AI

AI przyspiesza - zarówno mocne strony delivery, jak też dysfunkcje w procesie tworzenia oprogramowania - przyspiesza tam, gdzie system działa dobrze, a spowalnia tam, gdzie panuje chaos. Więcej kodu i automatyzacji w delivery nie zawsze przekłada się na szybsze dostarczanie większej wartości.

AI, DevEx i delivery - o co tu naprawdę chodzi?

AI nie jest tylko narzędziem, np. do generowania kodu. AI to katalizator, który przyspiesza - sprawność delivery, które już działa sprawnie, ale także zwiększy dysfunkcje w delivery, które już tam istnieją. To też katalizator zmian ról, procesów i kultury pracy inżynierskiej.

W polskich organizacjach technologicznych widać pełne spektrum podejść: od wdrożeń bez refleksji, przez świadome eksperymenty, aż po blokadę wynikającą ze strachu przed zmianą.

Kluczowe pytanie nie brzmi czy wdrażać AI, ale jak to robić, żeby przyspieszyć dobry DevEx i sprawne delivery zamiast mnożyć dysfunkcje.

Różnica między organizacjami, które korzystają z AI z sukcesem, a tymi, które pogrążają się w chaosie, leży w **fundamentach: procesach, korzystaniu z danych, praktykach inżynieryjnych i sposobach pracy zespołów.

"Teraz dzięki AI możemy robić rzeczy szybciej: zarówno mądre jak i głupie rzeczy"

Engineering Manager, Devtech

AI przyspiesza wszystko — także błędy i braki w procesach. Jeśli fundamenty delivery są zdrowe (jasne priorytety, ownership, solidne procesy, dane i pętle informacji zwrotnej), AI zwiększa ich skuteczność. Jeśli ich brakuje, staje się tylko wzmacniaczem chaosu. To nie tylko nasz wniosek, jest on zbieżny z badaniem DORA. State of AI-assisted Software Development prowadzonym przez zespół Google opublikowanym we wrześniu 2025.

Wniosek: Jeśli masz dobry system delivery i DevEx na każdym etapie procesu, AI przyspieszy Twoją firmę i w najbliższych latach zbudujesz przewagę konkurencyjną. Jeśli Twój proces delivery i DevEx nie działa, albo nie wiesz czy i jak działa, AI spotęguje dysfunkcje i w konsekwencji możesz zostać w tyle za konkurencją szybciej, niż dzieje się to dotychczas.

AI i rola dewelopera - od tworzenia kodu do tworzenia wartości

AI przesuwa rolę programisty z wąsko rozumianego „dostarczania kodu” na szersze „dostarczanie wartości”. Developer coraz rzadziej działa jako samotny kontrybutor, a coraz częściej jako ktoś, kto zarządza współpracą z nowymi partnerami: „AI-programistą”, „AI-testerem” czy innymi automatycznymi narzędziami.

"Kryterium nie jest już to, żeby developer więcej kodował, tylko żeby jak najsprawniej dostarczał wartość. Praca staje się coraz szersza i bardziej inżynieryjna - deweloperzy muszą wiedzieć coraz więcej o bardzo różnych rzeczach, bardzo różnych procesach, danych, narzędziach, łącznie z AI."

Head of Engineering, Marketplace

Sedno tej zmiany to przesunięcie akcentu z „jak” coś zrobić na „co” i „dlaczego” robimy.

"Problemy techniczne są coraz rzadsze i mniej istotne w porównaniu do wyzwań związanych z tym, co i dlaczego zrobić."

Engineering Manager, Medtech

Wniosek: AI redefiniuje rolę programisty — mniej rzemiosła kodowania, więcej inżynierii systemów i decyzji o wartości biznesowej.

AI w delivery - katalizator produktywności czy dysfunkcji?

AI to multiplikator — wzmacnia to, co w systemie działa dobrze, i pogłębia to, co działa źle, lub zmienia wąskie gardła w procesie. O ile badania pokazują, że AI zwiększa efektywność pojedynczych zespołów, wpływ na cały system delivery nie jest już taki oczywisty, może przyspieszać, ale może też spowalniać cały system delivery.

AI generujący kod - turbodoładowanie czy nowe wąskie gardła?

Masowe wdrożenie generatywnego AI sprawiło, że zespoły produkują więcej kodu niż kiedykolwiek. Google deklaruje, że ponad 25% nowego kodu w ich projektach jest generowane przez AI, a następnie weryfikowane przez inżynierów, w Microsoft podobnie. 

