Jak przekształcić AI w prawdziwego partnera w developmentcie

Materiały sponsorowane przez GR8 Tech

W GR8 Tech pytanie było konkretne: czy AI może realnie usprawnić sposób, w jaki projektujemy, weryfikujemy i dostarczamy złożone systemy - bez kompromisów w zakresie bezpieczeństwa i jakości? Dużą rolę odegrał w tym Mykola Remeslennikov, lider Payments Core Team - który podszedł do AI nie jak entuzjasta nowych technologii, ale jak architekt szukający realnych, sprawdzalnych rozwiązań.

Patrząc wstecz - co skłoniło Cię do pierwszych eksperymentów z narzędziami AI w codziennej pracy inżynierskiej w GR8 Tech?

„Osiem miesięcy temu byłem sceptyczny wobec narzędzi AI do kodowania. Widziałem w nich jedynie bardziej zaawansowany autocomplete i nie wierzyłem, że doświadczeni developerzy potrzebują takiego wsparcia. Nie miałem też ochoty płacić za coś, co - jak sądziłem - nie wniesie realnej wartości. Zmiana nastąpiła, gdy zdecydowaliśmy się przetestować narzędzia AI w GR8 Tech. Ze względu na certyfikację PCI DSS nie mogliśmy korzystać z dowolnych publicznych rozwiązań - potrzebowaliśmy narzędzia klasy enterprise, które nie wymagałoby dodatkowej infrastruktury. Tak trafiliśmy na Amazon Q Developer. W tamtym czasie byłem przeciążony code review i zainstalowałem je bardziej z potrzeby niż z ciekawości. Na początku efekty były dokładnie takie, jakich się spodziewałem - przeglądy kodu bez kontekstu domenowego często kończyły się komentarzem w stylu „Looks good to me”. To, co mnie zaskoczyło, to zdolność asystenta do korzystania z narzędzi takich jak konsola glab i do działania w sposób autonomiczny. To sprawiło, że zamiast go odrzucić, postanowiłem nauczyć się korzystać z niego właściwie.”

Kiedy zrozumiałeś, że AI może być realnym partnerem w developmentcie, a nie tylko dodatkiem zwiększającym produktywność?

„To przyszło stopniowo. AI zaczęło od sugerowania lepszych nazw metod, wykrywania null reference’ów i generowania testów, o których sam bym nie pomyślał. Prawdziwy przełom nastąpił przy pracy opartej na specyfikacji z wykorzystaniem Amazon Kiro. Opisywałem problem, a AI proponowało podejście, tworzyło szkic architektury, a po dopracowaniu - generowało dokumentację techniczną. To przypominało uporządkowaną rozmowę o architekturze. Gdy dochodziliśmy do porozumienia, AI potrafiło przygotować nawet szczegółowy plan wdrożenia krok po kroku. Wtedy zrozumiałem, że coś się zasadniczo zmieniło. To nie jest zastępowanie developerów - to współpraca. Są momenty frustracji, ale są też takie, w których naprawdę czuć, że pracujesz z partnerem.”

Często mówisz o podejściu „fail fast” - jak AI wspiera szybsze eksperymentowanie?

„Fail fast polega na szybkim weryfikowaniu pomysłów, zanim zaangażujemy duże zasoby. Na wczesnym etapie decyzji architektonicznych trudno przewidzieć efekty. I tu AI jest bardzo pomocne - proof of concept nie musi być perfekcyjny, ma po prostu działać. Niedawno chciałem sprawdzić, czy nowa strategia cache’owania poprawi czas odpowiedzi API. Zamiast poświęcać kilka dni na pełną implementację, poprosiłem AI o szybki prototyp. W ciągu 30 minut miałem działające rozwiązanie, które jasno pokazało poprawę wydajności. Dzięki temu mogliśmy iść dalej z większą pewnością. AI po prostu obniża koszt eksperymentowania.”

Wielu inżynierów zmaga się z problemem „pustej kartki” przy rozpoczynaniu nowych projektów - czy AI coś tu zmieniło?

„Zdecydowanie. Start nowego projektu bywa przytłaczający przez całą otoczkę: logowanie, metryki, health checki, autoryzacja, konteneryzacja, konfiguracja bazy danych. Zanim to wszystko rozpiszesz, już jesteś zmęczony. Szablony kiedyś pomagały, ale szybko się dezaktualizują. AI usuwa to tarcie. To, co kiedyś zajmowało dwie–trzy godziny, teraz zajmuje 15–20 minut. AI generuje strukturę logowania, autoryzację, konfigurację kontenerów i podstawowe operacje na bazie danych, a ja mogę skupić się na logice biznesowej. To znacząco zmniejsza prokrastynację i pozwala szybciej wejść w rytm pracy.”

Przy tak wielu narzędziach AI - jak wybierasz właściwe podejście?

