Liderzy opinii

Vibe coding, sztuczna inteligencja i nowa rzeczywistość inżynierii oprogramowania

Michael Abramov
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyAI doskonale radzi sobie z lokalnymi zadaniami kodowania, ale brakuje mu osądu…
Zobacz więcej
  • AI doskonale radzi sobie z lokalnymi zadaniami kodowania, ale brakuje mu osądu architektonicznego dla długoterminowej stabilności systemu.
  • Doświadczeni inżynierowie, którzy rozumieją systemy niskopoziomowe, zyskują nową wartość jako trenerzy i walidatorzy AI.
  • Kodowanie w stylu 'vibe' może stać się ekonomicznie nieopłacalne, gdy firmy będą ważyć koszty infrastruktury AI przeciwko zespołom ludzkim.

Dziesięć lat temu pomysł, że sztuczna inteligencja może pisać kod zamiast programistów, brzmiał bardziej jak ekscytująca fantazja. Dziś stał się częścią codziennej rzeczywistości. Produkty MVP powstają w ciągu kilku dni, interfejsy są generowane z podpowiedzi tekstowych, a asystenci AI stają się pełnoprawnymi członkami zespołów inżynierskich.

W tym kontekście coraz więcej ludzi zadaje te same pytania: Czy sztuczna inteligencja naprawdę zastępuje programistów? Czy sztuczna inteligencja może naprawdę dorównać doświadczonemu inżynierowi i go zastąpić? Co się stanie z tym zawodem w najbliższej przyszłości?

Sam jestem programistą i mam na ten temat zdanie. Przeanalizujmy tę kwestię.

Jakie jest sedno problemu?

Istnieje dominująca narracja o programowaniu z pomocą sztucznej inteligencji, która brzmi mniej więcej tak:

Sztuczna inteligencja staje się coraz bardziej skuteczna w pisaniu kodu i, co ważne, już unika wielu powszechnych błędów popełnianych przez ludzi. Co więcej, sztuczna inteligencja może być lepsza w radzeniu sobie z tak zwanymi przypadkami granicznymi: rzadkimi i niezwykłymi sytuacjami, które są powszechne w inżynierii oprogramowania i często trudne do przewidzenia przez programistów z wyprzedzeniem.

Gdy programista mówi: „Chcę przycisk tutaj”, otrzymuje odpowiedź: „Oto przycisk, oto 18 przypadków granicznych, które powinieneś rozważyć, oto testy, które musisz uruchomić, a może także chcesz dodać to i to”. Można na to spojrzeć i pomyśleć: „Tak… to ma sens”. Samodzielnie można by zauważyć te problemy dopiero po kilku tygodniach – po tym, jak coś już poszło nie tak w produkcji. Sztuczna inteligencja często sugeruje rozwiązania natychmiast. Dla inżynierów, którzy już mają pracę, znacznie zwiększa to produktywność i efektywność.

I ta narracja prowadzi bezpośrednio do pytania ekonomicznego: jeśli firma wcześniej potrzebowała 100 programistów, aby obsłużyć określony zakres prac, teoretycznie teraz może potrzebować tylko 20 – ponieważ tych 20 programistów może osiągnąć ten sam zakres prac z pomocą sztucznej inteligencji.

Co kryje się za tym przyspieszeniem?

Coraz częściej widzę bardzo kompetentnych inżynierów oprogramowania, którzy boją się o swoje stanowiska, miejsce na rynku i dochód. Wydaje się, że wkrótce nie będzie już pracy dla programistów.

I moja odpowiedź jest zwykle taka: słuchajcie, prawdopodobnie nie jest to tak dramatyczne, jak się wydaje. W rzeczywistości doświadczeni inżynierowie zyskują nowy rodzaj wartości. Ponieważ możemy być jedną z ostatnich generacji programistów, którzy naprawdę pisali kod ręcznie i głęboko rozumieją, jak systemy działają pod powierzchnią. Następna generacja coraz częściej pracuje przez narzędzia sztucznej inteligencji – i wraz z tym zmienia się sama praktyka inżynierska.