Raport Accelerate State of DevOps z 2024 roku potwierdza trend: narzędzia AI zwiększają tempo pisania kodu, ale równocześnie prowadzą do większych zmian, trudniejszych w utrzymaniu. W praktyce oznacza to: - rosnące batch size’y i changelisty - dłuższe code review - spadek stabilności wydań i dłuższe MTTR

Większe wykorzystanie AI może obniżać stabilność wydań (wyższy change failure rate i dłuższy MTTR) oraz spowalniać delivery (mniejsza deployment frequency, dłuższy lead time for changes).

Dlaczego? AI generuje więcej kodu, niż zespoły są w stanie przetestować i utrzymać. Bez automatyzacji testów rośnie liczba błędów trafiających na produkcję. Kod tworzony przez AI bywa też trudniejszy do zrozumienia i debugowania przez ludzi.

Wniosek: AI nie usuwa wąskich gardeł w delivery — przesuwa je z implementacji na testy, review i utrzymanie. To, czy AI przyspieszy cały proces delivery zależy od tego, czy te procesy działają dobrze.

Co o AI mówią inżynierowie?

Inżynierowie na świecie wprost nazywają AI multiplikatorem, który wzmacnia to, co w systemie działa dobrze, i pogłębia to, co działa źle. Co jeszcze?

Zyski produktywności są realne, ale umiarkowane - badania Google i Microsoft pokazują wzrost produktywności 20–30% w prostszych zadaniach i projektach greenfield, ale 10–15% w pracy ze starszym kodem. Jednocześnie 66% deweloperów wskazuje debugowanie „prawie poprawnych” rozwiązań AI jako największy pochłaniacz czasu.

Kontekst ma znaczenie: w projektach greenfield AI pozwala szybko prototypować i wspiera mniej doświadczonych programistów, w systemach legacy potrafi spowalniać seniorów, którzy muszą weryfikować i poprawiać kod wygenerowany przez model.

Kluczowe jest dostosowanie procesów - zespoły intensywnie korzystające z AI mergują więcej pull requestów, ale prowadzi to do 91% wzrostu czasu review i nowych wąskich gardeł.

Wniosek: zyski produktywności z AI są realne, ale umiarkowane i silnie zależne od kontekstu. Największe efekty daje AI tam, gdzie procesy — wymagania, testy, review — są już efektywne i stabilne.

Co o AI mówią inżynierowie w Polsce?

AI w połączeniu ze świetnymi ludźmi i dobrymi praktykami ma olbrzymi potencjał.

"Zespół doświadczonych seniorów zaangażowanych w duchu Agile plus narzędzia AI - dowolny zakres prac można zrealizować w tydzień. To naprawdę niesamowite."

Engineering Manager, Devtech

Rośnie tempo zmian i maleje przewidywalność.

"Świat pędzi bardzo szybko. Nie wiesz, czy to co teraz usprawnisz dwa razy, powinno być usprawnione 50 razy. Może właśnie pojawiło się coś zupełnie nowego?"

Head of Engineering, Gaming

Istnieją duże różnice między małymi a dużymi organizacjami:

"To zupełnie co innego, gdy mała firma z 10 osobami zaczyna wszystko od zera, a co innego gdy firma technologiczna z 25-letnią historią wdraża AI. Wykorzystanie narzędzi AI dla produktywności w dużym, złożonym serwisie różni się diametralnie od wdrożenia w małej firmie."

Platform Engineering Manager, E-commerce

Wniosek: polscy liderzy widzą w AI ogromny potencjał, ale także ryzyko braku kontroli. Największe korzyści odnoszą mniejsze i bardziej elastyczne organizacje, podczas gdy duże firmy muszą zmierzyć się z ciężarem historii i złożoności systemów.

AI przyspiesza delivery - przy dobrych danych i procesach

Nasza analiza przypadków pokazuje jasny wzorzec: AI przyspiesza tam, gdzie trafia na solidne fundamenty: dane oraz praktyki inżynieryjne i procesowe. Sukces zależy mniej od jakości narzędzia, a bardziej od dojrzałości praktyk organizacji.

Dojrzałe praktyki inżynieryjne

AI staje się katalizatorem, gdy zespoły mają już jasne standardy code review, kulturę jakości i zautomatyzowane testy. Bez tych fundamentów, AI może się stać się generatorem długu technicznego na masową skalę.

"Deweloperzy mają zintegrowane narzędzia AI w swoim środowisku programistycznym i praktycznie nie piszą już kodu ręcznie, dzięki czemu jesteśmy w stanie dostarczać bardzo szybko bardzo dużo funkcjonalności."

