Pytanie brzmi teraz niemal naiwnie.
Jeśli sztuczna inteligencja może generować aplikacje, naprawiać błędy, pisać funkcje, przeglądać żądania ściągnięcia, wyjaśniać nieznane podstawy kodu i pracować godzinami nad plikami, dlaczego ktokolwiek miałby nadal uczyć się kodowania?
To zrozumiałe pytanie. Świat oprogramowania spędził ostatni rok, obserwując, jak agenci kodujący przechodzą od imponujących wersji demonstracyjnych do codziennych przepływów pracy. Programiści nie proszą już tylko chatbotów o pomoc dotyczącą składni. Delegują zadania, porównują wyniki, nadzorują agentów i budzą się z kodem, który został napisany, gdy byli z dala od klawiatury.
Jednocześnie kodowanie nie jest już tylko rozmową programistów. Założyciele korzystają z narzędzi AI do prototypowania produktów przed zatrudnieniem zespołów technicznych. Menedżerowie produktu używają ich do testowania pomysłów. Projektanci używają ich do tworzenia interaktywnych interfejsów. Operatorzy wykorzystują je do automatyzacji wewnętrznych przepływów pracy. Umiejętność tworzenia oprogramowania wykracza poza ludzi, którzy tradycyjnie nazywali siebie inżynierami oprogramowania.
Dlatego lepszym pytaniem może nie być to, czy ludzie powinni nadal uczyć się kodowania.
To właśnie oznacza teraz „nauka kodowania”.
Stara odpowiedź dotyczyła głównie składni, frameworków i dyscypliny tworzenia oprogramowania linia po linii. To wciąż ma znaczenie. Ale sztuczna inteligencja zmienia środek ciężkości. Wartość zmierza w stronę osądu: wiedza, co zbudować, jak to opisać, jakiego kontekstu potrzebuje system, czy wyniki są dobre i gdzie kryje się ryzyko.
Innymi słowy, przyszłość kodowania może wiązać się z mniejszą ilością pisania.
Ale będzie to wymagało więcej zrozumienia.
Kodowanie Vibe do prawdziwej pracy
Tę przemianę było widać na tegorocznych SXSW podczas sesji z Bolt.new i Anthropic. Rozmowa nie dotyczyła fantastycznej wersji kodowania AI, gdzie człowiek pisze jedno zdanie i pojawia się produkt idealny. Chodziło o coś bardziej dojrzałego: o tym, jak narzędzia do kodowania agentycznego przechodzą od zabawnych prototypów do rzeczywistych przepływów pracy w firmie.
Bolt stał się jednym z najwyraźniejszych przykładów nowej fali kodowania AI, ponieważ dzięki niemu tworzenie oprogramowania stało się natychmiastowe. Użytkownik może opisać aplikację i szybko zobaczyć, jak coś działa na ekranie. To doświadczenie pomogło spopularyzować język „kodowania wibracji”, czyli wyrażenia, które oddaje zarówno magię, jak i niebezpieczeństwo danej chwili.
Jednak na SXSW dyrektor generalny Bolta, Eric Simons, opisał bardziej uporządkowany przypadek użycia. Wartość Bolta, stwierdził, często polega na „szybkim prototypowaniu”. Nie zastępowaniu produkcyjnej bazy kodu. Nie pozwalanie każdemu pracownikowi na wysyłkę bezpośrednio do klientów. Zamiast tego daje zespołom możliwość sprawdzenia, jak funkcja powinna wyglądać, działać i zachowywać się przed upływem czasu na prace inżynieryjne.
To rozróżnienie ma znaczenie.
W wielu firmach wąskim gardłem jest nie tylko pisanie kodu. To jest wyrównanie. Zespoły ds. produktu, projektanci, kadra kierownicza i klienci często muszą zobaczyć i dotknąć pomysłu, zanim będą mogli zdecydować, czy warto go zbudować. Narzędzia AI przyspieszają tę eksplorację. Jednak poważniejszą możliwością jest połączenie tych prototypów z systemami, z których już korzysta firma.
Simons opisał przepływ pracy, w którym Bolt może pracować z rzeczywistym systemem projektowym firmy, komponentami interfejsu użytkownika i kształtami API, dzięki czemu prototyp nie jest tylko makietą jednorazowego użytku. Po ugruntowaniu doświadczenia agent kodujący, taki jak Claude Code, może pomóc w przełożeniu tej pracy na coś bliższego środowisku produkcyjnemu.
