Sztuczna inteligencja w ciągu ostatnich lat stała się jednym z najczęściej używanych – i nadużywanych – pojęć w branży technologicznej. AI dla jednych to przełom, który zmieni każdy aspekt życia, dla innych – chwilowa moda. W praktyce prawda leży gdzieś pośrodku. 

W projektach realizowanych przez GOTOMA Software House AI nie jest magicznym rozwiązaniem wszystkich problemów ani marketingowym dodatkiem. Jest narzędziem, które działa, bo z pełni jego możliwości korzystają doświadczeni i świadomi specjaliści. Wykorzystujemy AI tam, gdzie zwiększa efektywność i jakość pracy, ale równie dobrze świadomie wyznaczamy jej granice. Jak to wygląda w praktyce? Gdzie AI realnie przynosi korzyść, a gdzie jej użycie bardziej szkodzi niż pomaga? 

AI w codziennej pracy zespołów  

Wbrew popularnym wyobrażeniom AI w codziennej pracy zespołu IT rzadko jest autonomicznym wykonawcą poleceń. Znacznie częściej pełni rolę wsparcia – narzędzia, które skraca czas pracy, pomaga zebrać i zweryfikować informacje oraz wspiera programistów w implementacji rozwiązań.  

Powszechnie wyobrażenie sugerujące, że AI zastępuje ludzi w pracy, to mit. Owszem, sztuczna inteligencja podnosi wydajność pracy o kilka, a nawet kilkadziesiąt procent w zależności od wykonywanej czynności, ale nigdy nie przejmuje całej pracy. Skala tej wydajności jest zależna od doświadczenia osoby, która AI wykorzystuje: zarówno w zakresie umiejętnego wykorzystywania sztucznej inteligencji, jak i kompetencji technologicznych pozwalających ocenić i zweryfikować jej efekty. 

Wspieranie się narzędziami sztucznej inteligencji można uznać już za standard. Niemniej stopień jej wykorzystania zależny jest od wielu czynników. Inaczej sprawdzi się na etapie pozyskiwania klienta, inaczej w organizacji pracy, a jeszcze inaczej w codziennym programowaniu. Wszystko zależy od projektu, specyfiki pracy, doświadczenia, indywidualnego podejścia oraz budżetu. 

Sztuczna inteligencja w analizie i organizacji pracy 

Narzędzia AI świetnie sprawdzają się na etapie pozyskiwania klienta i przygotowywania się do projektu. Pomagają zebrać informacje potrzebne do realizacji jego potrzeb – przede wszystkim w projektach, z którymi do tej pory nie pracowano. 

Przykładowo: do software house’u zgłasza się klient z projektem dotyczącym detekcji i rozpoznawania głosu. Nikt wcześniej nie pracował nad rozwiązaniami z tej branży, więc zespół musi oprzeć się na dostępnych bibliotekach. W takiej sytuacji AI wspiera szybki research bibliotek, wyszukiwanie informacji i rozwiązań w danej dziedzinie oraz podsumowania zebranych informacji. Po weryfikacji rzetelności zebranych danych zespół może przystąpić do właściwej pracy. Znacząco skraca to czas na przygotowanie się do projektu z obszaru całkiem nowego dla zespołu. 

Na etapie zdobywania klienta AI pomaga również w podsumowaniu dokumentów. Początkowy etap projektu to wymiana specyfikacji, oczekiwań i propozycji rozwiązań. Wiąże się to z dużą liczbą wymienianych plików, dokumentów, wiadomości. Zdarza się, że dokumentacja jest rozbudowana i zawiera wiele wątków, z których tylko część jest istotna dla zespołu technicznego. Dlatego zamiast ręcznie przeglądać dziesiątki stron dokumentacji i wymagań – AI pomaga w ich analizie. Zbierze kluczowe informacje, dokona analizy zmian wprowadzonych w kolejnych wersjach oraz przygotuje podsumowanie, żeby żadnej ze stron nic nie umknęło. Dotyczy to oczywiście dokumentacji, która nie zawiera danych wrażliwych i poufnych – kwestia ich wykorzystania w kontekście AI jest bardziej złożona, do czego przejdziemy w dalszej części. 

