Streszczenie
Artykuł zestawia wyniki eksperymentów kontrolowanych i badań ankietowych z lat 2022-2025 dotyczących wpływu asystentów AI na pracę programistów. Pokazuje rozbieżność między badaniami laboratoryjnymi a badaniem na dojrzałych projektach, omawia wyniki na poziomie organizacji oraz ryzyka dla bezpieczeństwa kodu, a na koniec formułuje wnioski dla zespołów i programów szkoleniowych.
Słowa kluczowe: asystenci kodu, sztuczna inteligencja, produktywność programistów, bezpieczeństwo kodu, AI Act
1. Wprowadzenie
Asystenci programowania oparci na Duży model językowy (LLM) Model sztucznej inteligencji wytrenowany na bardzo dużych zbiorach tekstu, który generuje tekst lub kod w odpowiedzi na polecenie. Skrót od angielskiego large language model. w ciągu trzech lat przeszli drogę od narzędzia eksperymentalnego do standardowego wyposażenia stanowiska pracy. Decyzje o ich wdrażaniu zapadają zwykle na podstawie deklaracji dostawców i wrażeń użytkowników. Tymczasem istnieje już kilka badań o kontrolowanym charakterze, których wyniki są ze sobą na pierwszy rzut oka sprzeczne: od przyspieszenia pracy o ponad połowę po jej spowolnienie o jedną piątą.
Celem artykułu jest zestawienie tych wyników i wskazanie, w jakich warunkach każdy z nich został uzyskany. Przegląd obejmuje trzy obszary: produktywność pojedynczego programisty, wyniki na poziomie organizacji oraz bezpieczeństwo generowanego kodu.
2. Skala upowszechnienia
W ankiecie Stack Overflow z 2025 r. 84% respondentów zadeklarowało, że używa narzędzi AI w procesie wytwarzania oprogramowania lub planuje ich użycie, wobec 76% rok wcześniej[1]. Równocześnie więcej respondentów deklaruje brak zaufania do trafności odpowiedzi narzędzi AI (46%) niż zaufanie (33%), a tylko 3% określa swoje zaufanie jako wysokie[1]. Raport DORA Program badawczy prowadzony w ramach Google Cloud, który co roku bada praktyki i wyniki zespołów wytwarzających oprogramowanie. Skrót od DevOps Research and Assessment. z 2025 r., oparty na odpowiedziach blisko pięciu tysięcy specjalistów, podaje poziom adopcji AI wśród osób zawodowo wytwarzających oprogramowanie na 90%[2].
Zestawienie tych liczb pokazuje stan, który warto nazwać wprost: narzędzia są używane powszechnie przez osoby, które w dużej części nie ufają ich wynikom. Pytanie o rzeczywisty wpływ na pracę jest więc pytaniem empirycznym, a nie kwestią nastawienia.
3. Produktywność w eksperymentach
3.1. Zadanie laboratoryjne
Peng i współautorzy przeprowadzili eksperyment kontrolowany, w którym rekrutowanym programistom polecono jak najszybciej zaimplementować serwer HTTP w języku JavaScript. Grupa korzystająca z asystenta GitHub Copilot ukończyła zadanie o 55,8% szybciej niż grupa kontrolna[3]. Jest to wynik najczęściej przywoływany w materiałach promocyjnych. Jego ograniczeniem jest charakter zadania: krótkie, dobrze zdefiniowane, realizowane od zera, bez istniejącej bazy kodu i bez wymagań jakościowych wykraczających poza przejście testów.
3.2. Eksperymenty terenowe w firmach
Cui i współautorzy przeanalizowali trzy randomizowane eksperymenty terenowe przeprowadzone w Microsoft, Accenture i anonimowej firmie z listy Fortune 100, obejmujące łącznie 4867 programistów. Dostęp do Asystent kodu Narzędzie oparte na modelu językowym, które podpowiada, generuje lub zmienia kod programu na podstawie polecenia programisty i kontekstu projektu. wiązał się ze wzrostem liczby ukończonych zadań o 26,08%, przy czym większe korzyści odnotowano u osób mniej doświadczonych[4]. Błąd standardowy tego oszacowania wynosi 10,3%, co oznacza znaczną niepewność. Miarą wyniku była liczba ukończonych zadań, a nie ich jakość ani późniejsze koszty utrzymania.