Chief Technology Officer, Medtech

Mierzenie i mitygowanie nowych wąskich gardeł w procesie

Tworzenie kodu zniknęło z listy wąskich gardeł w procesie delivery. Ale pojawiły się nowe - specyfikacja, code review, testy. Ta zmiana wymaga fundamentalnej zmiany w roli developera:

"Im więcej kodu pisze za nas maszyna, tym większa odpowiedzialność spoczywa na osobie pracującej z AI za to, co ten kod faktycznie robi. Deweloperzy muszą rozumieć więcej, bo następuje zmiana paradygmatu - kiedyś byli specjalistami od pisania kodu według dokładnej specyfikacji, a teraz to zadanie świetnie wykonuje maszyna."

Chief Technology Officer, Medtech

Dobra priorytetyzacja

AI otwiera ogromną przestrzeń możliwych rozwiązań. Dlatego jeszcze ważniejsze staje się to, co z tej przestrzeni wybierzemy.

"Dochodzi nam nowy poziom automatyzacji opartej na AI, który otwiera ogromną przestrzeń potencjalnych rozwiązań. Priorytetyzacja staje się trudniejsza, bo tematów technicznych i automatyzacyjnych jest bardzo dużo, dlatego tym bardziej trzeba o nią dbać."

Head of Engineering, Datatech

Jasne zasady i odpowiedzialność

Więcej automatyzacji = więcej odpowiedzialności systemowej po stronie ludzi. Szybkie generowanie kodu i automatyzacje przyspieszające proces bez ram prowadzi do wypadków jakości i bezpieczeństwa.

"Maszyna pisze kod błyskawicznie, ale tylko jeżeli jest pod właściwym nadzorem. Bez nadzoru skutki mogą być katastrofalne."

Chief Technology Officer, Medtech

Zasady gry (guardrails): definicja Ready/Done dla pracy z AI, polityki PR (limity wielkości/plików), obowiązkowe testy na ścieżkach krytycznych, zasady użycia danych w promptach, itp.

Nadzór a nie mikrozarządzanie: review ≤ 24h, checklista dla kodu z AI (czytelność, bezpieczeństwo, testowalność, koszt utrzymania), przykłady „przed/po”, itp.

Ścieżka eskalacji: co robimy, gdy AI „halucynuje”, a kiedy wyłączamy fast-lane i wracamy do manuala.

Dane i widoczność efektów: alerty o nadmiernych batchach, raporty o % PR bez testów, regularne „AI & Quality Review”.

AI działa dobrze tylko w klarownych procesach z jasnym właścicielem decyzji. Zdefiniuj guardrails, dawaj szybki feedback i trzymaj człowieka w pętli.

Umiejętność mierzenia wpływu

Mierzenie efektywności wdrożeń AI jest kluczowe. Nawet jeśli jest to trudne do zmierzenia w sposób obiektywny, miary subiektywne to już dobry start. Ważne, żeby nie dać się zwieść złudzeniom.

"Nie zawsze można obiektywnie zmierzyć wpływ AI. Używamy oceny subiektywnej, która daje nam sygnał."

Chief Technology Officer, Devtech

Iluzja produktywności: badanie pokazało, że gdy doświadczeni programiści korzystali z AI, realizacja zadań trwała średnio o 19% dłużej. Co zaskakujące, uczestnicy byli przekonani, że AI przyspieszyło ich pracę o 20%.

Wniosek: AI działa jak turbo-doładowanie — ale tylko w efektywnych systemach. W słabych tworzy iluzję produktywności i multiplikuje chaos.

Sukces zależy od działania systemu

Przyspieszenie przez AI działania poszczególnych etapów procesu delivery, lub poszczególnych deweloperów czy zespołów nie oznacza sukcesu organizacji. Ten zależy od tego, jak działa cały system delivery. Zespół DORA wskazuje na 7 zdolności organizacji, które odblokowują wartość AI:

• Jasna i upowszechniona polityka AI – co jest dozwolone, gdzie i przez kogo.
• Zdrowy ekosystem danych – jakość, dostęp, spójność; podłączenie AI do wewnętrznego kontekstu.
• Silna kontrola wersji – dyscyplina rollbacków, testy automatyczne, szybka informacja zwrotna.
• Praca w małych partiach – utrzymywanie PR-ów w rozsądnej wielkości; opór wobec skłonności AI do generowania większych zmian.
• Skupienie na użytkowniku – kierowanie AI na rzeczywiste problemy użytkowników.
• Wewnętrzne platformy wysokiej jakości – inżynieria platformowa jako warstwa wsparcia.
• Widoczność i pomiar procesu delivery – powiązanie sygnałów DevEx z wynikami DORA.

