15 października 2026Zaktualizowano Fathy Shalaby14 min czytania
Koszt budowania funkcji z AI: dlaczego „1 godzina” nie oznacza tanio
„Zrobimy to w 1 godzinę z AI” to estymacja implementacji, a nie argument produktowy. Ile funkcja kosztuje po tej godzinie, rozpisany przykład na 12 miesięcy i jak powiedzieć nie, nie spowalniając zespołu.
Udostępnij
Ten artykuł został przetłumaczony z języka angielskiego. Przeczytaj oryginał
Koszt budowania funkcji z AI dla pierwszej wersji gwałtownie spadł, ale większość tego, co kosztuje funkcja, pojawia się po zbudowaniu: review, bezpieczeństwo, testy, support, utrzymanie i uwaga roadmapy zabrana innym zakładom. Dlatego „zrobimy to w 1 godzinę z AI” to estymacja implementacji, a nie argument produktowy. Dowodzi, że prototyp jest tani. Nie dowodzi, że tania jest funkcja.
Krótka odpowiedź: nie, samo w sobie nie jest to dobry powód. Jest za to dobrym powodem, by przeprowadzić tani test, jeśli odpowiada on na prawdziwe pytanie, ma właściciela i datę końca. Chodzi o to, by przesunąć rozmowę z czasu budowy na pełny koszt posiadania efektu.
Najważniejsze wnioski
Utrzymanie było największą pozycją już przed AI. W ankiecie Stripe z 2018 roku programiści szacowali, że 17,3 godziny z 41,1-godzinnego tygodnia pochłania praca utrzymaniowa, taka jak debugowanie, refaktoryzacja i naprawianie złego kodu (Stripe, 2018).
Kod wygenerowany przez AI nadal wymaga sprawdzenia: 66% programistów w ankiecie Stack Overflow z 2025 roku wskazało odpowiedzi „prawie dobre, ale nie do końca” jako największą frustrację, a 45,2% stwierdziło, że debugowanie kodu z AI trwa dłużej (Stack Overflow, 2025).
Veracode ustaliło, że kod wygenerowany przez AI wprowadzał ryzykowne luki w zabezpieczeniach w 45% testów, w ponad 100 modelach (Veracode, 2025).
AI przyspiesza zespoły, ale nadal obciąża stabilność. Badanie DORA z 2025 roku wykazało, że 90% respondentów używa AI w pracy, a adopcja AI wciąż ma ujemną zależność ze stabilnością dostarczania oprogramowania (Google Cloud, 2025).
W poniższym przykładzie poglądowym funkcja zbudowana w 1 godzinę kosztuje w pierwszym roku około 53 godzin.
Czy „zrobimy to w 1 godzinę z AI” to dobry argument produktowy?
Tylko jako dowód, że tania sonda jest możliwa. Nie mówi nic o tym, czy problem ma znaczenie, czy rozwiązanie zmieni zachowanie, ani czy zespół powinien przejąć odpowiedzialność za efekt na produkcji.
Ten argument nie jest nowy; AI po prostu uczyniło go głośniejszym. W 2013 roku Des Traynor z Intercom wymienił „szybko to zbudować” wśród typowych złych powodów dodawania funkcji, obok „konkurencja to ma” i „ktoś z góry tego chce”. Jego myśl: szybka estymacja ukrywa złożoność, bo „nie ma małych zmian” ().
Zmieniło się tarcie. Zespoły odrzucały pomysły częściowo dlatego, że implementacja była widocznie droga: tydzień pracy inżynierów albo ryzykowna migracja tworzyły naturalną pauzę. Programowanie wspomagane przez AI w dużej mierze tę pauzę usuwa. Nowy sposób porażki to nie tylko powolne budowanie nie tego, co trzeba. To szybkie budowanie nie tego, co trzeba, a potem branie istnienia oprogramowania za dowód, że zakład był dobry.
Jaki jest pełny koszt budowania funkcji z AI?
Estymacja na jedną godzinę pokrywa jedną linię długiego rachunku. Oto reszta, razem z tym, co o każdej pozycji mówią dane.
