# Spada, a miało rosnąć? Paradoks produktywności AI

> Programiści z AI pracują wydajniej, a zespoły dostarczają wolniej i mniej stabilnie. Analiza danych DORA: −1,5% przepustowości i −7,2% stabilności dostarczania.

- Adres strony: https://liderzy.tech/materialy/paradoks-produktywnosci-ai
- Tytuł strony: Paradoks produktywności AI w zespołach deweloperskich
- Ostatnia zmiana treści: 2026-10-11
- Przewodnik po serwisie: https://liderzy.tech/llms.txt
- Wersja Markdown strony HTML, generowana automatycznie z jej treści. W razie rozbieżności obowiązuje strona HTML.

[Materiały · Produktywność zespołów](https://liderzy.tech/materialy)

w zespołach deweloperskich

Programiści z asystentami AI pracują wydajniej, a kod jest lepszy. Mimo to zespoły dostarczają oprogramowanie wolniej i mniej stabilnie. Co pokazują dane DORA i jak wyjaśniają je eksperci?

Aktualizacja: 11 października 2026

W tej analizie

1. [Obietnice kontra rzeczywistość](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#obietnice)
2. [Co pokazują dane DORA](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#dane)
3. [Anatomia paradoksu](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#przyczyny)
4. [Krzywa J](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#krzywa-j)
5. [Zabezpieczenia jako fundament](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zabezpieczenia)
6. [Wnioski](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#wnioski)
7. [Źródła](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zrodla)

[Wszystkie materiały](https://liderzy.tech/materialy)

W skrócie

- Przy wzroście adopcji AI o 25% rosną metryki indywidualne (produktywność +2,1%) i procesowe (jakość dokumentacji +7,5%), ale **spadają przepustowość (−1,5%) i stabilność dostarczania (−7,2%)**.
- AI przyspiesza pisanie kodu, które nie było wąskim gardłem. Większe paczki zmian zatykają przeglądy, testy, integrację i wdrożenia.
- AI wzmacnia to, co już jest: w dojrzałych organizacjach przyspiesza, w dysfunkcyjnych powiększa chaos.
- Zyski dają dopiero fundamenty: małe paczki zmian, platforma inżynierska, zabezpieczenia (guardrails) i skupienie na użytkowniku.

## 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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-2).

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

> To trochę absurdalne, prawda? Ludzie czują się bardziej produktywni z AI, ale jednocześnie spędzają mniej czasu na wartościowej pracy, a system ma mniejszą przepustowość.

**Rachel Stephens**, RedMonk[[1]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-1)

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%.

### Wpływ wzrostu adopcji AI o 25% na wybrane metryki

Szacowana zmiana według raportu DORA[[2]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-2).

Programista

- Produktywność +2,1%
- Stan flow (skupienie na pracy) +2,6%
- Satysfakcja z pracy +2,2%

Proces

- Jakość dokumentacji +7,5%
- Jakość kodu +3,4%
- Szybkość przeglądów kodu +3,1%
- Szybkość zatwierdzania zmian +1,3%
- Złożoność koduspadek oznacza poprawę−1,8%

Dostarczanie

- Przepustowość dostarczania−1,5%
- Stabilność dostarczania−7,2%

Długość słupka jest proporcjonalna do wielkości zmiany (skala do 8%).

### 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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-2).

> Productivity, for example, is likely to increase by approximately 2.1% when an individual’s AI adoption is increased by 25%.
>
> Raport DORA[[2]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-2)

### Poziom procesowy: poprawa jakości

Obiecująco wyglądają też metryki procesowe. Według raportu[[2]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-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).
>
> Raport DORA[[2]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-2)

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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-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 kodu** *AI przyspiesza*
2. **Przeglądy kodu** *rośnie kolejka*
3. **Testy i walidacja** *więcej do sprawdzenia*
4. **Integracja zmian** *większe paczki*
5. **Wdrażanie i stabilizacja** *spada 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.

