50 Dagen, van Nul naar v2.0: Wat We Leerden bij het Bouwen met AI

In 50 dagen gingen we van absoluut nul naar een platform met 10 werkruimtes, 33+ AI-eindpunten, 16 native talen en meer dan 1.000 commits. Een McKinsey-studie (2024) rapporteert dat teams die AI adopteren in softwareontwikkeling 30-50% sneller leveren dan traditionele teams. Onze ervaring met het bouwen van Nervus.io met Claude Code suggereert dat dat cijfer conservatief is. Dit artikel documenteert precies hoe we het deden, wat werkte, wat faalde en wat elke oprichter kan repliceren.

De Uitdaging: Een Complete SaaS Bouwen met een Minimaal Team

De meeste SaaS-producten in de productiviteitsmarkt doen er 12 tot 18 maanden over om een functionele MVP te bereiken, volgens data van Founders Factory (2025). Teams van 5-10 engineers. Investeringsrondes. Productmanagers. Designers. Het traditionele softwareontwikkelingsmodel vereist kapitaal, tijd en coördinatie tussen tientallen mensen.

De premisse voor Nervus.io was anders: een compleet AI-aangedreven persoonlijk productiviteitsplatform bouwen met AI als ontwikkelpartner, niet slechts als code-assistent. Nervus.io is een persoonlijk productiviteitsplatform met een strikte hiërarchie (Gebied > Doel > Target > Project > Taak), AI-coaching, verantwoordingsreviews en intelligent taakbeheer. De echte complexiteit: 32+ databasetabellen, 4 geïntegreerde AI-providers, een compleet financieel systeem, CRM, gewoonten en een onboarding-flow die de levensstructuur van een gebruiker in 3 minuten opzet.

Dit was geen simpele CRUD-app. Het was een besturingssysteem voor het leven.

De beslissing om Claude Code als ontwikkelpartner te gebruiken transformeerde de vergelijking. In plaats van een team aan te nemen, investeerden we in proces. In plaats van traditionele sprints gebruikten we een fasegebaseerd uitvoeringsmodel dat de AI kon volgen, plannen en uitvoeren met volledige context.

De Aanpak: 516 Plannen, 117 Fases, 13 Releases

Het onderscheidende kenmerk was niet ruwe snelheid. Het was het planningsmodel. Elke Nervus.io-functie begon als een gedetailleerd implementatieplan — een gestructureerd document met scope, afhankelijkheden, acceptatiecriteria en uitvoeringsvolgorde. Tegen het einde van het project hadden we 516+ plannen gemaakt en 117 fases uitgevoerd.

Hoe het fasemodel werkt

Elke fase is een op zichzelf staande werkeenheid. Het bevat:

• Gedefinieerde scope: wat erin zit, wat erbuiten valt
• In kaart gebrachte afhankelijkheden: welke fases eerst voltooid moeten zijn
• Acceptatiecriteria: hoe te valideren dat het af is
• Uitvoeringsvolgorde: stap-voor-stap voor de AI om te volgen

Dit model lost het grootste probleem in AI-ondersteunde ontwikkeling op: context. Volgens Google DeepMind-onderzoek (2025) verliezen taalmodellen tot 40% nauwkeurigheid bij codetaken wanneer de context meer dan 50.000 tokens overschrijdt zonder duidelijke structuur. Onze implementatieplannen werkten als een extern geheugensysteem — elke fase had alle benodigde context, zonder afhankelijk te zijn van het model om eerdere beslissingen te "onthouden."

De releasecadans

Release	Periode	Belangrijkste deliverables
v1.0	Dag 1-5	Basishiërarchie, authenticatie, entiteit CRUD
v1.1-1.3	Dag 6-15	Focus-werkruimte, kalender, tagsysteem
v1.4-1.6	Dag 16-25	AI inline-suggesties, entiteitschat, reviews
v1.7-1.9	Dag 26-35	Financiële module, CRM, gewoonten en trackers
v2.0-2.0.5	Dag 36-50	Internationalisatie (16 talen), onboarding v3, beheerpaneel, contentcreatie

13 grote releases in 50 dagen betekent dat elke release gemiddeld om de 3,8 dagen plaatsvond. Een traditioneel team doet tweewekelijkse of maandelijkse releases. Het verschil is niet alleen snelheid — het is het vermogen om met veel hogere frequentie te itereren en bij te sturen.

