50 dager, fra null til v2.0: Hva vi lærte av å bygge med AI

På 50 dager gikk vi fra absolutt null til en plattform med 10 arbeidsområder, 33+ AI-endepunkter, 16 innebygde språk og over 1 000 commits. En McKinsey-studie (2024) rapporterer at team som tar i bruk AI i programvareutvikling leverer 30–50 % raskere enn tradisjonelle team. Vår erfaring med å bygge Nervus.io med Claude Code antyder at dette tallet er konservativt. Denne artikkelen dokumenterer nøyaktig hvordan vi gjorde det, hva som fungerte, hva som feilet, og hva enhver grunnlegger kan gjenskape.

Utfordringen: Bygge en komplett SaaS med et minimalt team

De fleste SaaS-produkter i produktivitetsmarkedet bruker 12 til 18 måneder for å nå en funksjonell MVP, ifølge data fra Founders Factory (2025). Team på 5–10 ingeniører. Investeringsrunder. Produktledere. Designere. Den tradisjonelle programvareutviklingsmodellen krever kapital, tid og koordinering mellom titalls personer.

Premisset for Nervus.io var annerledes: bygge en komplett AI-drevet personlig produktivitetsplattform ved å bruke AI som utviklingspartner, ikke bare som kodeassistent. Nervus.io er en personlig produktivitetsplattform med et rigid hierarki (Område > Mål > Delmål > Prosjekt > Oppgave), AI-coaching, ansvarlighetsgjennomganger og intelligent oppgavehåndtering. Den reelle kompleksiteten: 32+ databasetabeller, 4 integrerte AI-leverandører, et komplett finanssystem, CRM, vaner og en onboarding-flyt som setter opp en brukers livsstruktur på 3 minutter.

Dette var ikke en enkel CRUD-app. Det var et operativsystem for livet.

Beslutningen om å bruke Claude Code som utviklingspartner transformerte ligningen. I stedet for å ansette et team, investerte vi i prosess. I stedet for tradisjonelle sprinter brukte vi en fasebasert gjennomføringsmodell som AI-en kunne følge, planlegge og utføre med full kontekst.

Tilnærmingen: 516 planer, 117 faser, 13 utgivelser

Differensiatoren var ikke rå hastighet. Det var planleggingsmodellen. Hver Nervus.io-funksjon startet som en detaljert implementeringsplan — et strukturert dokument med omfang, avhengigheter, akseptkriterier og gjennomføringssekvens. Ved prosjektets slutt hadde vi 516+ planer opprettet og 117 faser gjennomført.

Hvordan fasemodellen fungerer

Hver fase er en selvstendig arbeidsenhet. Den inneholder:

• Definert omfang: hva som er inkludert, hva som er ekskludert
• Kartlagte avhengigheter: hvilke faser som må være ferdige først
• Akseptkriterier: hvordan validere at det er ferdig
• Gjennomføringssekvens: steg-for-steg for AI-en å følge

Denne modellen løser det største problemet i AI-assistert utvikling: kontekst. Ifølge forskning fra Google DeepMind (2025) mister språkmodeller opptil 40 % nøyaktighet på kodeoppgaver når konteksten overstiger 50 000 tokens uten klar struktur. Våre implementeringsplaner fungerte som et eksternt minnesystem — hver fase hadde all nødvendig kontekst, uten å avhenge av at modellen «husket» tidligere beslutninger.

Utgivelseskadensen

Utgivelse	Periode	Viktige leveranser
v1.0	Dag 1–5	Basehierarki, autentisering, entitets-CRUD
v1.1–1.3	Dag 6–15	Fokusarbeidsområde, kalender, merkesystem
v1.4–1.6	Dag 16–25	AI inline-forslag, entitetschat, gjennomganger
v1.7–1.9	Dag 26–35	Finansmodul, CRM, vaner og sporere
v2.0–2.0.5	Dag 36–50	Internasjonalisering (16 språk), onboarding v3, adminpanel, innholdsproduksjon

13 hovedutgivelser på 50 dager betyr at hver utgivelse skjedde i gjennomsnitt hver 3,8 dag. Et tradisjonelt team gjør utgivelser annenhver uke eller månedlig. Forskjellen er ikke bare hastighet — det er evnen til å iterere og korrigere kursen med mye høyere frekvens.

