Estimationsproblemet i AI-tiden

Tidligere kunne du trygt sige til projektlederen: "Det her tager to uger." Nu virker det som fortiden. AI, der ikke bare autocompleter kode, men selv designer og implementerer løsninger, har gjort alle tidsestimater upålidelige.

Den gamle metode (der faktisk holdt vand)

I den rene menneskelige udvikling havde vi en formel, der gav mening:

• Kendskab til koden + Designets sværhedsgrad + Skrivhastighed + Test og debug-tid = Grov tidsramme

Du kendte codebase'ens faldgruber. Du vidste, at auth-systemet var fint, men databasen et rod. Du kunne regne ud, hvor lang tid refaktorering tog, og hvilke edge cases der dukkede op. Det var ikke præcist – ofte 20-40% forsinkelse – men det pegede i rettning.

AI-agenten vender det på hovedet

Forestil dig at smide opgaven til en AI-codinghjælper. Alt ændrer sig:

Forstår den codebase-arkitekturen med det samme? Det afhænger af dokumentation, context window og modellens evne til din tech stack.

Får den den perfekte løsning første gang? Held og lykke med inference – timer hvis det rammer, dage med iteration og prompts.

Hvor meget skal du omskrive? AI-kode kræver ofte tilpasning, sikkerhed og integration, som agenten overser.

Sandsynligheden? For mange ukontrollerbare faktorer uden for din developer-kompetence.

"Vibe-kodning" – det ingen indrømmer

Mange udviklere skjuler det: Vi gætter mere på følelsen end nogensinde. Det betyder:

• Gæt på AI's hastighed frem for feature-kompleksitet
• Håb at modellen "fatter det" uden iteration
• Underslå integration med eksisterende systemer
• Overvurdere evnen til at fange hallucinationer eller sikkerhedshuller

Det er ikke dovenskab. Den gamle værktøjskasse passer bare ikke længere.

Hvad der virkelig virker (praktiske tips)

Kæmper du med tidsplaner i AI-assisteret dev? Her er taktikker, der hjælper:

1. Mål AI'ens baseline først

Test små features i din workflow. Tid inference, tæl iterationer og revisioner. Få data i stedet for gæt.

2. Skil mellem maskine og menneske

Drop én samlet estimat. Del op:

• AI-tid: Prompting, inference, første output
• Menneske-tid: Review, sikkerhed, refaktor
• Integration-tid: Kobling, test, debug

Nu estimerer du det kontrollerbare.

3. Lav context-pakker

AI halter uden baggrund. Brug 2-3 timer på docs, konventioner og eksempler. Output bliver bedre, færre runder – totaltid falder.

4. Byg buffers ind i usikkerheden

Drop "5 dage". Sig "3-8 dage afhængig af modellen". Ærligt og nyttigt til planlægning.

5. Spor og forbedr processen

Hver teams workflow er unik. Nogle elsker dybe prompts, andre iteration. Mål, hvad der passer jer, og justér estimater derefter.

Det store billede

Usikkerheden er ikke din fejl. Den traditionelle estimat-verden skifter fundamentalt. Fra "hvor længe tager det mennesker at kode?" til "hvor længe tager det AI at forstå, foreslå og os at validere/integrere?"

Det er sværere, fordi det hænger på:

• Modelkvalitet og hastighed
• Opgavens match med træningsdata
• Din codes dokumentation
• Jeres prompt-færdigheder

Den positive side

Når AI rammer plet første gang – og det sker oftere end troet – shipper du i dage i stedet for uger. Variansen er større, men gennemsnitlig hastighed stiger.

Nøglen: Anerkend variansen, mål den, tilpas din tankegang.

Fremtiden

De der lykkes, holder ikke fast i gamle metoder. De:

1. Accepterer kaosset
2. Måler workflow'en nådesløst
3. Bygger stærkere context og prompts
4. Gir bredere, ærlige rammer
5. Fokuserer på hurtig shipping og læring

Din "vibe"-følelse er måske det nye normal: Estimering sammen med maskiner, ikke imod dem.