Spada, a miało rosnąć? Paradoks produktywności AI

Obietnice kontra rzeczywistość

Obietnice były jasne: szybsze pisanie kodu, lepsza jakość i wyższa produktywność zespołów. Rzeczywistość okazała się znacznie bardziej złożona.

Raport DORA „Impact of Generative AI in Software Development” (v.2025.2) ujawnił zjawisko, które stało się wodą na młyn sceptyków AI w cyklu wytwarzania oprogramowania. Metryki indywidualne i procesowe poprawiają się wraz z wykorzystaniem AI, ale wskaźniki efektywności całej organizacji – przepustowość i stabilność dostarczania – są z nim powiązane ujemnie[2].

Jak to możliwe, że programiści pracują wydajniej, kod jest lepszej jakości, a jednocześnie zespoły dostarczają oprogramowanie wolniej i mniej stabilnie?

Paradoks wywołał w branży IT szeroką debatę. Płynie z niej zasadniczy wniosek: AI nie przełoży się na realny wzrost wydajności bez systemowego podejścia do całego cyklu wytwarzania oprogramowania.

Co pokazują dane DORA

Dane DORA układają się w wyraźnie rozbieżny obraz. Wszystkie wartości opisują szacowaną zmianę danej metryki przy wzroście adopcji AI o 25%.

Poziom indywidualny: wyraźne korzyści

Na poziomie pojedynczego programisty AI przynosi wymierne korzyści. Produktywność rośnie o 2,1%, stan flow, czyli głębokiego skupienia na pracy, o 2,6%, a satysfakcja z pracy o 2,2%. Raport opisuje wpływ na flow jako znaczący i korzystny[2].

Productivity, for example, is likely to increase by approximately 2.1% when an individual’s AI adoption is increased by 25%.

Poziom procesowy: poprawa jakości

Obiecująco wyglądają też metryki procesowe. Według raportu[2] wzrost adopcji AI o 25% wiąże się z:

• lepszą o 7,5% jakością dokumentacji,
• lepszą o 3,4% jakością kodu,
• szybszymi o 3,1% przeglądami kodu,
• szybszym o 1,3% zatwierdzaniem zmian,
• niższą o 1,8% złożonością kodu – czyli kolejną poprawą.

Poziom dostarczania: spadek przepustowości i stabilności

Inaczej wyglądają wyniki dostarczania. Te same dane pokazują, że przepustowość dostarczania spada o 1,5%, a stabilność dostarczania – aż o 7,2%.

We see that the effect on delivery throughput is small, but likely negative (an estimated 1.5% reduction for every 25% increase in AI adoption). The negative impact on delivery stability is larger (an estimated 7.2% reduction for every 25% increase in AI adoption).

Connor Davis podsumowuje ten paradoks tak: „AI poprawia indywidualne metryki, ale szkodzi dostarczaniu, bo prowadzi do większych paczek zmian, a organizacjom brakuje podstaw do systemowego stosowania AI w cyklu wytwarzania”[3].

Anatomia paradoksu: dlaczego więcej nie znaczy lepiej?

Eksperci komentujący raport wskazują pięć przyczyn. Większość z nich dotyczy nie samych narzędzi, lecz organizacji, w której te narzędzia działają.

1. Zapomniana zasada małych paczek

Pierwszą i być może najważniejszą przyczyną jest naruszenie jednej z podstawowych zasad DORA: pracy małymi paczkami zmian.

Autor bloga zarar.dev tłumaczy ten mechanizm: „Raport wskazuje, że przełom, jaki AI przyniosła w produktywności, mógł sprawić, że branża zapomniała o jednej z podstawowych zasad DORA – znaczeniu małych paczek zmian”. I dalej: „AI pozwala napisać więcej kodu w tym samym czasie, więc paczki zmian rosną. A DORA konsekwentnie pokazuje, że większe zmiany są wolniejsze i bardziej podatne na niestabilność”[4].

Rachel Stephens stawia hipotezę: „Jako branża wskazaliśmy niewłaściwe ograniczenie. Większość wdrożeń AI w firmowym cyklu wytwarzania przybrała postać asystentów kodowania, a obecne statystyki sugerują, że generowanie kodu nie jest wąskim gardłem”[1].

