Sposób, w jaki powstaje oprogramowanie, zmienia się szybciej, niż widzi to większość liderów jego dostarczania. Przez ponad dekadę branża trzymała się jednego modelu: interdyscyplinarne zespoły po 8-10 osób, dwutygodniowe sprinty, przewidywalne tempo i prosta zależność, że więcej ludzi to więcej pracy na wyjściu. Na tym założeniu opierał się każdy sposób obsadzania projektów, każda kalkulacja marży i każdy szablon oferty.
To założenie przestało działać. Z naszego doświadczenia w kolejnych projektach wynika jedno: AI nie przyspiesza dużych zespołów, tylko sprawia, że małe zaczynają w zupełności wystarczać. Uważamy, że dziś wygrywają zespoły małe, złożone z doświadczonych ludzi i wsparte narzędziami AI, w których to człowiek trzyma rękę na sterze i podejmuje decyzje. Kto zrozumie tę zmianę i zareaguje, zbuduje realną przewagę. Kto zaczeka, zostanie z modelem skrojonym pod świat, którego już nie ma.
Poniżej pokazujemy, jak ta zmiana wygląda w praktyce, czego wymaga od modelu operacyjnego i jak wnieść tę zdolność do własnego dostarczania, bez przebudowywania całej organizacji.
Nasza odpowiedź: małe, doświadczone zespoły, w których człowiek gra główną rolę w pętli decyzyjnej
Do tego modelu nie doszliśmy zza biurka. Wypracowaliśmy go w praktyce, prowadząc projekty w technologii, bankowości i e-commerce i patrząc, jak stare założenia dostarczania rozsypują się na naszych oczach.
To, co się z tego wyłoniło, to niewielki zespół doświadczonych ludzi działający ramię w ramię z dedykowaną warstwą agentów AI. To ludzie wyznaczają kierunek, oceniają wyniki i podejmują decyzje, a agenci biorą na siebie najżmudniejszą część roboty. Trzy role. Sprawna koordynacja pracy. Wynik, który rośnie wraz z mocą obliczeniową, a nie z liczbą etatów. Człowiek zostaje w pętli decyzyjnej na każdym kroku, to nie jest tryb autopilota, bo to właśnie ludzie są powodem, dla którego to działa.
Trzy etapy dojrzewania AI w dostarczaniu oprogramowania
Organizacje przechodzą przez trzy wyraźne etapy, a dystans między pionierami a resztą rośnie na naszych oczach. Właściwa reakcja wygląda zupełnie inaczej w zależności od tego, na którym etapie jesteś.
Etap 1: rozwój wspierany przez AI. Programiści używają narzędzi AI, żeby przyspieszyć pojedyncze zadania. Struktura zespołu i proces zostają bez zmian. Zysk na produktywności jest realny, ale umiarkowany, rzędu 20-30%. Model dostarczania nie wymaga tu głębokiej zmiany.
Etap 2: dostarczanie agentowe. Agenci AI biorą na siebie całe zadania: implementację funkcji, generowanie testów, przegląd kodu, dokumentację. Sprinty się skracają, wąsko wyspecjalizowane role zaczynają się łączyć, a produktywność rośnie do 2-3 razy względem punktu wyjścia. Model dostarczania trzeba już podregulować.
Etap 3: operacje agentowe. Inżynierowie przestają pisać kod, a zaczynają projektować systemy, które piszą go za nich. Rdzeń zespołu schodzi do dwóch, trzech osób. Ludzka „zmiana dzienna” wyznacza kierunek i sprawdza wyniki, a agentowa „zmiana nocna” wykonuje. Wynik rośnie z mocą obliczeniową, nie z liczbą osób, a potencjał produktywności przekracza dziesięciokrotność. Model dostarczania trzeba zbudować od zera.
Naszym zdaniem większość dojrzałych organizacji jest dziś między etapem 1 a początkiem etapu 2. Konkurenci, którzy wyrośli na AI, działają już na etapie 3. Tak właśnie pracują nasze zespoły i taką zdolność klienci wnoszą do siebie, kiedy z nami współpracują.
Jak wygląda zespół wspierany przez AI w praktyce?
Konsekwentnie sprawdza nam się jeden wzorzec: niewielki zespół doświadczonych ludzi zbudowany wokół trzech funkcji, a nie trzech stanowisk. Większość wykonawstwa leży po stronie AI. Ludzie definiują, oceniają i decydują. To właśnie skupienie decyzji w trzech doświadczonych rolach sprawia, że całość działa.
- Product Definer odpowiada za efekt biznesowy, ustawia poprzeczkę jakości dla przepływów agentowych i pilnuje, żeby wyniki AI odpowiadały temu, czego naprawdę chcą użytkownicy i interesariusze. Wymaga to większej biegłości technicznej niż u klasycznego product managera, bo tu ocenia się gotowe wyniki, a nie pisze kryteria akceptacji dla ludzi.
- Tech Lead trzyma w głowie całą architekturę, podejmuje decyzje projektowe i koordynuje modele oraz agentów AI: dobiera właściwy model do zadania, projektuje przepływ pracy i pilnuje spójności systemu.
- Builder napędza codzienny rytm dostarczania, sprawdza i recenzuje to, co wygeneruje AI, i nieustannie ulepsza samą maszynerię agentową: dopracowuje prompty, buduje własnych agentów, wygładza przekazania między krokami.
Każdą z tych ról wspiera dedykowana warstwa agentów. Agent wykonawczy generuje kod, testy i dokumentację. Agent weryfikujący ocenia jakość wyniku i wyłapuje odstępstwa od architektury. Agent koordynujący prowadzi przepływ pracy między modelami i narzędziami. Ludzie decydują, agenci wykonują.
W jednym z naszych projektów ta struktura pozwoliła dostarczyć gotowe do wdrożenia rozwiązanie w dwóch trzecich pierwotnie szacowanego czasu, przy zespole o mniej więcej połowę mniejszym, niż wymagałoby klasyczne podejście. Nie odbiło się to na jakości, a architektura została czysta. To nie był przypadek. Złożyły się na to doświadczenie ludzi, jasny podział ról i poukładana koordynacja pracy AI.
Co zmienia się w Twoim modelu operacyjnym?
Niezależnie od tego, czy zbudujesz to u siebie, czy wniesiesz zespół, który już tak pracuje, zmienia się to samo. To zmiana strukturalna, która dotyka składu zespołu, planowania, metryk i modelu komercyjnego.
Struktura zespołu. Osobne QA, rozdzielone ścieżki frontendu i backendu, samodzielna warstwa juniorów: to nie znika, tylko zbija się w mniej liczne, szersze i bardziej doświadczone role. Ramy kompetencji i ścieżki kariery muszą za tym nadążyć.
Planowanie zdolności. Prosty rachunek „osoby razy godziny razy wykorzystanie” przestaje dawać wiarygodną prognozę. Trzyosobowy zespół wsparty narzędziami AI z dobrą koordynacją potrafi zrobić więcej niż dziesięcioosobowy. W planowaniu trzeba uwzględnić koszty tokenów AI, przepustowość decyzyjną i to, że doświadczony zespół kosztuje więcej w przeliczeniu na osobę.
Metryki. Velocity, burn-down i story pointy mierzą wysiłek, a nie efekt. Tu liczy się czas od pomysłu do działającego oprogramowania, przepustowość decyzyjna (ile cykli przegląd-akceptacja-odrzucenie zespół obsłuży w ciągu dnia), odsetek akceptowanych wyników AI jako wczesny sygnał jakości pracy oraz twarde metryki efektu, wprost powiązane z wynikiem biznesowym.
Wycena i forma współpracy. Kiedy koszt dostarczenia mocno spada, a wartość dla klienta zostaje ta sama, rozliczanie za czas robi się nie do obronienia. Współpraca przesuwa się z planu obsady na zobowiązanie do zakresu i efektu.
Obowiązki regulacyjne. Nic z tego nie zwalnia nikogo ze zgodności. AI Act, DORA, RODO, ścieżki audytu, klasyfikacja systemów wysokiego ryzyka: dla klientów z bankowości, ubezpieczeń i produkcji to warunki wejścia, a nie dodatki. Krótszy łańcuch decyzyjny nie oznacza mniej procesu, tylko proces bardziej zdyscyplinowany, z mniejszą liczbą warstw między wymaganiem a jego weryfikacją.
Pięć decyzji, które nie mogą czekać
Okno na zbudowanie przewagi jest otwarte, ale nie na zawsze. Oto decyzje, które naszym zdaniem liderzy dostarczania powinni podjąć w ciągu najbliższych dwunastu miesięcy.
- Zdefiniuj archetyp swojego zespołu. Jak wygląda minimalny sensowny zespół wsparty narzędziami AI dla Twojego najczęstszego typu projektu? Jakich ról, poziomów doświadczenia i narzędzi AI potrzebuje? Zbuduj powtarzalny szablon, a nie jednorazowy eksperyment.
- Przeprojektuj ramy kompetencji. Orkiestracja AI, wszechstronność i trafne decyzje w warunkach niepewności muszą stać się pełnoprawnymi kryteriami oceny. Senior, który nie potrafi skutecznie pracować z agentami AI, w realiach 2026 roku nie jest już seniorem.
- Przeprowadź jeden projekt rozliczany za efekt. Nie musisz zmieniać całego modelu komercyjnego z dnia na dzień, ale musisz poczuć, jak wycenia się, śledzi i rozlicza dostarczanie za efekt. Wybierz zamknięty projekt i zacznij.
- Przebuduj model zdolności. Jeśli planowanie wciąż zakłada, że wynik rośnie liniowo z liczbą osób, produkuje złe liczby. Uwzględnij koszty tokenów, przepustowość decyzyjną i to, jak AI mnoży efekt pracy doświadczonych inżynierów.
- Chroń i rozwijaj swoich seniorów. Ten model jest tak dobry, jak ludzie, którzy nim sterują. Wyczucie architektury, rozpoznawanie wzorców i szybkie, trafne decyzje to nie jest to, co AI zastępuje, tylko to, co czyni AI skutecznym. O takich ludzi rywalizacja robi się coraz ostrzejsza.
Ta zmiana już trwa
Dostarczamy w tym modelu każdego dnia: przy CDP w e-commerce, przy modernizacji starych systemów w usługach finansowych, przy wewnętrznych narzędziach dla klientów przemysłowych. Człowiek prowadzi, AI bierze na siebie ilość, a doświadczeni inżynierowie podejmują decyzje, które naprawdę mają znaczenie.
Jeśli potrzebujesz tej zdolności już teraz, najszybszą drogą nie jest przebudowa organizacji, tylko wprowadzenie zespołu, który już tak pracuje. My właśnie to dostarczamy: małe, doświadczone zespoły wsparte narzędziami AI, które wpinasz wprost w swój roadmap.
Porozmawiajmy o zespole ekspertów wspartym AI → Wzmocnienie zespołu