Pragmatic Coders PL
  • Usługi
        • Tworzenie produktów cyfrowych
        • Budowanie dedykowanego oprogramowania
        • Audyt projektu IT
        • Wspieranie projektów technologicznych
        • Przejmowanie projektów technologicznych
        • Przepisywanie systemów legacy
  • Klienci
        • Wszyscy Klienci
        • E-commerce
          • Kitopi - Wirtualna kuchnia
          • Webinterpret - automatyzacja e-commerce
        • Przejęcia projektów
          • Pomogliśmy platformie proptech wyjść z poważnego kryzysu
          • Zbudowaliśmy launcher web3 w 6 tygodni
  • Zasoby
        • Webinary
          • Jak zarządzać wiedzą, żeby w pełni wykorzystać potencjał AI w rozwoju produktów cyfrowych?
          • Przepisywanie starych systemów IT z użyciem AI – kiedy ma sens biznesowy?
          • Dlaczego AI nie zwiększyło efektywności IT w Twojej firmie?
          • Czy kodowanie z AI to wielka ściema?
          • Przepisanie systemu legacy z AI w 2 miesiące — case study
          • AI Command Center dla PM-a: Jak pracować z Gemini CLI w praktyce
          • Projekt płonie i co z tym zrobić?
        • Ebooki
          • Jak ocenić stan projektu IT? Autodiagnoza
        • Checklisty
          • Checklista: Dlaczego AI nie zwiększyło efektywności IT
          • AI Readiness Checklist dla zespołów tworzących oprogramowanie
          • Product Health Checklist
          • Technical Health Checklist
        • Kalkulatory
          • Kalkulator opłacalności AI Legacy Rewrite
  • Blog
        • Wszystkie wpisy na blogu
        • Redakcja
        • Strategia biznesowa
        • Rozwój produktu
        • Dług techniczny
        • Aktualności
  • Kontakt
  • 🔥Umów bezpłatną konsultację🔥
Kontakt
PL
  • EN
  • PL
Strona główna Blog AI Gdzie się podziewa czas, który oszczędza AI? Obserwacje programisty z półtora roku pracy w projekcie legacy
AI
2026-11-18
7 min read

Gdzie się podziewa czas, który oszczędza AI? Obserwacje programisty z półtora roku pracy w projekcie legacy

Gdzie się podziewa czas zaoszczędzony przez AI_

Twój zespół pracuje z AI od miesięcy. Narzędzia są, licencje opłacone, programiści mówią, że AI jest już częścią ich pracy, a z góry dalej słychać to samo pytanie: kiedy przełoży się to na tempo? AI miało przecież oszczędzać czas, tylko trudno powiedzieć, gdzie ten czas się podziewa.

U klienta, o którego projekcie piszę w tym artykule, wyglądało to podobnie. Nie padały konkretne liczby, ale zarząd i właściciele oczekiwali przyspieszenia prac. Zlecono nawet audyt techniczny wszystkich systemów klienta, który miał wskazać, co zrobić, żeby zespoły pracowały szybciej. Problem w tym, że zespoły już wtedy intensywnie pracowały z AI i uważały, że szybciej się nie da. Audyt skupił się jednak głównie na samym procesie wytwarzania kodu.

AI oszczędza czas przy dostarczaniu kodu, ale ta oszczędność przełoży się na tempo całego zespołu dopiero wtedy, gdy wymagania nadążą za implementacją. Do tego momentu zaoszczędzony czas trafia gdzie indziej. W tym artykule pokażę ci, gdzie trafiał u mnie przez półtora roku pracy w projekcie legacy i co z tego miał klient. Twój projekt jest pewnie inny niż mój, więc nie obiecuję, że znajdziesz ten czas w tych samych miejscach.

Przyspieszenie, którego nikt się nie spodziewał

Niespodziewane przyspieszenie dostarczania

Projekt był typowym legacy w firmie z branży logistycznej: stary kod, dokumentacja w kiepskim stanie i co chwilę sygnały z produkcji, że coś działa nie tak. Byłem w nim od przejęcia po poprzednim dostawcy aż do przekazania systemu wewnętrznemu zespołowi klienta. AI było stałym elementem naszej pracy od pierwszego dnia: oddawaliśmy mu całe zadania, a sami pilnowaliśmy kierunku i weryfikowaliśmy wynik.

