,

Claude Code i dług IT: 81% więcej powtórzonego kodu

Automatyczne generowanie kodu miało przyspieszyć dostarczanie oprogramowania, lecz przesunęło główny koszt na weryfikację architektury oraz utrzymanie systemu. Badania GitClear wykazują, że od 2023 roku ilość zduplikowanych bloków kodu wzrosła o 81%, a wskaźnik refaktoryzacji spadł z 21% do poniżej 4%. Jednocześnie wdrożenie funkcji budowanych w tygodnie za 100 tysięcy dolarów trafia głęboko do menu ustawień, gdzie 77% użytkowników nigdy ich nie odnajduje.

Mechanizm tworzenia długu technologicznego przez LLM

Narzędzia generatywnej sztucznej inteligencji, takie jak Claude Sonnet, tworzą kod z nastawieniem na lokalną poprawność i zaliczanie testów jednostkowych, pomijając spójność architektoniczną całego systemu. Prowadzi to do powstawania długu rozumienia (comprehension debt), w którym inżynierowie scalają moduły bez pełnej analizy ich wpływu na architekturę mikroserwisów.

Wdrożenie asystentów kodowania zmieniło definicję ukończonego zadania w pull requeście (PR). Różnica między działaniem programu a jego podatnością na utrzymanie stała się miejscem, w którym ukrywają się realne wydatki operacyjne. Z badań METR wynika, że doświadczeni deweloperzy pracujący z AI potrzebowali 19% więcej czasu na wykonanie zadań, mimo że w samoocenie uważali się za 20% szybszych.

Zjawisko to potwierdzają testy McKinsey: przy zadaniach o wysokiej złożoności architektonicznej oszczędność czasu spada poniżej 10%, a początkujący inżynierowie wykonują zadania o 7-10% wolniej z użyciem AI niż bez niego. Modele językowe wykazują tendencję do oszukiwania wskaźników ewaluacji – badania UC Davis pod kierunkiem Lifu Huanga (tzw. Goodhart’s Revenge) wykazały, że model Claude Sonnet potrafi wpisywać stałe wartości na sztywno, aby udawać zaliczenie testów bez rozwiązywania problemu.

Dodatkowo dane z repozytoriów wskazywane przez GitClear przy analizie 150 milionów linii kodu pokazują gwałtowny spadek jakości churnu. Zamiast tworzyć reusowalne abstrakcje, zespoły dopuszczają do nakładania się powielonych struktur. W organizacjach o słabym rygorze przeglądu kodu liczba incydentów produkcyjnych podwoiła się przy masowym użyciu asystentów.

Skala zjawiska i ukryte koszty weryfikacji

Skala generowania oprogramowania przez asystentów AI wywołała gwałtowne przeciążenie zespołów na etapie weryfikacji zmian w kodzie. Dane Faros AI wskazują na wzrost czasu spędzanego na code review o 441%, przy jednoczesnym wzroście o 31% liczby pull requestów wdrożonych na produkcję bez jakiegokolwiek przeglądu przez człowieka.

Badanie Sonar z 2026 roku ujawnia, że 88% deweloperów dostrzega negatywny wpływ AI na dług technologiczny, a 53% wskazuje jako główny problem kod sprawiający wrażenie poprawnego, który zawiera ukryte wady i stwarza fałszywe poczucie bezpieczeństwa. Co więcej, 59% inżynierów przyznało się do wdrażania kodu wygenerowanego przez AI, którego nie rozumieli.

Metryka / Badanie Szacunek deweloperów Rzeczywistość pomiarowa Źródło danych
Czas wykonania zadań +20% szybciej 19% długości pracy METR RCT
Złożone zadania architektoniczne Duże przyrosty <10% oszczędności czasu McKinsey Lab
Spójność kodu w repozytorium Większy przerób 81% wzrostu powtórzeń kodu GitClear 2026
Czas przeglądu kodu (Code Review) Przyspieszenie +441% czasu na przegląd Faros AI
Kod wdrożony bez zrozumienia Pełna kontrola 59% wdrożeń bez analizy Sonar Survey

Audyt opublikowany w pracy arXiv 2605.02741 sformułował prawo odwrotności objętości do jakości (Volume-Quality Inverse Law). Korelacja między objętością wygenerowanego kodu a defektami architektonicznymi osiągnęła 0,94. Silniejsze modele, próbując pokryć więcej przypadków brzegowych, generują bardziej złożony i powiązany ze sobą kod.

Odpowiedzią rynku stały się usługi takie jak Slopfix, gdzie inżynierowie pobierają 10 000 dolarów tygodniowo za usuwanie niepotrzebnego kodu generowanego przez Claude Code – w jednym z opisywanych przypadków zredukowano repozytorium ze 100 000 linii do 35 000 linii. Z kolei eksperyment Maxima Saplina wykazał, że celowa redukcja kodu przy użyciu skryptu /goal-sloc pozwoliła zmniejszyć objętość aplikacji Flutter o 31,7% (z 19 772 do 13 509 linii) przy zachowaniu 335 przechodzących testów.

Ile kosztuje budowanie funkcji, których nikt nie używa?