Traditionele vs. AI-ondersteunde Ontwikkeling: Waar het Verschil Echt Zit

Gartner-data (2025) geeft aan dat 75% van de enterpriseorganisaties tegen 2028 AI-ondersteunde ontwikkeltools zal gebruiken. Maar "AI gebruiken" is een breed spectrum. Voor deze casestudy is de vergelijking specifiek: SaaS-ontwikkeling met een minimaal team.

Dimensie	Traditionele Ontwikkeling	AI-ondersteund (Claude Code)
Tijd tot MVP	12-18 maanden (Founders Factory, 2025)	50 dagen
Teamgrootte	5-10 engineers	1 oprichter + AI
Ontwikkelkosten	$150K-$500K (seed-fase, a16z data)	AI-tool abonnementskosten
Releases per maand	1-2	7-8
Implementatieplannen	Handmatige PRD's, ~20-30 per kwartaal	516+ geautomatiseerde plannen
Ondersteunde talen	1-3 (met lokalisatieteam)	16 native (AI-aangedreven)
AI-eindpunten	Afhankelijk van handmatige integratie	33+ met adapter-patroon
Review/QA-dekking	Handmatig + CI/CD	AI review + geautomatiseerde tests

Het meest onderschatte voordeel is verminderde coördinatieoverhead. In traditionele teams gaat een aanzienlijk deel van de tijd op aan afstemmingsvergaderingen, code reviews, documentatie en overdrachten. De studie "The Cost of Interrupted Work" (University of California, Irvine) toont dat softwareprofessionals 23 minuten verliezen om focus terug te krijgen na elke onderbreking. Met AI als partner bestaan coördinatieonderbrekingen simpelweg niet.

De Technische Beslissingen die Alles Versnelden

Ontwikkelsnelheid gaat niet alleen over de AI-tool. De stack doet ertoe. Verkeerde keuzes op dag 1 creëren technische schuld die alles vertraagt vanaf dag 30. De onderstaande beslissingen waren weloverwogen:

Next.js 16 + React 19 (App Router)

De keuze voor het frontend-framework definieerde de architectuur. Next.js met App Router maakte server components, streaming en API-routes mogelijk in hetzelfde project. Nul noodzaak voor een aparte backend. Volgens de State of JS Survey (2025) is Next.js het meest geadopteerde framework voor nieuwe projecten (38% marktaandeel), wat betekent dat de AI meer trainingsdata had om correcte code te genereren.

Supabase als Backend-as-a-Service

Beheerde PostgreSQL met Row Level Security (RLS), geïntegreerde authenticatie (Magic Link + Google OAuth) en real-time subscriptions. De beslissing om Supabase te gebruiken elimineerde weken aan authenticatie- en beveiligingsinfrastructuurontwikkeling. RLS zorgde ervoor dat elke gebruiker alleen zijn eigen data ziet zonder aangepaste code — beveiliging op databaseniveau.

Multi-Provider AI (4 providers)

In plaats van op één AI-provider te vertrouwen, implementeerden we een adapter-patroon met 4 providers: OpenAI (GPT-5-nano, GPT-4.1), Anthropic (Claude Sonnet 4.5), Google (Gemini) en DeepSeek. Het systeem doet tier routing: eenvoudige taken (inline-suggesties, categorisering) gebruiken snelle, goedkope modellen; complexe taken (review-inzichten, globale chat) gebruiken premiummodellen.

Het praktische voordeel: weerbaarheid en kostenoptimalisatie. Wanneer één provider instabiliteit heeft, schakelt het systeem automatisch over. De kosten per gebruiker blijven beheerst omdat 70% van de AI-aanroepen de "snelle" tier gebruikt.