„Zwykle to wybór między agentami zintegrowanymi z IDE a narzędziami standalone. Wolę te zintegrowane, bo widzę na bieżąco, co generują, i mogę od razu przeglądać diffy. W GR8 Tech pracowałem głównie z Amazon Kiro oraz VS Code z Copilotem. Zazwyczaj mam jedno okno z „monologiem” AI, a drugie z diffami plików. Jeśli coś idzie nie tak, zatrzymuję proces, doprecyzowuję prompt i zaczynam od nowa. Jedna kluczowa zasada: zawsze używaj kontroli wersji. Zaczynaj od czystego stanu Git i commituj zmiany przed uruchomieniem sesji AI. To daje bezpieczeństwo i komfort iteracji.”

Jak ważne jest zarządzanie kontekstem przy pracy z AI w większych systemach?

„Kluczowe. Za dużo kontekstu - model traci fokus. Za mało - źle rozumie zadanie. Duże monorepo z setkami tysięcy linii kodu nadal stanowią wyzwanie dla agentów AI. Nie byłem w stanie uzyskać sensownych rezultatów w systemie ponad 250 tys. LOC z wieloma zależnościami. Za to w mniejszych, dobrze zdefiniowanych zakresach albo projektach greenfieldowych efekty są bardzo dobre. Pracuję na małych fragmentach, jasno określam, które pliki można modyfikować, zaczynam od architektury wysokiego poziomu, a potem schodzę do detali i stosuję zestawy reguł wymuszające spójność. AI potrzebuje granic - nie czyta nam w myślach.”

Jak wygląda współpraca, gdy AI popełnia błędy?

„AI ma problemy ze złożoną logiką biznesową, optymalizacją wydajności i edge case’ami. Raz wygenerowało zapytanie do bazy, które wyglądało poprawnie, ale powodowało problemy wydajnościowe, bo pobierało dane w pętli zamiast używać joinów. Gdy wyjaśniłem różnicę między oczekiwanym a rzeczywistym zachowaniem, poprawiło zapytanie do jednej, zoptymalizowanej wersji. Podczas debugowania jasno opisuję problem, pokazuję stack trace’y, tłumaczę oczekiwania i krytycznie oceniam proponowane rozwiązania. I ważna rzecz - AI nie pamięta sesji na stałe, więc istotne wnioski warto dokumentować i wykorzystywać później jako kontekst.”

Jak oceniasz mocne strony i ograniczenia AI w kontekście jakości i testów?

„AI świetnie radzi sobie z podążaniem za istniejącymi wzorcami. Dba o spójność nazewnictwa, stosuje standardowe podejście do obsługi wyjątków i generuje solidne testy jednostkowe z mockami oraz uwzględnieniem edge case’ów. Natomiast poprawność logiki biznesowej, kwestie bezpieczeństwa, optymalizacja wydajności i decyzje architektoniczne nadal pozostają po stronie człowieka. AI ma też trudności z testami integracyjnymi i złożonymi scenariuszami end-to-end, bo wymagają głębszego zrozumienia systemu.”

Koszty i bezpieczeństwo to kluczowe kwestie w środowiskach enterprise - jak podchodzicie do tego w GR8 Tech?

„ROI jest oczywiste - miesięczna subskrypcja AI często kosztuje mniej niż kilka godzin pracy developera, a wzrost produktywności jest realny. Natomiast największym wyzwaniem jest bezpieczeństwo danych. Dla firmy zgodnej z PCI DSS, takiej jak GR8 Tech, wysyłanie własnego kodu na publiczne serwery nie wchodzi w grę. Dlatego narzędzia klasy enterprise z gwarancją prywatności są konieczne. Koszt może być wyższy, ale odpowiedzialne podejście tego wymaga.”

Na koniec - jak zespoły powinny wprowadzać AI do swojej kultury inżynierskiej?

„To zmiana kulturowa, nie tylko technologiczna. Warto zacząć od pilotażowej grupy zaangażowanych developerów, ustalić jasne zasady dotyczące promptów i danych wrażliwych oraz traktować AI jak junior developera - szybkiego, dobrze znającego składnię, ale bez kontekstu domenowego. Code review powinny bardziej skupiać się na architekturze i logice biznesowej niż na składni. Warto dzielić się zarówno sukcesami, jak i porażkami. AI eliminuje powtarzalne zadania i pozwala inżynierom skupić się na rozwiązywaniu złożonych problemów.”

W GR8 Tech AI nie jest traktowane jako skrót ani zamiennik, lecz jako wzmacniacz możliwości. W połączeniu z odpowiedzialnym podejściem do architektury i krytycznym myśleniem przyspiesza eksperymentowanie, redukuje codzienne tarcia i daje przestrzeń na podejmowanie bardziej świadomych decyzji technicznych. Jak pokazuje doświadczenie Mykoli, prawdziwa wartość nie polega na pisaniu mniejszej ilości kodu - ale na szybszym weryfikowaniu pomysłów, pewniejszym iterowaniu i świadomym wykorzystywaniu AI jako narzędzia wzmacniającego solidne fundamenty inżynierskie.

Materiały sponsorowane przez GR8 Tech