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
- AI Coding Assistants Are Creating Technical Debt Faster Than Teams Realize
- AI-Generated Code & Tech Debt: The Hidden Cost of Automation – Amplify IT
- Debloating The AI-Grown Codebase – DEV Community
- Feature Bloat in Software Development: Costs and Speed – Transition Technologies PSC
- How to Stop AI Code Generation from Bloating Your Production Pipeline – Presence Digital
- Is anyone else noticing AI-generated code getting more bloated and buggy? – Reddit
- Product-Led Growth: The Complete Guide for SaaS Teams – Appcues
- Stronger Models, More Bloated Code: The Structural Blind Spot of AI Code Generation

Dodaj komentarz