Ważną częścią jest przekazanie. Osoby niebędące inżynierami mogą kształtować pomysły w piaskownicy. Inżynierowie nadal chronią system produkcyjny. Pomiędzy nimi agent staje się pomostem.
To zupełnie inna historia niż „Sztuczna inteligencja zastępuje programistów”. To jest bliższe temu: sztuczna inteligencja zmienia, kto może uczestniczyć w pracy nad oprogramowaniem, i zmienia to, do czego potrzebni są programiści.
Kontekst staje się nową umiejętnością
Z tego też powodu rozmowa wykroczyła poza szybką inżynierię.
Kilka lat temu większość porad dotyczących narzędzi AI skupiała się na podpowiedziach: jak sformułować instrukcje, jak ustrukturyzować żądania, jak wydobyć z modelu lepsze odpowiedzi. Ta umiejętność nadal ma pewną wartość, ale w miarę ulepszania modeli staje się mniej istotna.
Silniejszym wzorcem jest teraz kontekst.
Rzecznik Anthropic opisał „Umiejętności” jako sposób na przekazanie agentom przydatnej wiedzy, z której mogą skorzystać w razie potrzeby. Zamiast narzucać każdą instrukcję w jednym doskonałym podpowiedzi, zespoły mogą zapewnić agentom dostęp do odpowiednich dokumentów, zasad, przykładów i przepływów pracy.
Dla firm to właśnie tam zaczyna się prawdziwa praca. Przydatny agent kodujący nie potrzebuje tylko żądania. Musi zrozumieć środowisko wokół żądania: system projektowy, bazę kodu, kulturę testowania, oczekiwania dotyczące bezpieczeństwa, logikę produktu i konwencje, które odróżniają oprogramowanie jednej firmy od oprogramowania innej firmy.
Ktoś musi wiedzieć, jaki kontekst ma znaczenie.
Ktoś musi wiedzieć, czy agent używa właściwego komponentu, przestrzega właściwych ograniczeń lub podejmuje decyzję, która później spowoduje problemy.
Osoba, która rozumie system, staje się bardziej wartościowa, a nie mniejsza.
Wywiad dotyczący kodowania już się zmienia
Ta sama ewolucja zaczyna być widoczna w procesie zatrudniania. Jedna z najciekawszych części sesji SXSW nie dotyczyła narzędzi, ale talentu.
Simons powiedział, że „niektórzy z najbardziej niesamowitych ludzi” Bolt zatrudnił w ciągu ostatnich sześciu miesięcy albo nie przeszli starej rozmowy kwalifikacyjnej, albo przeszliby pomyślnie dopiero po zmianie procesu w firmie. Powiedział, że wyróżnia ich to, że „używają narzędzi agentycznych, aby wykonać swoją pracę”.
Nie oznacza to, że rozmowa techniczna jest martwa. Oznacza to, że sygnał się zmienia.
Bolt pyta teraz kandydatów, jakich narzędzi AI używają i jak z nich korzystają. Nie chodzi o to, czy ktoś potrafi wymienić popularne produkty. Liczy się to, czy rzeczywiście zbadali je wystarczająco głęboko, aby zbudować coś znaczącego.
Jak to ujął Simons: „Pokaż nam, co zbudowałeś, pokaż nam, jak to działa. Jeśli to prawda, w porządku, ta osoba może wykonać tę pracę”.
Teraz wydaje mi się to znacznie bliższe realiom pracy. Jeśli narzędzia AI są częścią pracy, ocenianie kandydatów tak, jakby te narzędzia nie istniały, daje niepełny obraz. Ale jest też odwrotnie. Jeśli ktoś używa sztucznej inteligencji bez zrozumienia, co ona wytworzyła, nie jest to płynność. To jest zależność.
Antropiczna część rozmowy utrzymała to napięcie w nienaruszonym stanie. Firma nadal organizuje co najmniej jedną rozmowę kwalifikacyjną, podczas której kandydaci pracują bez pomocy sztucznej inteligencji, czytając i pisząc w Pythonie. Ale celem nie jest testowanie niejasnych sztuczek składniowych. Ma na celu sprawdzenie, czy ktoś potrafi zrozumieć wzorce, debugować agenta i rozumować za pomocą systemu.
To może być nowa równowaga: płynność w kontaktach z agentami oraz wystarczająca wiedza techniczna, aby wiedzieć, kiedy się mylą.
