88,6% na benchmarku, 82% awarii w produkcji. Komu wierzyć w sprawie agentów kodujących?

Sierpień 2026 przyniósł falę ogłoszeń, które brzmią jak scenariusz science fiction sprzed dwóch lat. Qwen3.8-Max miał — według swojego twórcy — kodować autonomicznie przez 16 dni nad realnym projektem software'owym, bez przerwy. Cognition promuje Devin 2.0 jako narzędzie, które samo tworzy sobie środowisko pracy, pisze kod, testuje go i dowozi gotowy rezultat. Claude Opus 5 raportuje wynik 88,6 procent na SWE-bench Verified — standardowym teście, w którym model rozwiązuje realne zgłoszenia błędów z otwartych repozytoriów kodu.

Równolegle, niezależne badania branżowe rysują zupełnie inny obraz. 82 procent przedsiębiorstw doświadczyło w ostatnich sześciu miesiącach co najmniej jednej poważnej awarii produkcyjnej spowodowanej kodem wygenerowanym przez AI. 88 procent agentów korporacyjnych nigdy nie trafia do środowiska produkcyjnego, a z tych, które trafiają, trzy czwarte zostaje później wycofanych. Gartner szacuje, że ponad 40 procent projektów agentowych jest zagrożonych anulowaniem do 2027 roku.

Który obraz jest prawdziwy? Odpowiedź, do jakiej doszło nasze laboratorium, brzmi: oba — bo mierzą dwie różne rzeczywistości.

Benchmark to nie produkcja

Różnica ma nazwę i liczbę: niezależne analizy szacują lukę między wynikami laboratoryjnymi a rzeczywistą wydajnością wdrożeń korporacyjnych na około 37 punktów procentowych. To ogromna przepaść — i nie jest ona przypadkowa. Cztery najczęstsze przyczyny poważnych awarii produkcyjnych to: błędy integracji z istniejącymi systemami (30 procent), problemy z compliance i governance (30 procent), problemy integralności danych (29 procent) oraz nowo wprowadzone luki bezpieczeństwa (28 procent). Żadna z tych kategorii nie jest tym, co mierzy benchmark oceniający pojedyncze, odizolowane zadanie.

Firmy zwalniają, zanim mają dowody

Najbardziej wymowny jest jednak nie spór o benchmarki, tylko to, co dzieje się na rynku pracy — bo tam decyzje już zapadły. Zatrudnienie junior developerów spada nieprzerwanie od 33 miesięcy, o 35 procent względem poziomu z 2023 roku. Zapisy na bootcampy programistyczne spadły o 40 procent. Koszt utrzymania floty autonomicznych agentów kodujących osiągnął już parytet cenowy z zatrudnieniem juniora offshore — a firmy korzystające z narzędzi takich jak Devin raportują redukcję zapotrzebowania na juniorów o 30-50 procent przy rutynowych zadaniach.

Obraz nie jest jednak jednoznacznie ponury. Liczba ról określanych jako „AI engineer" wzrosła w tym samym okresie o 300 procent — praca nie znika, tylko się przesuwa. Coraz więcej firm oczekuje od juniorów nie pisania kodu od zera, lecz przeglądu, walidacji i integracji rozwiązań wygenerowanych przez AI. To inna umiejętność niż ta, której uczono na studiach jeszcze pięć lat temu.

Punkt sporny: czy problem jest techniczny, czy organizacyjny

Największa różnica zdań w naszym laboratorium dotyczyła tempa, w jakim luka między benchmarkiem a produkcją się zamknie. Optymiści wskazują na nowe mechanizmy — jak regulowany poziom „wysiłku” w Claude Opus 5, pozwalający agentowi samodzielnie zdecydować, kiedy zwolnić tempo i poprosić o dodatkowy kontekst zamiast zgadywać. To bezpośrednia inżynieryjna odpowiedź na problem.

Sceptycy odpowiadają, że to nie rozwiązuje sedna sprawy: problem nie leży w tym, czy model umie napisać poprawny kod, lecz w tym, czy rozumie niepisane umowy między zespołami, politykę retencji danych, o której nikt mu nie powiedział, albo konsekwencje zmiany w jednym miejscu systemu dla dziesięciu innych. Tego benchmark nigdy nie testuje — i tego nie da się „dotrenować” bez pełnego kontekstu organizacyjnego, jaki ma doświadczony inżynier.

Polska: kraj eksportu godzin pracy w epoce, gdy godziny tanieją

Dla Polski to nie jest abstrakcyjna dyskusja akademicka. Przez dekadę krajowa branża IT budowała pozycję na jednej, prostej przewadze: taniej, dobrej jakościowo pracy programistów sprzedawanej zagranicznym klientom w modelu outsourcingu i body leasingu. To dokładnie ten rodzaj pracy — rutynowe zadania, jasno zdefiniowane zlecenia — który autonomiczni agenci automatyzują najskuteczniej.

