Context engineering: nyckeln till AI som faktiskt levererar

Det finns ett mönster som spelar ut sig i bransch efter bransch just nu. Ett företag köper ett AI-verktyg. Demon var imponerande. Första veckan känns som magi. Redan i månad två samlar verktyget damm — eller ännu värre, skapar arbete istället för att spara det.

AI-utvecklingsverktyg är inget undantag. Och efter att ha byggt ett själva tror vi att vi vet varför.

Modellen är inte problemet

När ett AI-kodverktyg producerar dålig output är instinkten att skylla på modellen. Den är inte smart nog. Den hallucinerade. Den förstår inte Salesforce. Men i de flesta fall är modellen fullt kapabel att göra jobbet — om den vet vilket jobb den ska göra.

Det verkliga problemet är kontext.

En AI-modell är bara så bra som informationen den har när den börjar arbeta. Ge den en vag förfrågan och tillgång till en stor kodbas, och den producerar något som ser rimligt ut men missar poängen. Ge den en precis problembeskrivning, en avgränsad plan och tydliga begränsningar, och resultatet blir dramatiskt bättre.

Det här är ingen Salesforce-specifik insikt. Det är så stora språkmodeller fungerar, punkt. Kvaliteten på output bestäms av kvaliteten på input. Branschen kallar det “context engineering” — och det kan vara den viktigaste faktorn för om ett AI-verktyg faktiskt levererar värde.

Gapet mellan “använda AI” och “få resultat från AI”

De flesta AI-utvecklingsverktyg fungerar så här: du beskriver vad du vill ha, AI:n genererar kod, du granskar den. Det är ett enda steg. Prompt in, kod ut.

Det låter effektivt. I praktiken innebär det att AI:n gör den svåraste delen av mjukvaruutveckling — att förstå problemet, bestämma ett angreppssätt och skriva implementationen — allt på en gång, med inget annat än en beskrivning i fritext att utgå från.

	Typiskt AI-verktyg	Mayflai
Input	En prompt som beskriver vad du vill ha	Ett granskat krav, en teknisk plan och org-specifik kontext
Process	Ett steg: prompt → kod	Fyra faser som bygger kontext steg för steg
Validering	Du granskar resultatet	Agenten validerar mot din org kontinuerligt
Plattformskunskap	Generell	Salesforces metadatamodell, driftsättningsregler och bästa praxis inbyggt
Vid fel	Du fixar dem	Agenten fångar och åtgärdar dem innan du ser resultatet

Mänskliga utvecklare arbetar inte så heller. En senior utvecklare som hoppar direkt till kodning utan att förstå kraven eller tänka igenom angreppssättet är inte effektiv — den är vårdslös. Vi skulle inte acceptera det från en person. Varför accepterar vi det från AI?

Så löser Mayflai det

När vi designade Mayflai började vi inte med att fråga “hur bygger vi en AI som skriver Salesforce-kod?” Vi började med att fråga “vad skulle en utvecklare behöva veta för att göra det här bra?”

Svaret blev vår process. Varje förändring i Mayflai rör sig genom en serie faser, och varje fas finns för att bygga kontext till nästa:

Grooming — En AI-agent arbetar med dig för att förstå vad du försöker uppnå. Inte “skriv en Apex-trigger” utan varför, för vem, under vilka begränsningar. Resultatet är en strukturerad, avgränsad beskrivning av förändringen — den sortens brief en senior utvecklare vill ha innan hen börjar arbeta.

Planering — En andra AI-agent tar den briefen och producerar en konkret teknisk plan. Vilka filer som behöver ändras. Hur ändringarna ser ut. Vilka beroenden som finns. Vad som kan gå fel. Till skillnad från generella AI-kodverktyg har den här agenten djup kunskap om Salesforces metadatamodell, driftsättningsquirks och plattformens bästa praxis inbyggd. Den vet att driftsättning av ett anpassat fält kräver att det överordnade objektet också inkluderas. Den vet vilka metadatatyper som inte kan paketeras tillsammans. Den tar hänsyn till saker som bara någon med verklig Salesforce-erfarenhet skulle tänka på att kontrollera — innan de blir driftsättningsfel.

Byggande — Först nu skriver utvecklaragenten kod. Men den arbetar inte från en vag prompt. Den har en tydlig problembeskrivning, en teknisk plan och specifika instruktioner. Den vet vad den ska bygga, var den ska bygga det, och hur framgång ser ut. Och den skriver inte bara koden och lämnar över — den validerar kontinuerligt sina ändringar mot din faktiska Salesforce-org, fångar fel och åtgärdar dem innan du ens ser resultatet. Varje valideringsfel är i sig kontext: en verklig signal från din org om vad som fungerar och vad som inte gör det. Byggaren lär sig av varje misslyckad check-only-driftsättning och justerar, och förvandlar Salesforces strikta regler till en fördel snarare än ett hinder.

Driftsättning — Du har kontrollen. Bygget är skrivet, validerat och alla tester har passerat. När du är redo trycker du på knappen och din nya funktionalitet landar i din org. Inga överlämningar, ingen väntan på någon annans schema.

Varje fas är en kontrollpunkt. Du kan granska, justera eller ändra riktning innan nästa fas börjar. AI:n arbetar inte autonomt i mörkret — den arbetar inom en struktur som håller den fokuserad och träffsäker.

Varför det spelar roll för ditt team

I tidiga tester driftsattes ändringar som gått genom hela grooming-planering-byggflödet konsekvent vid första försöket — medan “bygg det bara”-promptar, även till samma modell, regelbundet träffade valideringsfel som krävde manuell hantering.

Skillnaden var inte AI:n. Det var kontexten.

Högre träffsäkerhet. När AI:n vet exakt vad den ska bygga, bygger den rätt sak oftare. Färre granskningsrundor, färre avvisade ändringar, mindre tid på att fixa AI-genererad kod.

Lägre risk. Varje fas är en kontrollpunkt. Ett missförstånd som fångas under grooming kostar ingenting. Samma missförstånd som fångas efter driftsättning kostar timmar — eller värre.

Förutsägbar kvalitet. Kvaliteten på output beror inte på hur bra ditt team är på att skriva promptar. Processen själv skapar kontexten. En junior admin som använder Mayflai får samma strukturerade input till AI:n som en senior utvecklare.

Ackumulerande värde. Varje genomförd förändring ökar systemets förståelse av din org — dina namnkonventioner, din objektmodell, mönstren ditt team använder. Den tionde förändringen är snabbare och mer träffsäker än den första, eftersom kontexten den bygger på hela tiden växer.

Processen är produkten

AI-modellerna kommer fortsätta bli bättre. Var några månad kommer en ny modell som är snabbare, billigare och mer kapabel. Men en bättre modell med dålig kontext kommer fortfarande producera dåliga resultat. Och en bra modell med bra kontext kommer producera bra resultat.

Därför investerade vi i processen, inte bara modellen. Mayflai är inte en AI som skriver Salesforce-kod. Det är ett system som säkerställer att AI:n har allt den behöver för att skriva rätt Salesforce-kod.

Företagen som får riktigt värde från AI är inte de med de mest avancerade modellerna. Det är de som har listat ut hur man ger AI rätt kontext vid rätt tidpunkt. Det är det vi har byggt.