Tradisjonell vs. AI-assistert utvikling: Hvor forskjellen er reell

Gartner-data (2025) indikerer at 75 % av virksomheter vil bruke AI-assisterte utviklingsverktøy innen 2028. Men «å bruke AI» er et bredt spektrum. For denne casestudien er sammenligningen spesifikk: SaaS-utvikling med et minimalt team.

Dimensjon	Tradisjonell utvikling	AI-assistert (Claude Code)
Tid til MVP	12–18 måneder (Founders Factory, 2025)	50 dager
Teamstørrelse	5–10 ingeniører	1 grunnlegger + AI
Utviklingskostnad	$150K–$500K (seed-fase, a16z-data)	Abonnementskostnad for AI-verktøy
Utgivelser per måned	1–2	7–8
Implementeringsplaner	Manuelle PRD-er, ~20–30 per kvartal	516+ automatiserte planer
Språk støttet	1–3 (med lokaliseringsteam)	16 innebygde (AI-drevet)
AI-endepunkter	Avhenger av manuell integrasjon	33+ med adaptermønster
Gjennomgang/QA-dekning	Manuell + CI/CD	AI-gjennomgang + automatiserte tester

Den mest undervurderte fordelen er redusert koordineringsoverhead. I tradisjonelle team brukes en betydelig del av tiden på samkjøringsmøter, kodegjennomganger, dokumentasjon og overleveringer. Studien «The Cost of Interrupted Work» (University of California, Irvine) viser at programvarefagfolk mister 23 minutter for å gjenvinne fokus etter hver avbrytelse. Med AI som partner eksisterer koordineringsavbrytelser rett og slett ikke.

De tekniske valgene som akselererte alt

Utviklingshastighet handler ikke bare om AI-verktøyet. Teknologistabelen betyr noe. Feil valg på dag 1 skaper teknisk gjeld som bremser alt fra dag 30 og utover. Valgene nedenfor var bevisste:

Next.js 16 + React 19 (App Router)

Frontend-rammeverkvalget definerte arkitekturen. Next.js med App Router muliggjorde serverkomponenter, streaming og API-ruter i samme prosjekt. Null behov for en separat backend. Ifølge State of JS Survey (2025) er Next.js det mest adopterte rammeverket for nye prosjekter (38 % markedsandel), noe som betyr at AI-en hadde mer treningsdata for å generere korrekt kode.

Supabase som Backend-as-a-Service

Administrert PostgreSQL med Row Level Security (RLS), integrert autentisering (Magic Link + Google OAuth) og sanntidsabonnementer. Beslutningen om å bruke Supabase eliminerte uker med autentiserings- og sikkerhetsinfrastrukturutvikling. RLS sikret at hver bruker bare ser sine egne data uten tilpasset kode — sikkerhet på databasenivå.

Multi-leverandør AI (4 leverandører)

I stedet for å stole på én enkelt AI-leverandør, implementerte vi et adaptermønster med 4 leverandører: OpenAI (GPT-5-nano, GPT-4.1), Anthropic (Claude Sonnet 4.5), Google (Gemini) og DeepSeek. Systemet gjør nivåruting: enkle oppgaver (inline-forslag, kategorisering) bruker raske, billige modeller; komplekse oppgaver (gjennomgangsinnsikter, global chat) bruker premiummodeller.

Den praktiske fordelen: motstandsdyktighet og kostnadsoptimalisering. Når én leverandør har ustabilitet, feiler systemet over automatisk. Per-brukerkostnaden holdes kontrollert fordi 70 % av AI-kallene bruker «raskt»-nivået.

