Far byggede babyapp med Claude Code – uden at kunne programmere

Arbejdsgangen var ifølge beskrivelsen:

1. Hente og køre Claude Code via Mac-terminalen.
2. Skrive en kravspecifikation på fire sider med appens funktioner og adfærd.
3. Bede Claude Code bygge appen ud fra kravene og forklare hvert trin på en måde, en ikke-programmør kunne følge.
4. Oprette konti hos GitHub, Supabase og Vercel.
5. Forbinde tjenesterne, så GitHub opbevarede koden, Supabase håndterede database og brugerlogin, og Vercel udgav appen på et web link.

Værktøjerne havde hver sin funktion: Claude Code var udviklingsgrænsefladen, GitHub fungerede som kodelager, Supabase leverede backend-funktioner, og Vercel stod for udgivelsen. Kombinationen gjorde det muligt for Tan at gå fra idé til fungerende webapp uden først at mestre en traditionel programmeringsstak.

Præcise prompter gjorde forskellen

Tan forventede ikke, at den første version ville være fejlfri. Han afprøvede appen, beskrev det, der manglede eller fungerede forkert, og bad Claude Code om at ændre det. Processen var iterativ: Skriv en prompt, inspicér resultatet, test det, og justér.

Hans erfaring kan koges ned til en enkel regel: Uklare instruktioner giver som regel uklare resultater. Jo mere præcist han beskrev felter, brugerrettigheder, beregninger og brugeroplevelse, desto mere anvendeligt blev resultatet. Claude Code kunne generelt forstå selv ufuldkomment eller »ødelagt« engelsk, men det var ikke det samme som, at en upræcis forespørgsel var komplet.

Det er en vigtig pointe for alle, der bruger AI til kodning. Udvikling med naturligt sprog kan gøre det lettere at komme i gang, men det fjerner ikke behovet for at definere krav eller vurdere det færdige resultat.

AI-forskning kræver stadig kildekritik

Tan brugte også Claude Code sammen med Perplexity AI til research, fordi værktøjet returnerede kildehenvisninger. Han gik dog ikke ud fra, at et svar automatisk var pålideligt, bare fordi det indeholdt en citation.

Da researchen blandt andet fremhævede fisk med finner som en af de væsentligste allergibekymringer i Singapore, undrede Tan sig, fordi skaldyr var den mere velkendte bekymring i hans egen erfaring. Han kontrollerede det citerede materiale og rettede appen. Eksemplet peger samtidig på en bredere risiko: AI-søgeværktøjer kan fremstille kildehenvisninger til undersøgelser, der ikke findes. Vigtige sundhedsoplysninger skal derfor fortsat verificeres uafhængigt.

Det var særligt vigtigt i en app til babyer. Appen kunne organisere observationer og sammenligne dem med vejledning, men AI-genereret research er ikke i sig selv medicinsk dokumentation – heller ikke når den kommer med links eller citationer.

Promptkompetencerne blev også til et oversættelsesværktøj

De færdigheder, Tan opbyggede under arbejdet med babyappen, kunne han bruge andre steder. Han udviklede et oversættelsesværktøj med én knap, som kan omsætte engelsk indhold til 48 sprog.

Instruktionerne handlede ikke om ord-for-ord-oversættelse. Først skulle værktøjet forstå kildetekstens betydning, intention og overbevisende formål. Derefter skulle det skrive naturligt på målsproget i stedet for at bevare engelsk sætningsstruktur, rytme eller tankegang.

Arbejdsgangen afspejler den samme grundidé som babyappen: Kvaliteten afhænger i høj grad af, om brugeren forklarer formål, kontekst og begrænsninger – ikke kun selve opgaven.

AI gør ikke softwareudvikling automatisk

Tans historie er ikke et bevis på, at AI kan automatisere hele softwareudviklingen. Han skulle stadig identificere et reelt problem, skrive en detaljeret specifikation, oprette konti, forbinde tjenesterne, teste appen og stille spørgsmål ved research, der virkede usikker.

Til gengæld viser historien, hvordan en AI-kodeassistent kan gøre det muligt at begynde med en konkret produktidé i stedet for først at bruge flere år på at lære programmering. For Tan er eksperimentering og tydelige prompter ved at blive praktiske færdigheder for almindelige brugere – også mennesker, der ikke skriver perfekt engelsk.

Den mest overførbare læring er derfor ikke, at »AI kan bygge hvad som helst«. Det er, at personer uden programmeringsbaggrund kan bruge AI til at udvikle afgrænsede værktøjer, så længe de selv tager ansvar for krav, test og faktuel vurdering.