Jag kör en generate-stats-pipeline (script i mitt reports-projekt) som samlar ihop siffror från mina projekt: Git, GitHub, AWS, kod. Den senaste rapporten (2026-01-24) ger en bra ögonblicksbild av var jag står. Inte för att flexa, utan för att fånga en datapunkt – så här ser AI-driven utveckling ut i praktiken just nu.

Snabb översikt

Mätvärde	Värde
Git-repon	12
Totalt commits	694
GitHub Actions-körningar	911
Merges till main	85
AWS-resurser (S3, Lambda, DynamoDB, CloudFront, IAM, m.m.)	35
Kodfiler	4 659
Kodrader	707 452

Stora delar av detta har växt fram under kort tid, ofta med Cursor och andra AI-verktyg i kedjan. Planeringsappen, Farmors album, Nummerlappen, multiplikationstabellspelet, gittarstämmaren – det är projekt där jag designar och leder, medan mycket av koden skrivs eller assisteras av AI.

Vad siffrorna visar

Volym. 694 commits och 911 Actions-körningar tyder på att jag (och agenterna) itererar mycket. Det stämmer överens med vad AI-roasten sa: jag använder GitHub som kompilator och CI som kvalitetsfilter. Skillnaden nu är att jag har skruvat åt både lokala tester och git hooks, så mindre skräp når CI – men volymen är fortfarande hög.

Spännvidd. 12 repon, 35 AWS-resurser, både webb, mobil och infra. Det är inte ett enda “sidoprojekt”. Det är en portfölj av produkter och verktyg som jag håller igång samtidigt. AI gör det möjligt att inte bara koda snabbare, utan att faktiskt hantera flera domäner.

Infrastruktur som kod. Terraform, Lambda, DynamoDB, CloudFront – det mesta är definierat i repo och driftsätts via Actions. Det är ingen manuell klickande i AWS-konsolen; det är flöden och versionering. Det är också där IAM-experten och liknande skills kommer in – att hålla infra säker och konsekvent trots högt tempo.

Vad siffrorna inte visar

Kvalitet. 707k rader säger inget om hur bra koden är. Mycket är genererat, standardmallar, lock-filer, docs. Det viktiga är att jag har räls: tester, SDLC, guardrails, och nu skills. Siffrorna visar aktivitet; kvaliteten avgörs av processen.

Kostnad. Rapporten innehåller inte Cursor-/API-kostnader. De jag skrivit om tidigare – token-användning, modellval, kontextbudget – påverkar fortfarande. Siffrorna här är “vad som finns”, inte “vad det kostat”.

Fokus. 12 repon kan betyda spridning. Jag försöker balansera: några projekt är live och vårdas, andra är i utveckling eller “paus”. Stats ger inget om prioriteringar – bara om omfattning.

Varför jag sparar detta

Jag vill ha en tidslinje över hur jag jobbar. Om ett halvår tittar jag tillbaka och ser: fler repon? Färre commits per repo? Mer AWS? Det är inte KPI:er – det är referenspunkter för att förstå vad som ändrats när jag skalar upp AI-driven utveckling.

Om du också kör AI-driven utveckling: ta en ögonblicksbild. Commits, Actions, resurser. Jämför med om ett kvartal. Det sätter ord på “det känns som att jag bygger mer” – nu har du siffror.

---

Rapporten genereras av generate-stats.sh. Senast körnad: 2026-01-24.