> AI nie tworzy doskonałości organizacyjnej – wzmacnia to, co już istnieje. Dla organizacji o wysokiej efektywności i solidnych fundamentach staje się potężnym akceleratorem. W organizacjach z dysfunkcyjnymi systemami powiększa chaos.

**Gene Kim**, IT Revolution[[5]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-5)

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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-11).

Dr Milan Milanović przestrzega przed zjawiskiem „moving faster while breaking more things” i odnosi je wprost do spadku stabilności o 7,2%[[12]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-10).

Krzywa J: po wdrożeniu nowej technologii efektywność najpierw spada poniżej poziomu wyjściowego (pozioma linia), a dopiero z czasem rośnie ponad niego. Ilustracja poglądowa, nie dane.

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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-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]](https://liderzy.tech/materialy/paradoks-produktywnosci-ai#zr-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.

Najważniejsze

Jak podsumowuje Gene Kim: w organizacjach z solidnymi fundamentami AI staje się potężnym akceleratorem. W organizacjach z dysfunkcyjnymi systemami tylko powiększa chaos.

## Źródła

1. **RedMonk** (Rachel Stephens) [redmonk.com/rstephens/2024/11/26/dora2024/](https://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/](https://dora.dev/research/ai/gen-ai-report/)
3. **Connor Davis** (@connordavis_ai), wpis na X [x.com/connordavis_ai/status/1973337420918825042](https://x.com/connordavis_ai/status/1973337420918825042)
4. **Zarar’s Blog** [zarar.dev/dora-ai-boosting-productivity-hindering-delivery/](https://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/](https://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](https://newsletter.pragmaticengineer.com/p/measuring-the-impact-of-ai-on-software)
7. **Faros AI** [faros.ai/blog/key-takeaways-from-the-dora-report-2025](https://www.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/](https://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/](https://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/](https://thenewstack.io/dora-2024-ai-and-platform-engineering-fall-short/)
11. **Luiza Jarovsky** (@LuizaJarovsky), wpis na X [x.com/LuizaJarovsky/status/1944474369259946258](https://x.com/LuizaJarovsky/status/1944474369259946258)
12. **Dr Milan Milanović** (@milan_milanovic), wpis na X [x.com/milan_milanovic/status/1975093907135271412](https://x.com/milan_milanovic/status/1975093907135271412)
13. **StackSpot** [stackspot.com/en/blog/gen-ai-in-software-development/](https://stackspot.com/en/blog/gen-ai-in-software-development/)
14. **Thoughtworks** [thoughtworks.com/insights/articles/the-dora-report-2025--a-thoughtworks-perspective](https://www.thoughtworks.com/insights/articles/the-dora-report-2025--a-thoughtworks-perspective) [x.com/thoughtworks/status/1973342197589098598](https://x.com/thoughtworks/status/1973342197589098598)
15. **GetDX**, przegląd metryk DORA [getdx.com/blog/dora-metrics/](https://getdx.com/blog/dora-metrics/)
16. **Engineering Enablement** (Abi Noda, newsletter DX) [newsletter.getdx.com/p/doras-latest-research-on-ai-impact](https://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](https://www.hashicorp.com/en/blog/ai-is-making-developers-faster-but-at-a-cost)

Przeczytaj też **Wpływ AI na SDLC: cykl życia oprogramowania etap po etapie**

https://liderzy.tech/materialy/wplyw-ai-na-sdlc

Bezpłatna konferencja online

## Budowa oprogramowania w erze AI

Jak przebudować proces i zespoły, żeby zyski z AI nie zatrzymały się na poziomie pojedynczego programisty? Porozmawiamy o tym z praktykami w dwóch ścieżkach – technologicznej i menedżerskiej – oraz w debacie CIO.

[Więcej materiałów](https://liderzy.tech/materialy)

4, listopada 20269:00–16:00 · online · udział bezpłatny

[Zarejestruj się](https://liderzy.tech/konferencja#rejestracja) [Zobacz program](https://liderzy.tech/konferencja#program)