Så här lär sig AI-kodagenter att bli bättre på att uppskatta tid

Kommer du ihåg när din AI-assistent lovade att en funktion skulle vara klar på två timmar – men det tog sex? Du är inte ensam. AI-verktyg har blivit otroligt bra på att skriva kod, men ett stort problem kvarstår: hur bra är de egentligen på att uppskatta hur lång tid något tar?

Tidsestimat – den bortglömda utmaningen

När du startar ett nytt projekt eller kopplar in en AI-kodagent i din vardag, är den stora frågan inte längre om den kan programmera. Det handlar om när den blir klar.

Traditionell projektstyrning bygger på erfarenhet och magkänsla. AI-agenter behöver något mer konkret. De behöver strukturerade modeller som tar hänsyn till osäkerhet och det oväntade som ofta dyker upp i utveckling.

Där kommer Agent-Estimate in – ett öppet projekt som försöker lösa just det.

Tre metoder som kompletterar varandra

Agent-Estimate använder inte en enda metod. Istället kombineras tre olika angreppssätt.

1. PERT-metoden

PERT är en gammal men beprövad teknik för att hantera osäkerhet. Istället för att fråga hur lång tid något tar, får man tre svar: det bästa scenariot, det mest troliga, och det värsta tänkbara. Därefter räknas ett realistiskt medelvärde ut.

För AI-agenter fungerar det här naturligt. De kan uttrycka hur säkra de är, istället för att låtsas veta exakt hur det kommer att gå.

2. METR – uppdelning i små delar

METR-metoden går ut på att bryta ner uppgifter i mindre komponenter. AI-agenter är ofta duktiga på att göra just det. Genom att bedöma varje del för sig, byggs uppskattningen upp från grunden – och blir ofta mer träffsäker än en enda stor gissning.

3. Wave Planning

Wave Planning innebär att man planerar i omgångar istället för att försöka täcka hela projektet på en gång. Det passar bra med hur många agila team redan arbetar. AI-agenter får också möjlighet att justera sina estimat när de lär sig mer om koden och kraven.

Varför det här spelar roll för hosting och DevOps

Oavsett om du kör ditt projekt på en VPS eller använder molnbaserad hosting, så påverkar tidsuppskattningar hur du planerar drift och resurser. Bättre estimat ger:

• Mer realistiska CI/CD-flöden
• Bättre koll på hur mycket beräkningskraft som behövs
• Enklare sprintplanering när både människor och AI-agenter använder samma språk

Öppen källkod ger flexibilitet

Att Agent-Estimate är öppet innebär att alla kan se hur beräkningarna görs. Det går också att anpassa verktyget till din egen pipeline, oavsett vilken hostingplattform du använder.

Ett konkret exempel

Tänk dig att du får in en ny funktionsförfrågan. Istället för att låta en utvecklare lägga en hel timme på att bryta ner och uppskatta den, kan du:

1. Mata in kraven i en AI-agent som använder Agent-Estimate
2. Agenten delar upp uppgiften i mindre delar
3. Den skapar PERT-uppskattningar med osäkerhetsintervall
4. Wave Planning delar in arbetet i hanterbara steg
5. Du får ett realistiskt tidsschema med tydliga marginaler

Det blir lättare att ge ett svar till intressenter – och att hålla det.

Framtidens utveckling

AI-kodagenter blir alltmer pålitliga. Men för att de ska kunna ingå i ett riktigt team behöver de också kunna ge trovärdiga tidsangivelser.

Agent-Estimate är inte perfekt, but it helps agents think probabilistically – vilket är vad många erfarna utvecklare redan gör. Genom att förse verktyget med öppna, modulära strukturer gör projektet det enklare att använda i olika miljöer.

Kom igång

Du kan testa Agent-Estimate genom att kolla in projektet på GitHub. Det finns dokumentation och det går att integrera det med din nuvarande setup, oavsett om du använder cloud hosting eller kör på en egen VPS.

Vad händer härnäst?

I takt med att AI-agenter utvecklas kommer vi troligen se mer avancerade modeller baserad på historisk projektdata. Först nu börjar vi se hur AI kan hjälpa oss att bli smarter på att uppskatta tid – tillsammans med människan.