Jeszcze niedawno sztuczna inteligencja pomagała programiście przede wszystkim dokończyć pojedynczą linię kodu albo wygenerować prostą funkcję. W 2026 roku coraz wyraźniej widać przejście do kolejnego etapu: agent AI otrzymuje zadanie, analizuje repozytorium, modyfikuje wiele plików, uruchamia testy, poprawia błędy i przygotowuje zmianę do przeglądu. Jednym z symboli tej transformacji stał się amerykański startup Factory, który 15 września pozyskał 200 mln dolarów finansowania przy wycenie 5 mld dolarów. Jeszcze w kwietniu firma była wyceniana na około 1,5 mld dolarów. Factory buduje agentów programistycznych nazywanych Droids i chce przenieść automatyzację z poziomu pojedynczego programisty na cały proces wytwarzania oprogramowania.

Rosnąca wycena jednego startupu nie oznacza oczywiście, że programiści za chwilę przestaną być potrzebni. Pokazuje jednak, gdzie obecnie płynie ogromna część pieniędzy związanych z generatywną AI. Programowanie jest środowiskiem wyjątkowo podatnym na rozwój agentów: zadania można opisać tekstem, rezultat da się uruchomić, przetestować i porównać, a agent otrzymuje dostęp do narzędzi podobnych do tych, których używa człowiek. Dlatego właśnie software development może być jednym z pierwszych zawodów wiedzy, w których przejście od „AI jako asystenta” do „AI jako wykonawcy zadania” stanie się codziennością.

Czym jest startup Factory i dlaczego został wyceniony na 5 miliardów dolarów?

Factory został założony w 2023 roku przez Matana Grinberga i Eno Reyesa z ambicją rozwijania autonomicznych systemów do tworzenia oprogramowania. Firma nie próbuje budować kolejnego klasycznego edytora z funkcją automatycznego podpowiadania kodu. Jej głównym produktem są Droids - agenci, którym można przekazać zadanie w języku naturalnym, a następnie pozwolić im analizować repozytorium, pisać kod, uruchamiać testy, przeprowadzać przegląd zmian i przygotowywać je do wdrożenia. Factory deklaruje przy tym podejście niezależne od jednego dostawcy modeli. W zależności od zadania jego platforma może korzystać z modeli różnych producentów, między innymi z rodzin GPT, Claude czy Gemini. To istotne dla dużych przedsiębiorstw, które nie chcą uzależniać całego procesu tworzenia oprogramowania od jednego laboratorium AI.

Nowa runda finansowania wyniosła 200 mln dolarów i zwiększyła wycenę Factory do 5 mld dolarów. Wśród inwestorów znalazły się między innymi Blackstone, Khosla Ventures, Sequoia Capital, Insight Partners i NEA, a łączna suma pozyskanego przez firmę kapitału przekroczyła 400 mln dolarów. Zaledwie pięć miesięcy wcześniej Factory zebrał 150 mln dolarów przy wycenie 1,5 mld. Firma podaje również, że z jej technologii korzystają zespoły związane z takimi przedsiębiorstwami jak Nvidia, Adobe, Palo Alto Networks, T-Mobile, RBC czy Blackstone. Tak szybki wzrost wyceny jest przede wszystkim sygnałem, że inwestorzy oczekują powstania dużego rynku narzędzi automatyzujących nie samo pisanie kodu, lecz cały proces pracy zespołów inżynierskich.

Czym agent programistyczny różni się od zwykłego asystenta AI do pisania kodu?

Pierwsza generacja narzędzi AI dla programistów działała przede wszystkim reaktywnie. Człowiek pisał kod, a system proponował następny fragment, odpowiadał na pytanie albo generował funkcję na podstawie krótkiego polecenia. Odpowiedzialność za podział zadania, znalezienie odpowiednich plików, uruchomienie projektu, sprawdzenie błędów i połączenie wszystkiego w działającą całość pozostawała po stronie programisty. Agent zmienia tę relację. Zamiast pytać: „napisz mi funkcję”, użytkownik może zlecić wykonanie konkretnego zadania, na przykład poprawienie błędu zgłoszonego przez klienta. Agent sam wyszukuje odpowiednie fragmenty repozytorium, planuje działania, edytuje pliki, wykonuje polecenia w terminalu i sprawdza wynik testami.

