50 dni, od zera do v2.0: Czego nauczyliśmy się budując z AI

W 50 dni przeszliśmy od absolutnego zera do platformy z 10 przestrzeniami roboczymi, ponad 33 endpointami AI, 16 natywnymi językami i ponad 1000 commitów. Badanie McKinsey (2024) podaje, że zespoły stosujące AI w tworzeniu oprogramowania dostarczają 30-50% szybciej niż tradycyjne zespoły. Nasze doświadczenie z budowaniem Nervus.io przy użyciu Claude Code sugeruje, że ta liczba jest konserwatywna. Ten artykuł dokumentuje dokładnie, jak to zrobiliśmy, co zadziałało, co nie zadziałało i co każdy założyciel może powtórzyć.

Wyzwanie: Budowanie kompletnego SaaS z minimalnym zespołem

Większość produktów SaaS na rynku produktywności potrzebuje 12 do 18 miesięcy, by osiągnąć funkcjonalne MVP, według danych Founders Factory (2025). Zespoły 5-10 inżynierów. Rundy inwestycyjne. Menedżerowie produktu. Designerzy. Tradycyjny model tworzenia oprogramowania wymaga kapitału, czasu i koordynacji między dziesiątkami osób.

Założenie dla Nervus.io było inne: zbudować kompletną platformę produktywności osobistej wspomaganą AI, wykorzystując AI jako partnera rozwojowego, a nie jedynie jako asystenta kodu. Nervus.io to platforma produktywności osobistej ze sztywną hierarchią (Obszar > Cel > Target > Projekt > Zadanie), coachingiem AI, przeglądami odpowiedzialności i inteligentnym zarządzaniem zadaniami. Prawdziwa złożoność: ponad 32 tabele bazy danych, 4 zintegrowanych dostawców AI, kompletny system finansowy, CRM, nawyki i flow onboardingu, który konfiguruje strukturę życia użytkownika w 3 minuty.

To nie była prosta aplikacja CRUD. To był system operacyjny dla życia.

Decyzja o użyciu Claude Code jako partnera rozwojowego przekształciła równanie. Zamiast zatrudniać zespół, zainwestowaliśmy w proces. Zamiast tradycyjnych sprintów, użyliśmy modelu egzekucji opartego na fazach, który AI mógł śledzić, planować i realizować z pełnym kontekstem.

Podejście: 516 planów, 117 faz, 13 wydań

Wyróżnikiem nie była surowa szybkość. To był model planowania. Każda funkcja Nervus.io zaczynała się jako szczegółowy plan implementacji — ustrukturyzowany dokument z zakresem, zależnościami, kryteriami akceptacji i sekwencją egzekucji. Pod koniec projektu mieliśmy ponad 516 utworzonych planów i 117 zrealizowanych faz.

Jak działa model fazowy

Każda faza to samodzielna jednostka pracy. Zawiera:

• Zdefiniowany zakres: co jest w środku, co jest poza
• Zmapowane zależności: które fazy muszą być ukończone wcześniej
• Kryteria akceptacji: jak zwalidować, że jest gotowe
• Sekwencja egzekucji: krok po kroku do naśladowania przez AI

Ten model rozwiązuje największy problem w rozwoju wspomaganym przez AI: kontekst. Według badań Google DeepMind (2025), modele językowe tracą do 40% dokładności w zadaniach kodowych, gdy kontekst przekracza 50 000 tokenów bez jasnej struktury. Nasze plany implementacji działały jako zewnętrzny system pamięci — każda faza miała cały niezbędny kontekst, bez polegania na tym, że model "zapamięta" poprzednie decyzje.

Kadencja wydań

Wydanie	Okres	Kluczowe dostarczenia
v1.0	Dni 1-5	Bazowa hierarchia, uwierzytelnianie, CRUD encji
v1.1-1.3	Dni 6-15	Przestrzeń Focus, kalendarz, system tagów
v1.4-1.6	Dni 16-25	Sugestie inline AI, czat encji, przeglądy
v1.7-1.9	Dni 26-35	Moduł finansowy, CRM, nawyki i trackery
v2.0-2.0.5	Dni 36-50	Internacjonalizacja (16 języków), onboarding v3, panel admina, tworzenie treści

13 głównych wydań w 50 dni oznacza, że każde wydanie powstawało średnio co 3,8 dnia. Tradycyjny zespół robi wydania co dwa tygodnie lub co miesiąc. Różnica to nie tylko szybkość — to zdolność iterowania i korygowania kursu z dużo wyższą częstotliwością.

Tradycyjny rozwój vs. rozwój wspomagany AI: Gdzie różnica jest realna

Dane Gartnera (2025) wskazują, że 75% organizacji korporacyjnych będzie używać narzędzi do rozwoju wspomaganego AI do 2028 roku. Ale "używanie AI" to szerokie spektrum. Dla tego studium przypadku porównanie jest konkretne: rozwój SaaS z minimalnym zespołem.

Wymiar	Tradycyjny rozwój	Wspomagany AI (Claude Code)
Czas do MVP	12-18 miesięcy (Founders Factory, 2025)	50 dni
Wielkość zespołu	5-10 inżynierów	1 założyciel + AI
Koszt rozwoju	150-500 tys. USD (etap seed, dane a16z)	Koszt subskrypcji narzędzia AI
Wydania miesięcznie	1-2	7-8
Plany implementacji	Ręczne PRD, ~20-30 na kwartał	Ponad 516 zautomatyzowanych planów
Wspierane języki	1-3 (z zespołem lokalizacyjnym)	16 natywnych (zasilane AI)
Endpointy AI	Zależy od ręcznej integracji	Ponad 33 z wzorcem adaptera
Pokrycie review/QA	Ręczne + CI/CD	Review AI + automatyczne testy

Najbardziej niedocenianą zaletą jest zmniejszony narzut koordynacji. W tradycyjnych zespołach znaczna część czasu jest poświęcana na spotkania wyrównawcze, przeglądy kodu, dokumentację i przekazania. Badanie "The Cost of Interrupted Work" (University of California, Irvine) wskazuje, że profesjonaliści programiści tracą 23 minuty na odzyskanie fokusu po każdym przerwaniu. Z AI jako partnerem, przerwania koordynacyjne po prostu nie istnieją.

Decyzje techniczne, które przyspieszyły wszystko

Szybkość rozwoju to nie tylko narzędzie AI. Stos technologiczny ma znaczenie. Złe wybory w dniu 1 tworzą dług techniczny, który spowalnia wszystko od dnia 30. Poniższe decyzje były celowe:

Next.js 16 + React 19 (App Router)

Wybór frameworka frontendowego zdefiniował architekturę. Next.js z App Routerem umożliwił komponenty serwerowe, streaming i trasy API w tym samym projekcie. Zero potrzeby na oddzielny backend. Według State of JS Survey (2025), Next.js to najczęściej adoptowany framework dla nowych projektów (38% udziału rynkowego), co oznacza, że AI miał więcej danych treningowych do generowania poprawnego kodu.

Supabase jako Backend-as-a-Service

Zarządzany PostgreSQL z Row Level Security (RLS), zintegrowane uwierzytelnianie (Magic Link + Google OAuth) i subskrypcje w czasie rzeczywistym. Decyzja o użyciu Supabase wyeliminowała tygodnie rozwoju infrastruktury uwierzytelniania i bezpieczeństwa. RLS zapewnił, że każdy użytkownik widzi tylko swoje dane bez niestandardowego kodu — bezpieczeństwo na poziomie bazy danych.

Multi-Provider AI (4 dostawców)

Zamiast polegać na jednym dostawcy AI, zaimplementowaliśmy wzorzec adaptera z 4 dostawcami: OpenAI (GPT-5-nano, GPT-4.1), Anthropic (Claude Sonnet 4.5), Google (Gemini) i DeepSeek. System realizuje routing warstwowy: proste zadania (sugestie inline, kategoryzacja) używają szybkich, tanich modeli; złożone zadania (wglądy z przeglądów, globalny czat) używają modeli premium.

Praktyczna korzyść: odporność i optymalizacja kosztów. Gdy jeden dostawca ma niestabilność, system automatycznie przełącza się. Koszt na użytkownika pozostaje kontrolowany, bo 70% wywołań AI używa warstwy "szybkiej".

Internacjonalizacja zasilana AI

16 natywnych języków w 24 godziny. Nie automatyczne tłumaczenie w stylu Google Translate — prawdziwa lokalizacja z kontekstem. AI otrzymał angielskie teksty z kontekstem użycia (etykiety przycisków, komunikaty błędów, tytuły przestrzeni roboczych) i wyprodukował tłumaczenia respektujące konwencje każdego języka.

Kent Beck, twórca Extreme Programming, stwierdził w 2024 roku: "AI nie zastępuje programistów. Zastępuje te części programowania, których programiści zawsze nienawidzili. Planowanie, boilerplate, powtarzalne wzorce. To, co pozostaje, to myślenie." Nasze doświadczenie potwierdza tę obserwację — AI przyspieszył egzekucję, ale każda decyzja architektoniczna, flow użytkownika i priorytet funkcji wymagały ludzkiego osądu.

Co zadziałało, a co nie

Transparentność jest częścią naszego procesu budowania w publice. Nie wszystko było wykładniczym przyspieszeniem. Niektóre lekcje zostały wyniesione na trudnej drodze.

Co zadziałało

1. Plany implementacji jako "zewnętrzna pamięć" AI. Model ponad 516 planów to nie była biurokracja — to infrastruktura, która pozwalała AI utrzymywać kontekst między sesjami. Każdy plan miał jasny zakres, zależności i kryteria akceptacji. AI nie musiał "zgadywać", co robić.

2. Szybka kadencja wydań (3,8 dnia). Częste wydania oznaczają krótkie pętle zwrotne. Każde wydanie było okazją do walidacji decyzji i korekty kursu, zanim dług techniczny się skumulował. Eric Ries w The Lean Startup wykazał, że startupy z cyklami Build-Measure-Learn poniżej 2 tygodni mają 3x większe szanse na przetrwanie pierwszych 2 lat.

3. Nowoczesny, dobrze udokumentowany stos. AI generuje lepszy kod, gdy stos jest popularny i dobrze udokumentowany. Next.js, React, Tailwind, Supabase — wszystko z dużymi społecznościami i obszerną dokumentacją. To redukuje halucynacje i niepoprawny kod.

4. Wzorzec adaptera dla dostawców AI. Decyzja o abstrakcji dostawców AI od pierwszego dnia pozwoliła wymieniać i dodawać dostawców bez przepisywania kodu. Gdy pojawia się lepszy model, koszt integracji jest minimalny.

Co nie zadziałało (lub wymagało korekty)

1. Niedoszacowanie złożoności funkcji finansowych. Moduł finansowy (rachunek zysków i strat, automatyczna kategoryzacja, wartość netto, rachunki cykliczne) zużył 3x więcej planów niż szacowano. Dane finansowe wymagają absolutnej precyzji — zaokrąglanie, wielowalutowość, wykrywanie transferów wewnętrznych. AI generował funkcjonalny kod, ale finansowe przypadki brzegowe wymagały skrupulatnego ludzkiego przeglądu.

2. Onboarding wymagał 3 wersji. Pierwszy onboarding był zbyt ogólny. Drugi zbyt złożony. Dopiero w wersji 3, z AI generującym hierarchiczną strukturę z naturalnej rozmowy, trafiliśmy w balans. 3-5 minut, 5 kroków, a użytkownik wychodzi z skonfigurowanymi obszarami, celami, targetami i projektami.

3. Okno kontekstu jako wąskie gardło. W fazach z wieloma przekrojowymi zależnościami (np. integracja finansów + AI + przeglądów), niezbędny kontekst przekraczał to, co AI mógł przetworzyć z dostateczną dokładnością. Rozwiązaniem była dalsza dekompozycja — mniejsze fazy, bardziej atomowe plany. Więcej narzutu planistycznego, ale lepsza jakość wyników.

Prawdziwe liczby: Metryki rozwoju

Wewnętrzne dane projektu, nie szacunki:

• 50 dni od zera do v2.0.5 na produkcji
• 117 faz zrealizowanych sekwencyjnie
• Ponad 516 planów implementacji utworzonych
• Ponad 1000 commitów w repozytorium
• 13 głównych wydań (v1.0 do v2.0.5)
• Ponad 32 tabele w bazie PostgreSQL
• Ponad 33 endpointy AI z routingiem warstwowym
• 4 dostawców AI zintegrowanych (OpenAI, Anthropic, Google, DeepSeek)
• Ponad 100 hooków React Query z optymistycznymi aktualizacjami
• 16 natywnych języków wspieranych
• 10 aktywnych przestrzeni roboczych w produkcie końcowym
• 8 typów rytuałów przeglądowych (od tygodniowego po roczny)

Te liczby reprezentują gęstość funkcji — ilość funkcjonalności dostarczonej na jednostkę czasu. W tradycyjnym rozwoju, produkt o tej głębokości wymagałby minimum 12-18 miesięcy z zespołem 5-10 osób, przy szacowanym koszcie 300-500 tys. USD (na podstawie danych kosztowych inżynierii z Levels.fyi dla rynku amerykańskiego, 2025).

5 lekcji dla każdego budującego SaaS z AI

Doświadczenie budowania Nervus.io wykrystalizowało nauki stosowalne dla każdego założyciela używającego AI do rozwoju. To nie teorie — to wzorce zaobserwowane przez 50 dni intensywnej egzekucji.

1. AI nie zastępuje myślenia — przyspiesza egzekucję. Każda ze 117 faz zaczynała się od ludzkich decyzji: co budować, dlaczego, w jakiej kolejności. AI egzekwował "jak" z 10x prędkością. Ale bez jasnego "co" i "dlaczego", szybkość nie ma znaczenia — po prostu budujesz złą rzecz szybciej.

2. Ustrukturyzowane planowanie to krytyczna infrastruktura. Ponad 516 planów to nie był narzut — to jest to, co czyniło AI produktywnym. Bez struktury AI produkuje generyczny kod. Ze szczegółowymi planami (zakres, zależności, kryteria akceptacji) produkuje kod pasujący do systemu.

3. Wydawaj szybko, iteruj szybciej. 13 wydań w 50 dni oznacza 3,8-dniowe cykle. Każde wydanie to punkt walidacji. Koszt korekty błędnej decyzji w dniu 5 jest minimalny; w dniu 50 wykładniczy. Częstotliwość wydań to zabezpieczenie przed złymi decyzjami.

4. Wybierz stos, który AI zna. Popularne, dobrze udokumentowane frameworki (Next.js, React, Supabase) produkują lepsze wyniki AI. Mało znane lub bardzo nowe stosy generują więcej halucynacji i niepoprawnego kodu. Popularność stosu koreluje bezpośrednio z jakością rozwoju wspomaganego AI.

5. Abstrahuj zewnętrzne zależności od pierwszego dnia. Wzorzec adaptera dla dostawców AI kosztował 2 dodatkowe dni z góry. Zaoszczędził tygodnie w trakcie trwania projektu. Gdy zdecydowaliśmy się dodać DeepSeek jako czwartego dostawcę, integracja zajęła godziny, nie dni.

Kluczowe Wnioski

• AI jako partner rozwojowy przyspiesza dostarczanie SaaS 5-10x, ale wymaga ustrukturyzowanego planowania i jasnych ludzkich decyzji o architekturze i priorytetach.
• Model fazowy z atomowymi planami (ponad 516 planów, 117 faz) rozwiązuje największe wąskie gardło w rozwoju wspomaganym AI: utrzymanie kontekstu między sesjami roboczymi.
• Szybka kadencja wydań (średnio 3,8 dnia) działa jako zarządzanie ryzykiem: każde wydanie to punkt kontrolny zmniejszający koszt przyszłych korekt.
• Popularny, dobrze udokumentowany stos to warunek wstępny, nie preferencja. AI generuje lepszy kod, gdy baza treningowa jest obszerna.
• Złożoność ludzka (decyzje produktowe, UX, finansowe przypadki brzegowe) pozostaje prawdziwym wąskim gardłem — AI przyspiesza egzekucję, nie osąd.

FAQ

Czy można zbudować kompletny SaaS z AI w 50 dni?

Tak, z ograniczeniami. Doświadczenie Nervus.io pokazuje, że jest to wykonalne z Claude Code jako partnerem rozwojowym, pod warunkiem ustrukturyzowanego planowania (ponad 516 planów) i założyciela z jasną wizją produktu. AI przyspiesza egzekucję 5-10x, ale nie zastępuje decyzji architektonicznych i priorytetyzacji funkcji.

Które narzędzie AI jest najlepsze do tworzenia oprogramowania?