Pozycja kosztu
Co obejmuje
Co mówią dane
Review i poprawki
Czytanie, naprawianie i ponowne promptowanie wygenerowanego kodu
66% programistów wskazuje „prawie dobre” wyniki AI jako największą frustrację; 45,2% mówi, że debugowanie kodu z AI trwa dłużej (Stack Overflow, 2025)
Bezpieczeństwo i uprawnienia
Auth, dostęp do danych, obsługa danych wejściowych
Kod z AI wprowadził ryzykowne luki w 45% testów Veracode (Veracode, 2025)
Testy i release
Testy, QA, rollout, rollback
W danych DORA z 2024 roku stabilność dostarczania spadała wraz ze wzrostem adopcji AI (Google Cloud, 2024)
Dokumentacja i support
Artykuły pomocy, tickety, zmiany w onboardingu
Każda widoczna funkcja powiększa to, czego użytkownicy muszą się nauczyć, a support wyjaśnić
Utrzymanie
Poprawki błędów, zmiany zależności i API, refaktoryzacja
Programiści szacowali, że 17,3 z 41,1 godzin tygodniowo idzie na utrzymanie (Stripe, 2018)
Nawet opcjonalne funkcje pojawiają się w innych miejscach produktu (Intercom, 2013)
Koszt alternatywny
Zakład, którego nie przetestowałeś, zużyty czas na review
W danych Pendo 12% funkcji odpowiada za 80% codziennego użycia (Pendo, 2019)
Usunięcie
Migrowanie użytkowników, jeśli się nie uda
Rzadko planowane, więc rzadko tanie
„Tanio zbudować” to nie to samo co „tanio posiadać”. Dlatego twierdzenie o jednej godzinie może być technicznie prawdziwe i mimo to być słabym powodem, by powiedzieć tak.
Ile kosztuje utrzymanie funkcji?
Prawie zawsze więcej niż zbudowanie. Raport Stripe Developer Coefficient, w którym zapytano tysiące menedżerów i programistów w sześciu krajach, wykazał, że programiści szacują, iż 17,3 godziny przeciętnego 41,1-godzinnego tygodnia idzie na utrzymanie: radzenie sobie ze złym kodem i błędami, debugowanie, refaktoryzację i modyfikacje. To około 42% tygodnia. Osobno wskazali 13,5 godziny tygodniowo na dług techniczny, a Stripe oszacowało koszt alternatywny złego kodu na około 85 miliardów dolarów rocznie (Stripe, 2018). To szacunki z ankiety, a nie ewidencja czasu, ale kierunek jest jasny: kod jest tani w dodawaniu i drogi w utrzymaniu.
Narzędzia AI zmieniają tempo, w jakim kod się gromadzi. Analiza GitClear obejmująca 211 milionów zmienionych linii z lat 2020–2024 wykazała, że udział skopiowanych linii wzrósł z 8,3% do 12,3% zmian między 2021 a 2024 rokiem, podczas gdy udział linii przenoszonych przy refaktoryzacji spadł z 25% do poniżej 10% (GitClear, 2025). Więcej duplikacji i mniej konsolidacji: tak rosną rachunki za utrzymanie.
Dlaczego funkcje AI kosztują jeszcze więcej w utrzymaniu
Jeśli sama funkcja korzysta z AI, dochodzi druga warstwa. D. Sculley i współautorzy argumentowali w 2015 roku, że uczenie maszynowe pozwala zespołom szybko budować przydatne systemy, ale że niebezpiecznie jest traktować te szybkie wygrane jako darmowe: rzeczywiste systemy ML zwykle generują ogromne, ciągłe koszty utrzymania (Sculley et al., NIPS 2015). Ich lista ryzyk wprost pasuje do dzisiejszych funkcji AI:
Zależności od danych: funkcja przestaje działać, gdy zmienia się struktura danych, które czyta.
Ukryte pętle sprzężenia zwrotnego: wynik funkcji zmienia zachowanie, z którego się uczy.
Niezadeklarowani odbiorcy: inne części produktu zaczynają polegać na wyniku.
Zmiany w świecie zewnętrznym: aktualizacja modelu lub zmiana dostawcy zmienia zachowanie bez zmiany kodu.
Każde z nich wymaga ewaluacji, monitoringu, planu awaryjnego i kogoś, kto odpowiada za wynik. Nic z tego nie mieści się w godzinie. Framework ewaluacji AI opisuje, co ta odpowiedzialność obejmuje.
Jaki jest koszt alternatywny „taniej” funkcji?
Koszt alternatywny to to, z czego zespół rezygnuje, poświęcając uwagę tutaj zamiast na kolejny najlepszy zakład. Przy AI rzadkim zasobem rzadko jest czas pisania. Rzadkie są:
Moce przerobowe na review. Każda wygenerowana funkcja potrzebuje uważnego czytelnika, a wąskim gardłem są senior reviewerzy.
Uwaga roadmapy. Każda funkcja dokłada dyskusje, aktualizacje statusu i decyzje o przypadkach brzegowych.
Uwaga użytkowników. Każda widoczna opcja czyni produkt nieco trudniejszym do nauczenia.
Czas na naukę. Godzina poświęcona na budowanie nie tego, co trzeba, to także godzina, w której nie testujesz najbardziej ryzykownego założenia.
Prawdopodobieństwa bazowe nie sprzyjają „taniej” funkcji. Badanie Pendo z 2019 roku obejmujące 615 subskrypcji oprogramowania wykazało, że 80% funkcji jest używanych rzadko lub wcale, a 12% funkcji generuje 80% codziennego użycia (Pendo, 2019). Szybsze budowanie zwiększa liczbę funkcji na kwartał; nie zmienia szans, że każda z nich będzie miała znaczenie. Nasza analiza dlaczego 80% funkcji pozostaje nieużywanych pokazuje, co to badanie mierzyło, a czego nie.
Rozpisany przykład: ile kosztuje funkcja „na 1 godzinę” w pierwszym roku
Załóżmy, że 6-osobowy zespół B2B SaaS buduje w godzinę, za pomocą narzędzia AI do kodowania, funkcję „cotygodniowy digest na Slacku”. Zespół i wszystkie liczby poniżej są poglądowe, dobrane skromnie.
Pozycja kosztu
Szacunek na rok pierwszy
Godziny
Budowa z AI
Jedna sesja
1
Review i poprawki wygenerowanego kodu
Dwóch reviewerów, kilka podejść
6
Review bezpieczeństwa i uprawnień
Dostęp na poziomie workspace'u, scope'y Slacka
4
Testy i QA
Przypadki brzegowe: puste tygodnie, strefy czasowe
3
Dokumentacja, artykuł pomocy, release note
Po jednym
2
Support
3 tickety miesięcznie × 20 minut × 12 miesięcy
12
Utrzymanie
1 godzina miesięcznie na zmiany API i zależności
12
Jeden incydent i poprawka
Digest wysłany na zły kanał
6
Planowanie i dyskusje
3 dyskusje × 5 osób × 30 minut
7,5
Razem
53,5
Funkcja, która kosztowała jedną godzinę, kosztuje w pierwszym roku około 53 godzin, jeszcze bez liczenia tego, czego zespół nie zrobił w tym czasie. Ta liczba za pierwszy rok to koszt budowania funkcji z AI, który roadmapa powinna ważyć, a nie ta 1. To nie znaczy, że to zła funkcja. Jeśli digest mierzalnie utrzymuje aktywność kont, 53 godziny to tanio. Chodzi o to, by porównać wartość z 53 godzinami.
Jak powiedzieć nie i nie zostać „wolnym PM-em”?
Mocne nie to nie weto. To decyzja, którą można zbadać, zakwestionować i do której można wrócić. Użyj pięciu ruchów.
1. Nazwij decyzję
Unikaj „to chyba nie jest warte zachodu”. Powiedz: „nie angażujemy tego jeszcze w produkcyjną roadmapę” albo „odkładamy to, dopóki nie będziemy mieć dowodów, że ten workflow to powtarzający się problem”. O nazwanej decyzji łatwiej rozmawiać niż o przeczuciu.
2. Oddziel sygnał od historii
„Klient poprosił o eksport” to sygnał.
„Trzech klientów w tym samym workflow opisało to samo zablokowane zadanie” to mocniejszy dowód.
„Asystent AI zasugerował funkcję eksportu” nie jest dowodem od klientów.
„Konkurent ma funkcję eksportu” to kontekst rynkowy, a nie dowód dopasowania.
Trzymaj źródło przy sygnale. Wiarygodne wyjaśnienie to nie zaobserwowany problem.
3. Sformułuj falsyfikowalną hipotezę
Jeśli damy [konkretnemu użytkownikowi] [konkretną możliwość] w [konkretnym kontekście], to [obserwowalne zachowanie] się zmieni, ponieważ [powód poparty dowodami]. Kontynuujemy, jeśli [warunek sukcesu]. Zawężamy lub kończymy, jeśli [warunek porażki] do [data przeglądu].
Brief wygenerowany przez AI może napisać to zdanie. Zespół nadal musi zdecydować, czy wierzy w nie na tyle, by je przetestować. Brief produktowy AI jako kontrakt pokazuje, jak trzymać szkic takiego standardu.
4. Wyceń cały zakład
Zapytaj, kto jest właścicielem efektu, kto sprawdza jego zachowanie, co się stanie, gdy się pomyli, jakie obciążenie supportu wygeneruje, czy da się to odwrócić, jakich danych dotyka i czy jesteś gotów to utrzymywać, jeśli zadziała. Dla funkcji AI dodaj ewaluację, zachowanie awaryjne, scenariusze nadużyć i eskalację do człowieka. Implementacja może zająć godzinę, a odpowiedzialność trwa latami. Użyj tabeli kosztów powyżej jako checklisty.
5. Daj zespołowi następny krok
Nie bez następnego kroku wygląda jak biurokracja. Zaoferuj jedną z czterech ścieżek:
Uczyć się: porozmawiać z użytkownikami albo zaobserwować workflow.
Zawęzić: przetestować jeden segment, wyzwalacz lub zadanie.
Sondować: zbudować jednorazowy prototyp z datą ważności.
Odłożyć: zapisać pomysł i powód, dla którego nie jest aktywny, w swoim logu decyzji.
Następny krok powinien być mniejszy niż zobowiązanie, którego chcesz uniknąć. Jeśli trudniejszy jest problem utrzymania zaufania interesariusza przy odmowie, zobacz jak PM-owie mówią nie, nie niszcząc zaufania.
Kiedy „zrobimy to w godzinę” jest ważnym argumentem?
Gdy zespół jasno mówi, że przeprowadza sondę, a nie podejmuje zobowiązania produktowego. Użyj tego argumentu, gdy:
test ma jedno wyraźne pytanie i zdefiniowanych odbiorców;
wynik jest jednorazowy lub bezpiecznie odizolowany, za flagą lub poza produkcją;
eksperyment ma datę ważności, a ktoś odpowiada za przegląd;
sukces i porażka są zdefiniowane przed budową;
nie sugeruje się żadnej obietnicy wobec klienta ani produkcji.
W takim kontekście szybkość jest przewagą w uczeniu się, a odmowa testowania to droga opcja. Ron Kohavi i Stefan Thomke opisują pomysł Binga na zmianę sposobu wyświetlania nagłówków reklam. Wymagał kilku dni pracy inżynierów, dostał niski priorytet i przez ponad sześć miesięcy leżał nieprzetestowany. Prosty test A/B pokazał potem około 12% więcej przychodów, warte ponad 100 milionów dolarów rocznie w USA (HBR, 2017).
Argument słabnie, gdy służy do pominięcia discovery problemu, priorytetyzacji, przeglądu bezpieczeństwa lub odpowiedzialności. Jeśli prototyp prawdopodobnie stanie się trwały, oceń go przed wdrożeniem testem drzwi jednokierunkowych i dwukierunkowych.
Szablon decyzji dla zespołów wspomaganych przez AI
Skopiuj to do następnej dyskusji o roadmapie:
Pole
Pytanie
Decyzja
Na co dokładnie mówimy tak lub nie?
Użytkownik i job
Kto próbuje zrobić co?
Dowody
Jakie źródła pokazują, że to prawdziwy problem?
Założenie
Czego jeszcze nie jesteśmy pewni?
Hipoteza
Jakie zachowanie lub wynik powinny się zmienić?
Najmniejszy test
Jaki jest najtańszy sposób, by się czegoś nauczyć?
Koszt posiadania (12 miesięcy)
Review, bezpieczeństwo, support, utrzymanie, uwaga: mniej więcej ile godzin?
Sukces
Jaki wynik zasługuje na kolejną inwestycję?
Porażka
Jaki wynik każe nam zawęzić, wstrzymać lub zakończyć?
Własność
Kto sprawdza wynik i odpowiada za konsekwencje?
Data ważności i usunięcie
Kiedy do tego wrócimy i jak byśmy to usunęli?
Non-goals
Czego jawnie nie budujemy?
To nie proces dla samego procesu. To granica wokół uwagi zespołu.
Co tak naprawdę wynika z badań nad programowaniem z AI?
Badania nie wspierają żadnej z krańcowości: ani „AI nic nie zmienia”, ani „AI czyni osąd produktowy zbędnym”.
Badanie DORA z 2024 roku wykazało, że 25-procentowy wzrost adopcji AI wiązał się z 7,5% lepszą jakością dokumentacji, 3,4% lepszą jakością kodu i 3,1% szybszym code review, ale że przepustowość dostarczania spadała o szacunkowo 1,5%, a stabilność dostarczania o 7,2% wraz ze wzrostem adopcji (Google Cloud, 2024). W 2025 roku, przy blisko 5000 respondentów, DORA zobaczyło dodatnią zależność z przepustowością, ale adopcja AI nadal była ujemnie powiązana ze stabilnością. Podsumowanie: AI nie naprawia zespołu, wzmacnia to, co już jest (Google Cloud, 2025).