3.3. Doświadczeni programiści we własnych projektach
Odmienny wynik przyniosło badanie organizacji METR z 2025 r. Szesnastu programistów projektów otwartoźródłowych wykonało 246 zadań w dojrzałych repozytoriach, w których pracowali średnio od pięciu lat. Każde zadanie losowo przydzielano do wariantu z dozwolonym lub niedozwolonym użyciem AI. Dopuszczenie narzędzi AI wydłużyło czas wykonania zadań o 19%[5].
Równie istotny jest drugi wynik tego badania. Przed rozpoczęciem uczestnicy przewidywali, że AI skróci czas wykonania zadań o 24%. Po zakończeniu, mimo rzeczywistego spowolnienia, nadal szacowali, że narzędzia skróciły ten czas o 20%[5]. Subiektywna ocena przyspieszenia okazała się więc nie tylko niedokładna, ale skierowana w przeciwną stronę niż pomiar.
3.4. Jak pogodzić te wyniki
| Badanie | Uczestnicy i kontekst | Wynik |
|---|---|---|
| Peng i in. (2023) | Rekrutowani programiści, jedno nowe zadanie, brak istniejącego kodu | Zadanie ukończone o 55,8% szybciej |
| Cui i in. (2024) | 4867 programistów, praca bieżąca w trzech firmach | O 26,08% więcej ukończonych zadań |
| METR (2025) | 16 doświadczonych programistów, 246 zadań w dojrzałych repozytoriach | Czas wykonania dłuższy o 19% |
Źródło: opracowanie własne na podstawie przypisów 3, 4 i 5.
Badania te nie przeczą sobie, tylko mierzą różne sytuacje. Korzyść jest największa tam, gdzie zadanie jest nowe, a programista ma mniej doświadczenia lub mniejszą znajomość kodu. Maleje, a w skrajnym przypadku staje się ujemna, gdy doświadczona osoba pracuje w dużej, dobrze sobie znanej bazie kodu o wysokich wymaganiach jakościowych. W takim kontekście czas poświęcony na formułowanie poleceń, oczekiwanie i weryfikację odpowiedzi może przewyższyć czas zaoszczędzony na pisaniu. Autorzy badania METR zastrzegają przy tym, że wyniku nie należy uogólniać na wszystkie zastosowania ani na przyszłe generacje narzędzi[5].
4. Wyniki na poziomie organizacji
Szybsze pisanie kodu przez pojedynczą osobę nie musi oznaczać szybszego i stabilniejszego dostarczania oprogramowania przez zespół. Raport DORA Program badawczy prowadzony w ramach Google Cloud, który co roku bada praktyki i wyniki zespołów wytwarzających oprogramowanie. Skrót od DevOps Research and Assessment. z 2024 r. oszacował, że wzrost adopcji AI o 25% wiązał się ze spadkiem Przepustowość i stabilność dostarczania Dwie miary pracy zespołu programistycznego. Przepustowość opisuje, jak szybko i często zmiany trafiają do użytkowników, a stabilność, jak często te zmiany powodują awarie. dostarczania o 1,5% i spadkiem stabilności dostarczania o 7,2%[6]. Jako prawdopodobne wyjaśnienie autorzy wskazali większy rozmiar zmian: kod generowany łatwo powstaje w dużych porcjach, a duże zmiany są trudniejsze do przeglądu i częściej powodują awarie.
W edycji z 2025 r. obraz jest częściowo inny. Adopcja AI wiąże się tam z wyższą przepustowością dostarczania, natomiast stabilność pozostaje słabym punktem. Główna teza raportu brzmi, że AI działa jak wzmacniacz: poprawia wyniki organizacji o dobrych praktykach inżynierskich i pogłębia problemy tych, które ich nie mają[2].
Wyniki DORA pochodzą z badań ankietowych i opisują zależności statystyczne, a nie związki przyczynowe. Są jednak spójne z wnioskiem płynącym z eksperymentów: wąskim gardłem przestaje być pisanie kodu, a stają się nim przegląd, testowanie i wdrażanie.
5. Bezpieczeństwo generowanego kodu
Pearce i współautorzy przygotowali 89 scenariuszy odpowiadających znanym klasom Podatność Błąd w oprogramowaniu, który można wykorzystać do naruszenia bezpieczeństwa systemu lub danych. i wygenerowali dla nich 1689 programów za pomocą asystenta GitHub Copilot. Około 40% z nich zawierało podatności[7]. Badanie dotyczyło wczesnej wersji narzędzia i celowo dobranych scenariuszy ryzykownych, więc odsetka tego nie należy przenosić wprost na dzisiejsze modele. Pokazuje ono jednak, że model uczony na publicznym kodzie odtwarza także jego wady.
Perry i współautorzy zbadali, jak z asystentem pracują ludzie. W ich eksperymencie osoby mające dostęp do Asystent kodu Narzędzie oparte na modelu językowym, które podpowiada, generuje lub zmienia kod programu na podstawie polecenia programisty i kontekstu projektu. pisały kod istotnie mniej bezpieczny niż grupa kontrolna, a jednocześnie częściej uważały, że ich kod jest bezpieczny[8]. Uczestnicy, którzy mniej ufali narzędziu i aktywniej modyfikowali polecenia oraz odpowiedzi, tworzyli kod z mniejszą liczbą podatności.
Wynik ten koresponduje z obserwacją z badania METR. W obu przypadkach narzędzie zwiększało pewność użytkownika bardziej niż faktyczną jakość rezultatu. Z punktu widzenia organizacji to ważniejsze ryzyko niż sam odsetek błędów: błąd, którego autor się spodziewa, zostanie wychwycony w przeglądzie, a błąd w kodzie uznanym za poprawny trafi na produkcję.
6. Implikacje dla zespołów i szkoleń
Z przedstawionych badań wynikają cztery zalecenia praktyczne.
- Mierzyć, a nie pytać. Skoro samoocena przyspieszenia może różnić się od pomiaru nawet znakiem, decyzji o wdrożeniu nie należy opierać na ankietach satysfakcji. Właściwymi miarami są czas realizacji zmian, częstość wdrożeń, odsetek zmian powodujących awarie i czas przywracania działania.
- Utrzymywać małe zmiany. Łatwość generowania kodu sprzyja dużym porcjom zmian. Limit rozmiaru zmiany i obowiązkowy przegląd przez człowieka ograniczają ryzyko wskazane w raportach DORA Program badawczy prowadzony w ramach Google Cloud, który co roku bada praktyki i wyniki zespołów wytwarzających oprogramowanie. Skrót od DevOps Research and Assessment..
- Wzmocnić testy i przegląd bezpieczeństwa. Automatyczna analiza statyczna, testy i przegląd kodu powinny obejmować kod generowany na takich samych zasadach jak kod pisany ręcznie. Dotyczy to także zgodności z wymaganiami dostępności, których asystent nie zapewnia samoczynnie.
- Szkolić z weryfikacji, nie tylko z obsługi. Program szkolenia powinien obejmować formułowanie poleceń, ale przede wszystkim krytyczną ocenę odpowiedzi: typowe klasy błędów, Podatność Błąd w oprogramowaniu, który można wykorzystać do naruszenia bezpieczeństwa systemu lub danych. i sytuacje, w których użycie narzędzia się nie opłaca.