To najważniejszy wniosek. Przez dziesięciolecia usprawnialiśmy wytwarzanie oprogramowania, szukając wąskich gardeł. AI rozwiązała problem, który wcale nie był najważniejszy. Prawdziwe ograniczenia leżą dalej w procesie:

1. Generowanie koduAI przyspiesza
2. Przeglądy kodurośnie kolejka
3. Testy i walidacjawięcej do sprawdzenia
4. Integracja zmianwiększe paczki
5. Wdrażanie i stabilizacjaspada stabilność

2. AI jako wzmacniacz, a nie panaceum

Druga przyczyna tkwi w naturze AI. To nie narzędzie, które „naprawia” organizację, lecz wzmacniacz jej istniejących cech.

Laura Weis z newslettera The Pragmatic Engineer dodaje: „AI nie jest cudownym lekarstwem – poprawia przepływ pracy i satysfakcję, ale w słabych zespołach obniża przepustowość, bo brakuje w nich dyscypliny”. Krytykuje też medialny szum wokół AI, przypominając, że „faster doesn’t always mean better”[6].

Faros AI nazywa to zjawisko wprost „paradoksem produktywności AI”: „Asystenci kodowania AI radykalnie zwiększają wydajność indywidualną – o 21% więcej ukończonych zadań i o 98% więcej scalonych pull requestów – ale metryki dostarczania na poziomie organizacji stoją w miejscu”. Podsumowanie brzmi: „Oba badania prowadzą do tego samego wniosku: AI działa jak wzmacniacz, a nie uniwersalny dopalacz produktywności. W zespołach z solidnymi fundamentami platformowymi zyski z AI przekładają się na usprawnienia w całej organizacji. W zespołach z wcześniej istniejącymi ograniczeniami wzrost indywidualnej produktywności pochłaniają wąskie gardła na dalszych etapach procesu”[7].

3. Kryzys zaufania i koszt weryfikacji

Trzeci element układanki to zaufanie do kodu generowanego przez AI i koszt jego weryfikacji.

Nathen Harvey, lider zespołu DORA, zauważa: „Nie jest jasne, co powoduje te spadki, ale prawdopodobnie kod napisany przez AI wymaga poprawek przed wdrożeniem na produkcję”[8]. W innym miejscu dodaje: „Dane nie mogą nam powiedzieć, dlaczego tak jest. Może zbytnio ufamy AI w przeglądach kodu – to je przyspiesza, ale obniża stabilność”[9].

Jennifer Riggins z The New Stack przytacza dane: „Ponad jedna trzecia respondentów zgłosiła niewielkie zaufanie do kodu generowanego przez AI albo jego brak”[10].

Luiza Jarovsky, analityk AI, ostrzega: „Zysk netto z AI jest bliski zera mimo +2,1% na poziomie indywidualnym, bo koszty weryfikacji – widoczne choćby w spadku stabilności o 7,2% – niwelują korzyści. Ignorowanie tego oznacza zderzenie z rzeczywistością w 2026 roku”[11].

Dr Milan Milanović przestrzega przed zjawiskiem „moving faster while breaking more things” i odnosi je wprost do spadku stabilności o 7,2%[12].

4. Brak fundamentów systemowych

Czwarty element to brak dojrzałej platformy inżynierskiej i praktyk DevOps.

StackSpot zwraca uwagę, że mimo pozytywnych efektów na poziomie organizacji spadek stabilności o 7,2% sugeruje, iż AI wzmacnia istniejące problemy w procesach – i rekomenduje inwestycje w platformy wewnętrzne[13].

Thoughtworks ujmuje to jeszcze ostrzej: „AI przekształca inżynierię – wzmacnia mocne strony (+7,5% jakości dokumentacji, +3,1% szybkości przeglądów kodu), ale obnaża słabości (−1,5% przepustowości, −7,2% stabilności)”[14].

5. Skupienie na użytkowniku

Piąty czynnik to orientacja na użytkownika końcowego. Gene Kim zwraca uwagę na jedno z odkryć raportu: „Być może najbardziej uderzające jest to, jak skupienie na użytkowniku determinuje wpływ AI. Badania pokazują z wysoką pewnością, że zespoły silnie skupione na użytkowniku odnoszą z adopcji AI wyraźnie większe korzyści. W zespołach bez takiego skupienia adopcja AI działa wręcz negatywnie”[5].

Krzywa J: przejściowy kryzys?

Ważnym kontekstem jest perspektywa czasowa. Jennifer Riggins przywołuje pojęcie krzywej J: „Branża technologiczna jest prawdopodobnie na dnie krzywej J, jak powiedział Harvey, ponieważ firmy wciąż ustalają, kiedy i gdzie w cyklu dostarczania oprogramowania używać AI”[10].

