Singapore-pappa bygget babyapp med Claude Code – uten å kunne programmere

Frank Chester Tan startet ikke med å lære programmering. Etter fem måneder med papirnotater om sønnen Raphaels mating, søvn og bleieskift ble hverdagen for vanskelig å holde oversikt over. I stedet tok den singaporeanske faren i bruk Claude Code som en utviklingsassistent han kunne kommunisere med på vanlig språk.

Han betalte 30 dollar i måneden for et Claude Pro-abonnement, brukte Claude Code gjennom Mac Terminal og skrev en detaljert spesifikasjon på fire sider.

Resultatet ble en personlig nettapp for å følge babyens utvikling. Men prosessen handlet ikke om å trykke på én knapp og få ferdig programvare. Tan måtte beskrive behovene presist, teste det Claude laget og be om endringer når noe manglet eller fungerte feil.

En app bygget rundt foreldrenes hverdag

Tan og kona Estee Cheng ønsket en enklere måte å registrere sønnens rutiner på og sammenligne dem med råd om utvikling. Appen ble derfor utformet rundt oppgaver de allerede gjorde hver dag:

• Et privat dashbord som begge foreldrene kunne åpne og oppdatere i sanntid
• Registrering av melkemating og bleieskift med ett trykk
• Oversikt over symptomer og matallergier
• Automatiske summer for hver dag
• Sporing av søvn, lurer, melkeinntak og bleiemønstre
• Alderstilpassede sammenligninger med råd fra HealthHub og KK Women’s and Children’s Hospital, som ble oppdatert etter hvert som babyen vokste

Det avgjørende var at Tan ikke ba Claude Code lage en generell «foreldreapp». Han beskrev hvilke opplysninger foreldrene skulle registrere, hvilke beregninger systemet skulle gjøre, og hvordan begge brukerne skulle få tilgang til dataene.

Kravspesifikasjon før kode

Selv om Tan ikke var programmerer, lignet arbeidsmåten hans på en enkel produktutviklingsprosess. Først skrev han ned kravene på vanlig engelsk. Deretter ba han Claude Code om å omsette dem til en fungerende app.

Arbeidsflyten var ifølge omtalen slik:

1. Han lastet ned og kjørte Claude Code via Mac Terminal.
2. Han skrev en spesifikasjon på fire sider med detaljer om appens funksjoner og oppførsel.
3. Han ba Claude Code bygge appen ut fra kravene og forklare hvert trinn på en måte en ikke-programmerer kunne følge.
4. Han opprettet kontoer hos GitHub, Supabase og Vercel.
5. Han koblet tjenestene sammen: GitHub lagret koden, Supabase håndterte database og brukerinnlogging, mens Vercel publiserte appen på en nettadresse.

Verktøyene hadde altså ulike roller. Claude Code var grensesnittet mot utviklingen, GitHub var kodearkivet, Supabase leverte backend-funksjoner, og Vercel sørget for publisering. Sammen gjorde de det mulig for Tan å gå fra idé til fungerende nettapp uten først å lære en tradisjonell programmeringsstakk.

Derfor var gode instrukser avgjørende

Tan regnet ikke med at den første versjonen skulle være perfekt. Han prøvde appen, beskrev det som var feil eller manglet, og ba Claude Code forbedre løsningen. Arbeidet ble en gjentakende sirkel: skrive en instruks, inspisere resultatet, teste og justere.

Erfaringen ga ham en enkel tommelfingerregel: Uklare instrukser gir uklare resultater. Jo mer presist han beskrev felter, tillatelser, beregninger og brukeropplevelse, desto mer nyttig ble resultatet. Claude Code forsto som regel også ufullkommen eller «brukket» engelsk, men det å forstå en forespørsel er ikke det samme som at forespørselen inneholder alle nødvendige detaljer.

Det er et viktig skille for alle som prøver AI-baserte kodeverktøy. Naturlig språk kan gjøre det lettere å komme i gang, men det fjerner ikke behovet for å definere krav eller kontrollere det som blir laget.

AI-søk måtte også dobbeltsjekkes

Tan brukte dessuten Claude Code sammen med Perplexity AI til research, blant annet fordi tjenesten viser til kilder. Han tok likevel ikke en kildehenvisning som et automatisk kvalitetsstempel.

Da researchen viste en påstand om at finnefisk var blant de viktigste allergenbekymringene i Singapore, reagerte Tan. I hans erfaring var skalldyr en mer kjent bekymring. Han undersøkte materialet det ble vist til og korrigerte appen. Omtalen peker samtidig på en bredere risiko: AI-søketjenester kan vise til oppdiktede studier, og viktig helseinformasjon må derfor fortsatt verifiseres uavhengig.

For en app som brukes til å følge med på en baby, var dette særlig viktig. Appen kunne organisere observasjoner og sammenligne dem med veiledning, men AI-generert research blir ikke medisinsk dokumentasjon bare fordi svaret inneholder lenker eller sitater.

De samme ferdighetene ble til et oversettelsesverktøy

Ferdighetene Tan utviklet under arbeidet med babyappen, fikk også en annen anvendelse. Han laget et oversettelsesverktøy med én knapp som kan gjøre engelsk innhold om til 48 språk.

Instruksene handlet ikke bare om å oversette ord for ord. Først skulle verktøyet forstå originaltekstens mening, hensikt og overtalende mål. Deretter skulle det skrive naturlig på målspråket, i stedet for å kopiere engelsk ordstilling, rytme eller tankegang.

Arbeidsmåten bygger på det samme prinsippet som babyappen: Resultatet avhenger i stor grad av om brukeren forklarer målet, konteksten og begrensningene – ikke bare selve oppgaven.

AI gjør ikke utvikling automatisk

Tans erfaring viser ikke at kunstig intelligens har gjort programvareutvikling automatisk. Han måtte fortsatt finne et konkret problem, skrive en detaljert spesifikasjon, opprette kontoer, koble sammen tjenester, teste appen og stille spørsmål ved upålitelig research.

Men historien viser hvordan en AI-assistent kan gjøre det mulig å starte med en nyttig produktidé, i stedet for å bruke flere år på å lære programmering først. For Tan er eksperimentering og tydelige instrukser i ferd med å bli praktiske ferdigheter for vanlige brukere – også for mennesker som ikke skriver perfekt engelsk.

Den mest overførbare lærdommen er derfor ikke at «AI kan bygge hva som helst». Det er at personer uten programmeringsbakgrunn kan bruke AI til å lage prototyper på smale, konkrete verktøy – så lenge de selv tar ansvar for kravene, testingen og den faktiske vurderingen av informasjonen.