Odpowiedzią produktową nie jest przestanie korzystania z AI. Koszt budowania funkcji z AI spadł; koszt złego decydowania nie. Spraw, by dowody i pętla decyzyjna były równie szybkie jak budowa. Pełne dane o tempie, w tym próby METR, znajdziesz w Produktywność kodowania z AI: co pokazują dane z 2026 roku.
Częste błędy
Porównywanie godziny budowy z wartością. Porównaj zamiast tego koszt z pierwszego roku z wartością.
Używanie kosztu jako weta. Niektóre tanie sondy to najlepsze wykorzystanie tygodnia. Wyceń zakład, potem decyduj.
Pozwolenie, by prototyp stał się produktem. Bez daty ważności demo po cichu zamienia się w zobowiązanie supportowe.
Liczenie sugestii AI jako dowodów. Model proponujący funkcję to nie klient, który o nią prosi.
Brak planu usunięcia. Jeśli nie umiesz powiedzieć, jak byś to usunął, nie wyceniłeś tego.
Gdzie pasuje Specky
Specky utrzymuje widoczny łańcuch od sygnału do decyzji. Rozmowy z klientami, feedback, rozmowy w supporcie i analityka trafiają do Product Graph, więc gdy ktoś mówi „zrobimy to w godzinę”, zespół może sprawdzić, jakie dowody wspierają problem. Decyzje trafiają do Decision Log wraz z uzasadnieniem, PRD zawierają cytaty inline do dowodów, a po premierze możesz sprawdzić, czy zakład się sprawdził. AI szkicuje i łączy; ludzie decydują i odpowiadają za wynik.
Najczęstsze pytania
Czy „zrobimy to w 1 godzinę z AI” nadal jest dobrym argumentem produktowym?
Tylko jako dowód, że tania sonda jest możliwa. Nie pokazuje, że problem ma znaczenie, że rozwiązanie zadziała ani że zespół powinien wspierać funkcję na produkcji. Potraktuj to jako powód do ograniczonego testu z właścicielem i datą ważności, a koszt posiadania efektu wyceń osobno.
Ile kosztuje utrzymanie funkcji oprogramowania?
Nie ma jednej uniwersalnej liczby, ale utrzymanie zwykle waży więcej niż budowa. W ankiecie Stripe z 2018 roku programiści szacowali, że 17,3 z 41,1 godzin tygodniowo, czyli około 42%, idzie na pracę utrzymaniową. Praktyczny nawyk to oszacowanie godzin pierwszego roku na review, bezpieczeństwo, support, utrzymanie i dyskusje; w naszym przykładzie poglądowym wyszło to około 53 godzin dla godzinnej budowy.
Jaki jest koszt alternatywny zbudowania funkcji?
To wartość najlepszej alternatywy, z której zespół zrezygnował: nieprzetestowane, bardziej ryzykowne założenie, czas review użyty gdzie indziej, uwaga użytkowników wydana na nową opcję. Przy AI rzadkim zasobem rzadko jest czas kodowania; są nim moce przerobowe na review, uwaga roadmapy i czas na naukę. Ustalenie Pendo, że 12% funkcji generuje 80% użycia, pokazuje, dlaczego ten kompromis ma znaczenie.
Czy zespoły powinny unikać budowania prototypów z AI?
Nie. Używaj AI do budowania prototypów, gdy prototyp odpowiada na wyraźne pytanie. Daj mu odbiorców, właściciela, datę ważności i regułę przeglądu, by po cichu nie stał się trwałą obietnicą. Tanie testy często biją długie debaty, jak pokazał pomysł Binga na nagłówki, leżący sześć miesięcy, gdy prosty test A/B podniósł przychody o około 12%.
Co zespoły produktowe powinny mierzyć zamiast tempa budowania z AI?
Mierz uczenie się i wyniki: zwalidowane lub odrzucone założenia, zachowanie użytkowników, jakość, stabilność dostarczania, adopcję, retencję, obciążenie supportu i metrykę biznesową, którą zakład miał ruszyć. Badania DORA pokazują, że szybkość i stabilność mogą zmieniać się w przeciwnych kierunkach, więc sama ilość kodu i czas budowy nie są postępem produktowym.
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