Oto czego wcześniejsza narracja nie uwzględnia:

Kod wygenerowany przez sztuczną inteligencję często wygląda zupełnie poprawnie. Zadania są rozwiązane, interfejsy działają, a wszystko działa. Ale z czasem, w dłuższej perspektywie, zaczynają pojawiać się bardziej subtelne problemy: kompromisy architektoniczne, słabe decyzje inżynierskie, problemy ze strukturami danych lub problemy ze skalowalnością. I to się dzieje, ponieważ sztuczna inteligencja jest już bardzo dobra w rozwiązywaniu lokalnych zadań, podczas gdy długoterminowa logika dużych systemów wciąż wymaga ludzkiego doświadczenia i osądu inżynierskiego.

Dlatego, gdy te projekty docierają do wymagających środowisk produkcyjnych – banków, platform handlowych, dużych usług – zespoły w końcu wciąż potrzebują ludzi, którzy mogą głęboko analizować architekturę, identyfikować przyczyny pierwotne i przywracać ogólną logikę systemu.

Często dostaję telefony od przyjaciół, którzy mówią coś w rodzaju: „Michael, możesz wkroczyć i pomóc nam zrozumieć, dlaczego system zaczyna się rozpadać?” Chociaż dzisiaj pracuję nad Physical AI w Introspector, czasami nadal pomagam w tym rodzaju trudnej, ręcznej pracy inżynierskiej: odtwarzaniu logiki systemu, analizie architektury i ustaleniu, gdzie problemy zaczęły się kumulować.

I właśnie dlatego uważam, że kompetentni inżynierowie pozostaną bardzo cenni przez długi czas. W tym samym czasie to często doświadczeni inżynierowie pomagają poprawiać i szkolić modele sztucznej inteligencji dzisiaj. W Keymakr widzieliśmy to na własne oczy, gdy szukaliśmy doświadczonych programistów, aby zwalidować kod i pomóc szkolić modele – ludzi, którzy mogą polegać na prawdziwym myśleniu inżynierskim, praktycznym doświadczeniu i głębokim zrozumieniu, jak systemy zachowują się w świecie rzeczywistym.

Główne hipotezy

I to prowadzi nas do największego pytania o przyszłość: dokąd to wszystko ostatecznie prowadzi? Jak możemy wykształcić następne pokolenie inżynierów, jeśli wejdą do branży zupełnie inną ścieżką od samego początku?

Jeśli spojrzymy na sytuację obiektywnie, bez sensacji i strachu, widzę kilka możliwych scenariuszy.

  • Niejasna przyszłość

Pierwsza i prawdopodobnie najbardziej uczciwa odpowiedź brzmi: niewielu ludzi dzisiaj rzeczywiście wybiega myślami tak daleko w przyszłość. Po prostu nikt jeszcze nie rozumie, jak ta przyszłość będzie wyglądać w praktyce.

Może za kilka lat agenci sztucznej inteligencji będą naprawdę w stanie pisać prawie idealny kod – z solidną architekturą, skalowalnością i kontekstowym zrozumieniem. Na razie to pytanie pozostaje całkowicie otwarte.

W tym samym czasie duże firmy technologiczne, takie jak Apple (AAPL ), Microsoft (MSFT ) i Google, nadal aktywnie zatrudniają wybitnych badaczy, specjalistów z doktoratami i ludzi ze środowisk akademickich. To prawdopodobnie sugeruje, że wierzą, iż głębokie zrozumienie inżynierskie pozostanie ważne nawet w świecie, w którym większość kodu jest generowana automatycznie.

Mniejsze firmy natomiast często działają z zupełnie innym horyzontem planowania. Gdy nie wiesz, czy twoja firma będzie nadal istniała za sześć miesięcy, staje się trudno poważnie myśleć o tym, co może się wydarzyć za dziesięć lat. Oczywiście nikt nie chce celowo budować czegoś, co jest fundamentalnie złe. Zespoły próbują identyfikować potencjalne ryzyka i słabości.

