Cursor i Claude 3.5: dlaczego programiści pracują o 19% wolniej

Generatywna sztuczna inteligencja obniżyła koszt pisania prostego kodu, ale przesunęła główne wąskie gardło wytwarzania oprogramowania na etap weryfikacji i debugowania. Badania rynkowe wskazują, że aż 35% kodu wygenerowanego przez AI trafia na produkcję bez pełnego zrozumienia przez zespół, co drastycznie podnosi ryzyko awarii i długu technologicznego. Dla liderów technicznych kluczem staje się zmiana mierników sukcesu z wolumenu wygenerowanych linii na rygorystyczną kontrolę architektury i intencji systemu.

Mechanizm iluzji produktywności w zespołach programistycznych

Masowe wdrażanie asystentów AI zmienia tradycyjny cykl wytwarzania oprogramowania, tworząc pozór natychmiastowego wzrostu wydajności. Programiści generują szablony i funkcje w kilka sekund, jednak czas zaoszczędzony na pisaniu kodu zostaje błyskawicznie pochłonięty przez długotrwałe debugowanie, walkę z promptami oraz analizę poprawności wygenerowanych struktur. W efekcie całkowity czas dostarczenia gotowego produktu na produkcję nie ulega skróceniu, a organizacje zmagają się z rosnącym długiem technologicznym.

Zjawisko to zmierzono w kontrolowanych badaniach. Eksperyment organizacji METR z 2025 roku na doświadczonych programistach open source pracujących w znanych sobie repozytoriach wykazał, że osoby korzystające z narzędzia Cursor oraz modeli Claude 3.5 i Claude 3.7 pracowały o 19% wolniej od grupy kontrolnej. Przed rozpoczęciem testu inżynierowie przewidywali, że będą szybsi o 24%, a po zakończeniu zadania wciąż subiektywnie szacowali swój przyspieszony czas o 20%. Rzeczywisty spadek tempa wynikał z konieczności poprawiania pozornie poprawnego kodu, halucynacji oraz dopasowywania wygenerowanych fragmentów do architektury repozytorium.

Analitycy McKinsey w raporcie Technology Trends Outlook 2026 wskazują na rozbieżność między aktywnością a realnym produktem: w badanych organizacjach narzędzia AI podniosły ogólną aktywność programistyczną o 180%, podczas gdy liczba wdrożonych wydań wzrosła zaledwie o 30%. Ponadto w 30% firm produktywność spadła po wdrożeniu autonomicznych agentów. Towarzyszy temu zjawisko luki w zrozumieniu kodu (comprehension gap). Badanie Anthropic przeprowadzone na 52 doświadczonych programistach Python wykazało, że po wykonaniu zadania bez AI średni wynik zrozumienia napisanego kodu wynosił 67/100 punktów, natomiast przy wsparciu AI spadał do 50/100 punktów.

Dlaczego programiści z agentami AI pracują o 19% wolniej?

Wdrożenie agentów programistycznych w złożonych systemach ujawnia spadek ich skuteczności w porównaniu do syntetycznych testów benchmarkowych. Modele sztucznej inteligencji świetnie radzą sobie z izolowanymi zadaniami, lecz w starciu z produkcyjnym kodem generują propozycje pozornie poprawne, ale błędne architektonicznie. Programiści spędzają większość pracy na weryfikacji sugestii, usuwaniu halucynacji oraz ręcznym dostosowywaniu wygenerowanych fragmentów do istniejących zależności systemowych.

Duże modele językowe rozwiązują 84 – 89% syntetycznych zadań w benchmarkach, jednak w klasycznej generacji kodu na poziomie produkcyjnych repozytoriów ich trafność spada do 25 – 34%. Dodanie technologii RAG (Retrieval-Augmented Generation) lub dokumentacji podnosi skuteczność zaledwie o 4 – 7%.

Skalę tego problemu w kodzie krytycznym biznesowo przedstawia badanie Coleman Parkes wykonane na zlecenie firmy Undo wśród 300 dyrektorów inżynierii pracujących z kodem C/C++:

  • Struktura czasu pracy: Inżynierowie spędzają średnio 9,8 godziny tygodniowo na pisaniu kodu, a 16,9 godziny tygodniowo (co stanowi 42% czasu pracy) na debugowaniu i analizie błędów.
  • Brak zrozumienia: Aż 35% wygenerowanego kodu trafia na produkcję, zanim zespół w pełni zrozumie jego działanie.
  • Niewydolność w złożonych systemach: 80% liderów twierdzi, że agenci AI nie radzą sobie z trudnymi problemami w złożonych repozytoriach.
  • Incydenty produkcyjne: 81% firm doświadczyło awarii produkcyjnej w ciągu ostatnich 6 miesięcy, 93% odnotowało błędną diagnozę przyczyny przez halucynacje AI, a 91% zarejestrowało wyciek błędów lub niesoptymalnego kodu na produkcję.
  • Brak przyspieszenia wydań: 79% liderów inżynierii potwierdza, że mimo szybszej generacji kodu, całkowity cykl wydawniczy nie uległ przyspieszeniu.