AI-drevet internasjonalisering

16 innebygde språk på 24 timer. Ikke Google Translate-stil automatisk oversettelse — reell lokalisering med kontekst. AI-en mottok engelske tekster med brukskontekst (knappetekster, feilmeldinger, arbeidsområdetitler) og produserte oversettelser som respekterer hvert språks konvensjoner. Portugisisk (BR og PT), spansk, fransk, tysk, italiensk, nederlandsk, polsk, tyrkisk, svensk, dansk, norsk, finsk, rumensk og tsjekkisk.

Kent Beck, skaperen av Extreme Programming, uttalte i 2024: «AI erstatter ikke programmerere. Den erstatter delene av programmering som programmerere alltid har hatet. Planleggingen, boilerplaten, de repetitive mønstrene. Det som gjenstår er tenkningen.» Vår erfaring bekrefter denne observasjonen — AI akselererte gjennomføringen, men hver arkitekturbeslutning, brukerflyt og funksjonsprioritering krevde menneskelig vurdering.

Hva som fungerte og hva som ikke fungerte

Åpenhet er en del av vår build in public-prosess. Ikke alt var eksponentiell akselerasjon. Noen lærdommer ble lært på den harde måten.

Hva som fungerte

1. Implementeringsplaner som AI-ens «eksterne minne». Modellen med 516+ planer var ikke byråkrati — det var infrastrukturen som tillot AI-en å opprettholde kontekst mellom økter. Hver plan hadde klart omfang, avhengigheter og akseptkriterier. AI-en trengte ikke å «gjette» hva den skulle gjøre.

2. Rask utgivelseskadense (3,8 dager). Hyppige utgivelser betyr korte tilbakemeldingsløkker. Hver utgivelse var en mulighet til å validere beslutninger og korrigere kursen før teknisk gjeld akkumulerte. Eric Ries demonstrerte i The Lean Startup at startups med Build-Measure-Learn-sykluser under 2 uker har 3 ganger større sjanse for å overleve sine første 2 år.

3. Moderne, godt dokumentert teknologistabel. AI genererer bedre kode når stabelen er populær og godt dokumentert. Next.js, React, Tailwind, Supabase — alle med store fellesskap og omfattende dokumentasjon. Dette reduserer hallusinasjoner og feilaktig kode.

4. Adaptermønster for AI-leverandører. Beslutningen om å abstrahere AI-leverandører fra dag 1 tillot bytte og tillegg av leverandører uten å skrive om kode. Når en bedre modell dukker opp, er integrasjonskostnaden minimal.

Hva som ikke fungerte (eller krevde korreksjon)

1. Undervurdering av kompleksiteten i finansfunksjoner. Finansmodulen (resultatregnskap, automatisk kategorisering, nettoverdi, faste utgifter) brukte 3 ganger flere planer enn estimert. Finansdata krever absolutt presisjon — avrunding, multivaluta, deteksjon av interne overføringer. AI-en genererte funksjonell kode, men finansielle kanttilfeller trengte omhyggelig menneskelig gjennomgang.

2. Onboarding krevde 3 versjoner. Den første onboardingen var for generisk. Den andre var for kompleks. Først i versjon 3, med AI-en som genererte den hierarkiske strukturen fra en naturlig samtale, traff vi balansen. 3–5 minutter, 5 steg, og brukeren går ut med områder, mål, delmål og prosjekter konfigurert.

3. Kontekstvinduet som flaskehals. I faser med mange tverrgående avhengigheter (f.eks. integrering av finans + AI + gjennomganger), oversteg nødvendig kontekst det AI-en kunne behandle nøyaktig. Løsningen var ytterligere dekomponering — mindre faser, mer atomære planer. Mer planleggingsoverhead, men bedre utdatakvalitet.

