhandling, hvilke data den må læse eller ændre, og hvornår handlingen skal stoppe. Sammenhold derefter ændringen med den eksisterende arkitektur og appens faktiske adfærd.
- Omfang og ansvar. Find de berørte skærmbilleder, backend-endpoints, datamigreringer og afhængigheder. Hemmelige nøgler skal blive på serveren, hvor adgangen til kontodata også skal kontrolleres. En skjult knap er ikke adgangskontrol.
- Fejlforløb. Afprøv en udløbet session, en manglende tilladelse, en mislykket forespørgsel og gentagne tryk. Ventetilstanden skal slutte, fejlbeskeden skal hjælpe brugeren, og et nyt forsøg må ikke oprette et ekstra køb, en ekstra post eller en ekstra besked.
- Dokumentation. Kør relevante kontroller af den ændrede adfærd, og gennemgå derefter udgivelsesversionen på de tiltænkte enheder. En bestået enhedstest dokumenterer ikke, at tilladelsesdialog, tastatur eller betalingsbekræftelse virker i den leverede app.
- Tilbagerulning. Aftal, hvem der godkender udgivelsen, hvilket signal der udløser tilbagerulning, og hvordan eksisterende data fortsat kan bruges, hvis funktionen slås fra.
Eksempel: en genereret ændring af en gem-knap
Forestil dig en profileditor. Eksemplet er illustrativt og beskriver ikke et kunderesultat. Udkastet gemmer profilen og viser en bekræftelse. Afprøv en langsom forbindelse og to tryk: Der bør kun ske én tilsigtet opdatering, ventetilstanden skal være tydelig, og bekræftelsen må ikke komme for tidligt. Gentag med en udløbet session: Serveren skal afvise skrivningen, grænsefladen skal forklare, hvordan man logger ind igen, og den redigerede tekst skal bevares, hvor produktet tillader det. Notér den afprøvede version og det observerede resultat før godkendelsen.
Ved overtagelse af kode kan du begynde med tjeklisten til teknisk due diligence. Se Flutter-udvikling for implementering og vedligeholdelse af en app. AI-adoption handler om teamets arbejdsgange og ansvar for gennemgang. Aftal den konkrete leverance, før arbejdet estimeres.
Projektets konventioner. Genererede forslag passer måske ikke til den eksisterende arkitektur eller mønstre. Jeg holder dem op mod codebasen, før de bliver taget i brug.
Hvordan juniorer lærer. Jeg ved endnu ikke, om det er et problem. Jeg ved, at forståelse fra selv at sidde fast ikke automatisk erstattes af et hurtigt svar.
Hvad det betyder for det, du køber
Hvis en leverandør siger, at AI gør dem 10× hurtigere, så dit projekt tager en tiendedel af tiden, så spørg hvilket arbejde og hvilken dokumentation estimatet bygger på. Det kan beskrive en afgrænset opgave, ikke hele projektet.
Efter min erfaring kan AI-assisterede arbejdsgange gøre nogle implementerings- og skriveopgaver hurtigere, mens afklaring, beslutninger og validering består. Effekten afhænger af omfang, codebase, begrænsninger og nødvendig kontrol.
For virksomheder i Catalonien lukkede ACCIÓs teknologiske udforskningspulje for 2026 den 21. september 2026. Den tilbød 75 % af de støtteberettigede omkostninger, op til 30.000 €. Jeg holder tilskudsguiden opdateret ud fra officielle myndighedspublikationer; en fremtidig pulje vises først, når ACCIÓ har offentliggjort den. Referencen til 2026-puljen er historisk.
Det bør du spørge en udviklingspartner om
Om en leverandør bruger AI, siger kun lidt om leverancens kvalitet. Bed i stedet om et konkret eksempel på, hvordan genereret kode bliver gennemgået, og hvordan en ændring bliver godkendt til udgivelse.
Spørg: „Hvilke fejlforløb afprøver I, hvem godkender udgivelsen, og hvilken dokumentation får vi?“ Svaret gør det lettere at forstå den kontrol og det ansvar, der ligger bag en tidsplan.
Hvis du overtager en codebase, der er udviklet på denne måde, kan tjeklisten til teknisk due diligence hjælpe med den første gennemgang.