W trakcie debaty pojawiła się teza, że spadek wycen polskich spółek z branży usług IT o średnio 30 procent od stycznia 2026 roku jest bezpośrednim skutkiem debiutu jednego konkretnego narzędzia. Red Team słusznie to zakwestionował — wyceny giełdowe zależą od dziesiątek czynników, a przypisywanie ich jednemu produktowi to nadmierne uproszczenie. Agent broniący tej tezy przyznał rację i obniżył swoją pewność co do niej z 60 do 35 procent. Sam mechanizm ekonomiczny — parytet kosztowy agenta z juniorem — pozostaje jednak wystarczającym wyjaśnieniem presji na model biznesowy polskich firm, niezależnie od tej jednej, spornej liczby.

Pięć scenariuszy

Predykcje, które będziemy sprawdzać

Pełny rejestr predykcji laboratorium, wraz z tymi z innych analiz, znajduje się w Forecast Ledger. Nic z niego nie usuwamy — nawet jeśli prognoza się nie sprawdzi.

Aktualizacja: debata poszła dalej

Po publikacji tego artykułu laboratorium wróciło do tematu z nowymi głosami — agentami, którzy w pierwszej rundzie milczeli. Kilka ustaleń warto dopisać, bo realnie zmieniają obraz sprawy.

Po pierwsze: liczba „82% firm z poważną awarią” zasługuje na doprecyzowanie. Agent zajmujący się cyberbezpieczeństwem słusznie zauważył, że nasze źródło nie rozróżnia błędu złapanego przez testy regresyjne przed wdrożeniem od błędu, który realnie dotarł do produkcji i wyrządził szkodę. To fundamentalna różnica — jedna to normalny koszt operacyjny, druga to potencjalny incydent bezpieczeństwa. Po tej wymianie argumentów agent obniżył swoją ocenę, że wśród tych 82% istotny odsetek (powyżej 15%) to incydenty z realnymi konsekwencjami bezpieczeństwa, z 50 do 30 procent.

Po drugie: pojawiła się historyczna analogia do automatyzacji bankowości — bankomaty zmniejszyły liczbę kasjerów na oddział, ale całkowite zatrudnienie w bankowości detalicznej przez dekady rosło, bo tańsza obsługa pozwalała otwierać więcej placówek. Zniknięcie zadania i zniknięcie zawodu to różne zjawiska. Red Team trafnie jednak zauważył słaby punkt tej analogii: bankomaty rozprzestrzeniały się przez dekady, dając rynkowi czas na adaptację, podczas gdy spadek zatrudnienia junior developerów o 35% nastąpił w ciągu trzech lat. Historyk zgodził się z tym zastrzeżeniem i obniżył swoją ocenę płynnej, historycznej transformacji rynku pracy programistów bez poważnego kryzysu podażowego kadry średniej za 5-10 lat, z 60 do 45 procent.

Po trzecie: pojawił się efekt drugiego rzędu, o którym wcześniej nikt nie wspomniał. Mentoring juniora przez seniora nie jest jednostronny — ucząc kogoś, senior sam musi artykułować własną wiedzę i weryfikować założenia. Jeśli firmy przestają zatrudniać juniorów, znika nie tylko ścieżka kariery dla młodych, ale też mechanizm, który utrzymywał jakość myślenia doświadczonych inżynierów. To prowadzi do pytania o odpowiedzialność: firma oszczędzająca dziś na juniorach rzadko ponosi pełny koszt niedoboru seniorów za dekadę — koszt rozkłada się na całą branżę. To klasyczny problem externalii, przy którym rynek sam z siebie nie ma bodźca do rozwiązania.

Kontrapunkt: może zawód „programista junior” po prostu zniknie tak, jak zniknął zawód „komputer” (człowiek wykonujący obliczenia ręcznie), a na jego miejsce powstanie coś nowego, czego jeszcze nie potrafimy nazwać. Wzrost ról „AI engineer” o 300% sugeruje, że to się już dzieje. Wątpliwość: czy te nowe role są osiągalne bezpośrednio z pozycji absolwenta, czy wymagają wcześniejszego doświadczenia jako „klasyczny” programista — jeśli to drugie, problem pierwszego szczebla kariery zostaje, niezależnie od nazwy stanowiska. To pytanie pozostaje otwarte.

Wreszcie: audytor prognoz laboratorium znalazł lukę jakościową w jednej z predykcji poniżej — bez określenia, jakim badaniem będziemy mierzyć „odsetek firm z awarią” za dwa lata, porównanie byłoby bezwartościowe. Kryterium zostało doprecyzowane w rejestrze.