AI obniża koszty tworzenia oprogramowania, ale uzyskanie przewagi konkurencyjnej wymaga zmiany modelu operacyjnego. Organizacje, które zmieniają sposób pracy zespołów, zamiast tylko wdrażać asystentów AI, mają większą szansę na trwałe korzyści.
Inżynieria oparta na AI wymaga dwóch uzupełniających się filarów: zespołów aplikacyjnych blisko klientów i problemów oraz zespołów platform lub „otoczenia operacyjnego”, które zapewniają wspólny kontekst, zabezpieczenia, oceny i nadzór niezbędne do bezpiecznej pracy ludzi i agentów AI na dużą skalę.
Przywództwo technologiczne przechodzi od zarządzania mocami wykonawczymi do projektowania systemu dostarczania rozwiązań. Liderzy powinni jasno określić cztery kwestie: odpowiedzialność zespołów aplikacyjnych, wspólny kontekst i kontrole, sytuacje, w których agenty potrzebują zgody człowieka, oraz pomiar uczenia się potwierdzonego dowodami i wartości dla klienta.
Współczesne praktyki inżynierskie w dużej mierze powstały w świecie, w którym tworzenie oprogramowania było drogie. Kluczowe pytanie brzmiało: jak sprawić, by więcej zespołów dostarczało więcej oprogramowania w bardziej przewidywalny sposób? To założenie kształtowało strukturę zespołów, finansowanie platform i pomiar dostarczania rozwiązań. Skalowanie często oznaczało zatrudnianie kolejnych osób, a sukces mierzono ilością pracy przepływającej przez system.
AI zmienia to założenie. Naszym zdaniem inżynieria oparta na AI nie jest tradycyjną inżynierią z lepszymi narzędziami. Wymaga innego modelu operacyjnego: mniejszych zespołów aplikacyjnych blisko problemów klientów, wspieranych przez zespoły platform lub „otoczenia operacyjnego”. „Otoczeniem operacyjnym” nazywamy kontrolowane środowisko, które zapewnia ludziom i agentom kontekst, narzędzia, uprawnienia, pętle informacji zwrotnej i granice niezbędne do bezpiecznego używania AI na dużą skalę.
Dla liderów technologii i danych to ważne: sam wzrost indywidualnej produktywności nie zapewni bezpiecznego wdrożenia w całej organizacji. Bez przemyślanego modelu operacyjnego zespołom grożą rozproszone narzędzia, powielane wzorce, niejasna odpowiedzialność, niekontrolowane ujawnianie danych i nierówna jakość.
Przedsiębiorstwa powinny zmienić pytanie „Jak pomóc inżynierom korzystać z AI?” na „Jak przeprojektować system pracy inżynierskiej, aby ludzie i agenty mogli bezpiecznie tworzyć wartość w skali przedsiębiorstwa?”
AI pozwala inżynierom analizować więcej pomysłów, szybciej tworzyć prototypy i testować więcej podejść. Więcej efektów pracy nie oznacza jednak automatycznie większej wartości. Bez trafnego osądu, właściwego kontekstu i skutecznej oceny ilość pracy może rosnąć szybciej niż zdolność organizacji do ustalenia, czemu zaufać, co wdrożyć i z czego wyciągnąć wnioski.
AI może obniżyć koszt generowania kodu i prowadzenia eksperymentów. To, czy obniży całkowity koszt oprogramowania, zależy od pracy nadal potrzebnej do jego weryfikacji, integracji, obsługi, utrzymania i poprawek.
Przewidujemy, że przewaga w inżynierii będzie coraz bardziej zależeć od czterech zdolności:
Decydowania, co i jak tworzyć oraz jak dokumentować te wybory.
Opierania działań ludzi i systemów AI na właściwej wiedzy organizacyjnej.
Bezpiecznego skalowania dzięki wspólnym platformom, kontrolom i ocenom.
Projektowania architektur, które przyjmują nowe narzędzia i komponenty bez ciągłych zakłóceń.
Rzadką zdolnością staje się więc nie wytwarzanie, lecz zwiększanie wartości jego efektów: wybór właściwych zadań, osadzanie ich w kontekście, testowanie skuteczności i rozpoznawanie, czego nie wdrażać.
Gdy eksperymentowanie tanieje, rośnie też wartość dokumentacji decyzji. Organizacje muszą wiedzieć, czego próbowano, co zawiodło, czego się nauczono i dlaczego wybrano daną drogę.
Systemy pracy inżynierskiej powinny sprzyjać szybkiej weryfikacji, bezpiecznym iteracjom i dokumentowaniu wniosków, a nie tylko tempu dostarczania rozwiązań. Zmienia to zarówno rolę inżyniera, jak i otaczający go zespół.
Dla inżynierów oznacza to nie tyle odejście od tworzenia, ile zwrot ku kształtowaniu, ocenie i koordynowaniu tego, co powstaje.
Oprogramowanie generowane przez AI nie eliminuje potrzeby zatrudniania inżynierów. Zwiększa znaczenie osób rozumiejących ograniczenia systemu, definiujących interfejsy, projektujących oceny i koordynujących pracę ludzi oraz agentów. Inżynierowie łączący głęboką wiedzę techniczną z trafnym osądem, rozumieniem produktu i umiejętnością oceny często stworzą więcej wartości niż osoby skupione tylko na implementacji komponentów.
Dawniej zespoły produktowe decydowały, co zbudować, a inżynierskie ustalały, jak to zrobić. Dziś wiele organizacji łączy kompetencje produktowe, projektowe i inżynierskie. AI zmienia to, co dzieje się wewnątrz takiego zespołu: tańsze prototypy pozwalają przejść od zdefiniowania problemu do implementacji i oceny w jednym cyklu. Zespoły mogą testować więcej opcji, wcześniej odrzucać słabe pomysły i rozwijać zweryfikowane idee aż do wdrożenia produkcyjnego.
Sprzyja to małym zespołom interdyscyplinarnym, w których specjaliści produktu, projektowania, inżynierii i danej dziedziny działają w jednej pętli uczenia się. Decyzje produktowe i techniczne nadal należą do odrębnych ról, ale wymagają ściślejszej współpracy. Liderzy produktu potrzebują wiedzy technicznej wystarczającej do tworzenia prototypów i oceny opcji. Inżynierowie potrzebują kontekstu klienta i biznesu, by współdefiniować problem, a nie tylko wdrażać z góry ustaloną odpowiedź.
Organizacje inżynierskie tradycyjnie traktowały kod jako główny zasób. Im łatwiej generować kod, tym więcej trwałej wartości tkwi w jego kontekście: wiedzy dziedzinowej, rozumieniu klientów, doświadczeniu operacyjnym, własnych danych, zbiorach do oceny, zasadach czytelnych maszynowo i historii decyzji architektonicznych wyjaśniającej działanie systemów.
Bazy kodu są ważne między innymi dlatego, że zawierają wiedzę o biznesie i klientach zdobytą dużym wysiłkiem. AI zmienia nakład pracy nad kodem, ale nie eliminuje wysiłku potrzebnego do zdobycia tej wiedzy. Organizacje powinny więc patrzeć dalej niż na ilość kodu i inwestować w zasoby o narastającej wartości: dobrze nadzorowane własne dane, użyteczne systemy wiedzy, głębokie rozumienie klientów i jasną dokumentację decyzji.
Dla CIO i CDO oznacza to, że architektura informacji i nadzór nad danymi stają się kluczowe dla efektywności inżynierii. Agenty AI mogą używać tylko kontekstu, do którego mają uprawnienia dostępu i który potrafią zinterpretować. Rozproszona wiedza, niejasna odpowiedzialność za dane i niespójne uprawnienia stają się więc ograniczeniami inżynierii, a nie tylko problemami zarządzania informacją.
Gdy kontekst staje się częścią systemu produkcyjnego, nie może pozostać bierną dokumentacją. Staje się funkcją platformy.
Gdy kontekst, ocena i nadzór stają się częścią systemu produkcyjnego, dostarczania AI nie można pozostawić wyłącznie poszczególnym zespołom. Nie należy też centralizować go tak mocno, by zespoły traciły kontakt z rzeczywistymi problemami klientów.
Model federacyjny równoważy te potrzeby. Autonomiczne zespoły aplikacyjne pozostają blisko problemu. Wspólna platforma i otoczenie operacyjne zapewniają im narzędzia wielokrotnego użytku, kontrolowany dostęp do kontekstu, wzorce oceny, uprawnienia i nadzór. Federacja działa tylko przy jasnej odpowiedzialności: zespoły aplikacyjne odpowiadają za proces i wynik, zespoły otoczenia operacyjnego zapewniają wspólne zaplecze bezpiecznego działania, a zespoły ryzyka, bezpieczeństwa i nadzoru zachowują niezależną kontrolę.
Zespoły aplikacyjne i eksperci dziedzinowi powinni określać przypadki testowe dla danego zadania i próg akceptacji. Zespół otoczenia operacyjnego powinien zapewniać infrastrukturę oceny, wspólne kontrole i raportowanie potrzebne do jej spójnego prowadzenia.
Obszar | Zespół aplikacyjny | Zespół ds. otoczenia | Ryzyko, bezpieczeństwo i nadzór |
|---|---|---|---|
Produkt i wynik | Wybiera problem, proces, doświadczenie użytkownika i mierniki sukcesu; odpowiada za wyniki dla klienta i biznesu | Zapewnia wzorce do ponownego użycia, narzędzia i telemetrię | Ustala ograniczenia, gdy zastosowanie stwarza istotne ryzyko |
Kontekst i dostęp | Określa informacje i działania potrzebne w procesie | Zapewnia interfejsy kontekstu, tożsamość agenta i uprawnienia narzędzi | Zatwierdza dostęp do danych wrażliwych i granice kontroli |
Ocena i wydanie | Definiuje kryteria akceptacji i analizuje wyniki | Utrzymuje zestawy testów oceny, dzienniki audytu i zatwierdzone ścieżki wdrożenia | Zatwierdza zastosowania wysokiego ryzyka, wyjątki i istotne zmiany |
Finansowanie i odpowiedzialność | Otrzymuje środki na aplikację i odpowiada za jej wyniki | Finansowany jako wspólne zaplecze. Miary: reużycie, pokrycie i czas do bezpiecznego wdrożenia na produkcji. | Odpowiada za niezależny nadzór i decyzje kontrolne |
Rytm pracy i uczenie się | Iteruje z ekspertami dziedzinowymi i analizuje wyniki, korekty decyzji oraz incydenty | Przekształca wnioski w nowe testy, kontrole i rozwiązania do ponownego użycia | Analizuje incydenty i zmiany na ustalonych etapach zatwierdzania |
Zmienia to również sposób, w jaki liderzy powinni myśleć o wielkości zespołów. Mniejsze zespoły tworzące więcej oprogramowania nie są celem samym w sobie. Celem jest wykorzystanie ludzkiego osądu tam, gdzie tworzy najwięcej wartości: blisko problemu w zespołach aplikacyjnych oraz we wspólnym zapleczu, które pozwala im działać szybko bez utraty kontroli.
Mniejsze zespoły aplikacyjne z większym wsparciem AI potrzebują silniejszego wspólnego zaplecza, by dostarczać rozwiązania bezpiecznie, spójnie i rozliczalnie.
Tradycyjna inżynieria platform skupiała się głównie na produktywności programistów, a jej głównymi użytkownikami byli ludzie. Platforma oparta na AI musi wspierać zarówno ludzi, jak i agenty.