Claude Code okazał się skuteczny w rozwoju full-stack (Next.js + React + Supabase). Główną zaletą jest zdolność do utrzymywania długiego kontekstu i podążania za ustrukturyzowanymi planami implementacji. GitHub Copilot koncentruje się na autouzupełnianiu; Claude Code działa jako kompletny inżynier oprogramowania.

Ile kosztuje rozwój SaaS z AI zamiast tradycyjnego zespołu?

Koszt spada dramatycznie. SaaS o złożoności Nervus.io (ponad 32 tabele, ponad 33 endpointy AI, 16 języków) kosztowałby 300-500 tys. USD z tradycyjnym zespołem 5-10 inżynierów przez 12-18 miesięcy. W przypadku rozwoju wspomaganego AI koszt sprowadza się do subskrypcji narzędzi i infrastruktury.

Czym jest model fazowy w rozwoju wspomaganym AI?

Każda faza to samodzielna jednostka pracy z zdefiniowanym zakresem, zależnościami, kryteriami akceptacji i sekwencją egzekucji. Funkcjonuje jako zewnętrzna pamięć dla AI, eliminując problem utraty kontekstu między sesjami. Nervus.io zrealizował 117 faz z ponad 516 szczegółowymi planami.

Czy AI może zastąpić cały zespół inżynierski?

Nie zastąpić — przebudować. AI eliminuje pracę koordynacyjną, boilerplate i powtarzalną implementację. To, co pozostaje, to praca wysokiego poziomu: decyzje architektoniczne, projektowanie flow użytkownika, priorytetyzacja funkcji i przegląd przypadków brzegowych. Założyciel przechodzi od "menedżera zespołu" do "dyrektora AI."

Jak zapewnić jakość kodu, gdy AI pisze jego większość?

Trzy strategie: (1) plany implementacji z jasnymi kryteriami akceptacji, (2) ludzki przegląd kodu skoncentrowany na przypadkach brzegowych i logice biznesowej, oraz (3) dobrze udokumentowany stos, który redukuje halucynacje. W Nervus.io funkcje finansowe wymagały 3x więcej ludzkiego przeglądu niż funkcje UI.

Jakie są ograniczenia rozwoju wspomaganego AI?

Okno kontekstu to główne ograniczenie. Fazy z wieloma przekrojowymi zależnościami tracą na jakości. Rozwiązaniem jest dekompozycja: mniejsze, bardziej atomowe plany. Ponadto obszary wymagające absolutnej precyzji (finanse, bezpieczeństwo) wymagają skrupulatnego ludzkiego przeglądu niezależnie od jakości wygenerowanego kodu.

Czy model 50-dniowy działa dla każdego typu SaaS?

Model fazowy z AI jest powtarzalny dla webowego SaaS z nowoczesnym stosem. Produkty wymagające niestandardowego sprzętu, ciężkiej zgodności regulacyjnej (fintech, healthtech) lub głębokiej integracji z systemami legacy będą miały dłuższe terminy. 50-dniowa szybkość zakłada greenfield stack i szybkie decyzje produktowe.

Buduj z intencją, nie z pośpiechem

50 dni rozwoju Nervus.io nie było wyścigiem z czasem. To był kontrolowany eksperyment sprawdzający, jak AI może przekształcić proces budowania oprogramowania. Rezultat — platforma z 10 przestrzeniami roboczymi, ponad 33 endpointami AI, 16 językami i ponad 1000 commitów — dowodzi, że model działa. Ale działa, ponieważ w każdej fazie była intencja: ustrukturyzowane planowanie, celowe decyzje dotyczące stosu i jasność co do tego, w czym AI jest dobry, a gdzie ludzki osąd jest niezastąpiony.

Jeśli rozważasz budowanie SaaS z AI, przewodnik solo foundera szczegółowo opisuje kompletny framework, którego użyliśmy.

Nervus.io to platforma produktywności osobistej wspierana przez AI. Wykorzystuje sztywną hierarchię (Obszar > Cel > Target > Projekt > Zadanie), by pomagać użytkownikom osiągać znaczące cele z coachingiem AI, przeglądami odpowiedzialności i inteligentnym zarządzaniem zadaniami.

---

Napisane przez zespół Nervus.io, tworzący platformę produktywności opartą na AI, która zamienia cele w systemy. Piszemy o nauce celów, produktywności osobistej i przyszłości współpracy człowieka z AI.