De reelle tallene: Utviklingsmålinger

Interne prosjektdata, ikke estimater:

• 50 dager fra null til v2.0.5 i produksjon
• 117 faser gjennomført sekvensielt
• 516+ implementeringsplaner opprettet
• 1 000+ commits i repositoriet
• 13 hovedutgivelser (v1.0 til v2.0.5)
• 32+ tabeller i PostgreSQL-databasen
• 33+ AI-endepunkter med nivåruting
• 4 AI-leverandører integrert (OpenAI, Anthropic, Google, DeepSeek)
• 100+ React Query-hooks med optimistiske oppdateringer
• 16 innebygde språk støttet
• 10 aktive arbeidsområder i sluttproduktet
• 8 typer gjennomgangsritualer (ukentlig til årlig)

Disse tallene representerer funksjonalitetstetthet — mengden funksjonalitet levert per tidsenhet. I tradisjonell utvikling ville et produkt med denne dybden ta minimum 12–18 måneder med et team på 5–10 personer, til en estimert kostnad på $300K–$500K (basert på ingeniørkostnadsdata fra Levels.fyi for det amerikanske markedet, 2025).

5 lærdommer for alle som bygger SaaS med AI

Erfaringen med å bygge Nervus.io destillerte lærdommer som er anvendbare for enhver grunnlegger som bruker AI til utvikling. Dette er ikke teorier — det er mønstre vi observerte over 50 dager med intensiv gjennomføring.

1. AI erstatter ikke tenkning — den akselererer gjennomføring. Hver av de 117 fasene startet med menneskelige beslutninger: hva som skulle bygges, hvorfor, i hvilken rekkefølge. AI-en gjennomførte «hvordan» med 10x hastighet. Men uten klare «hva» og «hvorfor» betyr ikke hastighet noe — du bygger bare feil ting raskere.

2. Strukturert planlegging er den kritiske infrastrukturen. De 516+ planene var ikke overhead — de er det som gjorde AI-en produktiv. Uten struktur produserer AI generisk kode. Med detaljerte planer (omfang, avhengigheter, akseptkriterier) produserer den kode som passer inn i systemet.

3. Lever raskt, iterer raskere. 13 utgivelser på 50 dager betyr 3,8-dagers sykluser. Hver utgivelse er et valideringskontrollpunkt. Kostnaden ved å korrigere en feil beslutning på dag 5 er minimal; på dag 50 er den eksponentiell. Utgivelsesfrekvens er en sikring mot dårlige beslutninger.

4. Velg en teknologistabel AI-en kjenner. Populære, godt dokumenterte rammeverk (Next.js, React, Supabase) produserer bedre AI-utdata. Obskure eller veldig nye stabler genererer flere hallusinasjoner og feilaktig kode. Stabelens popularitet korrelerer direkte med kvaliteten på AI-assistert utvikling.

5. Abstraher eksterne avhengigheter fra dag 1. Adaptermønsteret for AI-leverandører kostet 2 ekstra dager på forhånd. Det sparte uker over prosjektets levetid. Da vi bestemte oss for å legge til DeepSeek som fjerde leverandør, tok integrasjonen timer, ikke dager.

Viktigste Innsikter

• AI som utviklingspartner akselererer SaaS-levering med 5–10x, men krever strukturert planlegging og klare menneskelige beslutninger om arkitektur og prioriteringer.
• Fasemodellen med atomære planer (516+ planer, 117 faser) løser den største flaskehalsen i AI-assistert utvikling: å opprettholde kontekst mellom arbeidsøkter.
• Rask utgivelseskadense (3,8 dager i gjennomsnitt) fungerer som risikostyring: hver utgivelse er et kontrollpunkt som reduserer kostnadene ved fremtidige korreksjoner.
• En populær, godt dokumentert teknologistabel er en forutsetning, ikke en preferanse. AI genererer bedre kode når treningsgrunnlaget er omfattende.
• Menneskelig kompleksitet (produktbeslutninger, UX, finansielle kanttilfeller) forblir den reelle flaskehalsen — AI akselererer gjennomføring, ikke vurdering.

FAQ

Er det mulig å bygge en komplett SaaS med AI på 50 dager?

Ja, med begrensninger. Nervus.io-erfaringen viser at det er gjennomførbart å bruke Claude Code som utviklingspartner, forutsatt at det finnes strukturert planlegging (516+ planer) og en grunnlegger med klar produktvisjon. AI akselererer gjennomføring med 5–10x, men den erstatter ikke arkitekturbeslutninger og funksjonsprioritering.

Hvilket AI-verktøy er best for programvareutvikling?

