50 dage, fra nul til v2.0: Hvad vi laerte ved at bygge med AI

Pa 50 dage gik vi fra det absolutte nul til en platform med 10 arbejdsomrader, 33+ AI-endepunkter, 16 native sprog og over 1.000 commits. En McKinsey-undersogelse (2024) rapporterer, at teams der adopterer AI i softwareudvikling leverer 30-50% hurtigere end traditionelle teams. Vores erfaring med at bygge Nervus.io med Claude Code antyder, at det tal er konservativt. Denne artikel dokumenterer praecis hvordan vi gjorde det, hvad der virkede, hvad der fejlede, og hvad enhver grundlaegger kan replikere.

Udfordringen: At bygge en komplet SaaS med et minimalt team

De fleste SaaS-produkter pa produktivitetsmarkedet tager 12 til 18 maneder at na en funktionel MVP, ifolge Founders Factory-data (2025). Teams pa 5-10 ingenioerer. Investeringsrunder. Produktledere. Designere. Den traditionelle softwareudviklingsmodel kraever kapital, tid og koordinering mellem snesevis af mennesker.

Praemissen for Nervus.io var anderledes: byg en komplet AI-drevet personlig produktivitetsplatform ved at bruge AI som udviklingspartner, ikke blot som kodeassistent. Nervus.io er en personlig produktivitetsplatform med et stramt hierarki (Omrade > Mal > Delmal > Projekt > Opgave), AI-coaching, ansvarligheds-reviews og intelligent opgavestyring. Den reelle kompleksitet: 32+ databasetabeller, 4 integrerede AI-udbydere, et komplet finansielt system, CRM, vaner og et onboarding-flow der saetter en brugers livsstruktur op pa 3 minutter.

Dette var ikke en simpel CRUD-app. Det var et styresystem til livet.

Beslutningen om at bruge Claude Code som udviklingspartner transformerede ligningen. I stedet for at ansaette et team investerede vi i proces. I stedet for traditionelle sprints brugte vi en fasebaseret udforelsesmodel som AI'en kunne folge, planlaegge og udfoere med fuld kontekst.

Tilgangen: 516 planer, 117 faser, 13 udgivelser

Det der adskilte os var ikke ra hastighed. Det var planlaegningsmodellen. Hver Nervus.io-funktion startede som en detaljeret implementeringsplan -- et struktureret dokument med omfang, afhaengigheder, acceptkriterier og udforelsessekvens. Ved projektets slutning havde vi 516+ planer oprettet og 117 faser udfort.

Saledes fungerer fasemodellen

Hver fase er en selvstaendig arbejdsenhed. Den indeholder:

• Defineret omfang: hvad der er med, hvad der ikke er
• Kortlagte afhaengigheder: hvilke faser der skal vaere faerdige forst
• Acceptkriterier: hvordan man validerer at det er faerdigt
• Udforelsessekvens: trin-for-trin for AI'en at folge

Denne model loser det storste problem i AI-assisteret udvikling: kontekst. Ifolge Google DeepMind-forskning (2025) mister sprogmodeller op til 40% nojagtighed pa kodeopgaver nar konteksten overstiger 50.000 tokens uden klar struktur. Vores implementeringsplaner fungerede som et eksternt hukommelsessystem -- hver fase havde al nodvendig kontekst uden at afhaenge af at modellen "huskede" tidligere beslutninger.

Udgivelseskadencen

Udgivelse	Periode	Vigtigste leverancer
v1.0	Dag 1-5	Basishierarki, autentificering, entitets-CRUD
v1.1-1.3	Dag 6-15	Fokus-arbejdsomrade, kalender, tag-system
v1.4-1.6	Dag 16-25	AI inline-forslag, entitetschat, reviews
v1.7-1.9	Dag 26-35	Finansielt modul, CRM, vaner og trackere
v2.0-2.0.5	Dag 36-50	Internationalisering (16 sprog), onboarding v3, adminpanel, indholdsskabelse

13 store udgivelser pa 50 dage betyder at hver udgivelse skete i gennemsnit hver 3,8 dag. Et traditionelt team laver udgivelser hver anden uge eller manedligt. Forskellen er ikke bare hastighed -- det er evnen til at iterere og kursjustere med langt hojere frekvens.

