Posts with tag software-engineering

Nie tęsknię za czekaniem kilka dni na odpowiedź. Brakuje mi rozmowy, która czasem zaczynała się od zwykłego „masz chwilę?”.

Kandydat powtórzył moje pytanie, odczekał chwilę i wyrecytował definicję słowo w słowo. Pytania się nie zmieniły. Zmieniło się to, co mierzą.

Zatwierdziłem plan. Nie było w nim ani słowa o commitowaniu, ani słowa o pushu. Pod koniec runu agent zrobił jedno i drugie mimo to. Uprawnienia określają, co agent może zrobić. Nikt nie mierzy luki między tym, co zatwierdziłeś, a tym, co się faktycznie wydarzyło.

Reguły są zapisane, agent czyta je przy każdym promptowaniu, a i tak nie trafiają do kodu. Nic nie jest zepsute, bot nie ma czego zgłosić. Bo plik z regułami nie jest konfiguracją, tylko sugestią o nieznanej skuteczności.

Zależności audytuję. Lockfile, advisories, cały rytuał. Dopiero po incydencie z keyv dotarło do mnie, że nie mam podobnego odruchu wobec plików, które mówią agentowi, co może robić w moim repozytorium.

Zrekrutowałem samego siebie z początków kariery. Odpadłem w screeningu. Ćwiczenie, które miało być żartem, pokazało mi coś gorszego: filtr, który kiedyś wpuszczał do zawodu właściwych ludzi, zniknął. A nic go nie zastąpiło.

Adopcja AI podwoiła ilość kodu, który produkujemy. Nikt nie zabudżetował czytania. Telemetria z 22 000 developerów pokazuje rachunek: 5x dłuższe review, trzy razy więcej incydentów i o 31% więcej PR-ów mergowanych bez żadnego review. O tym, co naprawdę znaczy traktować review jak infrastrukturę.


Prawie wrzuciłem dziurę na produkcję, bo model podał ją z pełnym przekonaniem. Potem sprawdziłem liczby, te z 2026, nie sprzed dwóch lat. Modele halucynują rzadziej, ale wybór modelu przestał ratować, a powierzchnia ataku jest dziś wspólna dla wszystkich.

Każda firma chwali się statystykami swojego modelu. Nikt nie mówi, co trzeba ustawić i jaki prompt zadać, żeby te wyniki faktycznie osiągnąć. Najtrudniejsza część pracy z AI to ta, której nie mierzy żaden benchmark.

AI wyrównało tę część pracy, która nigdy nie była trudna — pisanie kodu. Trudne zawsze było wiedzieć, o co zapytać. Tego AI ci nie da, a co gorsza — ukrywa fakt, że tego nie masz.

Zacommitowałem kod, którego nie przeczytałem. Poczułem winę i prawie zaksięgowałem to jako problem z dyscypliną. Nie o to chodziło. Luka między tym, że nie ufamy kodowi z AI, a tym, że go nie czytamy, to najczytelniejszy sygnał, jaki mamy: najważniejsza część tej roboty zjechała w dół procesu — z pisania na czytanie.

Claude Fable 5 pojawił się w tym tygodniu — rekordowe benchmarki, cena dwa razy wyższa niż Opus. Konfiguracja mojego produkcyjnego pipeline’u się nie zmieniła. I to nie jest zaniedbanie. Benchmarki mierzą surowe modele. Pipeline’y uruchamiają modele skalibrowane.

Pisałem o decyzjach, których nie oddam AI. Tamten tekst po cichu zakładał, że to ja stoję przy drzwiach. W dziesięcioosobowym zespole tak nie jest — a granica, która istnieje tylko w mojej głowie, jest pierwszą rzeczą, którą AI rozmywa.

Większość tekstów o AI burnout opłakuje problem, ale nie atakuje jego źródła. Moim zdaniem developerów nie wypala model — wypala ich narracja wokół modelu. Dwa mity, jeden reframing i pięć zasad, które stosuję w zespole, żeby AI było partnerem do rozmowy, a nie automatem do walenia enterami.

Mam na produkcji system code review oparty na dziewięciu agentach. Mimo to nadal nie oddam AI pięciu decyzji — nie dlatego, że nie znam tych narzędzi, ale właśnie dlatego, że znam je bardzo dobrze. Decyzje, których nie da się tanio odwrócić, zostają po mojej stronie: te, które kumulują konsekwencje.

AI może przyspieszyć pracę developerów. Ale szybkość bez czytania kodu to po prostu szybsza droga do długu technicznego.