Ostatnie zalecenie ma także podstawę prawną. Artykuł 4 rozporządzenia (UE) 2024/1689, czyli AI Act Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2024/1689, czyli unijny akt w sprawie sztucznej inteligencji. Określa obowiązki dostawców i podmiotów stosujących systemy AI., zobowiązuje dostawców i podmioty stosujące systemy AI do podjęcia środków zapewniających odpowiedni poziom Kompetencje w zakresie AI Umiejętności, wiedza i zrozumienie pozwalające świadomie korzystać z systemów AI oraz oceniać związane z nimi szanse i ryzyka. Pojęcie zdefiniowane w akcie w sprawie sztucznej inteligencji. wśród personelu zajmującego się działaniem i wykorzystaniem tych systemów. Przepis ten stosuje się od 2 lutego 2025 r.[9]
7. Ograniczenia przeglądu
Przegląd nie jest systematycznym przeglądem literatury. Obejmuje wybrane, najczęściej cytowane badania o jawnej metodyce. Część z nich to Preprint Wstępna wersja pracy naukowej udostępniona publicznie przed recenzją i publikacją w czasopiśmie., które nie przeszły recenzji naukowej. Badania eksperymentalne dotyczą konkretnych narzędzi i wersji modeli, które szybko się zmieniają, więc wartości liczbowe opisują stan z dnia badania. Dane ankietowe Stack Overflow i DORA Program badawczy prowadzony w ramach Google Cloud, który co roku bada praktyki i wyniki zespołów wytwarzających oprogramowanie. Skrót od DevOps Research and Assessment. pochodzą z prób, które nie są reprezentatywne dla całej populacji programistów. Wyniki raportów DORA przytoczono za ich oficjalnymi omówieniami.
8. Wnioski
- Wpływ Asystent kodu Narzędzie oparte na modelu językowym, które podpowiada, generuje lub zmienia kod programu na podstawie polecenia programisty i kontekstu projektu. na produktywność zależy od kontekstu. Jest wyraźnie dodatni w nowych, dobrze zdefiniowanych zadaniach i u mniej doświadczonych osób, a może być ujemny u doświadczonych programistów pracujących w dojrzałym kodzie.
- Subiektywne poczucie przyspieszenia nie jest wiarygodną miarą. W badaniu METR różniło się od pomiaru kierunkiem.
- Na poziomie organizacji korzyści zależą od jakości procesu wytwarzania. Bez małych zmian, testów i przeglądu rośnie niestabilność dostarczania.
- Generowany kod może zawierać Podatność Błąd w oprogramowaniu, który można wykorzystać do naruszenia bezpieczeństwa systemu lub danych., a użytkownicy asystentów mają skłonność do przeceniania jego bezpieczeństwa.
- Szkolenie zespołów powinno koncentrować się na weryfikacji wyników, co jest zgodne z obowiązkiem zapewnienia Kompetencje w zakresie AI Umiejętności, wiedza i zrozumienie pozwalające świadomie korzystać z systemów AI oraz oceniać związane z nimi szanse i ryzyka. Pojęcie zdefiniowane w akcie w sprawie sztucznej inteligencji. wynikającym z prawa Unii.
Przypisy
- Stack Overflow, 2025 Developer Survey, sekcja AI, 2025. ↑
- DORA, Google Cloud, State of AI-assisted Software Development, 2025. ↑
- Peng S., Kalliamvakou E., Cihon P., Demirer M., The Impact of AI on Developer Productivity: Evidence from GitHub Copilot, arXiv:2302.06590, 2023. ↑
- Cui Z. K., Demirer M., Jaffe S., Musolff L., Peng S., Salz T., The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers, „Management Science”, DOI 10.1287/mnsc.2025.00535; wersja robocza: SSRN 4945566, 2024. ↑
- Becker J., Rush N., Barnes E., Rein D., Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, arXiv:2507.09089, 2025. ↑
- DORA, Google Cloud, Accelerate State of DevOps Report 2024, 2024. ↑
- Pearce H., Ahmad B., Tan B., Dolan-Gavitt B., Karri R., Asleep at the Keyboard? Assessing the Security of GitHub Copilot's Code Contributions, IEEE Symposium on Security and Privacy, 2022, arXiv:2108.09293. ↑