AI-aangedreven Internationalisatie

16 native talen in 24 uur. Geen Google Translate-achtige automatische vertaling — echte lokalisatie met context. De AI ontving Engelse teksten met gebruikscontext (knoplabels, foutmeldingen, werkruimtetitels) en produceerde vertalingen die de conventies van elke taal respecteren. Portugees (BR en PT), Spaans, Frans, Duits, Italiaans, Nederlands, Pools, Turks, Zweeds, Deens, Noors, Fins, Roemeens en Tsjechisch.

Kent Beck, bedenker van Extreme Programming, verklaarde in 2024: "AI vervangt geen programmeurs. Het vervangt de onderdelen van programmeren waar programmeurs altijd een hekel aan hadden. De planning, de boilerplate, de repetitieve patronen. Wat overblijft is het denken." Onze ervaring bevestigt deze observatie — AI versnelde de uitvoering, maar elke architectuurbeslissing, gebruikersstroom en functieprioritering vereiste menselijk oordeelsvermogen.

Wat Werkte en Wat Niet

Transparantie is onderdeel van ons build in public-proces. Niet alles was exponentiële versnelling. Sommige lessen werden op de harde manier geleerd.

Wat werkte

1. Implementatieplannen als het "externe geheugen" van de AI. Het model van 516+ plannen was geen bureaucratie — het was de infrastructuur die de AI in staat stelde context te behouden tussen sessies. Elk plan had een duidelijke scope, afhankelijkheden en acceptatiecriteria. De AI hoefde niet te "raden" wat te doen.

2. Snelle releasecadans (3,8 dagen). Frequente releases betekenen korte feedbackloops. Elke release was een kans om beslissingen te valideren en bij te sturen voordat technische schuld ophoopte. Eric Ries toonde in The Lean Startup aan dat startups met Build-Measure-Learn-cycli van minder dan 2 weken 3x meer kans hebben om hun eerste 2 jaar te overleven.

3. Moderne, goed gedocumenteerde stack. AI genereert betere code wanneer de stack populair en goed gedocumenteerd is. Next.js, React, Tailwind, Supabase — allemaal met grote communities en uitgebreide documentatie. Dit vermindert hallucinaties en incorrecte code.

4. Adapter-patroon voor AI-providers. De beslissing om AI-providers vanaf dag 1 te abstraheren maakte het mogelijk om providers te wisselen en toe te voegen zonder code te herschrijven. Wanneer een beter model verschijnt, zijn de integratiekosten minimaal.

Wat niet werkte (of correctie vereiste)

1. De complexiteit van financiële functies onderschatten. De financiële module (resultatenrekening, automatische categorisering, vermogen, terugkerende rekeningen) verbruikte 3x meer plannen dan geschat. Financiële data vereist absolute precisie — afrondingen, meerdere valuta's, detectie van interne overboekingen. De AI genereerde functionele code, maar financiële randgevallen vereisten nauwkeurige menselijke review.

2. Onboarding vereiste 3 versies. De eerste onboarding was te generiek. De tweede was te complex. Pas in versie 3, waarbij de AI de hiërarchische structuur genereerde uit een natuurlijk gesprek, troffen we de balans. 3-5 minuten, 5 stappen, en de gebruiker verlaat het met gebieden, doelen, targets en projecten geconfigureerd.

3. Contextvenster als knelpunt. In fases met veel doorsnijdende afhankelijkheden (bijv. het integreren van financieel + AI + reviews) overschreed de benodigde context wat de AI nauwkeurig kon verwerken. De oplossing was verdere decompositie — kleinere fases, meer atomaire plannen. Meer planningsoverhead, maar betere outputkwaliteit.