Claude Code viste seg effektiv for fullstack-utvikling (Next.js + React + Supabase). Hovedfordelen er evnen til å opprettholde lang kontekst og følge strukturerte implementeringsplaner. GitHub Copilot fokuserer på autofullføring; Claude Code fungerer som en komplett programvareingeniør.

Hvor mye koster det å utvikle en SaaS med AI i stedet for et tradisjonelt team?

Kostnadene faller dramatisk. En SaaS med kompleksiteten til Nervus.io (32+ tabeller, 33+ AI-endepunkter, 16 språk) ville koste $300K–$500K med et tradisjonelt team på 5–10 ingeniører over 12–18 måneder. Med AI-assistert utvikling koker kostnaden ned til verktøyabonnementer og infrastruktur.

Hva er fasemodellen i AI-assistert utvikling?

Hver fase er en selvstendig arbeidsenhet med definert omfang, avhengigheter, akseptkriterier og gjennomføringssekvens. Den fungerer som eksternt minne for AI-en, og eliminerer problemet med konteksttap mellom økter. Nervus.io gjennomførte 117 faser med 516+ detaljerte planer.

Kan AI erstatte et helt ingeniørteam?

Ikke erstatte — omstrukturere. AI eliminerer koordineringsarbeid, boilerplate og repetitiv implementering. Det som gjenstår er arbeid på høyt nivå: arkitekturbeslutninger, brukerflytdesign, funksjonsprioritering og gjennomgang av kanttilfeller. Grunnleggeren skifter fra «teamleder» til «AI-regissør».

Hvordan sikrer du kodekvalitet når AI skriver det meste?

Tre strategier: (1) implementeringsplaner med klare akseptkriterier, (2) menneskelig kodegjennomgang fokusert på kanttilfeller og forretningslogikk, og (3) en godt dokumentert teknologistabel som reduserer hallusinasjoner. Hos Nervus.io krevde finansfunksjoner 3 ganger mer menneskelig gjennomgang enn UI-funksjoner.

Hva er begrensningene for AI-assistert utvikling?

Kontekstvinduet er den primære begrensningen. Faser med mange tverrgående avhengigheter mister kvalitet. Løsningen er dekomponering: mindre, mer atomære planer. I tillegg krever områder som krever absolutt presisjon (finans, sikkerhet) omhyggelig menneskelig gjennomgang uavhengig av kvaliteten på generert kode.

Fungerer 50-dagersmodellen for alle typer SaaS?

Fasemodellen med AI er replikerbar for nettbasert SaaS med en moderne stabel. Produkter som krever tilpasset maskinvare, tung regulatorisk etterlevelse (fintech, healthtech) eller dyp integrasjon med eldre systemer vil ha lengre tidslinjer. 50-dagershastigheten forutsetter en helt ny stabel og raske produktbeslutninger.

Bygg med intensjon, ikke hastverk

De 50 dagene med Nervus.io-utvikling var ikke et kappløp mot klokken. De var et kontrollert eksperiment i hvordan AI kan transformere prosessen med å bygge programvare. Resultatet — en plattform med 10 arbeidsområder, 33+ AI-endepunkter, 16 språk og over 1 000 commits — beviser at modellen fungerer. Men den fungerer fordi det var intensjon i hver fase: strukturert planlegging, bevisste teknologivalg og klarhet om hva AI gjør godt og hvor menneskelig vurdering er uerstattelig.

Hvis du vurderer å bygge en SaaS med AI, beskriver guiden for solo-grunnleggere det komplette rammeverket vi brukte.

Nervus.io er en AI-drevet personlig produktivitetsplattform. Den bruker et rigid hierarki (Område > Mål > Delmål > Prosjekt > Oppgave) for å hjelpe brukere med å nå meningsfulle mål med AI-coaching, ansvarlighetsgjennomganger og intelligent oppgavehåndtering.

---

Skrevet av Nervus.io-teamet, som bygger en AI-drevet produktivitetsplattform som gjør mål om til systemer. Vi skriver om målvitenskap, personlig produktivitet og fremtiden for samarbeid mellom mennesker og AI.