Abi Noda w rozmowie z Derekiem DeBellisem z zespołu DORA komentuje: „AI zwiększa osobistą produktywność (np. o 2,1%), ale wiąże się ze spadkiem przepustowości dostarczania o 1,5% i stabilności o 7,2%. Dobra wiadomość jest taka, że część tego efektu może wynikać jedynie z krótkiego okresu adaptacji do nowych ograniczeń”[16].

Zabezpieczenia jako fundament

HashiCorp wskazuje rozwiązanie: „AI obiecuje, że organizacje będą wprowadzać innowacje szybciej niż kiedykolwiek, ale asystenci kodowania AI muszą działać w otoczeniu skutecznych zabezpieczeń. Chronią one przed znanymi wadami i pozwalają zmniejszyć rosnącą lukę w stabilności dostarczania”[17].

W praktyce chodzi o mechanizmy, które nie pozwalają, by szybciej pisany kod szybciej psuł produkcję: automatyczne testy i skanowanie bezpieczeństwa w potoku CI/CD, limity wielkości zmian, przeglądy skoncentrowane na ryzyku i możliwość szybkiego wycofania wdrożenia.

Wnioski

Paradoks produktywności AI odsłonił zasadniczą prawdę: technologia sama nie rozwiązuje problemów organizacyjnych – wzmacnia istniejące wzorce. Programiści mogą czuć się bardziej produktywni, a kod może być lepszy, ale jeśli organizacja nie ma solidnych fundamentów – dojrzałych praktyk DevOps, skutecznej platformy inżynierskiej i dyscypliny dostarczania małymi paczkami – indywidualne zyski giną w systemowym chaosie.

Spadek stabilności dostarczania o 7,2% nie jest marginalnym efektem ubocznym, lecz sygnałem ostrzegawczym dla całego procesu. Jak zauważa Luiza Jarovsky, ignorowanie go kończy się zderzeniem z rzeczywistością.

Raport DORA z 2025 roku pokazuje początek odwrócenia trendu w przepustowości – organizacje uczą się, gdzie i jak stosować AI. Stabilność nadal jednak spada, co wskazuje, że dojście do dojrzałych praktyk wymaga czasu.

Źródła

1. RedMonk (Rachel Stephens) redmonk.com/rstephens/2024/11/26/dora2024/
2. DORA, „Impact of Generative AI in Software Development” (v.2025.2) dora.dev/research/ai/gen-ai-report/
3. Connor Davis (@connordavis_ai), wpis na X x.com/connordavis_ai/status/1973337420918825042
4. Zarar’s Blog zarar.dev/dora-ai-boosting-productivity-hindering-delivery/
5. IT Revolution (Gene Kim) itrevolution.com/articles/ais-mirror-effect-how-the-2025-dora-report-reveals-your-organizations-true-capabilities/
6. The Pragmatic Engineer (Laura Weis) newsletter.pragmaticengineer.com/p/measuring-the-impact-of-ai-on-software
7. Faros AI faros.ai/blog/key-takeaways-from-the-dora-report-2025
8. DevOps.com (Nathen Harvey) devops.com/latest-dora-report-surfaces-limited-gains-from-ai-and-platform-engineering/
9. The New Stack (Nathen Harvey) thenewstack.io/dora-2024-ai-and-platform-engineering-fall-short/
10. The New Stack (Jennifer Riggins) thenewstack.io/dora-2024-ai-and-platform-engineering-fall-short/
11. Luiza Jarovsky (@LuizaJarovsky), wpis na X x.com/LuizaJarovsky/status/1944474369259946258
12. Dr Milan Milanović (@milan_milanovic), wpis na X x.com/milan_milanovic/status/1975093907135271412
13. StackSpot stackspot.com/en/blog/gen-ai-in-software-development/
14. Thoughtworks thoughtworks.com/insights/articles/the-dora-report-2025--a-thoughtworks-perspective x.com/thoughtworks/status/1973342197589098598
15. GetDX, przegląd metryk DORA getdx.com/blog/dora-metrics/
16. Engineering Enablement (Abi Noda, newsletter DX) newsletter.getdx.com/p/doras-latest-research-on-ai-impact
17. HashiCorp hashicorp.com/en/blog/ai-is-making-developers-faster-but-at-a-cost