Analitycy SAIL Research w badaniu bazy AIDev przeanalizowali 456 535 pull requestów (PR) stworzonych przez agenty GitHub Copilot, Cursor, Claude Code, Devin oraz OpenAI Codex w 61 453 repozytoriach. Zgłoszenia generowane przez agenty są rzadziej akceptowane (merged) przez opiekunów projektów i wprowadzają mniej zmian włożonych w złożoność cyklomatyczną niż zmiany pisane przez ludzi.

Analiza ryzyka i zmiana paradygmatu wytwarzania oprogramowania

Zastąpienie ręcznego pisania kodu przez automatyczną generację zmienia rolę inżyniera z autora w kontrolera i architekta systemu. Głównym zagrożeniem dla organizacji staje się brak osadzenia wygenerowanego kodu w kontekście biznesowym, luki w zabezpieczeniach oraz degradacja umiejętności analitycznych u młodszych programistów. Bez odpowiednich procedur weryfikacji automatyzacja prowadzi do spowolnienia wydań i wzrostu kosztów utrzymania infrastruktury.

Według badań Stack Overflow 2025 z asystentów AI korzysta 84% programistów (51% codziennie). Jednocześnie 46% badanych nie ufa trafności narzędzi AI, a 66% wskazuje generowanie odpowiedzi „prawie poprawnych, ale błędnych” jako najbardziej frustrujący element codziennej pracy. Dodatkowo 81% inżynierów wyraża obawy dotyczące bezpieczeństwa danych i prywatności.

Wymiar porównania Tradycyjne wytwarzanie oprogramowania Wytwarzanie wspomagane przez AI
Główny produkt pracy Ręcznie napisany kod źródłowy Specyfikacje, zweryfikowany kod AI, architektura
Alokacja czasu Pisanie funkcji i ręczne debugowanie Przegląd kodu, weryfikacja intencji, integracja
Główne ryzyko Błędy ludzkie, opóźnienia harmonogramu Ślepota na błędy, luki bezpieczeństwa, spadek umiejętności
Miernik sukcesu Liczba zamkniętych zgłoszeń i napisanych linii Stabilność wydań i dostarczona wartość biznesowa
Rola inżyniera Wykonawca i autor kodu Dyrektor procesu, arbiter jakości i architekt

Raport Forbes Technology Council definiuje 17 ryzyk związanych z automatyzacją, wśród których kluczowe to fałszywa pewność siebie juniorów, wstrzykiwanie podatności (twarde sekrety, osłabione szyfrowanie), atrofia umiejętności analitycznych oraz zastój innowacji przez powielanie generycznych wzorców. Z tego powodu 76% programistów kategorycznie odrzuca stosowanie AI do wdrażania i monitorowania systemów, a 69% do planowania projektów.

Zmiana ta uderza w rynek pracy. Z danych Stanford HAI wynika, że zatrudnienie na stanowiskach juniorów w branży tech spadło o 20% względem szczytu z 2022 roku. Z kolei raport PwC wskazuje, że programiści sprawni w orkiestracji AI uzyskują o 18 – 35% (a w skrajnych przypadkach o ponad 50%) wyższe wynagrodzenia oraz awansują dwa razy szybciej. Prognozy Bureau of Labor Statistics zakładają ogólny wzrost zatrudnienia programistów o 15 – 18% do 2034 roku, co potwierdza analizę Goldman Sachs: automatyzacja obejmie 25% godzin pracy, ale zlikwiduje zaledwie 6 – 7% miejsc pracy, przesuwając ciężar zadań na architekturę.

Nowa architektura systemowa i wzorce maszynowo czytelne

Efektywne wykorzystanie agentów programistycznych wymaga przebudowy architektury oprogramowania w stronę struktur maszynowo czytelnych. Systemy o wysokiej entropii, pozbawione spójnych konwencji i jednoznacznych granic modułów, powodują halucynacje modeli AI oraz chaos w repozytoriach. Organizacje muszą zastąpić nieformalną wiedzę zespołową precyzyjnymi ontologiami, regułami walidacji i automatycznymi barierami ochronnymi, które definiują dozwolone granice zmian w kodzie.

Eksperci wydawnictwa O’Reilly (Shahid N. Shah i Andy Oram) wskazują, że przejście na rozwój z udziałem agentów wymaga wdrożenia trzech mechanizmów architektonicznych:

  1. Bariery ochronne specyfikacji (Spec Guardrails): Każde wymaganie biznesowe musi zawierać jednoznaczne zastrzeżenie typu MUST lub MUST NOT połączone z dowodem (test automatyczny lub nazwana osoba odpowiedzialna za przegląd). Specyfikacja bez dowodu jest traktowana jako błąd.
  2. Ontologia danych (Data Schema Ontology): Zespół utrzymuje maszynowo sprawdzalny słownik pojęć biznesowych, relacji i uprawnień. Każdy rzeczownik w specyfikacji musi mapować się na typ w schemacie. Zapobiega to sytuacji, w której agent AI swobodnie interpretuje pojęcia i generuje sprzeczne struktury danych.
  3. Automatyczny kontroler (Harness Engineering): Wzorem praktyk OpenAI i StrongDM repozytorium jest chronione przez zautomatyzowane reguły („złote zasady”). Kontroler uruchamia cotygodniowe audyty dryfu, weryfikuje specyfikacje bez pokrycia w kodzie oraz blokuje Pull Requesty, które zmieniają kod bez uprzedniej zmiany specyfikacji lub ontologii.

Rozwiązanie to wpisuje się w koncepcję Domain-Specific Modeling (DSM) opisaną na łamach [suspicious link removed] przez Juhę-Pekkę Tolvanena i Stevena Kelly’ego. Podnoszenie poziomu abstrakcji z języków 3GL do modeli dziedzinowych pozwala na pełną generację kodu produkcyjnego przy zachowaniu szczelnych granic systemowych. Jak zauważa Yashodhan Singh w portalu DEV Community, architektura przestaje być jedynie dokumentacją dla ludzi, a staje się maszynowo czytelną płaszczyzną sterowania (control surface), która obniża entropię środowiska dla agentów AI.

Również badacze z Tampere University (CEUR-WS.org) w analizie odpowiedzialności prawnej i etycznej podkreślają, że inżynierowie pozostają ostatecznymi bramkarzami (gatekeepers) jakości. Zjawisko „paradoksu zaufania” polega na tym, że programiści chętnie delegują generowanie szablonów, ale stosują rygorystyczną, manualną weryfikację wobec modułów bezpieczeństwa i logiki biznesowej.

Wnioski praktyczne i rekomendacje

  • Skonfiguruj automatyczne bariery ochronne (harness) w pipeline CI/CD, które odrzucają Pull Requesty generowane przez AI, jeśli zmiana w kodzie nie ma odpowiadającej jej aktualizacji w specyfikacji lub teście jednostkowym.
  • Zmierz rzeczywisty czas cyklu dostarczania oprogramowania (Lead Time for Changes) oraz wskaźnik awaryjności wydań (Change Failure Rate), zamiast monitorować liczbę linii kodu lub zgłoszeń wygenerowanych przez asystentów AI.
  • Zweryfikuj architekturę wewnętrznych repozytoriów pod kątem czytelności maszynowej (machine-legibility): wprowadź jawne granice modułów, jednoznaczne schematy danych oparte na standardzie schema.org oraz spójne konwencje nazewnicze.
  • Wdróż obowiązkowe przeglądy kodu (Code Review) ze szczególnym uwzględnieniem modułów uwierzytelniania, zapytań do baz danych oraz zarządzania sekretami, zakazując bezkrytycznego scalania wygenerowanych zmian.
  • Uruchom programy szkoleniowe dla juniorów ukierunkowane na architekturę systemową, debugowanie i weryfikację logiki, aby przeciwdziałać zjawisku kompresji kompetencji analitycznych w zespole.

Źródła

Przemysław Majdak

Przemysław Majdak · AI Automation Engineer

Założyciel Baluarte i wydawca BitBiz.pl. Członek ISSA Polska. Ekspert z 18-letnim stażem w branży IT — wdraża bezpieczne automatyzacje AI, systemy full-stack i zaawansowane procedury cyberbezpieczeństwa dla firm. Wszystkie artykuły autora →

💬 Kliknij tutaj, aby dodać komentarz

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *