15 października 2026Zaktualizowano Fathy Shalaby12 min czytania
AI stworzyło nowe obciążenie pracą produktową: jak dzielą je PM-owie i inżynierowie
AI nie zlikwidowało pracy produktowej; przeniosło wąskie gardło na osąd, review i odpowiedzialność. Oto dane, trójtorowy kontrakt PM–inżynieria i sprawdzian przepustowości review.
Udostępnij
Ten artykuł został przetłumaczony z języka angielskiego. Przeczytaj oryginał
AI nie zlikwidowało pracy produktowej; przeniosło ją. Tworzenie szkiców, prototypów i kodu stało się tanie, a decydowanie, co zasługuje na uwagę, sprawdzanie tego, co powstało, i branie odpowiedzialności za to, co trafia do użytkowników, stało się droższe. To nowe obciążenie pracą produktową związane z AI. Zespoły z wysoką adopcją AI scalają o 98% więcej pull requestów, ale czas review rośnie o 91%. Rozwiązaniem jest jasny kontrakt: kto przygotowuje, kto decyduje i kto odpowiada za produkcję.
Najważniejsze wnioski
Wśród ponad 10 000 programistów zespoły z wysoką adopcją AI ukończyły o 21% więcej zadań i scaliły o 98% więcej PR-ów, ale czas review PR-ów wzrósł o 91%, a ich rozmiar o 154%, bez mierzalnej poprawy na poziomie firmy (Faros AI, 2025).
Badanie DORA z 2025 roku wykazało, że AI zwiększa już przepustowość dostarczania, ale nadal obniża stabilność, bo większa liczba zmian przytłacza słabe mechanizmy kontroli.
27% pracy wspieranej przez AI w Anthropic stanowiły zadania, które inaczej by nie powstały. Tańsze tworzenie oznacza więcej do oceny.
Udział PM-ów w zatrudnianiu w tech wzrósł z 16% w 2021 roku do 21% w 2026 roku, podczas gdy zatrudnianie inżynierów oprogramowania w USA spadło poniżej połowy szczytu z 2022 roku.
Podziel pracę na trzy tory: zautomatyzuj przygotowanie po stronie PM-a, zachowaj osąd produktowy po stronie człowieka i dziel odpowiedzialność za produkcję z inżynierią.
Jakie nowe obciążenie pracą stworzyło AI dla zespołów produktowych?
Nowym obciążeniem jest ocena. Gdy tworzenie jest tanie, zespół może wyprodukować więcej kandydatów, niż jest w stanie ocenić. Najwyraźniejszy pomiar pochodzi z badania telemetrycznego Faros AI z 2025 roku, obejmującego ponad 10 000 programistów w 1255 zespołach (Faros AI, 2025). W zespołach z wysoką adopcją AI:
programiści ukończyli o 21% więcej zadań i scalili o 98% więcej pull requestów.
średni rozmiar PR-a wzrósł o 154%.
czas review PR-ów wzrósł o 91%, co Faros wskazuje jako główne wąskie gardło.
liczba błędów na programistę wzrosła o 9%.
dostarczanie na poziomie firmy nie wykazało istotnej poprawy.
Program DORA Google'a zauważył ten sam wzorzec na poziomie systemu. Jego raport z 2025 roku, oparty na blisko 5000 specjalistów technologicznych, wykazał, że adopcja AI jest teraz dodatnio powiązana z przepustowością dostarczania, co odwraca wynik z 2024 roku, ale nadal ujemnie ze stabilnością. Autorzy tłumaczą to tym, że większy wolumen zmian przytłacza słabe mechanizmy kontroli, takie jak testy automatyczne i pętle sprzężenia zwrotnego ().
Powstaje też całkiem nowa praca. Badanie Anthropic dotyczące własnych pracowników wykazało, że 27% pracy wspieranej przez AI stanowiły zadania, które bez AI nie zostałyby wykonane (Anthropic, 2025). Część z tego jest wartościowa. Przy wszystkim ktoś musi zdecydować, czy to ma istnieć.
Dokąd przeniosła się praca
Czynność
Przed narzędziami AI do kodowania
Z narzędziami AI do kodowania
Pisanie pierwszego szkicu (spec, kod, prototyp)
Wolne, rzadkie
Szybkie, obfite
Wybór, który szkic rozwijać
Niejawny, bo było ich niewiele
Jawna, częsta decyzja
Review zmian
Proporcjonalne do wielkości zespołu
Rośnie szybciej niż zespół
Utrzymanie stabilnej produkcji
Znajome rozmiary zmian
Większe, częstsze zmiany
Łączenie pracy z dowodami od klientów
Często pomijane
Pomijane przy wyższym koszcie
Uczenie się z tego, co wdrożono
W najlepszym razie co miesiąc
Potrzebne co tydzień, by nadążyć
Kto przejmuje nowe obciążenie pracą produktową?
Każda rola bierze na siebie inną część.
Rola
Nowa praca, którą stworzyło AI
Z czego zrezygnować
Product manager
Wybór spośród wielu szkiców i prototypów; pisanie briefów, za którymi mogą iść agenci; sprawdzanie, czy to, co wdrożono, zgadza się z decyzją
Ręczne pisanie raportów statusowych i pierwszych szkiców specyfikacji
Inżynier
Review większych i częstszych zmian; pilnowanie architektury, bezpieczeństwa i niezawodności; utrzymanie kontekstu agentów
Wpisywanie boilerplate'u
Engineering manager
Wymiarowanie przepustowości review; utrzymywanie małych batchy; ustalenie polityki użycia AI
Liczenie linii, commitów czy zaakceptowanych podpowiedzi
Founder lub head of product
Częstsze mówienie nie, bo tak jest teraz tanie
Traktowanie tempa dema jako dowodu
Dane o zatrudnieniu odzwierciedlają to przesunięcie. Dane TrueUp i Live Data Technologies, przeanalizowane przez Lenny'ego Rachitsky'ego, pokazują, że product management był jedyną kluczową rolą, której udział w zatrudnianiu wzrósł, z 16% w 2021 roku do 21% pod koniec 2026 roku, podczas gdy amerykańskie firmy zatrudniły około 113 000 inżynierów oprogramowania w roku do kwietnia 2026, wobec 239 000 w szczycie z 2022 roku (Lenny's Newsletter, 2026). Mniej inżynierów na jednego PM-a oznacza, że każdy PM jest bliżej większego outputu. Nasz tekst o proporcji PM-ów do inżynierów w erze AI analizuje, co to robi z tą pracą.
Czym jest trójtorowy kontrakt PM–inżynieria?
Kontrakt czyni podział jawnym, zanim praca się zacznie, żeby nikt nie odkrył luki dopiero na produkcji.
Tor 1: zautomatyzuj mechaniczną pracę PM-a
Używaj AI tam, gdzie istnieje wejście, transformacja się powtarza, a człowiek może sprawdzić wynik. Dobrzy kandydaci:
Grupowanie i deduplikacja feedbacku
Wyciąganie tematów z rozmów i konwersacji w supporcie
Pierwsze podsumowanie badań z linkami do źródeł
Szkic briefu na podstawie zatwierdzonych dowodów
Kandydaci na tickety z zrecenzowanego briefu
Release notes, aktualizacje dla interesariuszy i wpisy do logu decyzji
Sprawdzanie, czy artefakt zawiera swoje dowody i kryteria akceptacji
Tor 2: zachowaj osąd produktowy po stronie człowieka
PM pozostaje odpowiedzialny za to, który problem zasługuje na uwagę, czyj to problem, jakie dowody są dość mocne, jaki kompromis robi zespół, co przewiduje hipoteza, co będzie się liczyć jako uczenie się i czego nie należy budować. AI może podważyć ujęcie problemu i znaleźć brakujące dowody. Nie powinno po cichu zamieniać wiarygodnego wzorca w zobowiązanie roadmapy. Wymieniamy je w czego product managerowie nigdy nie powinni delegować AI.
Tor 3: dziel kontrakt produkcyjny z inżynierią
PM i inżynieria wspólnie uzgadniają:
Architekturę i granice systemu
Bezpieczeństwo, prywatność i retencję danych
Niezawodność, wydajność i koszty działania
Ewaluację i zachowanie awaryjne dla funkcji AI
Uprawnienia i nieodwracalne akcje
Rollout, observability i rollback
PM wnosi użytkownika, problem, dowody i zamierzony efekt. Inżynieria wnosi ograniczenia systemu, tryby awarii i koszt utrzymania obietnicy na produkcji. Opis inżynierii agentowej autorstwa Martina Fowlera z 2026 roku mówi to wprost: ludzie pozostają odpowiedzialni za to, co robi oprogramowanie, a rozumienie domeny problemu ma większe, nie mniejsze znaczenie (Fowler, 2026).
Tor
PM odpowiada za
Inżynieria odpowiada za
Wspólny artefakt
1. Automatyzacja przygotowania
Reguły, review wyjątków
Narzędzia i dostęp do danych
Szkice z linkami do źródeł
2. Osąd produktowy
Problem, dowody, kompromis, efekt
Wkład w ocenę wykonalności
Zapis decyzji
3. Kontrakt produkcyjny
Wpływ na użytkownika, kryteria akceptacji
Architektura, bezpieczeństwo, niezawodność
Brief z zabezpieczeniami i planem rollbacku
Czy product managerowie powinni zostać builderami?
Tak, jeśli „PM builder” oznacza PM-a, który buduje tyle, by poprawić decyzję produktową. Nie, jeśli oznacza PM-a odpowiedzialnego za systemy produkcyjne bez umiejętności inżynierskich, review i rozliczalności potrzebnych do bezpiecznego ich prowadzenia.
PM builder może uczynić interakcję namacalną, ujawnić niejednoznaczność wymagania, przetestować workflow z użytkownikami, zbadać pytanie na danych, stworzyć jednorazowy prototyp i zautomatyzować własną pracę koordynacyjną. PM builder nie powinien używać AI, by obejść review architektury, wdrażać wrażliwe zmiany bez przeglądu bezpieczeństwa ani przez przypadek zamienić eksperymentu w obietnicę produkcyjną.
Jedna robocza definicja: PM builder buduje tyle, by poprawić decyzję, a nie by uniknąć jej podjęcia. Nasz dłuższy tekst o tym, czy product managerowie powinni zostać builderami, omawia potrzebne umiejętności.
Jak PM-owie powinni dziś zarządzać inżynierami i builderami AI?
Zadaniem managera nie jest maksymalizowanie wygenerowanego outputu. Jest nim uczynienie systemu na tyle godnym zaufania, by wygenerowany output mógł bezpiecznie przepływać. Osiem zasad działania:
Preferuj małe batche. Mniejsze zmiany łatwiej zrecenzować, przetestować i wycofać. DORA wymienia pracę w małych batchach wśród siedmiu zdolności, które wzmacniają korzyści z AI (Google Cloud, 2025).
Trzymaj kryteria akceptacji blisko dowodów. Inżynierowie powinni widzieć, dlaczego praca istnieje, a nie tylko co mówi ticket.
Poprawiaj kontekst dostępny dla narzędzi. Model DORA wymienia wewnętrzne dane dostępne dla AI i zdrowe ekosystemy danych jako odrębne zdolności. Nasz przewodnik po dawaniu agentom AI do kodowania kontekstu produktowego pokazuje, co uwzględnić.
Opublikuj politykę użycia AI. Pierwszą zdolnością DORA jest jasne i zakomunikowane stanowisko wobec AI: które narzędzia są dozwolone, jakie dane mogą widzieć i które akcje wymagają zatwierdzenia.
Model operacyjny znaczy więcej niż wybór narzędzi. Ankieta Product Institute z 2026 roku wśród 309 product leaderów wykazała, że 47% organizacji z dojrzałym modelem operacyjnym mówi, że AI wzmacnia ich sposób pracy, wobec 29% tych z niedojrzałym. Wśród organizacji ze słabym modelem 42% mówi, że AI ujawnia słabości lub pogarsza sytuację (Product Institute, 2026).
Jak sprawdzić, czy przepustowość review nadąża?
Mierz kolejkę, nie output. Prosty cotygodniowy sprawdzian:
Policz zmiany otwarte w tym tygodniu i zmiany zrecenzowane.
Zanotuj medianę godzin od otwarcia do pierwszego review.
Zanotuj medianę rozmiaru zmiany w liniach lub plikach.
Jeśli otwartych jest więcej niż zrecenzowanych dwa tygodnie z rzędu lub mediana czasu review się podwoi, ogranicz work in progress, zanim dodasz kolejne zadania dla agentów.
Rozpisany przykład (poglądowy)
Załóżmy, że zespół pięciu inżynierów i jednego PM-a scalał przed narzędziami AI do kodowania 20 zmian tygodniowo, mediana 150 linii każda, z pierwszym review w ciągu czterech godzin. Sześć tygodni po wdrożeniu agentów zespół otwiera 40 zmian tygodniowo z medianą 380 linii. Review zaczynają się teraz po 11 godzinach, a pod koniec każdego tygodnia czeka 12 zmian.
Zespół ustala limit trzech otwartych zmian generowanych przez agentów na inżyniera, każe agentom dzielić każdą zmianę powyżej 200 linii i prosi PM-a o sprawdzenie każdej zmiany względem kryteriów akceptacji jej briefu przed review inżynierskim. W ciągu trzech tygodni kolejka spada do trzech zmian, a pierwsze review wraca do pięciu godzin. Output ustala się na około 30 scalonych zmianach tygodniowo: mniej niż szczyt, więcej niż wcześniej i możliwe do zrecenzowania. Twoje liczby będą inne; chodzi o metodę.
Szablon: cotygodniowy przegląd obciążenia pracą z AI
Skopiuj to do notatek z cotygodniowego spotkania zespołu.
Zmiany otwarte / zrecenzowane / scalone w tym tygodniu:
Mediana czasu do pierwszego review:
Mediana rozmiaru zmiany:
Zmiany generowane przez agentów nadal otwarte:
Prototypy utworzone / przeniesione do roadmapy / wycofane:
Wygenerowana praca niepowiązana z decyzją:
Gdzie AI usunęło tarcie?
