Singapurski ojciec stworzył aplikację do śledzenia rozwoju dziecka z pomocą Claude Code

Frank Chester Tan nie zaczął od nauki programowania. Gdy po pięciu miesiącach zapisywania na papierze godzin karmienia, snu i zmiany pieluch jego syna Raphaela zadanie stało się zbyt uciążliwe, postanowił opisać problem po prostu własnymi słowami. Do budowy aplikacji wykorzystał Claude Code — asystenta programistycznego obsługiwanego za pomocą języka naturalnego. Płacił za plan Claude Pro 30 dolarów miesięcznie, pracował w Terminalu na Macu i przygotował czterostronicową specyfikację produktu.

W ten sposób powstała spersonalizowana aplikacja internetowa do monitorowania dziecka. Nie był to jednak efekt jednego polecenia. Tan musiał dokładnie opisać oczekiwane funkcje, testować kolejne wersje i poprawiać rozwiązania generowane przez AI.

Do czego służyła aplikacja

Tan i jego żona, Estee Cheng, chcieli łatwiej rejestrować codzienną rutynę niemowlęcia i porównywać ją z zaleceniami dotyczącymi rozwoju. Aplikacja została zaprojektowana wokół czynności, które rodzice już wcześniej wykonywali:

• prywatnego pulpitu, do którego oboje rodzice mieli dostęp i który mogli aktualizować w czasie rzeczywistym;
• rejestrowania karmienia mlekiem i zmiany pieluchy jednym dotknięciem;
• zapisywania objawów oraz alergii pokarmowych;
• automatycznego obliczania dziennych sum;
• monitorowania snu, drzemek, ilości wypijanego mleka i wzorców zmiany pieluch;
• porównań zależnych od wieku dziecka z zaleceniami HealthHub oraz KK Women’s and Children’s Hospital, aktualizowanych wraz z jego dorastaniem.

Najważniejsze było precyzyjne zdefiniowanie problemu. Zamiast prosić Claude Code o stworzenie ogólnej „aplikacji dla rodziców”, Tan opisał, jakie dane mają wprowadzać użytkownicy, jakie obliczenia ma wykonywać system i w jaki sposób oboje rodzice mają korzystać z aplikacji.

Najpierw wymagania, potem kod

Choć Tan nie był programistą, jego sposób pracy przypominał uproszczony proces tworzenia produktu. Najpierw spisał szczegółowe wymagania w zwykłym języku angielskim, a następnie poprosił Claude Code o przełożenie ich na działającą aplikację.

Jego proces wyglądał następująco:

1. Pobrał i uruchomił Claude Code za pośrednictwem Terminala na Macu.
2. Przygotował czterostronicowy dokument opisujący funkcje i zachowanie aplikacji.
3. Polecił Claude Code zbudować program na podstawie wymagań i wyjaśniać każdy etap w sposób zrozumiały dla osoby bez wiedzy technicznej.
4. Założył konta w serwisach GitHub, Supabase i Vercel.
5. Połączył te usługi: GitHub przechowywał kod, Supabase odpowiadał za bazę danych i uwierzytelnianie użytkowników, a Vercel wdrażał aplikację pod adresem internetowym.

Każde z narzędzi pełniło inną funkcję. Claude Code był interfejsem programistycznym, GitHub repozytorium kodu, Supabase zapleczem aplikacji, a Vercel usługą odpowiedzialną za jej uruchomienie w sieci. Dzięki temu Tan mógł przejść od opisanego pomysłu do działającej aplikacji bez wcześniejszego opanowania tradycyjnego zestawu technologii.

Dlaczego szczegółowe polecenia były tak ważne

Tan nie zakładał, że pierwsza wersja będzie gotowa do użycia. Testował aplikację, wskazywał brakujące lub nieprawidłowe elementy i prosił Claude Code o kolejne poprawki. Praca przebiegała w cyklu: polecenie, sprawdzenie, testowanie i dopracowanie.