Z czasem klient zaczął stopniowo zmniejszać nasz początkowo czteroosobowy zespół. Nie kłóciło się to z naciskiem na „szybciej”: właściciele chcieli przyspieszenia w całej organizacji, a dla tego jednego systemu wcześniej zapadła osobna decyzja – szukamy oszczędności i budujemy zespół in-house.

W ramach tej zmiany po stronie klienta pojawił się nowy Product Owner, który najpierw musiał się wdrożyć w organizację. Z perspektywy klienta miała to być faza na przeczekanie: z naszej strony głównie utrzymanie, a rozwój dopiero po przejęciu systemu przez nowy zespół, który dopiero powstawał. Nikt więc nie rozpisywał planów daleko w przód.

Z każdym kolejnym tygodniem szukałem jednak usprawnień, które pozwolą nie zmniejszać tempa prac proporcjonalnie do zmniejszającego się zespołu. I właśnie wtedy moja praca z AI zmieniła się najbardziej. Złożyły się na to trzy rzeczy naraz.

  1. Modele w tym czasie wyraźnie się poprawiły.
  2. Mniejszy zespół zmuszał mnie, żeby oddawać agentom więcej autonomii.
  3. A żeby to działało, musiałem zmienić sposób, w jaki z nimi pracowałem.

Wcześniej zaczynałem od ogólnego opisu i dochodziłem do oczekiwanego wyniku w kilku iteracjach poprawek. Potem odwróciłem kolejność: zanim AI zaczęło pracę, zadawało mi pytania o niedoprecyzowane kwestie, aż wymagania były spisane precyzyjnie. Dzięki temu oczekiwany wynik przychodził często już w pierwszym podejściu. Żadna z tych trzech zmian nie zadziałałaby tak dobrze osobno.

W efekcie ludzi było cztery razy mniej, a tempo dostarczania nie spadło czterokrotnie. Dla klienta, który nastawiał się na przeczekanie, było to zaskoczenie.

Nie wszystko zawdzięczam jednak pracy z AI. Pomogły też bardzo dobra znajomość systemu, lżejsze zadania (częściej dokładanie klocków do tego, co już działało, niż zmiany w rdzeniu systemu) i praca w pojedynkę, dzięki której nowe podejścia mogłem testować od razu, bez konsultowania i projektowania procesu z całym zespołem.

Więcej o tym, jak przygotować wymagania do pracy z agentami, pisaliśmy w artykule o refinemencie z AI i Spec Driven Development.

Nowe wąskie gardło: doprecyzowanie wymagań

Przesunięte wąskie gardło procesu dzięki AI

Pierwszy efekt był taki, jakiego wszyscy oczekują: implementacja przyspieszyła i szybko przerobiliśmy niewielki backlog. Zadania znikały jedno po drugim. Wśród nich zdarzały się jednak takie, w których czegoś brakowało i które musiały wrócić do biznesu. Przy szybszej implementacji lista takich zadań rosła szybciej, niż biznes nadążał je domykać.

U nas wyglądało to tak: Product Owner ustala coś z biznesem i oddaje opisaną funkcjonalność. Programista wraca z lukami i pytaniami. Idziesz z nimi z powrotem do biznesu, szukasz właściwych osób i czekasz na odpowiedzi. Każde takie okrążenie trwa dni, a zadania w tym czasie czekają.

Nikt tu nie zawodził. Wcześniej ten proces spokojnie nadążał: tempo implementacji było wolniejsze, a praca była rozpisana z dużym wyprzedzeniem. W okresie przejściowym zmieniło się jedno i drugie: implementacja przyspieszyła, a nowy PO dopiero wdrażał się w organizację. Dlatego zapas rozpisanej pracy szybko się wyczerpał.

Czasem luka wychodziła dopiero po wydaniu. Z perspektywy implementacji wszystko się zgadzało, funkcjonalność trafiała na produkcję, a potem biznes wracał z informacją, że wyobrażał to sobie jednak inaczej. Implementacja zgadzała się z opisem, tylko opis rozmijał się z tym, czego biznes potrzebował. I kończyło się przeróbkami.

Samo szybsze dostarczanie kodu tego nie rozwiązało, wręcz przeciwnie, bo skoro budowanie przyspieszyło, to szybciej dało się zbudować także złą rzecz. Podobne zjawisko opisywaliśmy na przykładzie zespołu Pragmatic Meet.