Czy zatem ludzie powinni nadal uczyć się kodowania?
Tak. Ale nie dlatego, że każdy musi zostać tradycyjnym inżynierem oprogramowania.
Powinni się uczyć, ponieważ oprogramowanie w coraz większym stopniu stanowi powierzchnię, za pośrednictwem której wykonywana jest praca. Nawet gdy sztuczna inteligencja pisze pierwszą wersję roboczą, ludzie nadal muszą rozumieć, co jest tworzone. Muszą wiedzieć, kiedy coś jest kruche, kiedy jest bezpieczne, kiedy jest skalowalne, a kiedy robi wrażenie tylko w wersji demonstracyjnej.
Simons wyraził to bezpośrednio. „Pisanie oprogramowania stanowi teraz być może mniejszy problem” – stwierdził. „A co z recenzowaniem? Jak to skalować?”
To może być najbardziej szczera wersja odpowiedzi.
Im łatwiej jest wygenerować kod, tym ważniejsza staje się wiedza, czy ten kod powinien istnieć, czy działa i czy można mu zaufać.
Dlatego umiejętność kodowania nie zanika. Zmienia kształt. Coraz mniej chodzi o zapamiętywanie składni, a bardziej o zrozumienie systemów. Mniej o tworzeniu każdej linijki, a więcej o kierowaniu, przeglądaniu, testowaniu i ulepszaniu tego, co produkują agenci.
Rok, w którym kodowanie agentyczne zaczyna dojrzewać
Branża już zmierza w tym kierunku.
W czerwcu AWS dodał agenta kodującego OpenAI Codex do Amazon Bedrock, udostępniając go ogólnie klientom korporacyjnym za pośrednictwem infrastruktury AWS i modelu płatności za token. To niewielki, ale wymowny sygnał: kodowanie agentowe staje się częścią platform chmurowych i kanałów zaopatrzenia, w których duże firmy faktycznie wdrażają oprogramowanie.
Anthropic w dalszym ciągu popycha Claude Code w kierunku większych i bardziej złożonych przepływów pracy. OpenAI uczyniło Codex nie tylko narzędziem do kodowania, ale także szerszym narzędziem pracy opartej na wiedzy. Kierunek jest jasny: agenci przechodzą od eksperymentów pobocznych do codziennej struktury sposobu wykonywania pracy.
Ale bardziej interesująca historia nie polega na tym, że narzędzia są coraz lepsze. To dlatego, że firmy zaczynają projektować wokół nich.
Oznacza to nowe przepływy pracy, nowe modele cenowe, nowe sygnały dotyczące zatrudnienia, nowe nawyki zarządzania i nowe oczekiwania wobec pracowników. Oznacza to także nowy podział: nie między ludźmi, którzy potrafią kodować i tymi, którzy nie potrafią, ale między ludźmi, którzy potrafią efektywnie pracować z inteligentnymi systemami, a tymi, którzy wciąż czekają, aż opadnie kurz.
Na SXSW Bolt i Anthropic uchwycili ten moment przejścia. Pierwsza fala kodowania AI była euforyczna, chaotyczna i eksperymentalna. Następna fala jest bardziej operacyjna. Chodzi o uprawnienia, kontekst, projektowanie systemów, testowanie, przeglądanie i bezpieczne przekazanie do produkcji.
Jak powiedział Simons pod koniec sesji, firmy zaczynają wdrażać te narzędzia „w realny sposób, a nie tylko w sposób odkrywczy w postaci zabawek”.
„To rok dojrzewania” – powiedział.
To mniej olśniewające niż obietnica natychmiastowego oprogramowania. Ale to jest o wiele ważniejsze.
Przyszłość kodowania nie polega po prostu na tym, że maszyny będą pisać go więcej. Zrobią to. W przyszłości więcej osób będzie mogło uczestniczyć w kształtowaniu oprogramowania, a ludzie, którzy dogłębnie rozumieją oprogramowanie, będą odpowiedzialni za upewnienie się, że działa.
Więc tak, nadal powinieneś uczyć się kodowania.
Nie dlatego, że świat wymaga od każdego ręcznego wpisywania każdej linijki. Ale ponieważ świat jest odbudowywany za pomocą oprogramowania, a ludzie, którzy rozumieją, jak to działa, będą lepiej przygotowani do kierowania agentami go odbudowującymi.