Agent korzysta z platformy programistycznej inaczej niż człowiek. Potrzebuje instrukcji i narzędzi dostępnych maszynowo, jawnych uprawnień i rzetelnych metod oceny swojej pracy. Otoczenie operacyjne musi też uwzględniać obserwowalność, bezpieczeństwo, zgodność z przepisami i zarządzanie wiedzą. Ma zapewnić użyteczność autonomii, wyznaczając jej jasne, egzekwowalne granice.
Rozważmy bank wprowadzający proces obsługi zapytań o reklamacje transakcji kartowych wspomagany przez AI. Zespół aplikacyjny zaczyna od wąskiego zadania: sklasyfikowania sprawy, pobrania właściwych zasad i przygotowania odpowiedzi dla konsultanta. Odpowiada za proces, doświadczenie użytkownika, progi eskalacji i mierniki sukcesu. Nie określa zasad zgodności z regulacjami ani nie nadaje agentowi nowych uprawnień.
W tym przykładzie agenty mogłyby wspierać implementację, prowadzić testy zadaniowe i przygotowywać wydanie. Ludzie nadal zatwierdzaliby wdrożenie produkcyjne, a jego wyniki wpływałyby na kolejną rundę oceny i rozwoju. Kontrole podczas działania pozostają odrębne: agent obsługi klienta powinien używać tylko zatwierdzonych narzędzi i danych, w granicach ustalonych uprawnień i zgodnie ze ścieżkami eskalacji.
Kontekst: agent widzi daną sprawę, niezbędne dane klienta, zatwierdzone procedury produktowe i reklamacyjne oraz reguły eskalacji czytelne maszynowo. Nie widzi surowych danych uwierzytelniających płatności ani danych niezwiązanych ze sprawą. Nie ma prawa zapisu w systemie obsługi spraw.
Ocena: przed wydaniem testy na typowych dawnych sprawach i przypadkach brzegowych oznaczonych przez ekspertów mają potwierdzić trafną klasyfikację, zgodność z zasadami, zasadną odmowę odpowiedzi, brak wycieku danych osobowych i eskalację reklamacji lub spraw wrażliwych finansowo.
Zatwierdzanie: zespół aplikacyjny odpowiada za decyzję produktową. Zespoły ryzyka, bezpieczeństwa i zgodności zatwierdzają dostęp do danych, odwzorowanie zasad i ścieżkę wdrożenia. Konsultant zatwierdza każdą wysyłaną wiadomość. Decyzje dotyczące pieniędzy lub praw klienta pozostają poza autonomią agenta.
Rejestr: każdy przebieg zapisuje ID agenta i wersję modelu, pobrany kontekst i źródła, wywołania narzędzi, kontrole zasad, wyniki ocen, poprawki i zmiany decyzji przez człowieka oraz incydenty. Zespół tworzy ze sprawdzonych rozwiązań interfejsy kontekstu wielokrotnego użytku, przypadki testowe, szablony uprawnień i zatwierdzone ścieżki wdrożeń. Błędy i zmiany decyzji służą nowym testom i usprawnieniom.
Agent zyskuje więc swobodę działania, ale tylko poprzez zatwierdzony kontekst i narzędzia. Każde istotne ograniczenie pozostawia ślad, który można zweryfikować i ponownie wykorzystać. Za istotne decyzje nadal odpowiadają ludzie. Z czasem bank może wykorzystywać rzeczywiste sprawy — sukcesy agenta, interwencje ludzi i błędy — do ulepszania procesu i ustalenia, czy poszerzyć rolę agenta. Tak w praktyce wyglądają ograniczona autonomia i uczenie się potwierdzone dowodami.
Ten podział widać w systemach i kontrolach zespołu otoczenia operacyjnego. Zespół ten może odpowiadać za:
Tożsamość agenta: nadawanie tożsamości usługowych, zapis właściciela i środowiska oraz śledzenie wersji modeli, poleceń i narzędzi każdego agenta.
Dostęp do narzędzi: ustalanie zakresów odczytu i zapisu, granic dostępu do danych, limitów wywołań, etapów akceptacji i domyślnej blokady działań agenta.
Interfejsy kontekstu: zatwierdzona wiedza i dane w wersjonowanych interfejsach respektujących uprawnienia, z podanym pochodzeniem i aktualnością.
Testy ewaluacyjne: utrzymywanie typowych i brzegowych przypadków, testów bezpieczeństwa, zabezpieczeń i regresji oraz progów wydania.
Dzienniki audytu i obserwowalność: zapisywanie tożsamości agenta, pobranego kontekstu, wywołań narzędzi, wyników, zatwierdzeń, korekt człowieka, błędów i incydentów, z właściwą retencją i kontrolą dostępu.
Zatwierdzone ścieżki wdrożenia: tryby izolowany, shadow, etapowy i produkcyjny, z automatycznymi kontrolami, mechanizmami wycofywania i kontrolą zmian.
Zespoły otoczenia operacyjnego nie są nową nazwą wszystkich funkcji platformowych. Zespoły operacji uczenia maszynowego, bezpieczeństwa, nadzoru i platform nadal mają własne obowiązki. Zespół otoczenia operacyjnego włącza te kontrole w tworzenie i obsługę procesów AI przez zespoły aplikacyjne: uprawnienia i zgody egzekwują zasady, nadzorowane interfejsy dają kontekst, testy umożliwiają ocenę, a dzienniki pozwalają audytować działania agentów i ponownie wykorzystywać tę wiedzę.

Podział pracy inżynierskiej na dostarczanie aplikacji i wspólne zaplecze wymaga zmian w kadrach, przywództwie i pomiarach.
Zespoły aplikacyjne potrzebują wiedzy o produkcie, technice i dziedzinie, by decydować blisko problemu. Zespoły platform i otoczenia operacyjnego muszą umieć projektować i obsługiwać wspólne środowisko dla ludzi i agentów na dużą skalę.
Dla CTO, CDO i CIO wyzwaniem jest ustalenie, co zapewniać centralnie, a co pozostawić poszczególnym zespołom.
Zespoły aplikacyjne potrzebują swobody, by działać szybko i blisko klientów. Nie powinny odtwarzać funkcji takich jak bezpieczny dostęp do danych, obserwowalność, ocena i nadzór.
W organizacji opartej na AI liderzy technologiczni muszą przenieść część uwagi z zarządzania mocami wykonawczymi na projektowanie systemu dostarczania rozwiązań. Obejmuje to:
zatrudnianie i rozwój osób z myślą o trafnych ocenach i decyzjach;
inwestowanie we wspólne platformy AI, oceny, zabezpieczenia, zatwierdzone ścieżki, przepływ wiedzy i wzorce dostępu;
określanie granic działania agentów, ludzi i wspólnych procesów;
pomiar walidacji wniosków, niezawodności, wpływu na klienta, bezpiecznego reużycia;
znajomość technologii, by rozumieć, gdzie AI faktycznie zmienia ekonomikę dostarczania rozwiązań.
Dobrze zaprojektowany system ułatwia dostęp do właściwego kontekstu, testowanie pracy AI, używanie sprawdzonych wzorców i rozpoznawanie sytuacji wymagających zgody człowieka.
Wiele mierników inżynierskich powstało, gdy wytwarzanie oprogramowania było jednym z głównych ograniczeń. Tempo pracy, punkty historyjek, przepustowość i częstotliwość wdrożeń nadal dają użyteczne sygnały operacyjne, lecz same mówią coraz mniej, gdy AI zmniejsza nakład pracy nad oprogramowaniem.
Zespół może pisać więcej kodu i częściej eksperymentować, a mimo to podejmować złe decyzje, zbędnie komplikować rozwiązania lub zwiększać ryzyko.
