AI som primär arbetsmetod

Innan vi pratar arbetssätt… Det här är en beskrivning av hur ett litet produktteam kan jobba när AI inte är ett “tillägg”, utan förstahandsmetoden genom hela kedjan. Poängen är inte vad man bygger (det kan vara en intern assistent, en kundnära bot, ett verktyg för analys eller en ny feature), utan hur man bygger när produktionstakt, utforskning och kvalitet drivs av ett AI-stött flöde.

Det finns team som “använder AI ibland” och team som har byggt hela arbetssättet runt AI. Vi tillhör den andra kategorin: AI är inte en perifer assistent – den är vårt primära sätt att bygga, testa, designa och verifiera. Människorna i teamet fokuserar på riktning, kvalitet, risk och omdöme.

Tre principer styr allt:

AI är det nya – det finns ingen väg tillbaka. När verktygen blir tillräckligt bra förändras hela arbetsmodellen. Det handlar inte om att “effektivisera lite”, utan om att jobba på ett nytt sätt.

AI är inte läskigt – men du måste använda det rätt. Vår upplevelse är att AI ofta gör färre slarvfel än människor, särskilt i stressade “snabbfix”-lägen. Men det betyder inte att man kan släppa ansvaret. Bygg arbetssättet så att kvalitet och risk hanteras som en del av flödet, inte som ett sent “granskningssteg”.

Notera: Vi utgår inte från att allt blir perfekt eller helt hallucinationsfritt. Vi utgår från att vi behöver ett system som tål verkligheten.

Sluta se AI som ett sidospår. Om AI bara används som “extra hjälp” hamnar man lätt i samma gamla utvecklingsmönster. Vi gör tvärtom: vi startar i AI och bygger runt det.

Arbetssättet i korthet

Vi är ett litet team (typiskt 2–4 personer) och har sällan lyxen av dedikerade UX:are, testare, designers eller DevOps-resurser per initiativ. Vår modell är enkel:

• Vi äger riktning, ansvar och omdöme
• AI står för produktionstakten och bredden: kod, test, text, designunderlag, alternativ, jämförelser, refaktoreringar

Flödet ser ut ungefär så här:

1. Idé
2. Promptjam (tillsammans, högt och snabbt)
3. Kodgenerering (AI skriver, vi styr)
4. Verifiering (automatiskt + manuellt omdöme)
5. Test
6. PR
7. Release

Det viktiga är inte varje steg, utan rytmen: vi håller oss i en snabb loop där det är billigt att prova, mäta och ändra sig.

När AI gör grovjobbet sjunker tröskeln dramatiskt:

• Har du en idé? Prova.
• Blev det inte bra? Kasta och prova igen.
• Behöver vi byta approach? Gör det osentimentalt.

Det här skiljer sig från traditionell utveckling där man ofta “håller fast” vid en lösning eftersom man redan investerat mycket tid i den.

Notera: Det som kan bli svårt är när AI missförstår kontexten eller arbetar utifrån gammal dokumentation. Då kan man hamna i frustrerande loopar. Vårt motdrag är att bli väldigt tydliga med kontext, krav och källor – och byta modell/verktyg när det behövs.

Kvalitet som system

Vi jobbar inte med idén att “människan ska dubbelkolla allt AI gör”. Vi jobbar med idén att kvalitet byggs som ett system. I generativa system går det sällan att testa “exakt rätt text”. I stället använder vi:

• Enhetstester
• Integrationstester
• LLM-judge som bedömer om ett svar är rimligt givet frågan

Vi accepterar också att en liten del av bedömningstesterna ibland kan fallera utan att det betyder att allt är trasigt – verkligheten för generativa system ser annorlunda ut.

Vi har flera skyddslager för att skydda boten och människorna som använder den. Det är en kombination av säkerhetsfilter, beteenderegelverk och tester.

Review i flera led. Vi låter olika modeller och verktyg göra review på varandras output, och kompletterar med manuell kontroll där det behövs.

Drift, ansvar och ramverk

När man inte har ett stort stödmaskineri behöver man ett tydligt ägarskap. Teamet äger drift och incidenter, och vi har övervakning i vår plattform (t.ex. dashboards i Grafana), separata kostnads-/användningsdashboards för modellleverantörer och notifieringar när nivåer passeras.

Och: om en modell förändras, blir sämre eller får nya begränsningar — då byter vi. Vi har redan gjort flera byten under projektet.

En central del i arbetssättet är att vi byggt ett ramverk för att snabbt skapa kunniga “expertbotar”. Varje bot får:

• en persona (röst, ton, ansvar, gränser)
• ett antal verktyg (t.ex. interna dokument, domänspecifika datakällor, API:er, produktlogik och policyer)
• tester och säkerhetsfilter

(Detaljerna i botarnas funktion är inte poängen här — poängen är att ramverket gör det billigt att skapa och iterera.)

Vad andra team kan ta med sig

Tre saker vi tror fler kan göra direkt:

1. Gör AI till förstahandsmetod, inte “något man får göra om man hinner”.
2. Bygg ett flöde som gör det billigt att prova och kasta.
3. Lägg kvalitet i systemet (tester, judge, review, guardrails) – inte i att en människa ska granska allt i efterhand.

Och en varning:

Notera: Det är lätt att “bara vibea” och tappa systemtänk. För att jobba så här behöver du kunna systemutveckling och ha omdöme kring risk, gränser och konsekvenser.

Slutsats

AI kommer inte ta våra jobb ännu. Den kommer göra att vi kan göra mycket mer, snabbare och ofta bättre – om vi bygger arbetssättet för det.

Den här texten är baserad på en artikel publicerad på Medium, där Christian delar insikter från sitt kunduppdrag – hur teamet byggt sitt arbetssätt runt AI som förstahandsmetod, med fokus på snabba iterationer, inbyggd kvalitet och aktivt ansvarstagande.

/ Chrille