Praca software house’u to nie tylko tworzenie kodu i dostarczanie gotowych rozwiązań. To przede wszystkim stały kontakt z klientem. Wymiana wymagań, doprecyzowanie szczegółów. Z reguły odbywa się to na odległość – drogą mailową. Narzędzia sztucznej inteligencji wspierają w tej kwestii zespół w dość prozaicznych rzeczach, takich jak poprawność językowa i składniowa w mailach, dokumentacji i worklogach – również w językach obcych. Obecnie AI wykorzystuje się też w zakresie podsumowywania spotkań jako szybki sposób otrzymania szczegółów po zebraniu. 

AI w pracy programistów 

W codziennej pracy deweloperskiej AI to już niemalże standard. Mnogość rozwiązań oraz tempo zmian w tym zakresie są tak duże, że trudno unikać łączenia pracy człowieka i robota. Ważne jednak, aby mieć przy tym otwartą głowę i na bieżąco śledzić zmiany oraz nowości z tej branży. Warto być także elastycznym – dostosowywać swój model pracy do rozwiązań AI i na odwrót. Kluczowe jest to, by mieć na uwadze, że AI to nie jest nieomylne źródło prawdy.  

AI pomaga programistom pisać kod, a szczególnie wspiera przy generowaniu metod, których nie trzeba już pisać w całości ręcznie. Wystarczy użyć odpowiedniego narzędzia sztucznej inteligencji, a ta na podstawie flow pracy oraz dokładnym opisaniu tego, co ma robić metoda, a AI dostarczy rozwiązanie. Najważniejsze by potem nie łączyć tego bezmyślnie w całość, ale każdą metodę wygenerowaną przy wsparciu AI poddawać kontroli – czy ma ona sens, jest zoptymalizowana i nie zepsuje innych składowych kodu. Dlatego tak ważny jest człowiek i jego doświadczenie, dzięki którym takie elementy można analizować i weryfikować. 

To narzędzie, które mocno przyspiesza pracę. Modele takie jak Claude Sonnet  czy Claude Opus świetnie sprawdzają się w poprawie efektywności pisania nowych funkcjonalności. Pomagają również w analizować pojawiające się problemy i skuteczniej odnajdywać ich przyczyny. Należy jednak za każdym razem podkreślać, że człowiek nadal jest w tych procesach niezbędny – praktycznie każde zadanie, niezależnie od jego typu, należy wpierw przygotować (tak, aby AI miała na czym pracować), a następnie dokonać walidacji efektów pracy AI. Konieczne jest doświadczenie, żeby wiedzieć jak z takich narzędzi korzystać. 

Nie da się ukryć, że czasem uda się zastosować wsparcie sztucznej inteligencji na zasadzie „plug&play”, ale nie zawsze jest to możliwe. Znamy przypadek, gdzie na polecenie klienta, deweloperzy przepisywali aplikację z Java na TypeScript bez znajomości technologii Java, posiłkując się czatem AI. Czy to się udało? Średnio – ale takie były założenia – produkcyjnie projekt udało się wgrać, ale czasowo był rozpisany na 4 miesiące, a w takim modelu pracy jeszcze po 9 miesiącach występowały bugi.  

Powyższy przykład obrazuje konieczność posiadania wiedzy i doświadczenia w branży, aby narzędzia AI były wykorzystywane efektywnie. Najlepsze natomiast użycie sztucznej inteligencji działa w oparciu o wsparcie działań człowieka, a nie wykonanie zadania zamiast niego. 

