01Człowiek
Określ cel
Zdefiniuj zmianę biznesową, jej granice i miarę sukcesu.
Problem, ograniczenia, kryteria akceptacjiCodex w praktyce
Codex daje najwięcej, gdy widzi zadanie, może je sprawdzić i pokazać zmiany
Używam Codex wewnątrz repozytorium. Sesja zaczyna się od zadania o określonych granicach, a kończy kodem, testami i zmianami gotowymi do przeglądu.
Pracę osadzają kod, testy, kontrakty, logi i kryteria akceptacji. Codex analizuje, implementuje i weryfikuje; inżynier odpowiada za architekturę, zakres i wydanie.
01Daj mu kontekst
Kod, kontrakty, logi i ograniczenia
02Ogranicz zakres
Jedna czytelna, odwracalna zmiana
03Wymagaj potwierdzenia
Testy, diagnostyka i jawny zestaw różnic
ZADANIE 07 / LOGISTYKAZdiagnozuj błąd aktualizacji statusu przesyłki
KONTEKST4 pliki + kontrakt API + logi
ZMIANA2 pliki / +42 −11
WERYFIKACJA18 testów zakończonych powodzeniem
Vibe coding / weryfikacja między modelami
Jeden model pisze. Drugi kwestionuje. Decydują wyniki kontroli
Traktuję wynik vibe codingu z Codex jako wersję roboczą. Grok lub Gemini go kwestionują; decydują testy, logi, kontrakty i przegląd człowieka. Bez drugiej perspektywy łatwo pomylić płynność odpowiedzi z poprawnością.
Zgodność nie jest dowodemRozbieżność jest sygnałemRozstrzygają wykonywalne kontrole
Przemyślana praca z Codex
Szybkość wynika z krótszej pętli uczenia się, a nie z mniejszej staranności
Celem nie jest maksymalna ilość wygenerowanego kodu. Jest nim najkrótsza droga od dobrze opisanego problemu do sprawdzonej wartości.
02Człowiek + agent
Zbierz kontekst
Zbierz tylko kontekst wpływający na decyzje: kod, testy, kontrakty i dane z działania systemu.
Właściwy kod, logi, kontrakty i historia03Człowiek
Podziel
Wyodrębnij jeden czytelny, uruchamialny i odwracalny fragment pracy.
Mała, odwracalna zmiana04Agent + człowiek
Zbuduj
Pozwól modelowi implementować, a inżynierowi kierować kompromisami i obsługą błędów.
Kod, testy i wyjaśnienie05Człowiek + automatyzacja
Sprawdź
Traktuj wynik jako niezweryfikowany, dopóki przegląd zmian i testy go nie potwierdzą.
Różnice, testy, przegląd, telemetriaTeoria w praktyce
Kontekst nadaje kierunek. Mały zakres daje kontrolę. Weryfikacja buduje zaufanie
Trwała przewaga wynika z otoczenia modelu: wiedzy o repozytorium, ograniczeń, testów, obserwowalności i przeglądów.
Gdzie to działa
Bardzo dobre zastosowanie
Poznawanie kodu, generowanie testów, dokumentacja, ograniczona refaktoryzacja, szkielety API i hipotezy diagnostyczne.
Dobre przy odpowiednich kontrolach
Funkcje dla klientów, integracje, migracje i powtarzalne zmiany kodu z solidnymi testami i przeglądem.
Ścisły nadzór
Logika bezpieczeństwa, przepływy finansowe, zgodność z regulacjami, nieodwracalne zmiany danych i nieznana infrastruktura.
Silne zespoły przekładają możliwości modeli na rzetelne zmiany wymagające mniej poprawek.
Porozmawiajmy o trudnych pytaniachWąskie gardło przesunęło się wcześniej
Programowanie staje się tańsze. Rozumienie właściwego problemu zyskuje na wartości
Endpointy, formularze, integracje, testy i prototypy mogą dziś powstawać w ciągu godzin. Pytanie brzmi: co zespół robi z odzyskanym czasem?
80%typowej pracy implementacyjnej często można przyspieszyć
Mój szacunek na podstawie powtarzalnej pracy projektowej — nie benchmark rynkowy. Nie obejmuje architektury, ryzyka i oceny produktu.
Najlepszą zmianą bywa usunięcie jednego kliknięcia, uproszczenie procesu lub automatyzacja powtarzalnej czynności. Jej znalezienie wymaga czasu z użytkownikami.
AI szybko buduje to, o co prosimy. Sztuką jest poprosić o właściwe rozwiązanie.
01
Co naprawdę frustruje użytkownika w codziennej pracy?
02
Które wymaganie wynika z realnej potrzeby, a które jest tylko atrakcyjnym pomysłem?
03
Co rozwiązać najpierw i jakie wyjątki definiują proces?
04
Jakiego kontekstu i ograniczeń potrzebuje model, aby zbudować właściwe rozwiązanie?
Przewagę zyskują inżynierowie, którzy rozumieją użytkownika, domenę i konsekwencje na tyle dobrze, by kierować maszyną.
Dane z 2026 roku
Pytaniem nie jest już adopcja AI, lecz kontrola dostarczania
Programiści używają AI na dużą skalę. Generowanie przyspiesza, a przegląd staje się ograniczeniem. Poniżej cztery źródła wraz z informacjami o próbach.
90%
AI jest częścią codziennej pracy
Programiści regularnie korzystający z co najmniej jednego narzędzia AI do kodowania i prac programistycznych.
85%
Wąskie gardło się przesunęło
Respondenci wskazujący, że przegląd i walidacja przejmują obciążenie wynikające z szybszego generowania.
48%
Weryfikacja nie jest systematyczna
Programiści deklarujący, że zawsze sprawdzają kod wygenerowany przez AI przed jego zatwierdzeniem.
Adopcja
Narzędzia AI w pracy
Luka zaufania
Generowanie a weryfikacja
Paradoks AI
Lokalne przyspieszenie nie oznacza automatycznie szybszego dostarczania
GenerujWięcej kodu, szybciej
PrzeglądRośnie obciążenie walidacją
DostarczajTempo systemu zależy od przepływu pracy
Badanie w przedsiębiorstwie
Przepustowość może rosnąć, ale wdrożenie zmienia cały system
50250
21,2Poziom przed obowiązkowym wdrożeniem
44,3Kwiecień 2026
2,09×
Pull requesty na aktywnego programistę
Badanie objęło 802 programistów i 196 212 pull requestów od stycznia 2024 do kwietnia 2026. Obciążenie przeglądami wzrosło około dwukrotnie, a automatyczne przeglądy wyprzedziły ludzkie.
Ważne: to obserwacyjne studium firmy wyjątkowo zaawansowanej w użyciu AI. Autorzy wyraźnie nie przypisują wynikom ścisłej przyczynowości.
Moja interpretacja danych
Vibe Coding staje się infrastrukturą. Dyscyplina inżynierska zyskuje na znaczeniu
Szybsza eksploracja przynosi też przeciążenie przeglądami i dług techniczny narastający w tempie maszyny. Usprawniaj cały proces dostarczania, nie tylko tempo programisty.