When someone tells you they shipped 335 live pages across 26 repositories in 29 days, working alone, the instinct is to ask how they moved so fast. The better question is what broke when they did.
The numbers are real: 1,549 commits, 26 repos, 29 days, one developer using Claude Code. But velocity itself teaches you very little. What matters is the texture of the failures, because they were not the kind you catch in a stack trace. They were structural fractures. You only see them when you step back from the editor and look at the whole system breathing in production.
What Worked
The speed was not an illusion. Certain tasks really do collapse in duration when you hand them to an AI that does not sleep.
Textbook algorithms turned into shipped features over days, not weeks. A 2048 solver and minimax-based games came together fast because the implementation patterns are well documented. The model does not get lost in academic papers; it writes the search tree, the heuristic evaluation, the move scoring, and moves on. These are solved problems, and an AI pair programmer handles solved problems with brute efficiency.
Tedious audits became tolerable. Crawling link graphs, verifying redirect chains, checking canonical tags across hundreds of pages — this work destroys human attention spans, but a language model will iterate without complaint. It checks the same pattern three hundred times and reports back.
The real surprise was consistency. When you ask an AI to generate dozens of landing pages, drift is inevitable unless you anchor it. I used small memory files to lock down a single brand system: voice rules, color token names, component restrictions, and page archetypes. The model read those constraints at the start of each relevant task and produced work that felt like it came from one hand instead of twenty-nine different moods.
What Actually Broke
The failures were architectural. No build failed because of a missing semicolon. Instead, the system slowly deceived me into thinking everything was fine.
SEO cannibalization hit first. The AI built a new tool hub under a fresh URL while an older tool hub still lived at its original path. Each individual page was optimized. Titles were tight. Meta descriptions were unique. Content was useful. But they all hunted the same search intent. Search engines saw two authorities on identical terms and ranked neither. Perfect pages canceled each other out because no one was watching the site as a portfolio rather than a collection of files.
URL mismatches followed. Different repositories adopted slightly different folder structures for the same logical content. One repo nested tools under /tools/utility-name; another flattened them to /utility-name. The CDN saw both, generated redirect chains to resolve them, and started throwing errors at the edge. The pages loaded, eventually, but every redirect burned crawl budget and user patience. The code was correct. The topology was a mess.
Then came the sync trap. I updated a mirror site — a staging or backup instance — but forgot to propagate those changes back to the source repository. When I later asked the AI to sync the environments, it treated the mirror as ground truth. A simple sync command would have overwritten the production database or file set with stale mirror data. The AI executed what I described, not what I intended. Intentions do not diff; files do.
The audit tools themselves lied. Because I automated the auditing, I assumed the output was clean. It was not. The AI-written audit scripts contained subtle bugs: off-by-one checks, incorrect assumptions about redirect status codes, phantom errors triggered by timing or headers rather than real misconfigurations. They reported problems that did not exist, which sent me chasing ghosts. I learned to stop trusting static analysis until I had manually probed the live site and confirmed the symptom in a browser or a direct curl.
The Hidden Cost
Here is a number no one talks about: 93 percent of my token spend went to re-reading cached context.
In een lange Claude Code-sessie dwingt elke nieuwe aanvraag het model om de eerdere gesprekshistorie, bestandbuffers en het werkgeheugen opnieuw te bekijken. De eerste taak in een sessie is misschien goedkoop. Bij de tiende taak is het model alles wat eraan voorafging aan het verwerken, enkel om de volgende zin te begrijpen. De kostencurve loopt snel op. Lange sessies veranderen in dure herlees-oefeningen, en het contextvenster raakt gevuld met restanten van eerdere taken die niets te maken hebben met de huidige taak.
Dit is geen eigenaardigheid. Het is een directe belasting op een slechte sessiehygiëne.
Hoe dit op te lossen
De oplossingen waren eenvoudig zodra ik de problemen benoemde.
Beschouw één sessie als één taak. Wanneer de opdracht verandert, begin dan opnieuw. De verleiding om de context 'warm' te houden is groot — je hebt het gevoel dat je opstarttijd bespaart — maar in werkelijkheid huur je geheugen tegen samengestelde rente.
Bewaar kennis in kleine, specifieke geheugenbestanden. Laat het model geen merkrichtlijnen, componentbibliotheken of SEO-regels meedragen binnen de conversationele context. Schrijf ze naar de schijf in beknopte bestanden en verwijs er expliciet naar. Dit verplaatst informatie van de dure, vluchtige context naar goedkope, persistente opslag.
Ruim de boel op tussen verschillende taken door. Sluit de sessie. Open een nieuwe. Die dertig seconden aan opstarttijd besparen je later dollars en hallucinaties.
Lessen voor het opschalen
Als je op dit volume gaat werken, heb je vangrails nodig die het systeem, en niet het bestand, als de eenheid van beoordeling beschouwen.
Benchmark voordat je publiceert. Ga er niet vanuit dat een pagina werkt omdat deze wordt weergegeven. Controleer de laadtijd, de mobiele lay-out en de kernmetrieken op de gepubliceerde URL. Een prachtig component in de lokale ontwikkeling kan bezwijken onder echte netwerkomstandigheden.
Diff voordat je kopieert. Voer nooit blindelings een bulk-sync of kopieeractie uit. Bekijk het verschil (de delta). Begrijp in welke richting de data stroomt. De AI zal je niet waarschuwen dat je op het punt staat live klantgegevens te overschrijven.
Test live sites voordat je audits vertrouwt. Statische analyse is een hypothese. Een live verzoek is bewijs. Wanneer een audit-tool een kapotte link of een redirect-loop rapporteert, verifieer dit dan met een direct verzoek. Tools hebben ook bugs, vooral tools die zijn geschreven door een AI die werkt op basis van afgeleide patronen.
Leg conventies vast voordat je opschaalt. URL-structuur, mappenhiërarchie, canonical-patronen en contenttaxonomie moeten worden gedocumenteerd op een plek die de AI kan lezen voordat deze een enkele nieuwe pagina genereert. Geheugenbestanden zijn niet optioneel bij