De Echte Cijfers: Ontwikkelmetrics

Interne projectdata, geen schattingen:

• 50 dagen van nul naar v2.0.5 in productie
• 117 fases sequentieel uitgevoerd
• 516+ implementatieplannen gemaakt
• 1.000+ commits in de repository
• 13 grote releases (v1.0 tot v2.0.5)
• 32+ tabellen in de PostgreSQL-database
• 33+ AI-eindpunten met tier routing
• 4 AI-providers geïntegreerd (OpenAI, Anthropic, Google, DeepSeek)
• 100+ React Query hooks met optimistische updates
• 16 native talen ondersteund
• 10 actieve werkruimtes in het eindproduct
• 8 typen reviewrituelen (wekelijks tot jaarlijks)

Deze cijfers vertegenwoordigen functiedichtheid — de hoeveelheid functionaliteit geleverd per tijdseenheid. Bij traditionele ontwikkeling zou een product met deze diepte minimaal 12-18 maanden duren met een team van 5-10 mensen, tegen geschatte kosten van $300K-$500K (gebaseerd op engineeringskostendata van Levels.fyi voor de Amerikaanse markt, 2025).

5 Lessen voor Iedereen die SaaS Bouwt met AI

De ervaring met het bouwen van Nervus.io destilleerde lessen die toepasbaar zijn voor elke oprichter die AI gebruikt voor ontwikkeling. Dit zijn geen theorieën — het zijn patronen die we observeerden gedurende 50 dagen intensieve uitvoering.

1. AI vervangt het denken niet — het versnelt de uitvoering. Elk van de 117 fases begon met menselijke beslissingen: wat bouwen, waarom, in welke volgorde. De AI voerde het "hoe" uit op 10x snelheid. Maar zonder duidelijk "wat" en "waarom" maakt snelheid niet uit — je bouwt gewoon het verkeerde ding sneller.

2. Gestructureerde planning is de kritieke infrastructuur. De 516+ plannen waren geen overhead — ze zijn wat de AI productief maakte. Zonder structuur produceert AI generieke code. Met gedetailleerde plannen (scope, afhankelijkheden, acceptatiecriteria) produceert het code die in het systeem past.

3. Ship snel, itereer sneller. 13 releases in 50 dagen betekent cycli van 3,8 dagen. Elke release is een validatiecheckpoint. De kosten van het corrigeren van een verkeerde beslissing op dag 5 zijn minimaal; op dag 50 zijn ze exponentieel. Releasefrequentie is een afdekking tegen slechte beslissingen.

4. Kies een stack die de AI kent. Populaire, goed gedocumenteerde frameworks (Next.js, React, Supabase) produceren betere AI-output. Obscure of zeer nieuwe stacks genereren meer hallucinaties en incorrecte code. Stackpopulariteit correleert direct met de kwaliteit van AI-ondersteunde ontwikkeling.

5. Abstraheer externe afhankelijkheden vanaf dag 1. Het adapter-patroon voor AI-providers kostte 2 extra dagen vooraf. Het bespaarde weken gedurende de levensduur van het project. Toen we besloten DeepSeek als vierde provider toe te voegen, duurde de integratie uren, niet dagen.

Belangrijkste Inzichten

• AI als ontwikkelpartner versnelt SaaS-levering met 5-10x, maar vereist gestructureerde planning en duidelijke menselijke beslissingen over architectuur en prioriteiten.
• Het fasemodel met atomaire plannen (516+ plannen, 117 fases) lost het grootste knelpunt in AI-ondersteunde ontwikkeling op: het behouden van context tussen werksessies.
• Een snelle releasecadans (gemiddeld 3,8 dagen) werkt als risicobeheer: elke release is een checkpoint dat de kosten van toekomstige correcties verlaagt.
• Een populaire, goed gedocumenteerde stack is een voorwaarde, geen voorkeur. AI genereert betere code wanneer de trainingsbasis uitgebreid is.
• Menselijke complexiteit (productbeslissingen, UX, financiële randgevallen) blijft het echte knelpunt — AI versnelt uitvoering, niet oordeelsvermogen.

FAQ

Is het mogelijk om een complete SaaS te bouwen met AI in 50 dagen?

Ja, met beperkingen. De Nervus.io-ervaring toont aan dat het haalbaar is met Claude Code als ontwikkelpartner, mits er gestructureerde planning is (516+ plannen) en een oprichter met een duidelijke productvisie. AI versnelt uitvoering met 5-10x, maar het vervangt geen architectuurbeslissingen en functieprioriteringen.

Welke AI-tool is het best voor softwareontwikkeling?