AI świetnie radzi sobie jako wsparcie dla Project Managerów albo analityków. Za jej pomocą można stworzyć różne szablony lub gotowe taski, które odpowiednio dostosowane do potrzeb potrafią usprawnić pracę. Project Manager tworząc np. zadania dla deweloperów, zamiast ręcznie pisać 20-30 poleceń, może nakreślić sztucznej inteligencji obraz tych zadań, a ta automatycznie je przygotuje. Managerowi pozostaje jedynie skopiowanie ich do Excela i zaimportowanie do Jiry – jednocześnie oszczędza sporo czasu, który poświęciłby na przygotowanie wszystkiego ręcznie. 

W procesie tworzenia oprogramowania deweloperzy rozpisują unit testy do danego fragmentu kodu, sprawdzając np. działanie poszczególnych metod. W tym aspekcie również wykorzystuje się AI, co jest bardzo przyszłościowe z perspektywy projektu. Zakładając, że 80% aplikacji jest już przetestowane, można dodawać nowe funkcje nie martwiąc się, że coś starszego się zepsuje – testy natychmiast zaalarmują, jeżeli coś nagle przestanie działać. AI działa tu jak asystent, który na bieżąco śledzi każdą metodę i błyskawicznie generuje precyzyjny test dla każdej z nich. Kiedyś robił to człowiek – wolno i z błędami. Teraz odpowiadają za to narzędzia takie jak GitHub Copilot czy Diffblue, co nawet dwukrotnie przyspiesza development.  

AI jest nieocenione w kwestii wsparcia początkujących deweloperów lub tych, którzy chcą poznać nową technologię. Niezbędni są jednak przy tym doświadczeni seniorzy, którzy długo pracują w programowaniu bez AI. Zaczynając nowy projekt sztuczna inteligencja nie ma na czym pracować – nie wie jak pracuje zespół, jak zbudowana jest aplikacja, jakie ma założenia. Pojawia się senior developer i takowe tworzy. Na tej podstawie – stworzonej przez człowieka – uczy się AI i jednocześnie wspiera młodych programistów, którzy do projektu dopiero dołączyli, albo pracowali do tej pory w innej technologii. Wszystko działa na zasadzie symbiozy i wzajemnego wsparcia.  

Korzystanie z AI w codziennej pracy programistów to sporo zalet i usprawnień, które skracają czas developmentu, pomagają efektywniej szukać rozwiązań i świetnie sprawdzają się w rozwiązywaniu problemów. Wiąże się jednak też z ryzykiem – przede wszystkim nieczytelnego kodu.  

Na rynku są obecnie dostępne narzędzia, które są w stanie w pełni przygotować kod – nawet wyłącznie na podstawie wizualizacji graficznej aplikacji lub strony. Ostateczny produkt działa, wygląda, jak powinien i ma wszystkie funkcjonalności. Z perspektywy człowieka nieznającego technologii – wszystko jest świetne. Jednak, gdy programista zajrzy do kodu – ten będzie nieczytelny, nieprzejrzysty i niezrozumiały. Wszystko dlatego, że źródłem informacji dla AI są całe zasoby dostępne w sieci. Model może łączyć wzorce z różnych źródeł, co prowadzi do niespójności architektonicznej i obniżenia czytelności kodu. 

AI: oczekiwania vs rzeczywistość 

Bardzo często termin „AI” jest traktowany jako synonim modeli LLM pokroju ChatGPT, Gemini, czy Grok. To naturalne, bo to powszechnie dostępne i najpopularniejsze narzędzia. 

Model LLM (Large Language Model) to duży model językowy, trenowany na obszernych zbiorach danych tekstowych, który potrafi generować i przetwarzać język. W praktyce jednak sztuczna inteligencja to znacznie więcej niż tylko generowanie tekstu czy kodu na podstawie promptu. 

Istnieją modele, które specjalizują się w konkretnych aspektach, tak jak wspominany wcześniej Claude Sonnet/Opus radzą sobie najlepiej w pracach programistycznych, tak są też modele, które pozwalają np. zamieniać tekst na mowę, jak Whisper od OpenAI i wiele innych. Dlatego rozwój kompetencji w software house’ie nie powinien ograniczać się wyłącznie do pracy z LLM-ami, ale obejmować także mniejsze, wąsko wyspecjalizowane narzędzia. 

Najpowszechniejsze wyobrażenie o wykorzystaniu AI w programowaniu opiera się na porównaniu do pracy z LLM-ami – wpisujemy prompt i produkt jest gotowy. Rzeczywiście, nowoczesne modele językowe dają możliwość stworzenia prostej strony, pokroju landingpage’a czy wizytówki. Dla osób, które nie potrzebują zaawansowanej funkcjonalności na swojej stronie zapewne to wystarczy.  

W pracy software house’u pojawia się jednak znacznie więcej zmiennych. Dochodzi aspekt pracy z klientem, który ma konkretne potrzeby biznesowe, oczekiwania funkcjonalne oraz wymaga wsparcia specjalistów. Zadaniem zespołu jest nie tylko stworzenie kodu, ale przede wszystkim zrozumienie problemu, przełożenie go na język technologii, zaprojektowanie architektury rozwiązania oraz zapewnienia testów, utrzymania i gwarancji jakości. 

Dlatego rzeczywiste wykorzystanie AI w pracy software house’u nie sprowadza się do przygotowania odpowiedniego promptu. AI może znacząco wspierać proces, ale nie zastąpi odpowiedzialności, doświadczenia ani komunikacji międzyludzkiej. 

Korzyści i zagrożenia AI 

Z perspektywy software house’u AI zarówno przyspiesza pracę, jak i podnosi jej jakość. W większości projektów w większym lub mniejszym stopniu wpływała ona pozytywnie na przebieg realizacji – szczególnie w zakresie przygotowania dokumentacji, testów oraz analizy problemów.  

Dla klientów korzyści z wykorzystywania w pracy AI mogą być pośrednie lub bezpośrednie. Tworzenie oprogramowania z wykorzystaniem modeli AI podnosi efektywność pracy programistów, co może przełożyć się na krótszy czas realizacji i optymalizację kosztów. Produkt końcowy bywa lepiej udokumentowany, dokładniej przetestowany i szybciej wdrożony. 

Jednocześnie możliwości sztucznej inteligencji łatwo przecenić. Największe ryzyko pojawia się wtedy, gdy efekty jej pracy nie są poddawane walidacji. AI może generować rozwiązania przekonujące na pierwszy rzut oka, ale wymagające eksperckiej weryfikacji pod kątem architektury, bezpieczeństwa czy zgodności z wymaganiami biznesowymi. W praktyce ludzkie doświadczenie pozostaje kluczowe na każdym etapie procesu. 

Warto również podkreślić, że weryfikacji wymagają nie tylko dane wyjściowe generowane przez AI, ale także informacje wprowadzane przez człowieka. Jeśli modele wykorzystywane są w pracy projektowej, precyzja i poprawność promptów mają bezpośredni wpływ na jakość rezultatu. Błędne lub niepełne założenia zostaną przez system potraktowane jako punkt wyjścia do dalszych analiz i prac, co może prowadzić do utrwalenia nieprawidłowych wniosków, a ostatecznie błędnych rozwiązań. 

Każde wdrożenie do pracy narzędzi AI należy wcześniej omówić z klientem. Korzystanie z rozwiązań opartych na modelach generatywnych wiąże się z istotnymi kwestiami dotyczącymi ochrony danych i praw autorskich. Regulacje w tym obszarze dynamicznie się rozwijają, dlatego konieczne jest zachowanie szczególnej ostrożności przy wprowadzaniu danych – zwłaszcza informacji poufnych. 

Dlatego warto korzystać z rozwiązać on-premise, czyli modeli uruchamianych we własnej infrastrukturze lub chmurowych, zapewniających wysoki poziom zabezpiecze. Dzięki temu minimalizujemy ryzyka i zapewniamy zgodność z przepisami. 

Nie należy zatem przesadzać w zakresie pełnej automatyzacji procesów firmowych przez AI. Sztuczna Inteligencja najlepiej sprawdza się w przypadku, gdy jest kontrolowana i wspierana przez człowieka. Przykłady rynkowe pokazują, że pełna automatyzacja procesów nie zawsze przynosi oczekiwane rezultaty. 

W 2024 r. szwedzka firma fintechowa Klarna zastąpiła około 700 pracowników obsługi klienta asystentem AI, argumentując to oszczędnościami. Jednak już po roku okazało się, że roboty nie spełniają oczekiwań – jakość obsługi spadła, a klienci negatywnie ocenili brak kontaktu z drugim człowiekiem. CEO firmy, Sebastian Siemiatkowski przyznał, że ten ruch był błędem, a firma wróciła do zatrudniania ludzi. 

Ten przykład pokazuje, że sztuczna inteligencja jest skutecznym wsparciem, ale nie zastępstwem dla ludzi. Najlepiej sprawdza się tam, gdzie działa w modelu współpracy z człowiekiem, a nie zamiast niego.

Pomaga, ale nie zastępuje 

AI stała się na tyle powszechna, że dziś niemal każda branża deklaruje wykorzystanie rozwiązań opartych na sztucznej inteligencji. Jednak nie wszystko, co reklamuje się jako sztuczną inteligencję, faktycznie nią jest. 

Przykładowo: strona internetowa oferuje możliwość czatu z „asystentem AI”, który ma wspomóc użytkownika. Asystent ma teoretycznie na bieżąco analizować i przetwarzać zapytania użytkownika, a potem generować na nie odpowiedzi. W praktyce jest to tylko zaprojektowane kilka scenariuszy rozmów i problemów, z jakimi użytkownicy mogą się zgłaszać, które ktoś przewidział, a „asystent” wybiera ten najbardziej pasujący do danej sytuacji. 

Perspektywa rozwoju AI na kolejne lata wydaje się być bardzo szeroka, biorąc pod uwagę tempo rozwoju tej branży. Zaledwie cztery lata temu swoją premierę miał ChatGPT, który zrewolucjonizował rynek sztucznej inteligencji. Wtedy działał w zasadzie jak ulepszona wyszukiwarka internetowa. Dziś potrafi programować, generować nie tylko tekst, ale i grafiki oraz tworzyć między innymi strategie SEO.   

Trudno dziś całkowicie zrezygnować z jej wykorzystania i jednocześnie utrzymać konkurencyjność. Firmy, które świadomie i odpowiedzialnie wdrażają AI, zyskują przewagę w zakresie efektywności, szybkości działania i optymalizacji kosztów. Jednocześnie obecny poziom rozwoju technologii jest daleki od pełnego zastąpienia człowieka autonomicznymi agentami. 

Aktualnie modele językowe mają swoje limity rozwojowe i kolejny wielki krok w zwiększaniu ich możliwości wiąże się z istotnymi wyzwaniami technologicznymi. Duże możliwości widać natomiast w zakresie wdrażania modeli AI jako systemów wewnątrzfirmowych, które będą kontrolować jakość pracy, sygnalizować o problemach i automatyzować proste czynności, które bardziej przeszkadzają pracownikom, niż pomagają.  

Kluczem w efektywnym stosowaniu AI jest znalezienie „złotego środka”, co jednak jest wyzwaniem. Technologie AI są stosunkowo młode, szybko się rozwijają i jest ich wiele. Wdrażanie AI do pracy – czy to w sektorze IT, czy innych – wymaga doświadczenia w pracy z nią, a także umiejętności dobrania odpowiednich narzędzi, dostosowanych do charakteru przedsiębiorstwa i branży w jakiej działa. W GOTOMA Software House traktujemy sztuczną inteligencję jako wsparcie dla kompetencji zespołu, a nie ich substytut. To podejście pozwala łączyć technologiczną innowacyjność z realną wartością biznesową dla klientów. 

Każde wdrożenie AI powinno zaczynać się od analizy procesów i ryzyka. Jeśli chcesz sprawdzić, gdzie sztuczna inteligencja realnie zwiększy efektywność w Twojej organizacji – skontaktuj się z nami.