Vibe coding och AI-api har funnits i samtalet ett tag nu, i artiklar, diskussioner och klipp. Jag blev nyfiken och kände att det var dax att prova själv.

Jag hade testat konceptet i några projekt innan, men det var först här det blev riktigt lyckat. Jag byggde en webbapp för att analysera juridiska avtal. Man laddar upp ett kontrakt och får tillbaka en genomgång av risker, saknade klausuler och röda flaggor. Det finns också ett jämförelseläge där två avtal ställs mot varandra och appen hjälper till att avgöra vilket som är mer fördelaktigt. På pappret låter det som veckor av arbete för ett team, jag blev klar innan det var dags för lunch…

Github: contract-analyzer

Tröskeln som inte var så hög

Jag var inte särskilt skeptisk. Men jag hade nog en föreställning om att det skulle krävas ganska mycket pysslande och hinder innan man kom till det intressanta, att det skulle ta tid innan verktygen faktiskt levererade något användbart, det stämde inte.

När jag väl kastade mig in kändes det mer som att få ett nytt sätt att arbeta än att få ett nytt verktyg. Inte bara att koda snabbare, utan att snabbare komma fram till något som faktiskt höll ihop. Efter att ha testat ett par timmar förstod jag vad folk menade med superkrafter. Inte i meningen att jag plötsligt kan allt, tvärtom, men i meningen att jag snabbt kan bygga och testa något som faktiskt existerar.

Nu är det svårt att för mig veta men jag tänker lite på när motorsågen visades upp för skogshuggarna första gången, hårt arbete med två man på sågen blev plötsligt ett jobb för en person på några minuter.

Det som förändrades på riktigt

Det som fastnat mest är inte hastigheten, det är vad den frigjorde.

Att få upp något grundläggande gick snabbt, ibland nästan för snabbt, och när jag insåg hur mycket tid det sparade på det mekaniska fick jag plötsligt utrymme för sådant som annars lätt hamnar i skymundan. Färg och form, hur flöden känns, hur resultatet faktiskt presenteras för den som ska använda det.

Arbetet förskjöts. Från att kämpa mig fram till att något existerade, till att finslipa något som redan fungerade. Det är inte samma sak som att det blev enklare, det blev annorlunda. Jag gillade det.

Jag använde AI på två sätt parallellt. Som assistent när jag kodade och som motor i appen i sig.

Det händer redan

Sedan dess har jag byggt flera liknande saker. Mönstret är ofta detsamma, idé på morgonen och något som fungerar på eftermiddagen. Inte alltid perfekt, men startsträckan blir kortare varje gång och det blir lättare att testa, misslyckas och försöka igen inom samma dag.

Det stöds av siffror. PwC:s AI-undersökning från 2025 visar att 66 procent av företagen som använder AI-agenter rapporterar ökad produktivitet, och Gartner förutspår att en tredjedel av all företagsprogramvara kommer att innehålla agentisk AI redan 2028, upp från under en procent 2024.

Men siffrorna fångar inte det viktigaste. Det blev tydligt att jag inte längre satt och funderade på hur jag skulle strukturera anropen, jag tänkte på vad appen skulle producera, vilket problem den löste och vad en verklig användare faktiskt behövde förstå.

Agenter som bildar team

Det här är vad jag funderar på nu. Vad händer när AI-agenter börjar samarbeta på allvar, inte en modell som hjälper till utan flera med olika roller, en som ställer krav, en som bygger och en som granskar, alla i en loop mot varandra?

Det som bara för något år sedan lät futuristiskt är nu här och för alla. Efter att ha läst hur MIT Sloan beskriver agentisk AI som kan planera flera steg, använda externa verktyg och agera i digitala miljöer som delar av större arbetsflöden, känns det som något som redan händer.

Om en person med AI-stöd redan idag kan producera det som tidigare krävde ett helt team, vad händer då när AI-agenterna börjar bilda egna team och ställa krav mot sig själva, testa lösningar och besluta om vad som fungerar bäst? Snöbollseffekten är svår att föreställa sig fullt ut. Men det är svårt att inte bli nyfiken.

Mikrovågsugnen

Förstår jag alltid vad som händer under huven? Nej, inte alltid.

Det är som en mikrovågsugn, jag behöver inte veta hur varje komponent fungerar för att få varm mat. Men vad gör vi när det börjar ryka och lukta bränt? AI gör fel, det händer hela tiden, och utöver det finns problem med bias och hallucinationer där svar kan låta övertygande men helt enkelt inte stämma. Anthropic själva skriver under varje svar “Claude is AI and can make mistakes. Please double-check responses.” Det är en påminnelse värd att ta på allvar.

Så länge man har det i bakhuvudet är verktygen fantastiska. Inte som ett argument mot dem, utan som ett skäl att fortsätta förstå vad man faktiskt håller på med, även när det går fort.

Jag sätter målet, jag bedömer resultatet. Allt däremellan kan AI bli allt bättre på att hantera, och just därför behöver vi bli bättre på att avgöra när det räcker och när det inte gör det.