Under 80 dagar byggde jag mer mjukvara än under något tidigare år i min karriär. Resultatet blev påtagligt — ett trettiotal repon, runt 700 000 rader egen kod och hundratals leveranser i månaden — men poängen är inte volymen. Den verkliga lärdomen var inte att AI gör oss snabbare — det gör den — utan vad som krävs för att farten ska bli värde i stället för kaos.

En tråd går genom allt: AI ersätter inte erfarenhet. Den är en hävstång på den.

Erfarenhet är hävstången, inte det som skärs bort

Jag tror att de som har djup kunskap i domänen ska leda agenterna — och fortsätta vara med i arbetet, inte ställas vid sidan. Det är de som vet vad som håller och vad som rasar i drift, och därför kan styra AI:n rätt och validera det den producerar. AI saknar det omdömet på egen hand; ett förslag kan se rätt ut på ytan men vara fel i sak. När experterna sitter vid rodret levererar samma personer mer.

Mitt eget kaos vände till struktur för att jag visste hur “bra” ser ut och kunde säga nej till resten. Vinsten ligger inte i färre hjärnor, utan i att samma experter rör sig snabbare. För en organisation betyder det att seniora roller blir mer värdefulla, inte mindre — de blir den punkt där hela hävstången tar spjärn.

Data är fundamentet — inte gränssnittet

Det viktigaste är inte verktyget, det är datan. Rena datamodeller och tydligt avgränsade uppgifter är grunden. Utan en klar informationsarkitektur famlar AI:n i mörkret, och “skräp in, skräp ut” gäller i kvadrat. Låsta system som man tidigare byggde hela arbetsflöden kring byts allt oftare mot rena databaser som AI:n kan arbeta direkt mot.

Ett exempel ur mitt eget bygge: en uppgift jag skapar på laptopen dyker upp i familjens app på telefonen inom sekunder. Det fungerar för att informationen rör sig på en gemensam händelseström med ett tydligt kontrakt, inte genom ett skört användargränssnitt. Agenterna arbetar mot strukturerad data — och då blir resultatet värde i stället för hallucinationer.

För en organisation är slutsatsen konkret: investera i datakvalitet och informationsarkitektur först. Det är där avkastningen på AI avgörs.

Allt som kod — med räls

AI genererar enorma mängder kod på nolltid. Utan ett strukturerat ramverk blir det snabbt oöverskådligt. Modellen behöver dessutom snävare styrning än en människa: tydliga guardrails håller den innanför ramen, och färdiga mönster hindrar den från att uppfinna hjulet varje gång. Lösningen är att se allt som kod — infrastruktur, processer och regelverk — versionshanterat, så att det hänger med i AI:ns tempo.

I praktiken får varje nytt projekt hos mig infrastruktur, deployflöde, säkerhetsregler och kvalitetskontroller från en mall, från dag ett. Rättigheterna att förvalta systemet är åtskilda från rättigheterna att ändra på vem som får göra vad — så att en automatiserad pipeline kan leverera men aldrig vidga sina egna befogenheter. Det är rälsen som gör att bredden kan växa utan att bli ett lapptäcke.

Guardrailsen är inte byråkrati. De är riskkontrollen som gör farten försvarbar.

Konsekvensen: exponentiellt mer att förvalta

Kravet på högre leveranstakt finns redan, och med AI kommer vi producera mycket mer kod och fler lösningar. Den direkta konsekvensen är obekväm: en exponentiellt större volym att förvalta, drifta och säkra. Det räcker inte att mäta att farten ökar — man måste planera för svansen av allt som farten lämnar efter sig.

Att följa leveransförmågan med etablerade mått, som DORA, är rätt. Men hur siffrorna nås måste diskuteras öppet, annars optimerar man fram en skuld man inte ser. Det tvingar fram frågor om själva arbetssättet: måste varje ändring gå igenom samma manuella granskning som förr, eller kan delar av det lyftas till agenter? Den som vågar ifrågasätta gamla sanningar utan att tumma på kvaliteten vinner mest — och min egen regel blev enkel: starta aldrig fler initiativ än du hinner förvalta.

Den outtröttliga arbetskraften

När medarbetarna stänger sina laptops klockan 17 dör de lokala agenterna med dem. Den största outnyttjade vinsten ligger i att låta AI arbeta asynkront och dygnet runt: starta ett stort jobb när du går hem, ha resultatet redo till morgonkaffet. Att begränsa AI till kontorstid är att missa halva nyttan — men det kräver en miljö som alltid är igång, inte en bärbar dator.

Mina egna agenter kör i en dedikerad, alltid påslagen miljö med nattliga jobb. Ett kort “kör igång” på kvällen sätter igång tester, granskning och leverans som blir klar medan jag sover. Hävstången märks på ett oväntat sätt: jag slår i taket på mitt verktygsabonnemang igen — arbetet slutade inte när jag gjorde det.

Modellagnostik och agentsäkerhet

Två tekniska vägval avgör hur väl det här åldras. Det första: lås inte arkitekturen vid en enda AI-leverantör. Fältet rör sig från månad till månad, och den som byggt för att kunna byta modell när ett bättre alternativ dyker upp slipper börja om. Det andra: parallella agenter är kraftfulla, men kan ställa till skada om de löper amok. Nätverksisolering och strikt behörighetsstyrning är inte valfritt.

Min agentmiljö körs isolerad bakom en proxy som bara släpper igenom godkända domäner och blockerar resten; nycklar bakas aldrig in i bilden. Det är samma mönster jag skulle ta med mig till vilken organisation som helst som vill köra agenter på allvar.

Det här är också svaret på en fråga varje ledning ställer: hur håller vi företagets data borta från publika modeller? Med en gemensam, trygg plattform och uttalade regler blir GDPR och den nya AI-förordningen en del av arkitekturen från start, inte en eftertanke.

Människan får inte bli flaskhalsen

Farten har en dold kostnad. AI producerar appar, konfigurationer och kod snabbare än en människa hinner läsa dem. Plötsligt äger du tiotals nya system att förvalta och säkra. Risken är att gå från kreativ skapare till en stressad, kognitivt överbelastad flaskhals i granskningsledet.

Det finns två svar. Låt AI granska AI — bygg kvalitets- och säkerhetsagenter som tar grundbruset, så att människan slipper mikrostyra. De agenterna behöver inte bara bygga; de kan förvalta löpande — granska hur data hanteras och leta sårbarheter över tid. Och låt rollen skifta: du ska fatta besluten, peka ut riktningen och äga arkitekturen, inte skriva eller granska varje rad.

Det tredje svaret är obekvämt men sant: AI:n behöver inte sova, men det gör du. Utan återhämtning eroderas just den domänkunskap och det omdöme som gör hela hävstången möjlig. Min egen data är en ärlig påminnelse — mer än hälften av mina kvällar landade efter klockan 20. Det hållbara arbetssättet är lika viktigt som det snabba.

Från experiment till kulturbärande verktyg

Det sista steget är kulturellt, inte tekniskt. Det handlar om en tillåtande kultur som avdramatiserar verktygen, tid för människor att lära sig AI i sin egen roll, och tvärfunktionella team som labbar tillsammans så att insikter sprids snabbt. Slutpunkten är inte en snabbare enskild medarbetare — det är en organisation där AI är en gemensam, styrd förmåga.

De 80 dagarna bevisade att metoden håller, med rätt räls. Nästa steg är att ta med arbetssättet in i en större kontext: data först, allt som kod, alltid påslaget — och människan tydligt i förarsätet. Snabbhet utan räls blir kaos; räls utan snabbhet blir irrelevant. Jag siktar på båda.

---

Vill du se hur det här ser ut i praktiken? Projekten och siffrorna är öppet redovisade — och vardagen bakom dem också.