Estimeringsproblemet i AI-tiden

Tidligere kunne du si til prosjektlederen: «Denne funksjonen tar to uker.» Nå føles det umulig. AI-agenter som ikke bare autocompleter, men designer og koder selv, har gjort alle tidsestimater til gjetninger.

Den gamle metoden som fungerte greit

Før var utvikling menneskedrevet. Formelen var enkel:

• Kjennskap til koden + Designvansker + Skrivkehastighet + Test og feilsøking = Tidsramme

Du kjente koden godt. Du visste hvor autentiseringen satt som et hus, men databasen var kaos. Du kunne regne ut timer på refaktorisering og edge cases. Det var ikke nøyaktig – ofte 20-40 % feil – men det pekte i riktig retning.

AI endrer alt

Gi samme oppgave til en AI-agent. Alt snur:

Forstår den koden din med en gang? Henger på dokumentasjon, kontekstvindu og modellens greie for din tech stack.

Får den optimale løsningen først? Treffer den med en gang, er det timer. Krever iterasjoner og prompting, tar det dager.

Hvor mye må du fikse? AI-kode trenger tilpasning, sikkerhet og integrasjon du ikke ser komme.

Sannheten? For mange ukjente faktorer utenfor din kontroll.

«Vibe-koding» – det ingen innrømmer

Mange utviklere gjetter mer enn de liker:

• Basert på AI-hastighet, ikke kompleksitet.
• Håper den «skjønner» med en gang, ignorerer iterasjoner.
• Undervurderer integrasjon med eksisterende systemer.
• Overvurderer egen evne til å fange hallusinasjoner og sikkerhetshull.

Ikke dovenskapsutvikling. Bare gamle verktøy passer ikke.

Hva som funker i praksis

Sliter du med tidsplaner? Her er triks utviklere swearer av:

1. Mål AI-ytelsen først

Test små funksjoner gjennom hele flyten. Klokk inference-tid, iterasjoner og revisjoner. Få ekte data, dropp gjetninger.

2. Skill maskin og menneske

Del opp estimatene:

• AI-tid: Prompt, inference, første output.
• Mennesketid: Sjekk kode, sikkerhet, refaktor.
• Integrasjonstid: Koble til systemer, test, debug.

Da styrer du det du kan.

3. Lag kontekstpakker

AI svikter uten bakgrunn. Bruk 2-3 timer på arkitekturdokser, konvensjoner og eksempler. Output blir bedre, færre runder – totaltid synker.

4. Bygg inn usikkerhet

Si ikke «5 dager». Si «3-8 dager avhengig av modellen». Ærligere og bedre for planlegging.

5. Spor og juster prosessen

Hver team finner sin flyt. Noen elsker dype prompts, andre iterasjoner. Mål hva som funker for stacken deres, oppdater estimatene.

Det store bildet

Usikkerheten er ikke din feil. Hele estimeringsgrunnlaget endres. Fra «hvor lang tid tar det mennesker å kode?» til «hvor lang tid tar det AI å skjønne, foreslå og oss å validere?»

Avhenger av:

• Modellkvalitet og hastighet.
• Oppgavens match med treningsdata.
• Kodens dokumentasjon.
• Teams evne til å styre AI.

Den positive siden

Når AI treffer perfekt – som skjer oftere enn du tror – shipper du på dager, ikke uker. Variansen er større, men snittproduksjonen bedre.

Mål variansen, tilpass tankemodellen.

Fremtiden

De som lykkes:

1. Aksepterer kaoset.
2. Måler AI-flyten konstant.
3. Bygger sterkere kontekst og prompts.
4. Gir brede, ærlige rammer.
5. Fokuserer på rask shipping og læring.

«Vibe-koding» er kanskje det nye normalen. Vi estimerer sammen med maskinintelligens, ikke mot den.