Traditionel vs. AI-assisteret udvikling: Hvor forskellen er reel

Gartner-data (2025) indikerer, at 75% af virksomhedsorganisationer vil bruge AI-assisterede udviklingsvaerktojer inden 2028. Men "at bruge AI" er et bredt spektrum. For dette casestudie er sammenligningen specifik: SaaS-udvikling med et minimalt team.

Dimension	Traditionel udvikling	AI-assisteret (Claude Code)
Tid til MVP	12-18 maneder (Founders Factory, 2025)	50 dage
Teamstorrelse	5-10 ingenioerer	1 grundlaegger + AI
Udviklingsomkostning	$150K-$500K (seed-fase, a16z-data)	AI-vaerktojs abonnementsomkostning
Udgivelser per maned	1-2	7-8
Implementeringsplaner	Manuelle PRD'er, ~20-30 per kvartal	516+ automatiserede planer
Understottede sprog	1-3 (med lokaliseringsteam)	16 native (AI-drevet)
AI-endepunkter	Afhaenger af manuel integration	33+ med adapter-monster
Review/QA-daekning	Manuel + CI/CD	AI-review + automatiserede tests

Den mest undervurderede fordel er reduceret koordinerings-overhead. I traditionelle teams bruges en betydelig del af tiden pa afstemningsmoeder, kodegennemgange, dokumentation og overleveringer. Undersogelsen "The Cost of Interrupted Work" (University of California, Irvine) viser, at softwarefagfolk mister 23 minutter pa at genvinde fokus efter hver afbrydelse. Med AI som partner eksisterer koordineringsafbrydelser simpelthen ikke.

De tekniske beslutninger der accelererede alt

Udviklingshastighed handler ikke kun om AI-vaerktojet. Stakken betyder noget. Forkerte valg pa dag 1 skaber teknisk gaeld der bremser alt fra dag 30 og fremefter. Beslutningerne nedenfor var bevidste:

Next.js 16 + React 19 (App Router)

Frontend-rammevaerkets valg definerede arkitekturen. Next.js med App Router muliggjorde serverkomponenter, streaming og API-ruter i det samme projekt. Nul behov for en separat backend. Ifolge State of JS Survey (2025) er Next.js det mest adopterede rammevaerk for nye projekter (38% markedsandel), hvilket betyder at AI'en havde mere traningsdata til at generere korrekt kode.

Supabase som Backend-as-a-Service

Administreret PostgreSQL med Row Level Security (RLS), integreret autentificering (Magic Link + Google OAuth) og realtidsabonnementer. Beslutningen om at bruge Supabase eliminerede ugers autentificerings- og sikkerhedsinfrastrukturudvikling. RLS sikrede at hver bruger kun ser sine egne data uden brugerdefineret kode -- sikkerhed pa databaseniveau.

Multi-udbyder AI (4 udbydere)

I stedet for at stole pa en enkelt AI-udbyder implementerede vi et adapter-monster med 4 udbydere: OpenAI (GPT-5-nano, GPT-4.1), Anthropic (Claude Sonnet 4.5), Google (Gemini) og DeepSeek. Systemet udforer tier routing: simple opgaver (inline-forslag, kategorisering) bruger hurtige, billige modeller; komplekse opgaver (review-indsigter, global chat) bruger premium-modeller.

Den praktiske fordel: modstandsdygtighed og omkostningsoptimering. Nar en udbyder har ustabilitet, failover systemet automatisk. Per-bruger omkostningen holdes kontrolleret fordi 70% af AI-kald bruger "hurtig"-niveauet.