Gdzie dołożyło obciążenia review lub operacyjnego?
Co zatrzymujemy, zmniejszamy lub wycofujemy?
Wiersz o niepowiązanej pracy jest najbardziej użyteczny. Wszystko, co wygenerowano bez stojącej za tym decyzji, to nowe obciążenie w najczystszej postaci.
Jakie są częste błędy?
Świętowanie outputu. Wzrost scalonych PR-ów o 98% niewiele znaczy, jeśli rośnie też czas review i liczba błędów. Obserwuj system, nie jednostkę.
Zostawianie review temu, kto jest wolny. Review to teraz najrzadsza zdolność w zespole. Planuj ją jak każdą inną.
Robienie z PM-a inżyniera na pół etatu. Budowanie, by się uczyć, jest dobre. Wdrażanie na produkcję bez review inżynierskiego przesuwa ryzyko, nie usuwa go.
Ignorowanie perspektywy programistów. Ankieta Atlassian z 2025 roku wśród 3500 programistów i managerów wykazała, że programiści spędzają 16% czasu na kodowaniu, a 63% mówi, że liderzy nie rozumieją ich bolączek (Atlassian, 2025). Zapytaj inżynierów, gdzie leży nowe obciążenie, zanim zdecydujesz.
Planowanie etatów bez agentów. Work Trend Index 2025 Microsoftu proponuje stosunek człowieka do agentów jako miarę planowania i wykazał, że 36% liderów spodziewa się, że zarządzanie agentami będzie częścią ich pracy w ciągu pięciu lat (Microsoft, 2025). Ktoś musi kierować tymi agentami i je recenzować; zaplanuj w budżecie jego czas.
Gdzie pasuje Specky
Specky jest zbudowany wokół tego kontraktu. Wczytuje rozmowy z klientami, feedback, Slacka, Jirę i analitykę do Product Graph, więc brief lub ticket niesie cytaty inline do dowodów, na których się opiera. Jego serwer MCP daje agentom do kodowania ten sam kontekst produktowy, dzięki czemu inżynieria zaczyna od powodu, a nie tylko od prośby. Po wydaniu Specky sprawdza, czy zakład się sprawdził. PM zachowuje osąd; inżynieria zachowuje produkcję; nikt nie gubi wątku między nimi.
Najczęstsze pytania
Czy PM-owie powinni uczyć się budować z AI?
Tak, gdy budowanie pomaga im przetestować pytanie produktowe, doprecyzować wymaganie lub pozbyć się powtarzalnej mechanicznej pracy. Prototypy to szybki sposób, by pokazać użytkownikowi lub inżynierowi, co masz na myśli. PM-owie nadal powinni angażować inżynierię w architekturę produkcyjną, bezpieczeństwo, niezawodność i działanie, bo wygenerowany kod, który trafia do użytkowników, staje się odpowiedzialnością inżynierii.
Jak PM-owie powinni zarządzać inżynierami używającymi narzędzi AI do kodowania?
Ustal jasny kontrakt decyzyjny, trzymaj pracę w małych batchach, każ agentom dokumentować założenia i testy, określ granice danych i uprawnień oraz mierz wyniki produktowe i dostarczania zamiast wygenerowanego wolumenu. Co tydzień obserwuj czas review i rozmiar zmian; to pierwsze oznaki, że output wyprzedza zdolność zespołu do jego sprawdzania.
Dlaczego AI zwiększyło nasze obciążenie pracą zamiast je zmniejszyć?
Bo tworzenie staniało szybciej niż ocena. Faros AI wykazało, że zespoły z dużym udziałem AI scalały o 98% więcej PR-ów, podczas gdy czas review rósł o 91%. Anthropic wykazało, że 27% pracy wspieranej przez AI inaczej by nie powstało. Więcej szkiców, prototypów i zmian wymaga, by ktoś zdecydował, czy powinny istnieć i czy działają.
Jaka jest właściwa rola PM builder?
Akcelerator decyzji. PM builder tworzy tyle, by się uczyć i uzgadniać, przez prototypy, eksplorację danych i zautomatyzowaną koordynację, a potem współpracuje z inżynierią, by zamienić zwalidowany kierunek w bezpieczne, utrzymywalne oprogramowanie. Test brzmi: czy budowanie poprawiło decyzję, a nie czy PM wdrożył kod.
Czy AI zastąpi product managerów?
Dane mówią, że nie. Udział PM-ów w zatrudnianiu w tech rośnie od 2021 roku, podczas gdy AI przejmuje zadania takie jak synteza, dokumentacja i raportowanie statusu. Wybór problemów, robienie kompromisów i odpowiadanie za wyniki nadal wymagają człowieka. Zobacz nasz przegląd danych z 2026 roku o tym, czy AI może zastąpić product managerów.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing