När AI ska bygga större saker än kvällsprojekt
21 maj 2026 | Johan Kivi
Att låta AI skriva kod är otroligt användbart. Det funkar som bäst när det handlar om mindre, avgränsade tillämpningar – och när ”vibecodaren” (alltså den som matar AI:n med önskemål) vet exakt vad hen vill ha. Ju oklarare beställning, desto oklarare produkt.
Men så fort man försöker bygga något lite större – ett system med flera komponenter, en plattform som ska leva och utvecklas över tid – då blir det betydligt knepigare. Det är där jag har spenderat de senaste veckorna. Att försöka förstå varför det är så mycket svårare, och vad man behöver ha koll på för att hitta fram.
Vad gör det knepigt?
Några saker ställer till det när systemen växer:
Säkerheten. När AI har skrivit tusentals rader kod – hur granskar man egentligen att det är säkert? Vem har koll på alltihop? Vems är ansvaret?
Skalbarheten. Man lägger ständigt till nya funktioner som ska samspela med det som redan finns. AI:n är bra på det nya, men har sämre minne för det gamla.
Stabiliteten. Vibekodat är ofta byggt för att funka just nu, inte över tid (månader, år?). Hur hjälper vi AI:n att bygga något som håller över tid?
Designen. AI-agenter använder oftast samma UI-bibliotek (Tailwind heter det vanligaste). Det är inget fel på det, men resultatet blir att alla AI-byggda produkter börjar likna varandra. Att få en vibekodadprodukt att följa ett eget designspråk – med rätt typsnitt, färger och animationer – är en utmaning som får många utvecklare att tappa hår.
Två insikter så här långt
Börja med datamodellerna
Vad är egentligen en ”artikel” i ditt system? Eller en ”användare”? Eller ett ”ärende”? Innan AI:n får börja koda är det helt avgörande att noggrant beskriva hur datan ser ut – alltså vilken information som ska skickas runt mellan systemets olika delar.
Får man rätt på det här flyter resten på betydligt smidigare. Får man fel blir det språkförbistring mellan komponenterna, ungefär som om frontend pratar svenska och backend pratar tyska.
En stor utmaning vid datamodellering är att inte måla in sig i ett hörn. Datamodellerna behöver vara tillräckligt öppna för att kunna utvecklas, men tillräckligt fasta för att inte börja vela.
Var extremt tydlig med vilka verktyg som ska användas
Här krävs med fördel lite domänkunskap. AI-modellerna är tränade på massor av kodexempel, men de exemplen är inte alltid uppdaterade till de allra senaste versionerna.
Konkret exempel: om jag ber Claude Code att skapa en Next.js-app så får jag en jättefin setup med Next.js version 15. Problemet? Senaste versionen är 16, och en del har förändrats. Det betyder inte att 15 är dålig, bara att den kanske inte är kompatibel med andra nya tekniker jag vill använda.
Samma sak gäller databaser, API:er och alla andra tekniska pusselbitar. Man behöver helt enkelt tala om för AI:n vad den ska använda, version för version.
Framåt
Många insikter återstår, men de här två har redan tagit mig stora kliv framåt. Mer kommer! Jag fortsätter att bena ut det här i takt med att jag lär mig nytt.
Som vanligt: tänk mer, inte mindre.
Om krönikan
Det här är en resonerande text och åsikterna som uttrycks är krönikörernas egna.
Johan Kivi
Projektledare
Göteborgsregionens Innovationsarena
johan.kivi@goteborgsregionen.se