Uppskattningsproblemet i AI-utvecklingens era

Tiden då du kunde säga "den här funktionen tar två veckor" med viss säkerhet är förbi. AI-agenter som inte bara fyller i kod utan skapar och bygger lösningar har totalt förändrat hur vi räknar med tid.

Den gamla metoden som funkade hyfsat

Förr handlade det om mänsklig kodning. Då gick det att räkna så här:

• Kunskap om koden + Designens krånglighet + Skrivhastighet + Test och felsökning = Ungefärlig tidsram

Du kände koden utan och innan. Du visste var autentiseringen satt stadigt men databasen var rörig. Du kunde gissa timmar för refactor, edge cases och daglig produktivitet.

Det var inte klockrent – ofta halkade det 20-40% – men det pekade åt rätt håll. Du hade modeller som stämde.

AI-agenten trycker på reset

Ge samma uppgift till en AI-kodare. Allt ändras:

Förstår den koden direkt? Hänger på dokumentation, kontextfönster och hur bra modellen hanterar din tech stack.

Ger den perfekt lösning på en gång? Snabba timmar om det klickar. Dagar med iterationer och promptjusteringar annars.

Hur mycket fixar du själv? AI-kod behöver ofta anpassning, säkerhetsfixar och integration som agenten missar.

Sanningen? För många faktorer utanför din kontroll som utvecklare.

"Känslokodning" – det ingen snackar om

Många devs döljer det här: vi kör mer "känslokodning" än vi vill medge. Det betyder:

• Gissa baserat på AI:s svarhastighet, inte komplexitet
• Hoppas modellen fattar direkt istället för att planera loopar
• Underskatta kopplingen till befintlig kod
• Överskatta hur snabbt vi fångar hallucinationer eller säkerhetshål

Inte lathet – bara att gamla verktyg inte passar längre.

Vad som faktiskt fungerar (praktiska tips)

Kämpar du med tidsplaner i AI-flöden? Här är vad devs använder:

1. Testa AI:s basprestanda först

Kör små features genom ditt flöde innan du lovar tider. Mät inference-tid, iterationer och revideringar. Får du data istället för gissningar.

2. Dela upp människa och maskin

Sluta klumpa ihop. Bryt ner:

• AI-tid: Prompts, generering, första output
• Människa-tid: Granskning, säkerhet, refactor
• Integrering: Koppla in, testa, fixa

Då blir det förutsägbart – du styr det du kan.

3. Skapa kontextpaket

AI svajar utan bakgrund. Lägg 2-3 timmar på docs, konventioner och exempel. Output blir bättre, färre loopar, kortare totaltid.

4. Acceptera osäkerhet med buffert

Sluta fejka precision. Säg "3-8 dagar beroende på modell" istället för "5 dagar". Ärligare och bättre för planering.

5. Spåra och förbättra flödet

Varje team har sin AI-metod. Deep prompts eller iteration? Logga vad som funkar för er stack. Justera uppskattningar på data.

Den stora bilden

Osäkerheten du känner är inte ditt fel. Hela grundpelaren för kodtidsberäkning skakar. Från "hur lång tid tar det för människor?" till "hur lång tid tar det för AI att fatta, föreslå och för oss att validera?"

Svårare att förutse. Beror på:

• Modellkvalitet och hastighet
• Hur unik problemet är mot träningsdata
• Din kods docs och struktur
• Lagets förmåga att styra AI

Det positiva

När AI prickar rätt på första försöket – vilket händer oftare än du tror – shippar du på dagar istället för veckor. Variationen ökar, men genomsnittet blir snabbare.

Nyckeln: Mät variationen, anpassa dina modeller.

Framåt

De som lyckas nu är de som:

1. Tar att det är rörigare
2. Mäter AI-flöden stenhårt
3. Bygger starka prompts och kontext
4. Ger breda men ärliga ramar
5. Fokuserar på snabb leverans och lärdom

Din "känslokodning" är kanske det nya normala. Vi lär oss uppskatta med maskinintelligens, inte mot den.