Jedną z rzeczy która bardzo pomogła było to, gdy z AI zaczął pracować nie tylko programista. PO zaczął przygotowywać z pomocą AI klikalne makiety i pokazywać je biznesowi, zanim zadanie trafiło do implementacji. Tak było na przykład z podstatusami jednego ze statusów w systemie. To był złożony temat: zmiana dotykała wielu miejsc w systemie, w tym filtrów na danych i list rozwijanych. PO rozpisał na makiecie, jak sobie to wyobraża, i z jej użyciem rozmawiał z operacjami logistycznymi. Zamiast opisywać, mógł pokazać: po kliknięciu tutaj stanie się to, a ten widok zachowa się tak.

Zysk był podwójny. Rozmowy z biznesem szły sprawniej, a rozjazdów między opisem a oczekiwaniami było coraz mniej. A kiedy makieta trafiała do mnie, łatwiej rozumiałem, co PO chce osiągnąć. Wcześniej musiał przekazać mi swoje wyobrażenie słowami, a to zawsze dodatkowa warstwa, na której coś może się zgubić. Teraz widziałem zamysł od razu.

Jeśli twój zespół przyspieszył z AI, a ty nie widzisz efektu, bardzo możliwe, że wąskie gardło jest właśnie tutaj: w domykaniu wymagań między biznesem a zespołem.

Na co poszedł zaoszczędzony czas

Gdzie znika czas zaoszczędzony przez AI_

Skoro część zadań czekała na odpowiedzi biznesu, trzeba było sensownie zagospodarować czas, który zaoszczędziłem dzięki AI. Poszedł on na rzeczy, które od dawna czekały na swoją kolej:

  • Proaktywny przegląd logów. Patrzyłem szerzej, także na mniej alarmujące sygnały i skrajne przypadki, i byłem w stanie naprawiać te problemy równolegle z pracą nad funkcjonalnościami.
  • Spisywanie małych problemów. To, co nie należało do krytycznych problemów, trafiało do backlogu jako ticket. Biznes widział problem i sam decydował, co naprawiamy teraz, a co później. To była jego kontrola nad ryzykiem.
  • Dokumentacja. Na początku pracy w projekcie zastaliśmy ją  w kiepskim stanie, więc znalazł się czas na jej poprawę i rozbudowę. Zobaczać: jakiej dokumentacji wymagać od zespołu rozwijającego oprogramowanie.
  • Integratorzy. Wspierałem, a czasem wręcz wyręczałem biznes w rozmowach z firmami, które chciały się zintegrować z systemem klienta.

AI pomogło tu na dwa sposoby. Po pierwsze tę pracę wykonać, bo analizy i pisanie dokumentacji to obszary, w których AI sprawdza się bardzo dobrze. Analiza logów z pomocą AI wyłapała na przykład błąd, na który trafił koordynator z operacji logistycznych w bardzo specyficznej sytuacji. Nikt wcześniej nie pomyślał nawet o takim przypadku, nie było dla niego alertu, a sam użytkownik z jakiegoś powodu go nie zgłosił. Bez proaktywnego przeglądu logów z AI pewnie zostałby niezauważony, a tak trafił do backlogu i biznes mógł sam ocenić, jak pilna jest poprawka.

A po drugie pomogło sprawdzić, czy ta praca jest dobrze zrobiona. Żeby dokumentacja się do czegoś przydała, musiała być poprawna. Poza tym, że sam ją czytałem i poprawiałem, oddawałem ją agentowi AI, który grał rolę integratora i próbował się zintegrować wyłącznie na podstawie dokumentu. Agent szybko pokazywał, czego brakuje i co jest niejasne. Za zgodność z prawdziwym systemem i użyteczność odpowiadałem jednak nadal ja.

Podsumowanie

AI Readiness Checklist (1)

Zysk z używania AI w codziennej pracy jest odczuwalny, ale rzadko wygląda tak, jak wyobraża go sobie zarząd. Żeby przełożył się na tempo zespołu, wymagania muszą nadążać za implementacją, a ktoś musi zdecydować, na co idzie czas, który się zwolnił.