AI-drevet internationalisering

16 native sprog pa 24 timer. Ikke Google Translate-stil automatisk oversaettelse -- reel lokalisering med kontekst. AI'en modtog engelske tekster med brugskontekst (knap-etiketter, fejlmeddelelser, arbejdsomradetitler) og producerede oversaettelser der respekterer hvert sprogs konventioner. Portugisisk (BR og PT), spansk, fransk, tysk, italiensk, nederlandsk, polsk, tyrkisk, svensk, dansk, norsk, finsk, rumaensk og tjekkisk.

Kent Beck, skaber af Extreme Programming, udtalte i 2024: "AI erstatter ikke programmorer. Den erstatter de dele af programmering som programmorer altid hadede. Planlaegningen, boilerplate-koden, de gentagende monstre. Det der er tilbage er taenkningen." Vores erfaring bekraefter denne observation -- AI accelererede udforelsen, men enhver arkitekturbeslutning, brugerflow og funktionsprioritet kraevede menneskelig vurdering.

Hvad der virkede og hvad der ikke gjorde

Gennemsigtighed er del af vores byg i det abne-proces. Ikke alt var eksponentiel acceleration. Nogle lektioner blev laert pa den harde made.

Hvad der virkede

1. Implementeringsplaner som AI'ens "eksterne hukommelse." 516+ planer-modellen var ikke bureaukrati -- det var infrastrukturen der tillod AI'en at opretholde kontekst mellem sessioner. Hver plan havde klart omfang, afhaengigheder og acceptkriterier. AI'en behøvede ikke at "gaette" hvad den skulle goere.

2. Hurtig udgivelseskadence (3,8 dage). Hyppige udgivelser betyder korte feedback-loops. Hver udgivelse var en mulighed for at validere beslutninger og kursjustere for teknisk gaeld akkumulerede. Eric Ries, i The Lean Startup, demonstrerede at startups med Build-Measure-Learn-cykler under 2 uger har 3x storre chance for at overleve deres forste 2 ar.

3. Moderne, veldokumenteret stak. AI genererer bedre kode nar stakken er populaer og veldokumenteret. Next.js, React, Tailwind, Supabase -- alle med store faellesskaber og omfattende dokumentation. Dette reducerer hallucinationer og ukorrekt kode.

4. Adapter-monster for AI-udbydere. Beslutningen om at abstrahere AI-udbydere fra dag 1 tillod at bytte og tilfoeje udbydere uden at omskrive kode. Nar en bedre model dukker op, er integrationsomkostningen minimal.

Hvad der ikke virkede (eller kraevede korrektion)

1. Undervurdering af finansiel funktionskompleksitet. Det finansielle modul (resultatopgoerelse, automatisk kategorisering, nettovaerdi, tilbagevendende regninger) forbrugte 3x flere planer end estimeret. Finansiel data kraever absolut praecision -- afrunding, multi-valuta, intern overforselsdetektion. AI'en genererede funktionel kode, men finansielle kanttilfaelde kraevede omhyggelig menneskelig gennemgang.

2. Onboarding kraevede 3 versioner. Den forste onboarding var for generisk. Den anden var for kompleks. Forst i version 3, med AI'en der genererer den hierarkiske struktur fra en naturlig samtale, ramte vi balancen. 3-5 minutter, 5 trin, og brugeren gar ud med omrader, mal, delmal og projekter konfigureret.

3. Kontekstvindue som flaskehals. I faser med mange tvaergaende afhaengigheder (f.eks. integration af finans + AI + reviews) oversteg den nodvendige kontekst hvad AI'en kunne bearbejde praecist. Losningen var yderligere nedbrydning -- mindre faser, mere atomare planer. Mere planlaegnings-overhead, men bedre outputkvalitet.