AI hamuje delivery - przy braku sygnałów i standardów

Paradoksalnie, AI może pogorszyć sytuację zespołów pracujących w chaotycznym środowisku.

Chaos organizacyjny potęgowany przez AI

AI w chaotycznym środowisku mnoży istniejące problemy. Bez fundamentów procesowych przyspiesza głównie… powstawanie długu.

"AI może teraz wygenerować mnóstwo kodu po niskich kosztach. Wyobraź sobie w jakim stanie będzie cała branża za 5 lat - będzie tyle szumu w produktach, że aż strach pomyśleć."
"Teraz dwóch deweloperów wygeneruje tyle długu technicznego, co kiedyś generowało dwudziestu. Większość kodu, który teraz powstaje będzie musiał być utrzymywany, a może być po prostu niepotrzebny."

Chief Technology Officer, Devtech
Chief Technology Officer, Devtech

Wniosek: bez priorytetów, standardów i krótkich iteracji AI działa jak wzmacniacz chaosu.

Problemy z jakością i zrozumieniem

Brak pokrycia testami i niespójne review powodują, że AI-kod częściej trafia na produkcję z błędami i trudniej go utrzymać.

"Przy użyciu narzędzi AI do kodowania skala wyzwań będzie tylko rosła. Zrozumienie kodu przez ludzi maleje wraz ze wzrostem automatyzacji."

Head of Engineering, Fintech

Wniosek: jakość nie „dogoni” generowania bez automatyzacji testów, małych batchy i jasnych kryteriów review.

Brak danych o wąskich gardłach

Implementacja przyspiesza, ale analiza wymagań i decyzje często nie nadążają.

"Trzeba dużo szybciej i lepiej przygotowywać wymagania, bo implementacja trwa teraz znacznie krócej. Problem pojawia się, gdy wymagania są zbyt wolne lub niedokładnie."

Chief Technology Officer, Medtech

Wniosek: jeśli nie mierzysz i nie poprawiasz „wejścia” (wymagań), będziesz szybko dostarczać niewłaściwe rzeczy.

Iluzja produktywności

Więcej kodu ≠ więcej wartości. Bez danych o efektach końcowych łatwo pomylić aktywność z postępem

"Można więcej kodować i szybciej dostarczać, ale co jeśli nie ma danych potwierdzających prawdziwą wartość dla użytkownika?"

Chief Technology Officer, Marketplace

Wniosek: patrz na wartość i stabilność (DORA + wczesne sygnały z procesu), oraz na UX I wartość dla użytkownika, a nie na same liczby linii i PR-y.

Gdzie AI daje największą wartość?

Największy potencjał AI leży nie w samym pisaniu kodu, ale w eliminacji „pożeraczy czasu”: długu technicznego, braków w dokumentacji i powtarzalnych, manualnych czynności.

• 69% deweloperów traci średnio ~8 godzin tygodniowo na szukaniu informacji

AI świetnie radzi sobie z manualną, powtarzalną pracą, dokumentacją, bazami danych.

"Wśród testerów wzrost wydajności wynosi od 30 do 50% - to pokazuje jak dużo powtarzalnej, manualnej pracy wykonywali wcześniej."

Chief Technology Officer, Devtech

AI jest też świetnym narzędziem analizy feedbacku (komentarze z ankiet DevEx → kategorie, wzorce, priorytety)

"Analizowałem komentarze z ankiet DevEx z ChatGPT i wyróżnił on kluczowe elementy: onboarding i proces wdrożenia."

Engineering Manager, Devtech

Większość AI w software development skupia się na generowaniu kodu. A skoro „dobry dzień” programisty  to najczęściej ten, w którym ma więcej czasu na kodowanie, to dlaczego próbujemy automatyzować właśnie to? Skuteczniej jest oddać AI to, co odciąga uwagę od pracy głębokiej: porządkowanie wiedzy, uzupełnianie dokumentacji, przygotowywanie testów i danych testowych, streszczanie zmian.

Wniosek: Automatyzuj to, co rozprasza i spowalnia zespoły — dokumentację, testy, powtarzalne zadania — a nie to, co i tak jest ich najmocniejszą stroną. Żeby dowiedzieć się, gdzie są blokady, zapytaj deweloperów i zrób z AI analizę ich feedbacku.

AI dla juniora, mida i seniora

AI wspiera różne poziomy doświadczenia w inny sposób. Kluczem jest dopasować zastosowanie do kompetencji i zadań.

Junior – przyspieszony onboarding i nauka przez działanie: podpowiedzi w IDE, wyjaśnienia błędów, generowanie pierwszych testów i szkieletów funkcji.

