Gartner ostrzega: kodowanie z AI może okazać się droższe niż etat programisty

Obietnica była prosta: sztuczna inteligencja miała skrócić czas produkcji oprogramowania i zmniejszyć jej koszt. Gartner podaje jednak w wątpliwość ten optymizm, ostrzegając, że do 2028 roku wydatki na kodowanie wspierane przez AI mogą przewyższyć średnie wynagrodzenie programisty, o ile firmy nie zaczną wiązać rosnącego zużycia tokenów z realną wartością wykonanej pracy.

Taka prognoza może brzmieć jak sygnał, że w pewnym momencie model stanie się tańszy od zatrudnienia człowieka. Rzeczywistość jest jednak mniej jednoznaczna. Przedsiębiorstwo nie dokonuje wyboru między programistą a agentem AI — płaci równocześnie za pracę specjalisty, licencję na narzędzie, zużycie modeli językowych oraz weryfikację wygenerowanego kodu. Sztuczna inteligencja nie eliminuje kosztu zespołu, tylko dokłada do niego kolejną, zmienną warstwę wydatków, zależną od organizacji pracy.

Od stałej opłaty licencyjnej do rachunku za działania agenta

Pierwsza generacja narzędzi AI dla deweloperów funkcjonowała na zasadach klasycznego SaaS. Organizacja kupowała pakiet stanowisk i z góry znała wysokość miesięcznej opłaty. Taki układ dawał dział finansowy przewidywalność, choć realne korzyści trudno było precyzyjnie zmierzyć.

Agenci kodujący zmieniają te reguły. Coraz częściej opłata licencyjna pokrywa jedynie określony limit wykorzystania, a wszystko powyżej rozliczane jest według faktycznego zużycia. GitHub już teraz połączył licencje Copilota z systemem kredytów AI, naliczając dodatkowe opłaty po przekroczeniu firmowego limitu. Długotrwała sesja agenta operującego na wielu plikach i korzystającego z najbardziej wydajnego modelu kosztuje znacznie więcej niż krótkie zapytanie wysłane do lżejszej wersji.

Dla firm oznacza to przejście z modelu kosztu stanowiska na model kosztu wykonanej pracy. Sama liczba zatrudnionych programistów nie wystarcza już do planowania wydatków — dwaj pracownicy z identycznymi licencjami mogą wygenerować całkowicie różne rachunki, gdy jeden korzysta głównie z podpowiedzi kodu, a drugi uruchamia agentów przeszukujących całe repozytoria.

To schemat znany już z rynku chmurowego. Sama usługa czy serwer mogą mieć niski cennik, ale ostateczny rachunek zależy od architektury systemu, natężenia ruchu i sposobu jego wykorzystania. W kodowaniu wspieranym przez AI analogiczną rolę odgrywają liczba wywołań modelu, długość przekazywanego kontekstu, wybór konkretnego modelu oraz poziom autonomii przyznanej agentowi.

Najdroższa nie jest sama generacja kodu, lecz cały cykl działania agenta

Zwykły asystent po prostu odpowiada na pytanie lub podsuwa fragment kodu. Agent natomiast otrzymuje cel i samodzielnie realizuje cały ciąg operacji — analizuje strukturę projektu, odszukuje potrzebne pliki, opracowuje plan, wprowadza zmiany, odpala testy, interpretuje komunikaty o błędach i w razie potrzeby powtarza cały proces.

Każdy z tych etapów to potencjalnie kolejne wywołanie modelu i ponowne przesłanie sporej części kontekstu. Jeśli agent zapętli się, obejmie zbyt szeroki zakres danych albo wielokrotnie próbuje naprawić ten sam błąd, koszty rosną bez odpowiadającego im postępu prac. Jak podaje Gartner, przejście od tradycyjnych asystentów kodowania do modelu agentowego prowadziło w niektórych sytuacjach do rachunków nawet stokrotnie wyższych.

Sama cena tokena to więc tylko jeden z elementów całego równania — decydujące znaczenie ma konstrukcja procesu. Agent, który przez kilka minut korzysta z drogiego modelu, może się opłacać, jeśli rozwiązuje realny, wartościowy problem. Z kolei niedrogi agent działający godzinami, wielokrotnie odczytujący te same pliki i produkujący odrzucane poprawki, wciąż generuje koszt, nawet jeśli każde pojedyncze zapytanie wygląda niewinnie.