Właśnie dlatego określenie „AI coding” coraz mniej opisuje to, co naprawdę się dzieje. Kodowanie staje się tylko jednym etapem większej sekwencji. Factory przedstawia swoją platformę jako system obejmujący generowanie kodu, testowanie, code review, dokumentowanie i przygotowanie zmian do połączenia z główną wersją projektu. Droids mogą pracować w terminalu, środowiskach IDE, przeglądarce oraz poprzez narzędzia komunikacyjne i systemy zarządzania zadaniami. Poziom autonomii może być regulowany: w jednym przedsiębiorstwie agent jedynie przygotuje propozycję zmian do zatwierdzenia przez człowieka, a w innym będzie mógł samodzielnie wykonywać większą część procesu.

Dlaczego właśnie programiści mogą jako pierwsi mocno odczuć rozwój agentów AI?

Programowanie ma kilka cech, które wyjątkowo dobrze pasują do możliwości współczesnych agentów. Kod jest cyfrowy, środowisko pracy znajduje się na komputerze, a rezultaty wielu zadań można automatycznie sprawdzić. Agent może uruchomić kompilator, test jednostkowy, analizator statyczny lub aplikację, zobaczyć błąd i podjąć kolejną próbę. W przypadku wielu innych zawodów rezultat działania AI jest trudniejszy do jednoznacznej oceny. Napisanie tekstu marketingowego czy przygotowanie strategii może zależeć od subiektywnej oceny człowieka. W programowaniu można natomiast często stwierdzić wprost: testy przeszły albo nie, projekt się kompiluje albo nie, API zwraca prawidłową odpowiedź albo pojawia się błąd.

Jednocześnie oprogramowanie jest tworzone przez branżę, która bardzo szybko przyjmuje nowe narzędzia. Badanie JetBrains obejmujące ponad 15 tys. profesjonalnych programistów wskazywało, że w okresie od maja do lipca 2026 roku 90 proc. respondentów korzystało z agentów programistycznych co najmniej raz w tygodniu, a 68 proc. robiło to codziennie. Nie oznacza to, że każda firma przekazała AI samodzielne tworzenie produktów, ale pokazuje szybkość normalizacji tej technologii. Programista, który jeszcze kilka lat temu pisał niemal każdy fragment kodu własnoręcznie, coraz częściej staje się osobą delegującą część pracy systemowi AI, sprawdzającą rezultat i podejmującą decyzje dotyczące rozwiązania.

Czy agenci AI potrafią już samodzielnie wykonywać duże zadania programistyczne?

Możliwości szybko rosną, ale odpowiedź nadal nie brzmi po prostu „tak”. Agenci dobrze radzą sobie z coraz większą liczbą zamkniętych zadań, szczególnie kiedy istnieją jasne wymagania i możliwość automatycznej weryfikacji. Factory w swoich eksperymentach badał systemy wykonujące znacznie dłuższe zadania niż typowe poprawienie pojedynczego błędu. Firma pokazała w sierpniu 2026 roku eksperyment, w którym agenci otrzymywali zadania polegające na odtwarzaniu złożonych programów i mogli pracować przez dziesiątki godzin. Zastosowanie systemu obejmującego planowanie i samodzielnie tworzone mechanizmy weryfikacji znacząco poprawiało wyniki względem pojedynczego agenta. Są to jednak eksperymenty prowadzone przez producenta technologii, dlatego nie powinny być traktowane jako dowód, że agent może obecnie zastąpić cały zespół tworzący dowolny system.

W codziennej pracy największym ograniczeniem pozostaje rozumienie tego, czego rzeczywiście potrzebuje firma. Specyfikacja może być niepełna, wymagania klientów mogą się wzajemnie wykluczać, a poprawne technicznie rozwiązanie może być złe biznesowo. Im większy system, tym więcej nieformalnej wiedzy o architekturze, bezpieczeństwie, historii projektu i kompromisach podejmowanych przez zespół. Agent może świetnie wykonać dobrze zdefiniowany ticket, ale ktoś nadal musi zdecydować, czy ticket opisuje właściwy problem. To przesuwa środek ciężkości pracy programisty z mechanicznego implementowania kolejnych fragmentów kodu w kierunku definiowania problemów, projektowania systemu, kontrolowania zmian oraz oceny rezultatów generowanych przez AI.

Czy agenci AI rzeczywiście zwiększają produktywność programistów?

