Jag använder AI-verktyg i mitt arbete, och effekten beror på omfattningen. De kan hjälpa till med välbekant implementation och utkast, medan produktbeslut, svår felsökning och verifiering fortfarande kräver erfaren uppmärksamhet. Det här är mina erfarenheter, inte ett riktmärke eller ett fast löfte om leveranstid.
Den användbara frågan är vilka delar av ett projekt som passar arbetssättet och var mänskligt omdöme fortfarande behövs.
Där AI kan hjälpa
- Välbekant implementation. När kraven och projektets konventioner är tydliga kan AI hjälpa mig att ta fram formulär, API-klienter, migreringar och liknande kod. Jag kontrollerar fortfarande att den passar produkten.
- Läsa okänd kod. AI-verktyg kan hjälpa mig att kartlägga en kodbas och formulera en konkret fråga. En fokuserad seniorbedömning gäller en överenskommen fråga under en timme (€300); en fullständig granskning har en separat omfattning.
- Tester. AI kan hjälpa till att skriva testfall. Jag avgör fortfarande vilket beteende som är viktigt och kontrollerar att testerna täcker det.
- Första utkast. Ett utkast ger mig något att granska, men behöver fortfarande redigering, produktkontext och validering.
- Arbete med olika teknikstackar. AI kan hjälpa mig att orientera mig i backend- och infrastrukturkod. Domänkunskap, systembegränsningar och granskning är fortfarande viktiga.
Det som fortfarande kräver erfarenhet och omdöme
- Avgöra vad som ska byggas. Modeller känner inte dina kunder eller begränsningar; produktbeslut behöver fortfarande underlag och omdöme.
- Långsiktig arkitektur. Ett förslag kan passa dagens uppgift men göra senare ändringar svårare. Erfarenhet och granskning hjälper till att synliggöra avvägningen.
- Buggar som är svåra att återskapa. Modeller kan föreslå spår, men problem med samtidighet, minne eller en viss enhet kräver fortfarande noggrann undersökning och bekräftelse.
- Smak och produktpassning. En modell kan föreslå alternativ, men människor avgör om interaktionen och språket fungerar för produkten.
- Samordning. Utkast kan gå snabbare; samsyn mellan människor kräver fortfarande kommunikation.
Där verifiering spelar roll
AI kan skapa kod som verkar rimlig men är fel eller inte passar projektet. Granskningen bör motsvara ändringens omfattning och konsekvenser.
Trovärdiga fel. AI kan skapa kod som verkar rimlig men är fel eller inte passar projektet. Granskningen bör motsvara ändringens omfattning och konsekvenser. AI-införande handlar också om att förändra arbetssätt, inte bara välja verktyg.
Projektets konventioner. Genererade förslag kanske inte passar den befintliga arkitekturen eller mönstren. Jag jämför dem med kodbasen innan jag tar in dem.
Hur juniorer lär sig. Jag vet ännu inte om det är ett problem. Jag vet att förståelse som kommer av att själv fastna inte automatiskt ersätts av ett snabbt svar.
Vad det här betyder för det du köper
Om en leverantör säger att AI gör dem 10× snabbare och att ditt projekt därför tar en tiondel av tiden, fråga vilket arbete och underlag uppskattningen bygger på. Den kan gälla en avgränsad uppgift, inte hela projektet.
Enligt min erfarenhet kan AI-assisterade arbetssätt snabba upp vissa implementations- och skrivuppgifter, medan utforskning, beslut och validering finns kvar. Effekten beror på omfattning, kodbas, begränsningar och vilken verifiering som behövs.
För företag i Katalonien stängde ACCIÓ:s utlysning för teknisk utforskning 2026 den 21 september 2026. Den erbjöd 75 % av stödberättigande kostnader, upp till 30 000 €. Jag håller bidragsguiden aktuell utifrån myndighetens officiella publiceringar; en framtida utlysning visas först när ACCIÓ har publicerat den. Referensen till 2026 års utlysning är historisk.
Frågan att ställa en leverantör
Inte "använder du AI?" Alla säger ja.
Fråga: "hur verifierar du vad det producerar?" Svaret säger dig om du köper komprimerad leverans eller komprimerad noggrannhet. En av dessa är värd att betala för.
Och om du ärver en kodbas byggd det här sättet, granskningschecklistan spelar roll mer än den gjorde, inte mindre.