Badanie procesu wytwórczego oprogramowania wspieranego przez AI
Opublikowałem raport badawczy poświęcony automatyzacji procesu wytwórczego oprogramowania na przykładzie Projektu Venom.
Materiał jest rozwinięciem mojego projektu końcowego przygotowanego w ramach studiów podyplomowych „Transformacja cyfrowa: AI” na Akademii Leona Koźmińskiego. Strona nie jest projektem uczelni — jest autorską publikacją opisującą wyniki badania, model procesu oraz wnioski praktyczne wynikające z pracy nad Projektem Venom.
W badaniu analizuję, w jaki sposób agenci kodowania AI mogą wspierać proces wytwarzania oprogramowania, gdzie faktycznie skracają czas pracy, a gdzie nadal konieczna pozostaje kontrola człowieka. Główna teza raportu jest dość prosta: wartość AI nie wynika wyłącznie z generowania kodu, ale z osadzenia AI w uporządkowanym procesie, który ma bramki jakości, testy, review, kontrolę długu technicznego i jasne punkty decyzyjne.
Raport opiera się na danych własnych z Q1 2026, obejmujących między innymi dane z GitHub API oraz SonarQube Cloud. W przypadku Projektu Venom analizowane były m.in. aktywność repozytorium, liczba commitów, przyrost kodu, code churn, liczba testów jednostkowych, pokrycie testami, liczba issues oraz poziom długu technicznego.
Co pokazuje badanie?
Najważniejszy wniosek jest taki, że AI może istotnie przyspieszyć etapy implementacji i walidacji technicznej, ale nie eliminuje potrzeby świadomego procesu. W praktyce wąskie gardło przesuwa się z samego pisania kodu w stronę analizy, decyzji architektonicznych, jakości, kontroli zakresu oraz odpowiedzialności za końcowy rezultat.
Projekt Venom został potraktowany jako studium przypadku procesu wytwórczego wspieranego przez agentów kodowania AI. Nie chodziło o pokazanie, że AI „samo tworzy system”, ale o sprawdzenie, jak wygląda realny proces, w którym człowiek zachowuje kontrolę nad celem, zakresem, architekturą i akceptacją zmian, a AI pełni rolę wykonawczą i przyspieszającą.
Najważniejsze wyniki Projektu Venom
- końcowa baza kodu: 138 011 LOC,
- 1 587 commitów w analizowanym okresie,
- 64 aktywne dni pracy w Q1 2026,
- 0 issues na koniec cyklu,
- 0 dni długu technicznego według przyjętej metryki SonarQube Cloud,
- 92,2% pokrycia testami,
- 5 366 testów jednostkowych.
Same liczby nie są jednak najważniejsze. Kluczowe jest to, że zostały osiągnięte w procesie, który obejmował kontrolę jakości, automatyczne testy, przegląd zmian, analizę długu technicznego i cykliczne porządkowanie projektu.
Dlaczego to badanie jest dla mnie ważne?
W ostatnich miesiącach dużo mówi się o tym, że AI zmieni sposób wytwarzania oprogramowania. Często jednak dyskusja zatrzymuje się na poziomie hasła: szybciej, taniej, automatycznie. W praktyce temat jest bardziej złożony. AI może znacząco przyspieszyć pracę, ale bez procesu może równie szybko zwiększyć chaos, dług techniczny i trudność utrzymania projektu.
Dlatego w raporcie pokazuję nie tylko wyniki, ale także model procesu: warstwy odpowiedzialności, etapy pracy, punkty kontroli człowieka, pętle zwrotne oraz miejsce, w którym AI faktycznie wnosi największe przyspieszenie.
Gdzie można przeczytać raport?
Raport jest dostępny na stronie:
https://badania.strefa.org/
Strona ma formę interaktywnego raportu: zawiera opis badania, hipotezy, metodykę, dane, wykresy, model procesu oraz wnioski końcowe.