Badania pokazują, że odpowiedź zależy od rodzaju narzędzia, projektu oraz sposobu mierzenia produktywności. Szczególnie interesujący jest opublikowany w 2026 roku working paper NBER oparty na danych dotyczących ponad 500 tys. programistów z GitHuba. Autorzy odnotowali coraz większy wzrost aktywności wraz z przechodzeniem od autouzupełniania przez interaktywne narzędzia AI do agentów autonomicznych. W przypadku agentów liczba commitów rosła bardzo mocno, ale efekt znacznie malał na kolejnych etapach procesu: wzrost liczby projektów był dużo mniejszy, a rzeczywistych wydań oprogramowania jeszcze mniejszy. Badacze interpretują to jako przykład sytuacji, w której AI potrafi przyspieszyć tworzenie kodu, ale późniejsze ludzkie etapy procesu stają się wąskim gardłem.

Nie wszystkie badania dawały wcześniej równie pozytywne wyniki. METR w eksperymencie przeprowadzonym na doświadczonych programistach open source w pierwszej połowie 2025 roku obserwował nawet spowolnienie podczas korzystania z ówczesnych narzędzi AI. Kolejne badanie stało się jednak znacznie trudniejsze metodologicznie, ponieważ część programistów nie chciała uczestniczyć w eksperymencie wymagającym pracy bez AI. METR w lutym 2026 roku podkreślał, że późniejsze dane dawały pewne sygnały przyspieszenia, ale obciążone były dużą niepewnością. Najważniejszy wniosek jest więc bardziej złożony niż marketingowe hasło o kilkukrotnym wzroście produktywności: narzędzia szybko się poprawiają, ale ich rzeczywista wartość zależy od zadania i organizacji całego procesu pracy.

Czy agenci AI zastąpią programistów i ograniczą liczbę miejsc pracy?

Technologia automatyzuje coraz większą część czynności wykonywanych dotychczas ręcznie przez programistów, ale nie wynika z tego automatycznie, że zapotrzebowanie na ludzi spadnie w takim samym stopniu. Historia oprogramowania wielokrotnie pokazywała, że zwiększenie produktywności obniża koszt tworzenia nowych systemów, a to z kolei zwiększa liczbę projektów, które opłaca się realizować. Generowanie większej ilości kodu również nie rozwiązuje wszystkich problemów. Ktoś musi określać wymagania, oceniać ryzyko, projektować architekturę, odpowiadać za bezpieczeństwo, sprawdzać skutki zmian oraz decydować, które funkcje w ogóle powinny powstać. Im łatwiejsze staje się produkowanie kodu, tym ważniejsza może być umiejętność odróżnienia kodu potrzebnego od kodu jedynie możliwego do wygenerowania.

Zmienić może się natomiast struktura zespołów i zakres obowiązków. Firma, która wcześniej potrzebowała dziesięciu osób do realizacji określonego zakresu prac, może dzięki agentom wykonać więcej bez proporcjonalnego zwiększania zatrudnienia. Wipro informował w 2026 roku, że wdrożenia AI uwolniły w organizacji zdolności produkcyjne odpowiadające pracy około 20 tys. osób, przy czym pracownicy zostali przesunięci do innych zadań zamiast automatycznie zwolnieni. To dobry przykład różnicy pomiędzy „AI wykonuje część pracy” a „AI usuwa stanowisko”. W programowaniu podobna reorganizacja może oznaczać mniej czasu spędzanego na powtarzalnej implementacji, a więcej na nadzorowaniu kilku równoległych strumieni pracy wykonywanych przez agentów.

Czy juniorzy mogą odczuć rozwój agentów programistycznych mocniej niż doświadczeni developerzy?

To jedno z najważniejszych pytań dotyczących kolejnych lat. Wiele zadań tradycyjnie powierzanych początkującym programistom jest dokładnie tym rodzajem pracy, z którym agenci radzą sobie coraz lepiej: proste poprawki błędów, tworzenie testów, dokumentacji, migracje, niewielkie funkcje, refaktoryzacja czy praca według dobrze opisanej specyfikacji. Jeśli senior może przekazać takie zadanie agentowi i po kilkunastu minutach przejrzeć wynik, ekonomia zatrudniania dużej liczby juniorów może się zmienić. Problem polega na tym, że właśnie wykonywanie takich prac było dotychczas sposobem zdobywania doświadczenia potrzebnego później do projektowania trudniejszych systemów.