De virkelige tal: Udviklingsmaalinger

Interne projektdata, ikke estimater:

• 50 dage fra nul til v2.0.5 i produktion
• 117 faser udfort sekventielt
• 516+ implementeringsplaner oprettet
• 1.000+ commits i repositoriet
• 13 store udgivelser (v1.0 til v2.0.5)
• 32+ tabeller i PostgreSQL-databasen
• 33+ AI-endepunkter med tier routing
• 4 AI-udbydere integreret (OpenAI, Anthropic, Google, DeepSeek)
• 100+ React Query hooks med optimistiske opdateringer
• 16 native sprog understoettet
• 10 aktive arbejdsomrader i det endelige produkt
• 8 typer review-ritualer (ugentlige til arlige)

Disse tal repraesenterer funktionstaethed -- maengden af funktionalitet leveret per tidsenhed. I traditionel udvikling ville et produkt med denne dybde tage minimum 12-18 maneder med et team pa 5-10 mennesker, til en estimeret omkostning pa $300K-$500K (baseret pa ingenioeromnkostningsdata fra Levels.fyi for det amerikanske marked, 2025).

5 lektioner for alle der bygger SaaS med AI

Erfaringen med at bygge Nervus.io destillerede laeringer der er anvendelige for enhver grundlaegger der bruger AI til udvikling. Disse er ikke teorier -- det er monstre vi observerede henover 50 dage med intensiv udforelse.

1. AI erstatter ikke taenkning -- den accelererer udforelse. Hver af de 117 faser startede med menneskelige beslutninger: hvad der skulle bygges, hvorfor, i hvilken raekkefolge. AI'en udforte "hvordan" med 10x hastighed. Men uden klart "hvad" og "hvorfor" er hastighed irrelevant -- du bygger bare det forkerte hurtigere.

2. Struktureret planlaegning er den kritiske infrastruktur. De 516+ planer var ikke overhead -- de er det der gjorde AI'en produktiv. Uden struktur producerer AI generisk kode. Med detaljerede planer (omfang, afhaengigheder, acceptkriterier) producerer den kode der passer ind i systemet.

3. Udlever hurtigt, iterer hurtigere. 13 udgivelser pa 50 dage betyder 3,8-dages cykler. Hver udgivelse er et valideringskontrolpunkt. Omkostningen ved at rette en forkert beslutning pa dag 5 er minimal; pa dag 50 er den eksponentiel. Udgivelsesfrekvens er en hedge mod darlige beslutninger.

4. Vaelg en stak AI'en kender. Populaere, veldokumenterede rammevaerker (Next.js, React, Supabase) producerer bedre AI-output. Obskure eller meget nye stakke genererer flere hallucinationer og ukorrekt kode. Stakkens popularitet korrelerer direkte med AI-assisteret udviklingskvalitet.

5. Abstraher eksterne afhaengigheder fra dag 1. Adapter-monsteret for AI-udbydere kostede 2 ekstra dage pa forhand. Det sparede uger over projektets levetid. Da vi besluttede at tilfoeje DeepSeek som en fjerde udbyder, tog integrationen timer, ikke dage.

Vigtigste Pointer

• AI som udviklingspartner accelererer SaaS-levering med 5-10x, men kraever struktureret planlaegning og klare menneskelige beslutninger om arkitektur og prioriteter.
• Fasemodellen med atomare planer (516+ planer, 117 faser) loser den storste flaskehals i AI-assisteret udvikling: at opretholde kontekst mellem arbejdssessioner.
• Hurtig udgivelseskadence (3,8 dage i gennemsnit) fungerer som risikostyring: hver udgivelse er et kontrolpunkt der reducerer omkostningen ved fremtidige korrektioner.
• En populaer, veldokumenteret stak er en forudsaetning, ikke en praeference. AI genererer bedre kode nar traningsbasen er omfattende.
• Menneskelig kompleksitet (produktbeslutninger, UX, finansielle kanttilfaelde) forbliver den reelle flaskehals -- AI accelererer udforelse, ikke vurdering.

FAQ

Er det muligt at bygge en komplet SaaS med AI pa 50 dage?

Ja, med forbehold. Nervus.io-erfaringen viser at det er levedygtigt at bruge Claude Code som udviklingspartner, forudsat der er struktureret planlaegning (516+ planer) og en grundlaegger med klar produktvision. AI accelererer udforelse med 5-10x, men det erstatter ikke arkitekturbeslutninger og funktionsprioritering.

Hvilket AI-vaerktoj er bedst til softwareudvikling?

