I höstas tog det oss 1-2 veckor att bygga en dashboard. En ordentlig en - med dataflöden, behörigheter, filtreringslogik och ett gränssnitt som faktiskt fungerade för slutanvändarna. Det var inte dåligt arbete. Det var normalt arbete. Setup, konfiguration, scaffolding, att få alla delar att hänga ihop - det är vad systemutveckling alltid har kostat i tid.
I januari byggde vi en likvärdig dashboard. Fungerande utkast, testbart flöde, affärslogiken på plats. På en arbetsdag.
Inte för att vi jobbade snabbare. Inte för att vi skar hörn. Utan för att nästan all friktion i processen hade försvunnit.
Det här är inte ett inlägg om AI i allmänhet. Det är en konkret redogörelse för vad som faktiskt förändrades hos oss - och varför det spelar roll för dig som funderar på om ett skräddarsytt system är rimligt att investera i.
Vad förändrades i december: tre drivkrafter bakom snabbare leverans
Det finns ett skäl till att skräddarsydda system historiskt sett kostat mer än standardlösningar: varje projekt börjar nästan från noll. Arkitektur ska sättas upp, infrastruktur ska konfigureras, konventioner ska etableras, och alla dessa beslut tar tid - tid som faktureras.
Det är den ekvationen som har förändrats.
Tre saker hände i december som sammantaget förskjöt vår leveranshastighet på ett sätt vi inte riktigt förutsåg. Ingen av dem är magi. Alla tre kräver kompetens att använda rätt. Men effekten, när de fungerar tillsammans, är att det som förut tog veckor nu tar dagar - och att den sparade tiden kan läggas på det som faktiskt skapar värde för kunden.
Claude Code scaffolding: från manuell setup till fungerande utkast på en arbetsdag
Den första drivkraften är Claude Code som scaffolding-verktyg med rätt instruktioner (vi kommer dit också!).
Scaffolding är det arbete som sker innan den egentliga affärslogiken kan skrivas: att skapa endpoints, services, repositories, tester, koppla ihop lager, sätta upp felhantering och infrastruktur. Det är nödvändigt arbete, men det är inte det arbete som skapar värde för kunden. Det är infrastrukturen som affärslogiken vilar på.
Traditionellt är det här arbete som tar dagar, ibland veckor, beroende på systemets komplexitet. Med Claude Code som scaffolding-verktyg tar det en bråkdel av den tiden.
Ta dashboard-exemplet. Tidigare innebar det att bygga ut ett API-lager, sätta upp datamodeller, skriva queries, koppla frontend mot backend, hantera states och laddningstillstånd, och sedan börja iterera på det faktiska innehållet. Det är inte en dags arbete - det är en veckas arbete, om allt går rätt.
Med AI-assisterad utveckling kan vi idag generera ett fungerande utkast av den strukturen under en enda arbetsdag. Inte ett färdigt system - men ett system som är tillräckligt komplett för att vi och kunden ska kunna se flödet, testa logiken, och börja diskutera vad som faktiskt ska justeras. Sedan finlirar vi, lägger in affärsreglerna, polerar gränssnittet.
Det som förändras är inte kvaliteten på slutprodukten. Det är hur snabbt vi når den punkt där vi kan börja arbeta med rätt saker.
Vi har testat flera verktyg i den här kategorin, bland annat Gemini CLI. I praktiken är Claude Code markant bättre på att förstå och navigera stora kodbasar - vilket är avgörande när man inte bygger isolerade prototyper utan verkliga system med historia och komplexitet.
CLAUDE.md som projekthjärna: kontexten som gör AI effektiv
Den andra drivkraften är mer subtil, men lika viktig.
AI-verktyg är bara så effektiva som den kontext de arbetar med. Utan kontext producerar de generisk kod som inte passar projektets arkitektur, namnkonventioner eller affärsdomän. Det innebär att du ständigt måste förklara sammanhanget på nytt - och det är tidskrävande.
Vår lösning är filen CLAUDE.md som vi konstant uppdaterar, men också tar med oss från projekt till projekt. Efter varje commit, pull request eller ny feature uppdaterar vi denna för att AI:n hela tiden ska vara i synk med vad vi önskar få ut.
Det här bygger ett ackumulerat företagsminne. När vi startar ett nytt projekt behöver vi inte börja om från noll. Claude vet redan vilka namnkonventioner vi föredrar, hur vår felhantering ser ut och hur vi strukturerar vår kod. Utan denna disciplin försvinner den potentiella produktivitetsvinsten i overhead-kostnader för att "onboarda" verktyget på nytt varje dag.
Boilerplate-stacken eliminerar friktion: .NET, React, Azure, Bicep
Den tredje drivkraften är vår tekniska grundplåt.
Vi bygger på en vältestad stack: .NET API i backend, React i frontend, Azure SQL som databas, och Bicep-templates för infrastruktur som kod.
Konsekvensen är att nya projekt inte fastnar i de klassiska inledande veckorna av att "få allt att hänga ihop". Infrastrukturproblem, byggkonfiguration och miljöhantering är löst innan projektet ens börjar. Allt flyter på från dag ett.
Detta spelar direkt in på AI-effektiviteten. Eftersom AI:n (via CLAUDE.md) redan förstår vår stack, kan den bygga vidare inom den utan att vi behöver vägleda varje enskilt beslut. Koden som produceras passar direkt in i arkitekturen.
Varför skräddarsydda system nu utmanar SaaS-kalkylen
Allt det här leder till en förändring som är direkt avgörande för dig som beställare.
Den traditionella kalkylen för skräddarsydda system har varit tydlig: du betalar mer initialt för att slippa de kompromisser en standardlösning (SaaS) medför. Det har varit en accepterad sanning, eftersom all den tid som går åt till grunduppsättning och infrastruktur har setts som en ofrånkomlig naturlag.
Den naturlagen gäller inte längre.
När vi kan minska utvecklingstiden från veckor till enstaka dagar på de delar som inte skapar direkt kundvärde, skiftar hela kalkylen. Vi lägger inte nödvändigtvis mindre tid på projekten totalt sett – men vi lägger tiden på rätt saker. På affärslogiken som är unik för er. På UX-flöden som matchar era användare. På integrationer som faktiskt fungerar.
AI ersätter inte utvecklare. AI eliminerar friktion. Och den sparade tiden innebär att ett skräddarsytt system plötsligt hamnar i samma prisklass som en prenumeration på en SaaS-tjänst.
För ett bolag som idag betalar dyrt för en standardlösning som bara täcker 70 procent av behoven, kräver manuella workarounds och vägrar prata med era andra system, blir slutsatsen ganska enkel. Frågan är inte längre om ett skräddarsytt system är för dyrt att bygga. Frågan är om ni har råd att fortsätta med kompromisserna.
Vad det här innebär i praktiken
AI-assisterad utveckling är ett kvalitetsverktyg i händerna på erfarna utvecklare. Det handlar inte om att låta en AI generera kod blint. Det krävs fortfarande senioritet för att granska koden, förstå arkitekturbeslut och ta ansvar för säkerheten.
Det vi har förändrat är inte ambitionen eller kvaliteten. Det är processen.
Dashboarden som tog 1-2 veckor i höstas? Den hade tagit en arbetsdag att få på plats idag. Resten av tiden hade vi kunnat lägga på att se till att den löser exakt rätt problem för rätt användare.
Det är skillnaden.
Vill du diskutera hur matematiken ser ut för ett skräddarsytt system i er verksamhet?