Dlatego kiedy z góry przychodzi presja, by dostarczać szybciej, zanim przekażesz ją zespołowi, sprawdź, gdzie w twoim projekcie podziewa się ten czas. Jeśli zadania czekają na odpowiedzi biznesu, problemem jest proces, nie ludzie. Możesz go przyspieszyć, na przykład pokazując biznesowi makiety, zanim zadanie trafi do implementacji. A jeśli zespół ma wolny czas, ustal z nim, na co go wyda.

Jeśli masz wpływ na proces dostarczania, możesz zacząć od razu. Czasem jednak przyda się ktoś z zewnątrz, bo od środka nie zawsze łatwo dostrzec, gdzie leży problem. Ważne tylko, żebyś przyjrzał się procesowi kompleksowo, od pomysłu i potrzeby aż do wydania. Audyt, o którym pisałem na początku, skupił się głównie na dostarczaniu kodu, czyli tam, gdzie zysk z AI dość łatwo wypracować, a nie tam, gdzie się gubi.

Jeśli chcesz sprawdzić, gdzie u ciebie ucieka czas, który miało oszczędzać AI, zajrzyj do naszej checklisty albo umów bezpłatną konsultację.

Porozmawiajmy! (1)

Podsumuj ten artykuł za pomocą sztucznej inteligencji
ChatGPT
ChatGPT
Claude
Claude
Perplexity
Perplexity
Autor

Author

Marcin Zając

Marcin Zając

Fullstack Developer at Pragmatic Coders

Inżynier z pragmatycznym, biznesowym podejściem, który stawia na zrozumienie specyfiki branży i rozwiązywanie rzeczywistych problemów. Dostarcza wartość, dobierając rozwiązania do realnych potrzeb biznesu.

Co-author

Arkadiusz Gruca

Arkadiusz Gruca

LinkedIn
Newsletter

Powiązane artykuły

Zajrzyj na naszego bloga i zdobądź wiedzę branżową, której nie znajdziesz nigdzie indziej

Migracja zakończona. Kiedy można bezpiecznie wyłączyć stary system? (+ i jak to zrobić na mobile) Kiedy można ostatecznie wyłączyć stary system
Rozwój Produktu, Dług Techniczny
2026-11-09
6 min read

Migracja zakończona. Kiedy można bezpiecznie wyłączyć stary system? (+ i jak to zrobić na mobile)

Przejście na nowy system IT bez wstrzymywania pracy firmy: etapami czy jednorazowo? Przejście na nowy system IT - okladka
Zarządzanie produktem, Dług Techniczny
2026-11-04
9 min read

Przejście na nowy system IT bez wstrzymywania pracy firmy: etapami czy jednorazowo?

Naprawiać, modernizować czy przepisać system legacy? Kryteria decyzji Naprawiać, modernizować czy przepisać system legacy
Dług Techniczny, Zarządzanie produktem
2026-10-08
9 min read

Naprawiać, modernizować czy przepisać system legacy? Kryteria decyzji

Nasze usługi

Tworzymy innowacyjne produkty cyfrowe

Tworzymy innowacyjne produkty cyfrowe

Masz pomysł na produkt cyfrowy? Zaprojektujemy UX, dobierzemy technologię i wdrożymy rozwiązanie. Od MVP po skalowanie produktu.
Learn More
Budujemy dedykowane oprogramowanie

Budujemy dedykowane oprogramowanie

Potrzebujesz dedykowanego oprogramowania? Zaprojektujemy i wdrożymy rozwiązanie szyte na miarę, które zwiększy wydajność Twojej firmy.
Learn More
Ratujemy zagrożone projekty technologiczne

Ratujemy zagrożone projekty technologiczne

Twój projekt IT nie jest skazany na porażkę. Naprawimy kod, zmniejszymy ryzyko i dopasujemy założenia do Twoich celów biznesowych.
Learn More
lyfery_logo.jpg

lyfery_logo.jpg

Podsumuj ten artykuł za pomocą sztucznej inteligencji ChatGPT Claude Perplexity
Learn More

Newsletter

Opowiadamy o biznesie, projektowaniu i zarządzaniu produktem, programowaniu, AI – i więcej.

ZAJRZYJ DO ŚRODKA

ul. Opolska 100

31-323 Kraków, Poland

NIP: 6772398603

[email protected]

+48 783 871 783

Śledź nas
Facebook Linkedin Github Behance Dribbble
© 2026 Pragmatic Coders PL. All right reserved.
  • Polityka prywatności
  • Regulamin serwisu
  • Mapa strony