Jeg bruker AI-verktøy i arbeidet mitt, og effekten avhenger av omfanget. De kan hjelpe med kjent implementering og utkast, mens produktbeslutninger, vanskelig feilsøking og verifisering fortsatt krever erfaren oppmerksomhet. Dette er mine erfaringer, ikke en benchmark eller et fast løfte om leveringstid.
Det nyttige spørsmålet er hvilke deler av et prosjekt som passer til denne arbeidsflyten, og hvor menneskelig vurdering fortsatt trengs.
Der AI kan hjelpe
- Kjent implementering. Når kravene og prosjektets konvensjoner er tydelige, kan AI hjelpe meg med skjemaer, API-klienter, migreringer og lignende kode. Jeg sjekker fortsatt at det passer til produktet.
- Å lese ukjent kode. AI-verktøy kan hjelpe meg med å kartlegge en kodebase og formulere ett konkret spørsmål. En fokusert seniordiagnose gjelder ett avtalt spørsmål i én time (€300); en full revisjon har et eget omfang.
- Tester. AI kan hjelpe med å utforme testtilfeller. Jeg avgjør fortsatt hvilken oppførsel som er viktig og sjekker at testene dekker den.
- Førsteutkast. Et utkast gir meg noe å gjennomgå, men trenger fortsatt redigering, produktkontekst og validering.
- Arbeid på tvers av teknologistakker. AI kan hjelpe meg med å orientere meg i backend- og infrastrukturkode. Domenekunnskap, systembegrensninger og gjennomgang er fortsatt viktig.
Det som fortsatt krever erfaring og vurdering
- Å avgjøre hva som skal bygges. Modeller kjenner ikke kundene eller begrensningene dine; produktbeslutninger trenger fortsatt dokumentasjon og vurdering.
- Langsiktig arkitektur. Et forslag kan passe til dagens oppgave og gjøre senere endringer vanskeligere. Erfaring og gjennomgang synliggjør avveiningen.
- Feil som er vanskelige å gjenskape. Modeller kan foreslå spor, men problemer med samtidighet, minne eller en bestemt enhet krever fortsatt nøye undersøkelser og bekreftelse.
- Smak og produkttilpasning. En modell kan foreslå alternativer, men mennesker avgjør om samspillet og språket fungerer for produktet.
- Koordinering. Utkast kan komme raskere; enighet mellom mennesker krever fortsatt kommunikasjon.
Der verifisering er viktig
AI kan lage kode som virker troverdig, men er feil eller ikke passer til prosjektet. Gjennomgangen bør stå i forhold til endringens omfang og konsekvenser.
Troverdige feil. AI kan lage kode som virker troverdig, men er feil eller ikke passer til prosjektet. Gjennomgangen bør stå i forhold til endringens omfang og konsekvenser. AI-adopsjon handler også om å endre arbeidsflyter, ikke bare om verktøy.
Prosjektets konvensjoner. Genererte forslag passer kanskje ikke med den eksisterende arkitekturen eller mønstrene. Jeg sjekker dem mot kodebasen før de tas inn.
Hvordan juniorer lærer. Jeg vet ennå ikke om dette er et problem. Jeg vet at forståelse man får av å stå fast, ikke automatisk erstattes av et raskt svar.
Hva dette betyr for det du kjøper
Hvis en leverandør sier at AI gjør dem 10× raskere og derfor gjør at prosjektet ditt tar en tidel av tiden, spør hvilket arbeid og hvilke bevis anslaget bygger på. Det kan gjelde en avgrenset oppgave, ikke hele prosjektet.
Etter min erfaring kan AI-assisterte arbeidsflyter gjøre enkelte implementerings- og skriveoppgaver raskere, mens avklaring, beslutninger og validering består. Effekten avhenger av omfang, kodebase, begrensninger og nødvendig verifisering.
For selskaper i Catalonia stengte ACCIÓs utlysning for teknologisk utforskning i 2026 den 21. september 2026. Den tilbød 75 % av de støtteberettigede kostnadene, opptil €30 000. Jeg holder tilskuddsguiden oppdatert ut fra offisielle kunngjøringer; en framtidig utlysning vises først når ACCIÓ har publisert den. Referansen til 2026-utlysningen er historisk.
Spørsmålet å stille en leverandør
Ikke "bruker dere AI?" Alle vil si ja.
Spør: "hvordan verifiserer dere hva det produserer?" Svaret forteller deg om du kjøper komprimert levering eller komprimert due diligence. En av disse er verdt å betale for.
Og hvis du arver en kodebase bygget på denne måten, betyr revisjonssjekklisten mer enn den gjorde før, ikke mindre.