Z jego doświadczeń wynika prosta zasada: nieprecyzyjne instrukcje zwykle prowadzą do nieprecyzyjnych rezultatów. Im dokładniej opisywał pola formularzy, uprawnienia, obliczenia i sposób korzystania z aplikacji, tym bardziej użyteczny był wynik. Claude Code zazwyczaj rozumiał nawet niedoskonały, „łamany” angielski, ale zrozumienie prośby nie oznaczało jeszcze, że zawierała ona wszystkie potrzebne informacje.

To ważne zastrzeżenie dla każdego, kto korzysta z narzędzi AI do tworzenia oprogramowania. Programowanie za pomocą języka naturalnego może obniżyć próg wejścia, ale nie zwalnia użytkownika z konieczności zdefiniowania wymagań i oceny efektu.

Informacje zdrowotne wymagały niezależnego sprawdzenia

Tan używał Claude Code razem z Perplexity AI także do wyszukiwania informacji, ponieważ Perplexity przedstawia odpowiedzi z cytowaniami. Nie uznawał jednak samego cytowania za dowód wiarygodności.

Gdy narzędzie wskazało rybę płetwową jako jeden z głównych problemów alergicznych w Singapurze, Tan zakwestionował tę informację, ponieważ w jego dotychczasowym doświadczeniu częściej kojarzono z tym zagrożeniem skorupiaki. Sprawdził przywołane materiały i poprawił aplikację. Opis tego przypadku pokazuje też szersze ryzyko: systemy wyszukiwania AI mogą przedstawiać cytowania prowadzące do fikcyjnych badań, dlatego informacje dotyczące zdrowia nadal wymagają niezależnej weryfikacji.

W przypadku aplikacji dotyczącej niemowlęcia ostrożność miała szczególne znaczenie. Program mógł porządkować obserwacje i zestawiać je z zaleceniami, ale informacje wygenerowane przez AI nie powinny być traktowane jak dowód medyczny tylko dlatego, że zawierają linki lub przypisy.

Te same umiejętności pomogły stworzyć tłumacza

Umiejętności zdobyte przy budowie aplikacji dla dziecka Tan wykorzystał później w pracy. Stworzył narzędzie do tłumaczenia jednym przyciskiem, które potrafi przekładać anglojęzyczne treści na 48 języków.

Nie chodziło mu o tłumaczenie słowo w słowo. Najpierw polecił narzędziu zrozumieć znaczenie tekstu źródłowego, jego intencję i cel perswazyjny. Dopiero potem miało ono przygotować naturalny tekst w języku docelowym, zamiast zachowywać angielskie konstrukcje, rytm czy sposób argumentacji.

To ta sama zasada, która przyświecała budowie aplikacji dla rodziców: jakość wyniku zależy w dużej mierze od tego, czy użytkownik wyjaśni cel, kontekst i ograniczenia, a nie tylko nazwie zadanie.

Lekcja dla osób, które nie programują

Historia Tana nie dowodzi, że AI automatyzuje tworzenie oprogramowania. Nadal musiał rozpoznać konkretny problem, przygotować szczegółową specyfikację, założyć konta, połączyć usługi, testować aplikację i kwestionować niewiarygodne wyniki wyszukiwania.

Pokazuje jednak, że asystent programistyczny AI może pozwolić zacząć od użytecznego pomysłu, a nie od wieloletniej nauki kodowania. W przypadku Tana eksperymentowanie i jasne formułowanie poleceń stały się praktycznymi umiejętnościami także dla osób, które nie piszą po angielsku idealnie.

Najbardziej uniwersalny wniosek nie brzmi więc: „AI potrafi zbudować wszystko”. Chodzi raczej o to, że osoby bez przygotowania programistycznego mogą dzięki AI tworzyć prototypy wąsko zdefiniowanych narzędzi — pod warunkiem że nadal odpowiadają za wymagania, testowanie i ocenę faktów.