- Perry N., Srivastava M., Kumar D., Boneh D., Do Users Write More Insecure Code with AI Assistants?, ACM CCS 2023, arXiv:2211.03622. ↑
- Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2024/1689 z 13 czerwca 2024 r. w sprawie ustanowienia zharmonizowanych przepisów dotyczących sztucznej inteligencji, art. 4 i art. 113. ↑
Bibliografia
- Becker J., Rush N., Barnes E., Rein D., Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, 2025. arxiv.org/abs/2507.09089 (otwiera się w nowej karcie)
- Cui Z. K., Demirer M., Jaffe S., Musolff L., Peng S., Salz T., The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers, „Management Science”. doi.org/10.1287/mnsc.2025.00535 (otwiera się w nowej karcie); wersja robocza: papers.ssrn.com/abstract=4945566 (otwiera się w nowej karcie)
- DORA, Google Cloud, Accelerate State of DevOps Report 2024. dora.dev/research/2024/dora-report (otwiera się w nowej karcie)
- DORA, Google Cloud, State of AI-assisted Software Development, 2025. dora.dev/research/2025/dora-report (otwiera się w nowej karcie)
- Pearce H., Ahmad B., Tan B., Dolan-Gavitt B., Karri R., Asleep at the Keyboard? Assessing the Security of GitHub Copilot's Code Contributions, 2022. arxiv.org/abs/2108.09293 (otwiera się w nowej karcie)
- Peng S., Kalliamvakou E., Cihon P., Demirer M., The Impact of AI on Developer Productivity: Evidence from GitHub Copilot, 2023. arxiv.org/abs/2302.06590 (otwiera się w nowej karcie)
- Perry N., Srivastava M., Kumar D., Boneh D., Do Users Write More Insecure Code with AI Assistants?, 2023. arxiv.org/abs/2211.03622 (otwiera się w nowej karcie)
- Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2024/1689 z 13 czerwca 2024 r. (akt w sprawie sztucznej inteligencji). eur-lex.europa.eu/eli/reg/2024/1689/oj (otwiera się w nowej karcie)
- Stack Overflow, 2025 Developer Survey, sekcja AI. survey.stackoverflow.co/2025/ai (otwiera się w nowej karcie)
Słownik
- Asystent kodu
- Narzędzie oparte na modelu językowym, które podpowiada, generuje lub zmienia kod programu na podstawie polecenia programisty i kontekstu projektu.
- Duży model językowy (LLM)
- Model sztucznej inteligencji wytrenowany na bardzo dużych zbiorach tekstu, który generuje tekst lub kod w odpowiedzi na polecenie. Skrót od angielskiego large language model.
- Eksperyment randomizowany
- Badanie, w którym uczestników lub zadania przydziela się losowo do grupy korzystającej z badanego rozwiązania i do grupy kontrolnej. Losowy przydział pozwala wnioskować o przyczynie różnic.
- Preprint
- Wstępna wersja pracy naukowej udostępniona publicznie przed recenzją i publikacją w czasopiśmie.
- DORA
- Program badawczy prowadzony w ramach Google Cloud, który co roku bada praktyki i wyniki zespołów wytwarzających oprogramowanie. Skrót od DevOps Research and Assessment.
- Przepustowość i stabilność dostarczania
- Dwie miary pracy zespołu programistycznego. Przepustowość opisuje, jak szybko i często zmiany trafiają do użytkowników, a stabilność, jak często te zmiany powodują awarie.
- Podatność
- Błąd w oprogramowaniu, który można wykorzystać do naruszenia bezpieczeństwa systemu lub danych.
- AI Act
- Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2024/1689, czyli unijny akt w sprawie sztucznej inteligencji. Określa obowiązki dostawców i podmiotów stosujących systemy AI.
- Kompetencje w zakresie AI
- Umiejętności, wiedza i zrozumienie pozwalające świadomie korzystać z systemów AI oraz oceniać związane z nimi szanse i ryzyka. Pojęcie zdefiniowane w akcie w sprawie sztucznej inteligencji.
Jak cytować
Załucki T., Asystenci AI w wytwarzaniu oprogramowania. Przegląd badań nad produktywnością, jakością i bezpieczeństwem kodu, 2026, dostęp online.
Tekst ma charakter przeglądowy i informacyjny. Nie stanowi porady prawnej. Stan prawny i stan badań na dzień publikacji.