Ale w rzeczywistości logika jest często znacznie prostsza: najpierw zbuduj produkt, który działa i generuje przychody – a potem zajmij się architekturą, optymalizacją i przebudową systemu później. Problem polega na tym, że w wielu projektach „później” jest ciągle odkładane na czas nieokreślony.

  • Ewolucja w spiralach

Druga odpowiedź, moim zdaniem, jest jeszcze bardziej interesująca. Jeśli spojrzymy na historię branży, już kilkakrotnie przechodziła przez podobne transformacje. Pierwsi programiści pracowali z kartami perforowanymi. Potem nastąpiła generacja inżynierów piszących w języku Assembly – co jest już trudne do wyobrażenia dla wielu współczesnych programistów. Wtedy trzeba było dosłownie rozumieć, jak działa sprzęt, myśleć w kategoriach logiki procesora i utrzymywać w głowie ogromną ilość złożoności na niskim poziomie.

Potem nastąpiła era COBOL. Całe bankowe systemy mainframe zostały zbudowane na tym, a najbardziej zaskakujące jest to, że znacząca część globalnej infrastruktury bankowej wciąż działa na tych starych systemach. Nadal są programiści po sześćdziesiątce i siedemdziesiątce, którzy utrzymują tę bazę kodu i pozostają bardzo wartościowymi specjalistami.

Następna generacja przeszła na C++, Python i JavaScript. Ja sam należę do tej ery. Na przykład, ledwo rozumiem, jak działa COBOL. Teoretycznie mógłbym się tego nauczyć – ale dla mnie to już wydaje się czymś odległym i obcym.

I gdy spojrzymy na to historycznie, pojawia się interesujący wzorzec: każde nowe pokolenie inżynierów nie potrzebuje już głęboko rozumieć, jak technologia poprzedniego pokolenia działała. Z czasem wiedza zostaje wbudowana w samą infrastrukturę.

Karty perforowane zniknęły dawno temu – ich logika jest teraz wbudowana w procesory. Język Assembly w dużej mierze zniknął jako narzędzie mainstreamowe, ponieważ jego złożoność została ukryta w systemach operacyjnych, sterownikach i niższych warstwach abstrakcji. Nawet twoje słuchawki dzisiaj prawdopodobnie zawierają mały system operacyjny, który uruchamia tę ukrytą złożoność w tle – większość ludzi po prostu o tym nie myśli.

Oczywiście nadal są specjaliści, którzy rozumieją tę magię na niskim poziomie. Ale dla większości branży stało się to już warstwą abstrakcji.

I to prowadzi do bardzo logicznej idei: może sztuczna inteligencja jest po prostu następnym etapem tej ewolucji. Może następne pokolenie naprawdę nie będzie musiało rozumieć klasycznego programowania tak głęboko, jak my.

  • Ekonomika rynku

Inna hipoteza, którą mam, brzmi: programowanie w stylu vibe coding – lub rozwój wspomagany przez sztuczną inteligencję – w końcu przestanie być postrzegane jako „bezpłatne przyspieszenie”. W rzeczywistości już nie jest zupełnie za darmo; to po prostu nie wszyscy jeszcze starannie liczą rzeczywiste koszty i korzyści z tego wynikające.

Modele, tokeny, infrastruktura, ciągłe żądania, utrzymanie całego procesu pracy z AI – wszystko to stopniowo staje się znaczącym wydatkiem operacyjnym. Dlatego uważam, że firmy wkrótce zaczną przyglądać się znacznie bliżej prawdziwym kosztom rozwoju wspomaganego przez sztuczną inteligencję i zadawać bardzo pragmatyczne pytanie: co jest naprawdę bardziej efektywne – rozszerzanie zespołu inżynierskiego czy utrzymanie całej infrastruktury sztucznej inteligencji wokół rozwoju?

Bardzo realistyczny scenariusz jest taki, że kompetentne zespoły inżynierskie mogą ostatecznie okazać się bardziej zrównoważone ekonomicznie, zwłaszcza jeśli chodzi o utrzymanie, rozwój i wsparcie produktów na dłuższą metę.