Claude Code viste sig effektiv til fuld-stack-udvikling (Next.js + React + Supabase). Hovedfordelen er evnen til at opretholde lang kontekst og folge strukturerede implementeringsplaner. GitHub Copilot fokuserer pa autofuldforelse; Claude Code fungerer som en komplet softwareingenior.

Hvor meget koster det at udvikle en SaaS med AI i stedet for et traditionelt team?

Omkostningen falder dramatisk. En SaaS med kompleksiteten af Nervus.io (32+ tabeller, 33+ AI-endepunkter, 16 sprog) ville koste $300K-$500K med et traditionelt team pa 5-10 ingenioerer over 12-18 maneder. Med AI-assisteret udvikling koger omkostningen ned til vaerktojs-abonnementer og infrastruktur.

Hvad er fasemodellen i AI-assisteret udvikling?

Hver fase er en selvstaendig arbejdsenhed med defineret omfang, afhaengigheder, acceptkriterier og udforelsessekvens. Den fungerer som ekstern hukommelse for AI'en, hvilket eliminerer problemet med konteksttab mellem sessioner. Nervus.io udforte 117 faser med 516+ detaljerede planer.

Kan AI erstatte et helt ingenioeringsteam?

Ikke erstatte -- omstrukturere. AI eliminerer koordineringsarbejde, boilerplate og gentagende implementering. Det der er tilbage er arbejde pa hojt niveau: arkitekturbeslutninger, brugerflow-design, funktionsprioritering og kanttilfaelde-gennemgang. Grundlaeggeren skifter fra "teamleder" til "AI-direktoer."

Hvordan sikrer man kodekvalitet nar AI skriver det meste af den?

Tre strategier: (1) implementeringsplaner med klare acceptkriterier, (2) menneskelig kodegennemgang fokuseret pa kanttilfaelde og forretningslogik, og (3) en veldokumenteret stak der reducerer hallucinationer. Hos Nervus.io kraevede finansielle funktioner 3x mere menneskelig gennemgang end UI-funktioner.

Hvad er begransningerne ved AI-assisteret udvikling?

Kontekstvinduet er den primaere begraensning. Faser med mange tvaergaende afhaengigheder mister kvalitet. Losningen er nedbrydning: mindre, mere atomare planer. Derudover kraever omrader der kraever absolut praecision (finans, sikkerhed) omhyggelig menneskelig gennemgang uanset kvaliteten af den genererede kode.

Virker 50-dages modellen for enhver type SaaS?

Fasemodellen med AI kan replikeres for web-baseret SaaS med en moderne stak. Produkter der kraever brugerdefineret hardware, tung reguleringsoverholdelse (fintech, healthtech) eller dyb integration med aeldre systemer vil have laengere tidslinjer. 50-dages hastigheden antager en greenfield-stak og hurtige produktbeslutninger.

Byg med intention, ikke hastvaerk

De 50 dage med Nervus.io-udvikling var ikke et kaplab mod tiden. Det var et kontrolleret eksperiment i hvordan AI kan transformere processen med at bygge software. Resultatet -- en platform med 10 arbejdsomrader, 33+ AI-endepunkter, 16 sprog og over 1.000 commits -- beviser at modellen virker. Men den virker fordi der var intention i hver fase: struktureret planlaegning, bevidste stakkbeslutninger og klarhed om hvad AI goer godt og hvor menneskelig vurdering er uerstattelig.

Hvis du overvejer at bygge en SaaS med AI, detaljerer solo-grundlaegger-guiden det komplette rammevaerk vi brugte.

Nervus.io er en AI-drevet personlig produktivitetsplatform. Den bruger et stramt hierarki (Omrade > Mal > Delmal > Projekt > Opgave) til at hjaelpe brugere med at opna meningsfulde mal med AI-coaching, ansvarligheds-reviews og intelligent opgavestyring.

---

Skrevet af Nervus.io-teamet, der bygger en AI-drevet produktivitetsplatform, som omdanner mal til systemer. Vi skriver om malvidenskab, personlig produktivitet og fremtiden for menneske-AI-samarbejde.