To przenosi odpowiedzialność za budżet z działu zakupów na architekturę środowiska deweloperskiego. Wynegocjowanie niższej ceny licencji nie rozwiąże problemu, gdy o wysokości faktury decydują reguły doboru modeli, rozmiar kontekstu i zakres samodzielności agenta.

Spadające ceny modeli nie muszą oznaczać niższych wydatków firmy

Koszt korzystania z AI systematycznie się zmniejsza. Według Stanford AI Index, między listopadem 2022 a październikiem 2024 roku koszt inferencji modelu na poziomie GPT-3.5 spadł ponad 280-krotnie.

To jednak nie musi przełożyć się na niższe faktury firm. Tańsze modele ułatwiają uruchamianie kolejnych procesów, powierzanie agentom dłuższych zadań i wdrażanie AI do dalszych etapów pracy. Użytkownik korzystający z narzędzia okazjonalnie szybko zmienia się w intensywnego użytkownika, gdy rozwiązanie zostaje wbudowane w codzienny przepływ pracy.

Mechanizm ten przypomina to, co obserwowano już w chmurze obliczeniowej — spadek jednostkowego kosztu obliczeń nie zatrzymał wzrostu łącznych wydatków, bo firmy zaczęły przetwarzać więcej danych i uruchamiać więcej usług. W przypadku agentów kodujących wzrost zużycia może wyprzedzać tempo spadku ceny tokenów.

Wzrost produktywności nie wygląda tak samo w każdej firmie

Wysoki rachunek za AI nie musi być problemem, jeśli towarzyszy mu odpowiednio duży przyrost wartości. Kłopot w tym, że produktywności programistów nie da się opisać jedną, uniwersalną liczbą.

Eksperymenty terenowe z udziałem 4867 programistów wykazały średnio 26-procentowy wzrost liczby zakończonych zadań po wprowadzeniu asystenta AI, przy czym największe korzyści odnotowali pracownicy z mniejszym doświadczeniem.

Odmienny obraz wyłania się z badania METR, przeprowadzonego wśród doświadczonych programistów pracujących przy własnych projektach open source. W eksperymencie z początku 2025 roku użycie AI wydłużyło czas realizacji zadań o 19 proc., choć sami uczestnicy byli przekonani, że narzędzia przyspieszyły ich pracę. Nowsze dane z 2026 roku wskazują na poprawę możliwości AI, jednak ich autorzy zaznaczają, że wciąż nie pozwalają one wiarygodnie oszacować skali wzrostu produktywności.

Te rozbieżne wyniki nie oznaczają, że jedno z badań jest błędne — pokazują, że rezultat zależy od typu zadania, poziomu doświadczenia użytkownika, jakości repozytorium i dojrzałości procesów w firmie. DORA opisuje AI jako wzmacniacz: technologia potęguje przewagi dobrze zorganizowanych zespołów, ale równie skutecznie nasila konsekwencje chaosu, słabych testów i długu technicznego.

Wniosek dla organizacji jest niewygodny, ale trudno go pominąć. Samo wdrożenie agentów nie tworzy automatycznie produktywności. W środowisku z dobrze opisanym kodem, jasno zdefiniowanymi zadaniami i testami szybko wychwytującymi błędy AI może realnie skracać pracę. W chaotycznym systemie agent szybciej mnoży problemy, a przy tym zużywa więcej tokenów.

Koszty nie kończą się w momencie wygenerowania kodu

Cenę tokenów łatwo zmierzyć, ponieważ widnieje ona bezpośrednio na fakturze. Znacznie trudniej uchwycić czas potrzebny na sprawdzenie, poprawienie i utrzymanie efektów pracy AI.

W badaniu Stack Overflow 66 proc. programistów wskazało jako główną frustrację odpowiedzi AI, które są niemal poprawne, ale wciąż zawierają błędy. Dla 45 proc. respondentów debugowanie kodu wygenerowanego przez AI zajmowało więcej czasu niż zwykłe poprawki.