Z drugiej strony początkujący programista wyposażony w dobre narzędzia AI może znacznie szybciej wejść na wyższy poziom. Agent może wyjaśniać nieznane fragmenty repozytorium, pokazywać możliwe rozwiązania, pisać testy i pomagać w analizie błędów. Kluczowa staje się jednak zdolność sprawdzenia, czy odpowiedź AI jest poprawna. Osoba bez podstaw technicznych może zaakceptować rozwiązanie, które działa w prostym teście, ale wprowadza problem bezpieczeństwa lub trudny do zauważenia błąd architektoniczny. Próg wejścia do pisania kodu może więc maleć, a jednocześnie rosnąć może znaczenie wiedzy pozwalającej oceniać kod generowany automatycznie. Paradoksalnie rozwój AI może sprawić, że samo wpisywanie składni będzie mniej ważne, ale rozumienie informatyki stanie się jeszcze bardziej wartościowe.

Jak może wyglądać praca programisty w świecie wielu równoległych agentów AI?

Największą zmianą może być odejście od modelu, w którym programista przez kilka godzin samodzielnie realizuje jedno zadanie. Coraz bardziej realny staje się sposób pracy przypominający zarządzanie niewielkim zespołem cyfrowych wykonawców. Jeden agent może analizować błąd produkcyjny, drugi przygotowywać testy, trzeci modernizować zależności, a czwarty wykonywać code review zmian wygenerowanych wcześniej. Człowiek określa priorytety, przekazuje kontekst, sprawdza rezultaty i interweniuje w sytuacjach wymagających szerszego rozumowania. Factory właśnie w tym kierunku rozwija koncepcję „software factory”, czyli systemu, w którym agenci obsługują kolejne etapy pracy zamiast działać wyłącznie jako dodatek do pojedynczego IDE.

Taki model tworzy jednak nowe problemy. Jeśli jeden programista może uruchomić jednocześnie kilka agentów generujących ogromne ilości zmian, code review może stać się nowym wąskim gardłem. Więcej wygenerowanego kodu oznacza również więcej potencjalnych błędów, problemów bezpieczeństwa i decyzji, które trzeba zweryfikować. Dlatego platformy dla przedsiębiorstw rozwijają mechanizmy kontroli uprawnień, sandboxingu, audytowania działań agentów i ograniczania poleceń, które mogą samodzielnie wykonywać. Factory oferuje między innymi możliwość pracy w środowiskach izolowanych i air-gapped oraz centralne zasady określające dostęp agentów do modeli i narzędzi. Autonomia nie oznacza więc braku kontroli. W środowisku przedsiębiorstwa prawdopodobnie będzie rosła równolegle z coraz bardziej szczegółowym nadzorem.

Co wycena Factory na 5 miliardów dolarów mówi o przyszłości rynku agentów AI?

Wycena startupu nie jest dowodem, że jego technologia zdominuje rynek ani że przewidywania inwestorów się sprawdzą. Rynek AI pozostaje niezwykle konkurencyjny, a Factory rywalizuje zarówno ze startupami wyspecjalizowanymi w kodowaniu, jak i z największymi laboratoriami rozwijającymi własnych agentów. Wysokość rundy pokazuje jednak skalę oczekiwań. Inwestorzy nie finansują już wyłącznie narzędzi, które pomagają programiście szybciej pisać kolejne linie. Kapitał kierowany jest w stronę systemów mających samodzielnie przejmować całe fragmenty procesu wytwarzania oprogramowania. Factory opisuje swoją wizję wprost jako przejście od pojedynczych coding agents do „software factories”, działających na poziomie całej organizacji.

Programiści mogą dlatego stać się pierwszą dużą grupą zawodową, która zobaczy pełny cykl przejścia od prostego chatbota do autonomicznego cyfrowego wykonawcy pracującego przez wiele godzin. Nie oznacza to końca zawodu, lecz zmianę jego podstawowej jednostki pracy. Dotychczas programista otrzymywał zadanie i pisał rozwiązanie. Coraz częściej może otrzymywać problem, rozdzielać jego elementy pomiędzy agentów, a następnie kontrolować to, co stworzyły. Jeśli ten model okaże się skuteczny w software development, doświadczenia zdobywane dziś przez firmy takie jak Factory mogą później zostać przeniesione do finansów, prawa, marketingu, analityki czy administracji. Dlatego historia startupu wycenianego już na 5 mld dolarów jest nie tylko historią o programowaniu. To jeden z pierwszych dużych testów tego, jak będzie wyglądała praca człowieka, gdy AI przestanie jedynie odpowiadać na pytania i zacznie samodzielnie wykonywać całe zadania.