AI miało zastąpić programistę.
A co, jeśli programista z AI okaże się tańszy?

Przez ostatnie lata narracja wokół AI i programowania była dość prosta.

Najpierw: AI pomoże programistom.

Potem: AI będzie pisało większość kodu.

A w bardziej efektownych nagłówkach: AI po prostu zastąpi programistów.

Tyle że kiedy odłożymy na bok demo, benchmark i koszt miliona tokenów, zostaje znacznie mniej widowiskowe pytanie:

ile kosztuje poprawne wykonanie całego zadania?

Bo kod trzeba nie tylko wygenerować. Trzeba jeszcze wiedzieć, co właściwie budujemy, podjąć decyzje architektoniczne, sprawdzić wynik, przetestować go, zintegrować z resztą systemu i wziąć za niego odpowiedzialność.

I tu proporcje zaczynają być ciekawsze niż hasło „człowiek kontra AI”.

AI potrafi naprawdę przyspieszyć programowanie

W kontrolowanym eksperymencie dotyczącym GitHub Copilota programiści korzystający z narzędzia wykonali określone zadanie średnio 55,8% szybciej od grupy bez Copilota.

To mocny wynik. Trzeba jednak pamiętać, że dotyczył konkretnego, dobrze zdefiniowanego zadania — napisania serwera HTTP w JavaScript — a nie całego procesu tworzenia oprogramowania.

W praktyce AI świetnie nadaje się do przejmowania rzeczy takich jak:

• boilerplate i powtarzalne fragmenty kodu,
• pierwsze wersje testów,
• dokumentacja,
• analiza logów i błędów,
• powtarzalne modyfikacje,
• research dokumentacji i bibliotek.

I w takich zadaniach przewaga maszyny bywa brutalnie prosta: generuje szybciej, nie nudzi się i może robić kilka rzeczy równolegle.

A potem AI spowalnia programistów o 19%

METR w 2025 roku zbadał doświadczonych programistów open source pracujących nad dobrze znanymi im repozytoriami.

Badani spodziewali się przyspieszenia. Tymczasem w warunkach eksperymentu korzystanie z ówczesnych narzędzi AI wydłużyło czas wykonania zadań średnio o około 19%.

Autorzy sami podkreślają, że wynik dotyczy konkretnego środowiska, konkretnych ludzi i narzędzi z początku 2025 roku. Nie jest więc dowodem na to, że „AI spowalnia programowanie”.

Ale bardzo dobrze pokazuje coś innego:

wygenerowanie kodu szybciej nie jest tym samym co wykonanie projektu szybciej.

Ktoś musi odebrać kod wygenerowany przez AI

DORA w raporcie o AI-assisted software development opisuje AI jako wzmacniacz organizacji. Może wzmacniać dobre procesy, ale może też wzmacniać złe.

Szybsza produkcja kodu sama w sobie nie gwarantuje szybszego i stabilniejszego dostarczania oprogramowania.

Bo kiedy model przygotuje zmianę, ktoś nadal musi odpowiedzieć na kilka nudnych pytań:

• czy to rzeczywiście rozwiązuje właściwy problem?
• czy nie psuje czegoś obok?
• czy jest bezpieczne?
• czy pasuje do architektury?
• czy da się to później utrzymać?
• czy użytkownik w ogóle tego potrzebuje?

To jest praca. I często znacznie droższa niż samo wygenerowanie kodu.

Problem z zaufaniem też ma swoją cenę

Stack Overflow Developer Survey 2025 pokazuje ciekawy paradoks. Narzędzia AI są powszechnie używane, ale zaufanie do ich poprawności jest wyraźnie ograniczone.

46% programistów deklarowało brak zaufania do poprawności odpowiedzi AI, a 33% deklarowało zaufanie. Zaledwie około 3% deklarowało bardzo wysokie zaufanie.

Najczęściej wskazywaną frustracją były rozwiązania, które są „prawie poprawne, ale nie do końca”.

I każdy, kto trochę z tym pracował, zna ten model ekonomiczny:

AI wykonuje „godzinę pracy” w pięć minut. Potem człowiek przez 40 minut sprawdza, dlaczego ostatnie 10% rozwiązania nie działa.

Wtedy koszt automatyzacji wygląda już inaczej niż sam koszt tokenów.

Token może tanieć, a zadanie drożeć

Gartner nazwał ten mechanizm Inference Paradox.

Jednostkowe koszty modeli mogą spadać, ale agentowe workflow wykonują coraz więcej kroków, korzystają z większej liczby modeli, analizują więcej kontekstu i zużywają więcej inference.

Według prognozy Gartnera koszt inference przypadający na agentowy workflow może do 2028 roku wzrosnąć ponad pięciokrotnie.

Dlatego zamiast pytać:

„ile kosztuje milion tokenów?”

coraz sensowniej pytać:

„ile kosztuje poprawne wykonanie zadania?”

Pół miliarda dolarów Claude w miesiąc?

Tu warto uważać na jakość danych.

Axios opisał w czerwcu 2026 roku relację konsultanta AI, według którego jeden z klientów miał w pojedynczym miesiącu wydać około pół miliarda dolarów na Claude po braku odpowiednich limitów wykorzystania.

To nie jest publicznie zweryfikowana faktura. To anonimowa relacja przekazana mediom, więc traktuję ją jako doniesienie medialne, a nie twardą daną finansową.

Sam kierunek problemu jest jednak mniej kontrowersyjny. Bain opisuje firmy zwiększające budżety na automatyzację i AI, mimo że wcześniejsze inwestycje nie zawsze przyniosły oczekiwane oszczędności.

AI może być tanie jako pojedyncze wywołanie modelu i jednocześnie bardzo drogie jako źle zaprojektowany proces.

Eksperyment za 20 000 zł miesięcznie

Zróbmy eksperyment myślowy.

Mamy 20 000 zł miesięcznie na realizację pracy programistycznej. Dzielimy ten budżet pomiędzy człowieka i AI.

95% AI / 5% człowiek

19 tys. zł na AI i 1 tys. zł na człowieka daje potencjalnie ogromną przepustowość generowania, ale niemal brak zasobów na architekturę, kontakt z klientem, bezpieczeństwo, UX, integrację i kontrolę jakości.

Masz bardzo dużo „produkcji”. Pytanie, kto ma ją odebrać.

80/20 i 65/35

Tu człowiek szybko może stać się wąskim gardłem.

Agent w kilka godzin przygotuje więcej zmian, niż jedna osoba będzie w stanie rzetelnie przeczytać, zrozumieć, przetestować i zatwierdzić.

W mocno powtarzalnej automatyzacji może to działać. W typowym developmencie — nie zawsze.

50/50

Pojawia się bardzo praktyczne pytanie: czy jedna osoba jest w stanie produktywnie „skonsumować” 10 tys. zł miesięcznego compute?

W części zastosowań pewnie tak. Przy zwykłym tworzeniu oprogramowania ograniczeniem może się jednak okazać nie moc modelu, tylko uwaga człowieka.

35% AI / 65% człowiek

To robi się ciekawsze.

Kompetentna osoba pozostaje właścicielem projektu, a kilka modeli lub agentów może równolegle wykonywać kodowanie, review, analizę błędów, testy, dokumentację i research.

Człowiek nie musi pisać wszystkiego ręcznie, ale nadal kontroluje kierunek.

20% AI / 80% człowiek

Około 4 tys. zł na AI i 16 tys. zł na człowieka.

Większość budżetu pozostaje po stronie osoby rozumiejącej problem, podejmującej decyzje i kontrolującej wynik, ale AI jest już poważnym mnożnikiem produktywności.

Na dziś właśnie ten rejon wydaje mi się jednym z najbardziej interesujących.

5% AI / 95% człowiek

Bezpiecznie, tylko być może niepotrzebnie drogo.

Specjalista nadal ręcznie wykonuje pracę, którą maszyna mogłaby zrobić szybciej i taniej — boilerplate, research, pierwsze testy, dokumentację czy proste transformacje kodu.

I tu pojawia się problem juniorów

Badanie IZA z 2026 roku opisuje redefinicję entry-level software work pod wpływem generatywnego AI.

Jeżeli rutynowe zadania, na których przez lata uczyli się juniorzy, przejmą modele, pojawia się problem znacznie większy niż koszt bieżącego projektu:

skąd za kilka–kilkanaście lat będą brali się seniorzy, jeśli ograniczymy ścieżkę zdobywania doświadczenia przez juniorów?

To nie jest argument za sztucznym utrzymywaniem ręcznej pracy. To pytanie o to, jak budować kompetencje ludzi w świecie, w którym coraz mniej trzeba robić ręcznie.

Małe studio może być jednym z największych beneficjentów

I tu dochodzę do fragmentu, który interesuje mnie najbardziej.

Jednoosobowe studio wspomagane AI może dziś realizować zakres, który jeszcze niedawno wymagał znacznie większej liczby roboczogodzin albo kilku specjalizacji.

Nie dlatego, że właściciel wpisuje:

„zrób sklep internetowy”

i idzie na piwo. ;)

AI może przygotować pierwszą implementację, przeanalizować błąd, sprawdzić dokumentację, wygenerować powtarzalny fragment, pomóc w testach i dokumentacji. Człowiek może większą część czasu przeznaczyć na decyzje i kontrolę.

To nie jest:

AI zastąpiło programistę.

Raczej:

jedna osoba dostała narzędzia, które jeszcze niedawno wymagały pracy kilku osób.

Być może źle liczymy koszt AI

Firmy nie zarabiają na tokenach.

Zarabiają na wykonanych zadaniach.

Jeżeli AI kosztuje 30 zł, ale człowiek spędza cztery godziny na promptowaniu, poprawianiu i weryfikacji, koszt zadania nie wynosi 30 zł.

Wynosi:

30 zł AI + cztery godziny człowieka.

I odwrotnie: jeśli dobry specjalista przy pomocy modeli wykonuje w jeden dzień pracę, która wcześniej zajmowała trzy, sam koszt AI może być kompletnie drugorzędny.

Gdzie jesteśmy w 2026 roku?

Moja robocza hipoteza jest taka, że dla wielu małych zespołów software'owych interesujące optimum może znajdować się obecnie w okolicy 20–35% zasobów na AI i 65–80% na człowieka.

To nie jest wynik badania.

To hipoteza wynikająca z prostego ograniczenia: AI potrafi produkować wynik znacznie szybciej, niż człowiek potrafi go odpowiedzialnie odbierać.

W kolejnych latach ta proporcja prawdopodobnie będzie się przesuwała wraz ze wzrostem autonomii modeli, zmianami cen inference i — przede wszystkim — spadkiem kosztu weryfikacji.

Największym konkurentem programisty nie musi być AI

Może nim być:

inny programista, który nauczył się używać AI lepiej.

Człowiek bez AI może być za wolny.

AI bez człowieka może produkować zbyt dużo rzeczy wymagających kontroli.

Dobry specjalista wyposażony w odpowiednie narzędzia AI może natomiast połączyć kompetencje jednej osoby z przepustowością małego zespołu.

Dlatego ciekawsze od pytania „czy AI zabierze nam pracę?” może być:

Ile człowieka potrzebuje AI, żeby naprawdę zaczęło się opłacać?

Być może przyszłość software development będzie należeć do bardzo małych zespołów bardzo dobrych ludzi dysponujących ogromną dźwignią technologiczną.