50 dagar, noll till v2.0: Vad vi lärde oss av att bygga med AI

På 50 dagar gick vi från absolut noll till en plattform med 10 arbetsytor, 33+ AI-endpoints, 16 inbyggda språk och över 1 000 commits. En McKinsey-studie (2024) rapporterar att team som antar AI inom mjukvaruutveckling levererar 30-50% snabbare än traditionella team. Vår erfarenhet av att bygga Nervus.io med Claude Code tyder på att den siffran är konservativ. Den här artikeln dokumenterar exakt hur vi gjorde det, vad som fungerade, vad som misslyckades och vad vilken grundare som helst kan replikera.

Utmaningen: Bygga en komplett SaaS med minimalt team

De flesta SaaS-produkter inom produktivitetsmarknaden tar 12 till 18 månader att nå en funktionell MVP, enligt Founders Factory-data (2025). Team på 5-10 ingenjörer. Investeringsrundor. Produktchefer. Designers. Den traditionella mjukvaruutvecklingsmodellen kräver kapital, tid och samordning mellan dussintals personer.

Premissen för Nervus.io var annorlunda: bygga en komplett AI-driven personlig produktivitetsplattform med AI som utvecklingspartner, inte bara som kodassistent. Nervus.io är en personlig produktivitetsplattform med en strikt hierarki (Area > Mål > Delmål > Projekt > Uppgift), AI-coachning, ansvarighetsutvärderingar och intelligent uppgiftshantering. Den verkliga komplexiteten: 32+ databastabeller, 4 integrerade AI-leverantörer, ett komplett ekonomisystem, CRM, vanor och ett onboarding-flöde som sätter upp en användares livsstruktur på 3 minuter.

Det här var inte en enkel CRUD-app. Det var ett operativsystem för livet.

Beslutet att använda Claude Code som utvecklingspartner omvandlade ekvationen. Istället för att anställa ett team investerade vi i process. Istället för traditionella sprintar använde vi en fasbaserad exekveringsmodell som AI:n kunde följa, planera och utföra med full kontext.

Tillvägagångssättet: 516 planer, 117 faser, 13 releaser

Differentiatorn var inte rå hastighet. Det var planeringsmodellen. Varje Nervus.io-funktion började som en detaljerad implementeringsplan -- ett strukturerat dokument med omfattning, beroenden, godkännandekriterier och exekveringssekvens. Vid projektets slut hade vi 516+ planer skapade och 117 faser utförda.

Hur fasmodellen fungerar

Varje fas är en fristående arbetsenhet. Den innehåller:

• Definierad omfattning: vad som ingår, vad som inte ingår
• Kartlagda beroenden: vilka faser som måste vara klara först
• Godkännandekriterier: hur man validerar att det är klart
• Exekveringssekvens: steg-för-steg för AI:n att följa

Denna modell löser det största problemet inom AI-assisterad utveckling: kontext. Enligt Google DeepMind-forskning (2025) förlorar språkmodeller upp till 40% noggrannhet på koduppgifter när kontexten överstiger 50 000 tokens utan tydlig struktur. Våra implementeringsplaner fungerade som ett externt minnessystem -- varje fas hade all nödvändig kontext, utan att vara beroende av att modellen "kommer ihåg" tidigare beslut.

Releasekadensen

Release	Period	Nyckelleveranser
v1.0	Dag 1-5	Bashierarki, autentisering, entitets-CRUD
v1.1-1.3	Dag 6-15	Fokusarbetsyta, kalender, taggsystem
v1.4-1.6	Dag 16-25	AI inline-förslag, entitetschatt, utvärderingar
v1.7-1.9	Dag 26-35	Ekonomimodul, CRM, vanor och trackers
v2.0-2.0.5	Dag 36-50	Internationalisering (16 språk), onboarding v3, adminpanel, innehållsskapande

13 stora releaser på 50 dagar innebär att varje release skedde i genomsnitt var 3,8 dag. Ett traditionellt team gör varannan vecka eller månatliga releaser. Skillnaden är inte bara hastighet -- det är förmågan att iterera och kurskorrigera med mycket högre frekvens.