Claude Code bewees effectief voor full-stack development (Next.js + React + Supabase). Het belangrijkste voordeel is het vermogen om lange context te behouden en gestructureerde implementatieplannen te volgen. GitHub Copilot focust op autocomplete; Claude Code werkt als een complete software-engineer.

Hoeveel kost het om een SaaS te ontwikkelen met AI in plaats van een traditioneel team?

De kosten dalen dramatisch. Een SaaS met de complexiteit van Nervus.io (32+ tabellen, 33+ AI-eindpunten, 16 talen) zou $300K-$500K kosten met een traditioneel team van 5-10 engineers gedurende 12-18 maanden. Met AI-ondersteunde ontwikkeling komen de kosten neer op toolabonnementen en infrastructuur.

Wat is het fasemodel in AI-ondersteunde ontwikkeling?

Elke fase is een op zichzelf staande werkeenheid met gedefinieerde scope, afhankelijkheden, acceptatiecriteria en uitvoeringsvolgorde. Het functioneert als extern geheugen voor de AI, waardoor het probleem van contextverlies tussen sessies wordt geëlimineerd. Nervus.io voerde 117 fases uit met 516+ gedetailleerde plannen.

Kan AI een heel engineeringteam vervangen?

Niet vervangen — herstructureren. AI elimineert coördinatiewerk, boilerplate en repetitieve implementatie. Wat overblijft is werk op hoog niveau: architectuurbeslissingen, ontwerp van gebruikersstromen, functieprioriteringen en review van randgevallen. De oprichter verschuift van "teammanager" naar "AI-regisseur."

Hoe waarborg je codekwaliteit wanneer AI het meeste schrijft?

Drie strategieën: (1) implementatieplannen met duidelijke acceptatiecriteria, (2) menselijke code review gericht op randgevallen en bedrijfslogica, en (3) een goed gedocumenteerde stack die hallucinaties vermindert. Bij Nervus.io vereisten financiële functies 3x meer menselijke review dan UI-functies.

Wat zijn de limieten van AI-ondersteunde ontwikkeling?

Het contextvenster is de primaire beperking. Fases met veel doorsnijdende afhankelijkheden verliezen kwaliteit. De oplossing is decompositie: kleinere, meer atomaire plannen. Daarnaast vereisen gebieden die absolute precisie vereisen (financiën, beveiliging) nauwkeurige menselijke review ongeacht de kwaliteit van de gegenereerde code.

Werkt het 50-dagenmodel voor elk type SaaS?

Het fasemodel met AI is repliceerbaar voor webgebaseerde SaaS met een moderne stack. Producten die aangepaste hardware vereisen, zware regulatorische compliance (fintech, healthtech) of diepe integratie met legacy-systemen zullen langere tijdlijnen hebben. De 50-dagensnelheid veronderstelt een greenfield stack en snelle productbeslissingen.

Bouw met Intentie, Niet met Haast

De 50 dagen van Nervus.io-ontwikkeling waren geen race tegen de klok. Het was een gecontroleerd experiment in hoe AI het softwarebouwproces kan transformeren. Het resultaat — een platform met 10 werkruimtes, 33+ AI-eindpunten, 16 talen en meer dan 1.000 commits — bewijst dat het model werkt. Maar het werkt omdat er intentie was in elke fase: gestructureerde planning, weloverwogen stackbeslissingen en helderheid over wat AI goed doet en waar menselijk oordeelsvermogen onvervangbaar is.

Als je overweegt een SaaS te bouwen met AI, beschrijft de solo founder-gids het complete framework dat we gebruikten.

Nervus.io is een AI-aangedreven persoonlijk productiviteitsplatform. Het gebruikt een strikte hiërarchie (Gebied > Doel > Target > Project > Taak) om gebruikers te helpen betekenisvolle doelen te bereiken met AI-coaching, verantwoordingsreviews en intelligent taakbeheer.

---

Geschreven door het Nervus.io-team, dat een AI-aangedreven productiviteitsplatform bouwt dat doelen omzet in systemen. We schrijven over doelwetenschap, persoonlijke productiviteit en de toekomst van mens-AI-samenwerking.