To istotne, bo agent może poprawiać lokalny wskaźnik produktywności, jednocześnie obniżając efektywność całego procesu. Większa objętość wygenerowanego kodu korzystnie prezentuje się w statystykach aktywności, ale może zwiększać liczbę przeglądów, defektów, poprawek i incydentów. Czas zaoszczędzony przy tworzeniu pierwszej wersji zostaje wtedy przerzucony na testerów, architektów, zespoły bezpieczeństwa i utrzymania.

Porównywanie kosztu AI wyłącznie z czasem potrzebnym na napisanie kodu daje więc niepełny obraz sytuacji. Rzeczywista ekonomika zaczyna się w momencie przekazania polecenia agentowi, a kończy dopiero wtedy, gdy zmiana działa poprawnie na produkcji i nie generuje nieproporcjonalnych kosztów utrzymania.

Token nie jest odpowiednią miarą wartości

Największym błędem byłoby zarządzanie pracą agentów wyłącznie poprzez ograniczanie liczby zużywanych tokenów. Token to jednostka rozliczeniowa dostawcy usługi, nie miernik efektu biznesowego.

Firma może wprawdzie znacząco ograniczyć zużycie, kierując każde zadanie do najtańszego dostępnego modelu. Jeśli jednak spadnie przy tym jakość odpowiedzi, wzrośnie liczba ponowień i wydłuży się praca programistów, a domniemana oszczędność w praktyce zwiększy łączny koszt. Równie błędne jest inne podejście — przyznanie wszystkim agentom dostępu do najdroższych modeli w przekonaniu, że wyższa cena z automatu przekłada się na lepszy efekt.

Znacznie sensowniejszą miarą staje się koszt zaakceptowanej zmiany: ile kosztowała praca samego modelu, ile czasu zaangażowali ludzie, jak długo trwało wdrożenie i czy kod wymagał później dodatkowych poprawek. Tylko połączenie tych danych pokazuje, czy agent realnie tworzy wartość, czy jedynie zwiększa poziom aktywności.

To przesuwa punkt ciężkości rozmowy z pytania „ile wydajemy na AI?” na pytanie „co dostajemy za każdą wydaną złotówkę?”. Bez takiego przesunięcia ograniczanie liczby tokenów pozostaje jedynie księgową optymalizacją, a zwiększanie budżetu — zakładem opartym na deklarowanej, a nie zweryfikowanej produktywności.

FinOps wkracza do procesu tworzenia oprogramowania

Kontrola wydatków na agentów zaczyna przypominać zarządzanie kosztami w chmurze. Organizacje potrzebują wglądu w zużycie na poziomie poszczególnych zespołów i procesów, reguł kierujących zadania do odpowiednich modeli oraz mechanizmów, które wychwytują nietypowe skoki konsumpcji.

Ta zmiana jest już widoczna w praktykach FinOps. Według raportu State of FinOps 2026 wydatkami na AI zarządza obecnie 98 proc. badanych organizacji, wobec 31 proc. jeszcze dwa lata wcześniej. Zarządzanie kosztami AI stało się przy tym najważniejszą nową kompetencją, którą rozwijają zespoły FinOps.

Nie oznacza to jednak prostego przeniesienia kontroli nad narzędziami programistycznymi w ręce działów finansowych. Skuteczny model łączy perspektywę finansową z wiedzą inżynierską. Zespół FinOps może wskazać, gdzie rośnie rachunek, ale ocenę, czy wzrost wynika z realizacji wartościowego zadania, źle dobranego modelu czy niekontrolowanej pętli agenta, musi wykonać zespół techniczny.

Prognoza Gartnera nie oznacza więc automatycznie, że kodowanie z użyciem AI stanie się nieopłacalne. Wskazuje ona raczej, że agenci przestają być niedrogim dodatkiem do stanowiska programisty, a stają się pełnoprawnym zasobem produkcyjnym. Im większą część pracy przejmują, tym mniej mówi o rzeczywistych kosztach sama cena licencji, a tym większego znaczenia nabiera ekonomika całego procesu.

Najistotniejszym ryzykiem nie jest więc cena pojedynczego tokena, lecz skalowanie liczby agentów bez wiedzy, ile faktycznie kosztuje jedna zaakceptowana i wdrożona zmiana w oprogramowaniu.