Traditionell vs. AI-assisterad utveckling: Var skillnaden är verklig

Gartner-data (2025) indikerar att 75% av företagsorganisationer kommer att använda AI-assisterade utvecklingsverktyg till 2028. Men "att använda AI" är ett brett spektrum. För denna fallstudie är jämförelsen specifik: SaaS-utveckling med minimalt team.

Dimension	Traditionell utveckling	AI-assisterad (Claude Code)
Tid till MVP	12-18 månader (Founders Factory, 2025)	50 dagar
Teamstorlek	5-10 ingenjörer	1 grundare + AI
Utvecklingskostnad	$150K-$500K (seed-fas, a16z-data)	AI-verktygsprenumerationskostnad
Releaser per månad	1-2	7-8
Implementeringsplaner	Manuella PRD:er, ~20-30 per kvartal	516+ automatiserade planer
Språk som stöds	1-3 (med lokaliseringsteam)	16 inbyggda (AI-drivna)
AI-endpoints	Beror på manuell integration	33+ med adaptermönster
Granskning/QA-täckning	Manuell + CI/CD	AI-granskning + automatiserade tester

Den mest underskattade fördelen är minskad samordningsoverhead. I traditionella team spenderas en betydande del av tiden på anpassningsmöten, kodgranskningar, dokumentation och överlämningar. Studien "The Cost of Interrupted Work" (University of California, Irvine) visar att mjukvaruproffs förlorar 23 minuter för att återfå fokus efter varje avbrott. Med AI som partner existerar helt enkelt inte samordningsavbrott.

De tekniska beslut som accelererade allt

Utvecklingshastighet handlar inte bara om AI-verktyget. Teknikstacken spelar roll. Felaktiga val på dag 1 skapar teknisk skuld som saktar ner allt från dag 30 och framåt. Besluten nedan var medvetna:

Next.js 16 + React 19 (App Router)

Valet av frontend-ramverk definierade arkitekturen. Next.js med App Router möjliggjorde serverkomponenter, streaming och API-rutter i samma projekt. Inget behov av en separat backend. Enligt State of JS Survey (2025) är Next.js det mest antagna ramverket för nya projekt (38% marknadsandel), vilket innebär att AI:n hade mer träningsdata för att generera korrekt kod.

Supabase som Backend-as-a-Service

Hanterad PostgreSQL med Row Level Security (RLS), integrerad autentisering (Magic Link + Google OAuth) och realtidsprenumerationer. Beslutet att använda Supabase eliminerade veckor av autentiserings- och säkerhetsinfrastrukturutveckling. RLS säkerställde att varje användare bara ser sin egen data utan anpassad kod -- säkerhet på databasnivå.

Multi-leverantör AI (4 leverantörer)

Istället för att förlita oss på en enda AI-leverantör implementerade vi ett adaptermönster med 4 leverantörer: OpenAI (GPT-5-nano, GPT-4.1), Anthropic (Claude Sonnet 4.5), Google (Gemini) och DeepSeek. Systemet gör nivådirigering: enkla uppgifter (inline-förslag, kategorisering) använder snabba, billiga modeller; komplexa uppgifter (utvärderingsinsikter, global chatt) använder premiummodeller.

Den praktiska fördelen: motståndskraft och kostnadsoptimering. När en leverantör har instabilitet failar systemet över automatiskt. Per-användarkostnaden hålls kontrollerad eftersom 70% av AI-anropen använder den "snabba" nivån.

AI-driven internationalisering

16 inbyggda språk på 24 timmar. Inte Google Translate-aktig automatisk översättning -- verklig lokalisering med kontext. AI:n fick engelska texter med användningskontext (knappetiketter, felmeddelanden, arbetsytetitlar) och producerade översättningar som respekterar varje språks konventioner. Portugisiska (BR och PT), spanska, franska, tyska, italienska, nederländska, polska, turkiska, svenska, danska, norska, finska, rumänska och tjeckiska.

Kent Beck, skapare av Extreme Programming, uttalade 2024: "AI ersätter inte programmerare. Det ersätter de delar av programmering som programmerare alltid hatade. Planeringen, boilerplate-koden, de repetitiva mönstren. Det som återstår är tänkandet." Vår erfarenhet bekräftar denna observation -- AI accelererade utförandet, men varje arkitekturbeslut, användarflöde och funktionsprioritet krävde mänskligt omdöme.

Vad som fungerade och vad som inte fungerade

Transparens är en del av vår build in public-process. Allt var inte exponentiell acceleration. Vissa lärdomar lärdes på det hårda sättet.

Vad som fungerade

1. Implementeringsplaner som AI:ns "externa minne." Modellen med 516+ planer var inte byråkrati -- det var infrastrukturen som möjliggjorde att AI:n bibehöll kontext mellan sessioner. Varje plan hade tydlig omfattning, beroenden och godkännandekriterier. AI:n behövde inte "gissa" vad den skulle göra.

2. Snabb releasekaddens (3,8 dagar). Frekventa releaser innebär korta feedbackloopar. Varje release var en möjlighet att validera beslut och kurskorrigera innan teknisk skuld ackumulerades. Eric Ries visade i The Lean Startup att startups med Build-Measure-Learn-cykler under 2 veckor har 3x större chans att överleva sina första 2 år.

3. Modern, väldokumenterad teknikstack. AI genererar bättre kod när stacken är populär och väldokumenterad. Next.js, React, Tailwind, Supabase -- alla med stora communityn och omfattande dokumentation. Detta minskar hallucinationer och felaktig kod.

4. Adaptermönster för AI-leverantörer. Beslutet att abstrahera AI-leverantörer från dag 1 tillät byte och tillägg av leverantörer utan att skriva om kod. När en bättre modell dyker upp är integrationskostnaden minimal.

Vad som inte fungerade (eller krävde korrigering)

1. Underskattning av ekonomifunktioners komplexitet. Ekonomimodulen (resultaträkning, automatisk kategorisering, nettoförmögenhet, återkommande räkningar) förbrukade 3x fler planer än uppskattat. Ekonomidata kräver absolut precision -- avrundning, multivaluta, detektering av interna överföringar. AI:n genererade funktionell kod, men ekonomiska kantfall behövde noggrann mänsklig granskning.

2. Onboarding krävde 3 versioner. Den första onboardingen var för generisk. Den andra var för komplex. Först i version 3, med AI:n som genererar den hierarkiska strukturen från ett naturligt samtal, träffade vi rätt balans. 3-5 minuter, 5 steg, och användaren lämnar med områden, mål, delmål och projekt konfigurerade.

3. Kontextfönstret som flaskhals. I faser med många tvärgående beroenden (t.ex. integrering av ekonomi + AI + utvärderingar) översteg den nödvändiga kontexten vad AI:n kunde bearbeta exakt. Lösningen var ytterligare nedbrytning -- mindre faser, mer atomära planer. Mer planeringsoverhead, men bättre outputkvalitet.

De verkliga siffrorna: utvecklingsmått

Intern projektdata, inte uppskattningar:

• 50 dagar från noll till v2.0.5 i produktion
• 117 faser utförda sekventiellt
• 516+ implementeringsplaner skapade
• 1 000+ commits i repositoryt
• 13 stora releaser (v1.0 till v2.0.5)
• 32+ tabeller i PostgreSQL-databasen
• 33+ AI-endpoints med nivådirigering
• 4 AI-leverantörer integrerade (OpenAI, Anthropic, Google, DeepSeek)
• 100+ React Query-hooks med optimistiska uppdateringar
• 16 inbyggda språk stödda
• 10 aktiva arbetsytor i slutprodukten
• 8 typer av utvärderingsritualer (veckovis till årlig)

Dessa siffror representerar funktionsdensitet -- mängden funktionalitet levererad per tidsenhet. I traditionell utveckling skulle en produkt med detta djup ta minst 12-18 månader med ett team på 5-10 personer, till en uppskattad kostnad av $300K-$500K (baserat på ingenjörskostnadsdata från Levels.fyi för den amerikanska marknaden, 2025).

5 lärdomar för alla som bygger SaaS med AI

Erfarenheten av att bygga Nervus.io destillerade lärdomar tillämpbara för vilken grundare som helst som använder AI för utveckling. Det här är inte teorier -- det är mönster vi observerade under 50 dagars intensiv exekvering.

1. AI ersätter inte tänkande -- det accelererar utförande. Var och en av de 117 faserna började med mänskliga beslut: vad som ska byggas, varför, i vilken ordning. AI:n utförde "hur" med 10x hastighet. Men utan tydligt "vad" och "varför" spelar hastighet ingen roll -- du bygger bara fel sak snabbare.

2. Strukturerad planering är den kritiska infrastrukturen. De 516+ planerna var inte overhead -- det är vad som gjorde AI:n produktiv. Utan struktur producerar AI generisk kod. Med detaljerade planer (omfattning, beroenden, godkännandekriterier) producerar den kod som passar in i systemet.

3. Leverera snabbt, iterera snabbare. 13 releaser på 50 dagar innebär 3,8-dagarscykler. Varje release är en valideringskontrollpunkt. Kostnaden att korrigera ett felaktigt beslut på dag 5 är minimal; på dag 50 är den exponentiell. Releasefrekvens är en hedge mot dåliga beslut.

4. Välj en stack som AI:n känner till. Populära, väldokumenterade ramverk (Next.js, React, Supabase) producerar bättre AI-output. Obskyra eller väldigt nya stackar genererar fler hallucinationer och felaktig kod. Stackens popularitet korrelerar direkt med kvaliteten på AI-assisterad utveckling.

5. Abstrahera externa beroenden från dag 1. Adaptermönstret för AI-leverantörer kostade 2 extra dagar i förväg. Det sparade veckor under projektets livstid. När vi bestämde oss för att lägga till DeepSeek som fjärde leverantör tog integrationen timmar, inte dagar.

Viktiga Insikter

• AI som utvecklingspartner accelererar SaaS-leverans med 5-10x, men kräver strukturerad planering och tydliga mänskliga beslut om arkitektur och prioriteringar.
• Fasmodellen med atomära planer (516+ planer, 117 faser) löser den största flaskhalsen i AI-assisterad utveckling: att bibehålla kontext mellan arbetssessioner.
• Snabb releasekaddens (3,8 dagar i genomsnitt) fungerar som riskhantering: varje release är en kontrollpunkt som minskar kostnaden för framtida korrigeringar.
• En populär, väldokumenterad teknikstack är ett krav, inte en preferens. AI genererar bättre kod när träningsbasen är omfattande.
• Mänsklig komplexitet (produktbeslut, UX, ekonomiska kantfall) förblir den verkliga flaskhalsen -- AI accelererar utförande, inte omdöme.

FAQ

Är det möjligt att bygga en komplett SaaS med AI på 50 dagar?

Ja, med begränsningar. Nervus.io-erfarenheten visar att det är genomförbart med Claude Code som utvecklingspartner, förutsatt att det finns strukturerad planering (516+ planer) och en grundare med tydlig produktvision. AI accelererar utförande med 5-10x, men det ersätter inte arkitekturbeslut och funktionsprioritering.

Vilket AI-verktyg är bäst för mjukvaruutveckling?

Claude Code visade sig effektivt för full-stack-utveckling (Next.js + React + Supabase). Den främsta fördelen är förmågan att bibehålla lång kontext och följa strukturerade implementeringsplaner. GitHub Copilot fokuserar på autokomplettering; Claude Code fungerar som en komplett mjukvaruingenjör.

Hur mycket kostar det att utveckla en SaaS med AI istället för ett traditionellt team?

Kostnaden sjunker dramatiskt. En SaaS med komplexiteten hos Nervus.io (32+ tabeller, 33+ AI-endpoints, 16 språk) skulle kosta $300K-$500K med ett traditionellt team på 5-10 ingenjörer under 12-18 månader. Med AI-assisterad utveckling kokar kostnaden ner till verktygsprenumerationer och infrastruktur.

Vad är fasmodellen i AI-assisterad utveckling?

Varje fas är en fristående arbetsenhet med definierad omfattning, beroenden, godkännandekriterier och exekveringssekvens. Den fungerar som externt minne för AI:n och eliminerar problemet med kontextförlust mellan sessioner. Nervus.io utförde 117 faser med 516+ detaljerade planer.

Kan AI ersätta ett helt ingenjörsteam?

Inte ersätta -- omstrukturera. AI eliminerar samordningsarbete, boilerplate och repetitiv implementering. Det som återstår är arbete på hög nivå: arkitekturbeslut, användarflödesdesign, funktionsprioritering och granskning av kantfall. Grundaren skiftar från "teamchef" till "AI-regissör."

Hur säkerställer du kodkvalitet när AI skriver det mesta?

Tre strategier: (1) implementeringsplaner med tydliga godkännandekriterier, (2) mänsklig kodgranskning fokuserad på kantfall och affärslogik, och (3) en väldokumenterad stack som minskar hallucinationer. Hos Nervus.io krävde ekonomifunktioner 3x mer mänsklig granskning än UI-funktioner.

Vilka är begränsningarna med AI-assisterad utveckling?

Kontextfönstret är den primära begränsningen. Faser med många tvärgående beroenden tappar kvalitet. Lösningen är nedbrytning: mindre, mer atomära planer. Dessutom kräver områden som kräver absolut precision (ekonomi, säkerhet) noggrann mänsklig granskning oavsett kvaliteten på genererad kod.

Fungerar 50-dagarsmodellen för vilken typ av SaaS som helst?

Fasmodellen med AI är replikerbar för webbaserad SaaS med en modern stack. Produkter som kräver anpassad hårdvara, tung regulatorisk efterlevnad (fintech, healthtech) eller djup integration med äldre system kommer att ha längre tidslinjer. 50-dagarshastigheten förutsätter en greenfield-stack och snabba produktbeslut.

Bygg med intention, inte brådska

De 50 dagarna av Nervus.io-utveckling var inte en kapplöpning mot tiden. De var ett kontrollerat experiment i hur AI kan omvandla processen att bygga mjukvara. Resultatet -- en plattform med 10 arbetsytor, 33+ AI-endpoints, 16 språk och över 1 000 commits -- bevisar att modellen fungerar. Men den fungerar för att det fanns intention i varje fas: strukturerad planering, medvetna stackbeslut och klarhet om vad AI gör bra och var mänskligt omdöme är oersättligt.

Om du överväger att bygga en SaaS med AI beskriver guiden för soloentreprenörer det kompletta ramverket vi använde.

Nervus.io är en AI-driven personlig produktivitetsplattform. Den använder en strikt hierarki (Area > Mål > Delmål > Projekt > Uppgift) för att hjälpa användare uppnå meningsfulla mål med AI-coachning, ansvarighetsutvärderingar och intelligent uppgiftshantering.

---

Skrivet av Nervus.io-teamet, som bygger en AI-driven produktivitetsplattform som omvandlar mål till system. Vi skriver om målvetenskap, personlig produktivitet och framtiden för samarbete mellan människa och AI.