Mid – skracanie prac powtarzalnych i eksploracja rozwiązań: refaktoryzacje, migracje, generowanie danych testowych, streszczanie PR i dokumentacji.

Senior – wsparcie w złożoności: przeszukiwanie i mapowanie dużych baz kodu, analiza wpływu zmian, weryfikacja ryzyk architektonicznych, „co-pilot” do decyzji technicznych.

"Widzimy, że juniorzy, midzi i seniorzy potrzebują różnego wsparcia i inaczej korzystają z narzędzi AI. Jesteśmy na etapie analizy szczegółów - kogo, gdzie i jak powinniśmy wspierać."

Platform Engineering Manager, E-commerce

Nie ma „jednego AI dla wszystkich”. Dobierz use-case’y do poziomu doświadczenia – i mierz efekt tam, gdzie dana grupa realnie zyskuje (czas onboardingu, czas refaktoryzacji, czas analizy wpływu zmian).

Jak działać?

Skutecznie wdrażaj AI bez powtarzania cudzych błędów

Meta-cel: AI ma skracać drogę do wartości dla użytkownika, a nie tylko przyspieszać pisanie kodu.

Zacznij od diagnozy, dlaczego i gdzie, nie „czym”

• Ankieta DevEx + komentarze: gdzie są tarcia (wymagania, review, testy).
• Z logów: 1–2 metryki na start (np. czas dostarczenia zmian i czas reakcji na PR).
• Zidentyfikuj, gdzie po AI przesuną się wąskie gardła i jak je zmitigujesz.

Ustal jasne zasady i odpowiedzialność

• Guardrails: Definition of Ready/Done dla pracy z AI, polityki PR (limity plików/rozmiaru zmian), obowiązkowe testy na ścieżkach krytycznych, zasady danych w promptach.
• Nadzór, nie mikrozarządzanie: review ≤ 24 h, krótka checklista jakości (czytelność, bezpieczeństwo, testowalność, koszt utrzymania).

Eksperymentuj z właściwymi obszarami

• Sprawdzaj, gdzie AI ma największy sens (dokumentacja, testy, dane testowe, analiza feedbacku) — a gdzie nie.
• Nie „wrzucaj” AI wszystkim jednakowo — dopasuj do kontekstu i zadań; miej odwagę odłożyć to, co nie daje zwrotu.

Zastosuj pilotaż - mała skala, jasne cele

• Zacznij od 1–2 zespołów.
• Ustal mierzalne kryteria sukcesu (np. krótsze review, mniejsze PR).
• Pokaż „przed/po” i sprawdź, co się wydarzyło w praktyce

Stosuj rytm i przejrzystość

• Działaj w stałym rytmie (te same momenty, małe kroki).
• Po każdej iteracji jasno pokaż, co zmieniliście i co dalej — krótko, dostępne dla wszystkich → jedna decyzja na cykl.
• Zbieraj w jednym miejscu dobre przykłady i lekcje; odkładaj to, co nie działa.

Trzymaj człowieka w pętli decyzyjnej — „stop klatka” i kiedy zwalniamy z fast-lane

• Triggery: 2× padnięte testy, zbyt duży PR w obszarze krytycznym, poważny błąd bezpieczeństwa, sygnał „needs-clarity”, rozjazd ze specyfikacją.
• Procedura: rozbij zmianę, dołóż testy, drugi reviewer, wstrzymaj generowanie całych modułów, zapisz decyzję w notatce do zmiany.

Mierz wpływ wcześnie i podwójnie: tempo + stabilność

• Oprócz DORA: czas dostarczenia zmian, wielkość PR, czas do pierwszego komentarza, odsetek PR bez testów, rollbacki/MTTR.
• Łącz liczby z komentarzami DevEx (czytelność, utrzymywalność).
• Kontrpróba: raz na sprint jedno zadanie „bez AI” do porównania.

Skaluj systemowo, nie punktowo

• Po pilotażu przenieś ramy, wzorce i metryki do kolejnych zespołów.
• Traktuj repo wzorców i promptów jak produkt wewnętrzny.

Pokazuj efekty i świętuj szybkie zwycięstwa

• Rób krótkie demo efektów pilotażu (przykłady „przed/po”).
• Utrwalaj nawyk konsekwentnego działania w każdym cyklu.

AI nie jest magicznym rozwiązaniem - wymaga solidnych fundamentów procesowych i kulturowych. Wpływ AI jest kontekstowy - zależy od dojrzałości organizacji, danych, jakości procesów i sposobów pracy zespołów - przyspiesza jeśli działają one dobrze, ale może spowalniać, gdy są dysfuncyjne.