Hvordan AI-agenter blir bedre til å estimere tidsbruk

Husker du sist AI-assistenten din sa at en funksjon skulle ta «to timer»? Og så gikk det seks? Du er ikke den eneste. AI-verktøy har blitt vanlige i utviklingshverdagen, men ett problem står fortsatt igjen: hvordan får vi agentene til å estimere innsats på en realistisk måte?

Estimeringsproblemet som sjelden snakkes om

Når du starter et nytt prosjekt med AI-verktøy eller kobler inn en autonom kodeagent, handler ikke det store spørsmålet om agenten kan skrive kode. Det handler om når den blir ferdig.

Tradisjonelle prosjekter bygger på menneskelig erfaring og en dose skepsis. AI-agenter trenger noe mer systematisk. De trenger rammeverk som tar høyde for usikkerhet og det som alltid dukker opp underveis.

Her kommer Agent-Estimate inn – et åpen kildekode-prosjekt som tar tak i akkurat dette.

Tre metoder som jobber sammen

Det som skiller Agent-Estimate fra andre løsninger, er at det ikke satser på én metode alene. I stedet kombinerer det tre ulike tilnærminger.

1. PERT – en klassisk metode med ny vri

PERT er en eldgammel teknikk for å lage sannsynlighetsbaserte estimater. I stedet for å spørre «hvor lang tid tar dette?», ber metoden om tre scenarier:

• Hva er det beste utfallet?
• Hva er det mest sannsynlige?
• Hva er det verste utfallet?

Deretter regnes et vektet gjennomsnitt ut, som trekker mot det realistiske. For AI-agenter blir dette en naturlig måte å håndtere usikkerhet på. De kan nå gi uttrykk for grad av sikkerhet i stedet for å prøve til faking.

2. METR – bryter ned i smådeler

METR legger vekt på å splitte oppgaver i små komponenter. AI-agenter er spesielt godt på dette – de kan naturligere dekomponere problemer. Som og