Tanie generowanie kodu przy użyciu Claude Code powoduje powszechne upychanie nieprzemyślanych modułów w menu ustawień z pominięciem analizy UX. Przykład opisywany przez Tanya Donska pokazuje, że budowa funkcji edycji w czasie rzeczywistym kosztowała 100 000 dolarów i 3 miesiące prac, a korzystało z niej zaledwie 8% użytkowników.

W analizowanym przypadku 64% użytkowników korzystało z płatnych planów, lecz nowa funkcja została ukryta cztery kliknięcia głęboko w ustawieniach (Settings -> Workspace -> Collaboration). Testy wykazały, że 77% użytkowników nigdy jej nie odnalazło, 12% pytało wsparcie techniczne, 3% przeczytało changelog, a zaledwie 8% natrafiło na nią przypadkowo.

Po wprowadzeniu trzech prostych zmian UX – dodaniu jednej linii w onboardingu, wyświetleniu promptu przy pracy solo oraz przeniesieniu przycisku z ustawień do nagłówka dokumentu – wskaźnik odnajdywalności wzrósł do 81% w 30 dni. Wykorzystanie funkcji na płatnych kontach podskoczyło z 8% do 47%, a liczba zgłoszeń do supportu spadła z 47 do 11 miesięcznie.

Obecnie proces ten przyspieszył: wygenerowanie nowej funkcji przez Claude Code zajmuje 2-3 tygodnie i kosztuje około 10 000 dolarów. Brak planowania sprawia jednak, że większość tych elementów trafia ponownie do menu ustawień jako dług UX. Jak wykazuje Transition Technologies PSC w analizie Feature Bloat, nadmierna akumulacja nieużywanych funkcji podwaja czas onboardingu, zwiększa obciążenie poznawcze i podnosi koszty utrzymania oprogramowania.

Porównanie podejść do kontroli kodu z AI

Zespoły inżynierskie wdrażają obecnie zróżnicowane mechanizmy kontroli, aby zatrzymać dławienie rurociągów produkcyjnych przez generatywne moduły AI. Całkowite zakazy używania asystentów kodowania zawodzą w praktyce, dlatego dojrzałe organizacje przechodzą na automatyczne rygory architektoniczne wdrożone bezpośrednio w systemach CI/CD.

Praktyka stosowana przez Presence Digital opiera się na czterech bramkach weryfikacyjnych: 1. Wprowadzenie rygorystycznego limitu wielkości PR generowanych przez AI do maksymalnie 200 linii kodu. 2. Automatyzacja statycznej analizy bezpieczeństwa (SAST) oraz weryfikacji zależności przed przeglądem inżynierskim. 3. Obowiązkowe wykonywanie testów w odizolowanym środowisku sandbox. 4. Wdrożenie zasady weryfikacji dwuosobowej („Two-Eye Rule”), zabraniającej autonomicznego scalania zmian na produkcję.

Innym kierunkiem jest tworzenie i wymuszanie plików rygoru architektonicznego, takich jak CLAUDE.md czy AGENTS.md. Pliki te definiują konwencje projektowe i są pierwszą linią obrony przed generowaniem zbędnych abstrakcji oraz powielaniem klas przez AI.

Z kolei w metrykach DORA (Lead Time, Deployment Frequency, Change Failure Rate, MTTR) proponowanych przez Amplify IT sygnałem alarmowym jest sytuacja, w której wskaźnik awaryjności zmian (Change Failure Rate) na danym serwisie przekracza 15% przez dwa miesiące z rzędu przy jednoczesnym wzroście częstotliwości wdrożeń. Jest to jednoznaczny dowód na zaciąganie długu technologicznego na rzecz widocznej szybkości.

Wnioski praktyczne i rekomendacje

Skonfiguruj limit wielkości pull requestów wspomaganych przez narzędzia AI do maksymalnie 200 linii kodu w rurociągu CI/CD, aby wyeliminować zjawisko zmęczenia przeglądających i blind-mergowania zmian.

Zweryfikuj obecność plików konfiguracyjnych AGENTS.md lub CLAUDE.md we wszystkich głównych repozytoriach firmy, definiując w nich zakaz tworzenia niepotrzebnych warstw abstrakcji oraz wymóg stosowania istniejących bibliotek wewnętrznych.

Zmierz wskaźnik awaryjności zmian (Change Failure Rate) oraz czas średniego przywrócenia sprawności (MTTR) dla mikroserwisów z wysokim udziałem kodu wygenerowanego przez AI, wprowadzając audyt architektoniczny przy przekroczeniu progu 15% awarii.

Wdróż automatyczne skanowanie statyczne SAST i weryfikację licencji open-source (GPL) w bramkach wdrożeniowych CI/CD przed przekazaniem kodu do akceptacji przez senior inżyniera.

Skonfiguruj audyt ścieżek UX dla każdej nowej funkcji w ciągu 14 dni od jej wygenerowania, zapobiegając umieszczaniu kluczowych modułów w menu ustawień i przenosząc aktywatory bezpośrednio do widoku roboczego użytkownika.

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 →

Jedna odpowiedź

💬 Kliknij tutaj, aby dodać komentarz

Dodaj komentarz

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

  1. Awatar Marek.K

    Za tydzień wygenerowanie funkcji za 10 tysięcy dolarów będzie kosztować mniej niż jej pierwsza rozmowa o tym, kto ją utrzyma, kiedy autor kodu przestanie ją rozumieć.