Limity AI: 2026 #6 Taniej już było. Co musi umieć developer jutra?

Podobno Claude sam już tworzy kolejne wersje siebie, Anthropic wycina etaty programistów, a studia to marnowanie życia. Takie to kolejne marketingowe spiny i zasłona dymna, które odwracają uwagę od prostego faktu: inwestorom powoli kończy się cierpliwość – coraz głośniej domagają się zwrotów z inwestycji, coraz mniej dają wiarę kolejnym zapowiedziom, do tego procesory NVIDII zużywają się dwa razy szybciej, niż to zakładał kosztorys, a rewolucja AI zjada własny ogon.

Co teraz? Taniej już było. „20 dolarów za wszystko” to już pieśń przeszłości. Programista intensywnie pracujący z agentem CLI potrafi wygenerować koszty API rzędu 500–2000 USD miesięcznie. Aby nie dokładać do interesu, dostawcy llmów (Claude Code, Cursor, GitHub Copilot itp.) wprowadzili więc nowe pakiety – po wyczerpaniu limitów w planie Pro ($20) deweloperzy wpychani są na plany 5x / Pro+ ($100/mo) oraz Max 20x/Ultra ($200/mo).

Nic więc dziwnego, że w kwietniu br. dyrektor operacyjny Ubera Andrew Macdonald złapał się za głowę, gdy się okazało, że firma zdążyła już przepalić całoroczny budżet na narzędzia AI. Wcześniej odsetek inżynierów użytkujących Claude Code skoczył z 32% do aż 95% od początku roku, a faktury za każdą z subskrypcji zaczęły wynosić od 500$ do nawet 2000$ miesięcznie. Przy blisko 5000 programistów to dodatkowe koszty rzędu 5-7 mln $ miesięcznie. Najgorsze jest jednak co innego – mimo, że algorytmy AI generują już ponad 70% kodu zatwierdzanego w repozytoriach firmy, kierownictwo Ubera nie jest ich w stanie powiązać z jakąkolwiek realną korzyścią dla biznesu.

Czego się dowiesz z rozmowy?

• Kim jest Software Generalist? Dlaczego szeroka interdyscyplinarność, świadomość biznesowa i zadawanie pytań stają się ważniejsze niż ślepe przywiązanie do jednego frameworka?
• Czy grozi nam oligarchizacja danych? Jak korporacje zawłaszczyły otwartą pracę społeczności programistycznej i dlaczego przyszłość może należeć do małych, wyspecjalizowanych modeli lokalnych (SLM)?
• Jak się nie „odmóżdżyć” pracując z llmem? Dlaczego nasz mózg jest leniwy (tzw. "System 1" Kahnemana), podczas gdy praca z AI wymaga nieustannego, mentalnego wysiłku (tzw. "System 2")? Czym jest "brain fry" i jak to niwelować?
• Co z vibe-codingiem i JOLO-computingiem? Jakie są konsekwencje delegowania decyzji architektonicznych i myślenia do modeli LLM?
• Co mówi Prawo Conwaya? Dlaczego struktura organizacyjna firmy wpływają na jakość kodu silniej niż Transformery?