Liderzy technologiczni muszą więc pytać nie tylko o ilość tworzonego oprogramowania i skalę użycia narzędzi AI. Muszą wiedzieć, czy AI pomaga organizacji szybciej się uczyć, poprawiać wyniki klientów i działać niezawodnie w ustalonych granicach.
Przydatne mierniki dla zespołów aplikacyjnych to np.:
czas do weryfikacji wniosku;
poprawa wyników klientów;
wartość biznesowa;
adopcja i zmiana zachowań;
odsetek eksperymentów dających podstawę do decyzji.
Czas do uzyskania wiedzy potwierdzonej dowodami obejmuje okres od rozpoczęcia eksperymentu do zebrania dowodów wystarczających do podjęcia decyzji. Zespół, który zaczyna w poniedziałek, wdraża w środę i podejmuje uzasadnioną decyzję w piątek, ma tygodniowy cykl uczenia się, a nie dwudniowy cykl dostarczania.
Mierniki zespołów platform i otoczenia operacyjnego to m.in.:
reużycie przyjętych wzorców AI;
pokrycie ocenami i ich skuteczność;
incydenty i poprawki dotyczące AI;
od pomysłu po bezpieczne wdrożenie;
obserwowalność działań agentów;
gotowość do audytu i zgodności.
Na każdy pomyślny wynik należy liczyć koszty użycia modelu, weryfikacji przez ludzi, nieudanych prób, poprawek i wsparcia operacyjnego.
Mierniki te nadal wymagają jasnych definicji, poziomów bazowych i metod oceny. Celem nie jest zastąpienie jednej uniwersalnej karty wyników inną, lecz sprawdzenie, czy system dostarczania rozwiązań daje wiarygodne rezultaty.
Model zespołów aplikacyjnych i otoczenia operacyjnego to odpowiedź na obecny etap inżynierii opartej na AI. Nie należy go uznawać za trwały model docelowy.
Podstawową jednostkę pracy inżynierskiej mogą ponownie zmienić:
agenty przejmujące odpowiedzialność za całe procesy;
krótkotrwałe użycie części oprogramowania zamiast lat utrzymania;
przejście z interfejsów aplikacji do interakcji prowadzonych przez agenty;
przejmowanie kolejnych funkcji platform przez modele bazowe;
regulacje czyniące audytowalność i rozliczalność głównym ograniczeniem inżynierii.
To możliwe scenariusze. Ich realizacja nie jest przesądzona. Jeśli się urzeczywistnią, nawet podział na zespoły aplikacyjne i platformowe może okazać się zbyt wąski.
Organizacje najlepiej przygotowane na tę niepewność będą traktować swój model operacyjny jako elastyczny. Oprą pracę na jasnych zasadach, solidnym kontekście, ograniczonej autonomii i szybkim uczeniu się, a nie sztywnych strukturach zespołów czy narzędziach.
AI nie umniejsza znaczenia systemów pracy inżynierskiej. Zwiększa wartość ich dobrego projektowania.
Gdy tworzenie oprogramowania tanieje, przewagę zyskują organizacje podejmujące lepsze decyzje, gromadzące i rozwijające użyteczny kontekst i działające bezpiecznie. Inżynieria oparta na AI to nie tylko korzystanie z narzędzi AI. Wymaga przeprojektowania pracy wokół nowych ograniczeń: jakości decyzji, wspólnego kontekstu, ograniczonej autonomii i szybkiego uczenia się.
Liderzy technologii mogą zacząć od czterech jasnych rozstrzygnięć:
Które decyzje o produkcie i klientach mają zapadać blisko zespołów aplikacyjnych?
Jaki kontekst, kontrole i możliwości oceny powinny być wspólne?
Gdzie agenty mogą działać autonomicznie, a gdzie potrzebują zgody człowieka?
Które mierniki wykazują weryfikację wniosków, wartość dla klienta i bezpieczną pracę?
Odpowiedzi na te pytania bardziej zadecydują o wartości wdrożenia AI niż liczba asystentów uruchomionych w organizacji.