Uważam jednak, że to właśnie tutaj może pojawić się nowy typ zespołu inżynierskiego: bardzo małe grupy bardzo doświadczonych specjalistów skupionych na utrzymaniu stabilności i odporności samej infrastruktury. Z czasem może to stać się jedną z najcenniejszych specjalizacji inżynierskich w branży.

  • Ludzie, którzy będą pracować obok sztucznej inteligencji

I ostateczne założenie – choć bardzo realistyczne – brzmi: następne pokolenie inżynierów najprawdopodobniej będzie musiało budować swoją karierę w zupełnie innym środowisku. I to idzie znacznie dalej niż tylko programowanie. Podobne zmiany już zaczynają zmieniać prawo, finanse, medycynę i niemal każdą dziedzinę, w której sztuczna inteligencja może przejąć znaczącą część intelektualnej pracy rutynowej.

Pomimo wszystkiego nadal skłaniam się ku pozytywnemu spojrzeniu na to, co się dzieje. Prawdopodobnie dlatego, że ogólnie lubię postęp. Lubię myśl, że technologia może poprawiać życie ludzi, uwolnić ich od ogromnych ilości powtarzalnej pracy i uczynić wiele procesów bezpieczniejszymi i bardziej efektywnymi.

Na przykład systemy jazdy autonomicznej, takie jak Tesla czy Waymo, już demonstrują wyjątkowo wysoki poziom bezpieczeństwa w wielu scenariuszach w porównaniu z kierowcami ludzkimi. I to jest naprawdę imponujące.

W tym samym czasie świat, do którego wchodzą nasze dzieci, będzie znacznie bardziej skomplikowany pod względem tożsamości zawodowej. Będą musieli szukać swojego miejsca i celu w szybko zmieniającym się krajobrazie.

Jeśli dziecko dzisiaj chce zostać prawnikiem, analitykiem finansowym lub programistą, jest duże prawdopodobieństwo, że te zawody będą wyglądały zupełnie inaczej w przyszłości. Może staną się specjalistami, którzy pracują ściśle ze sztuczną inteligencją do zastosowań prawnych, finansowych lub programistycznych – ludźmi, którzy operują systemami sztucznej inteligencji, walidują dane wyjściowe, dostarczają kontekst i podejmują kluczowe decyzje.

Uważam, że ważne jest uznanie, iż prawie każdy z tych scenariuszy już teraz wydaje się realistyczny. I czy nam się to podoba, czy nie, wszystko, co się dzieje teraz, jest częścią znacznie większej fali postępu technologicznego. Jest bardzo mało prawdopodobne, że ten proces może być zatrzymany. Co oznacza, że będziemy musieli nauczyć się żyć w tym nowym świecie – stopniowo ucząc się, jak znaleźć z nim równowagę, komunikować się z nim i być może nawet rozwinąć nową formę współistnienia.

Michael Abramov jest założycielem & CEO Scryon, posiadającym ponad 15 lat doświadczenia w inżynierii oprogramowania i systemach AI widzenia komputerowego, które wykorzystuje przy budowaniu narzędzi do etykietowania klasy korporacyjnej.

Michael rozpoczął karierę jako inżynier oprogramowania i menedżer R&D, budując skalowalne systemy danych oraz zarządzając zespołami inżynieryjnymi o różnorodnych kompetencjach. Do 2025 roku pełnił funkcję CEO firmy Keymakr, dostawcy usług etykietowania danych, gdzie wprowadził przepływy pracy z udziałem człowieka, zaawansowane systemy kontroli jakości oraz dedykowane narzędzia wspierające potrzeby dużych projektów w dziedzinie widzenia komputerowego i autonomii.

Posiada tytuł licencjata (B.Sc.) w dziedzinie informatyki oraz wykształcenie w zakresie inżynierii i sztuk kreatywnych, co daje mu multidyscyplinarną perspektywę w rozwiązywaniu trudnych problemów. Michael działa na styku innowacji technologicznych, strategicznego przywództwa produktowego i realnego wpływu, napędzając rozwój kolejnej granicy systemów autonomicznych i inteligentnej automatyzacji.