--- service: "Publicasta" schema_version: "1.0" article_id: 252 title: "AI nie zastępuje ekspertyzy. Wzmacnia ją" language: "pl" default_language: "en" canonical_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04?lang=pl" json_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.json?lang=pl" api_url: "https://publicasta.com/api/public/v1/channels/ai_practice/articles/ai_productivity_expertise_cognitive_debt_2026_08_04?lang=pl" channel_url: "https://publicasta.com/api/public/v1/channels/ai_practice" channel_articles: "https://publicasta.com/api/public/v1/channels/ai_practice/articles" search_url: "https://publicasta.com/api/public/v1/search" documentation_url: "https://publicasta.com/api-docs#reading-publicasta" openapi_url: "https://publicasta.com/api-docs/openapi.json" published_at: "2026-08-04T10:16:00+00:00" updated_at: "2026-08-04T10:16:00+00:00" translations: - language: "ar" html_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04?lang=ar" markdown_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.md?lang=ar" json_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.json?lang=ar" - language: "de" html_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04?lang=de" markdown_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.md?lang=de" json_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.json?lang=de" - language: "en" html_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04?lang=en" markdown_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.md?lang=en" json_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.json?lang=en" - language: "es" html_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04?lang=es" markdown_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.md?lang=es" json_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.json?lang=es" - language: "fr" html_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04?lang=fr" markdown_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.md?lang=fr" json_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.json?lang=fr" - language: "pl" html_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04?lang=pl" markdown_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.md?lang=pl" json_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.json?lang=pl" - language: "ru" html_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04?lang=ru" markdown_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.md?lang=ru" json_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.json?lang=ru" - language: "zh" html_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04?lang=zh" markdown_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.md?lang=zh" json_url: "https://publicasta.com/ai_practice/ai_productivity_expertise_cognitive_debt_2026_08_04.json?lang=zh" --- # AI nie zastępuje ekspertyzy. Wzmacnia ją > Dyskusje o LLM, cognitive debt i productivity gap pokazują praktyczną zasadę: AI daje wartość, gdy eksperci definiują, sprawdzają i integrują pracę. Najważniejsza dyskusja o AI w tym tygodniu nie dotyczy nowego modelu. Dotyczy tego, dlaczego ten sam LLM jednej osobie daje użyteczny szkic, innej pewne siebie błędy, a trzeciej więcej kodu, niż zespół może odpowiedzialnie dowieźć. ![Ekspert kieruje panelami AI z checklistami, testami i kontekstem pracy](https://publicasta.com/storage/projects/8/pages/252/2026/08/601879fd-5f28-4d8d-b2a4-59b52182fde4.webp) Kilka dyskusji na Hacker News — “LLMs reward expertise”, cognitive debt i AI Productivity Gap — pokazuje ten sam wzorzec: AI zwiększa zdolność produkowania, ale jakość nadal zależy od wiedzy domenowej, weryfikacji i zrozumienia systemu. Prompting to nie magiczne formuły. Ekspert wie, który szczegół zmienia problem, jakiego słowa użyć, gdzie model halucynuje, co brzmi wiarygodnie, ale jest błędne, i kiedy przestać. AI nie usuwa ekspertyzy; wzmacnia ją. ## Początkujący zyskują, ale z granicami AI pomaga prototypować, pisać pierwsze wersje i uczyć się. Granica pojawia się poza ścieżką tutorialową. Brakuje wtedy słownictwa, kryteriów jakości, wiedzy o wdrożeniu, bezpieczeństwie, utrzymaniu i definicji “done”. Firmy nie powinny odbierać AI juniorom. Powinny dodać scaffolding: przykłady, checklisty review, bezpieczne środowiska, glosariusze, evals i mentoring. Z feedbackiem AI przyspiesza naukę; bez feedbacku ukrywa braki. ## Cognitive debt jest kosztem Gdy agent pisze dużą zmianę, a człowiek akceptuje ją po powierzchownym review, kod istnieje zanim ktokolwiek go rozumie. Ankur Sethi proponuje ręcznie przepisywać sugestie LLM, aby utrzymać model mentalny. Nie każdy musi robić to dosłownie, ale zasada jest ważna: zrozumienie jest częścią deliverable. Szybki tryb agentów pasuje do zadań mechanicznych i dobrze testowanych. Logika krytyczna, bezpieczeństwo, billing, migracje, architektura i nauka wymagają trybu zachowującego zrozumienie. Odpowiedzialna osoba musi umieć wyjaśnić zmianę, testy, ryzyka i dopasowanie do systemu. ## Productivity gap to wąskie gardła Szybsze pisanie kodu nie oznacza trzykrotnie szybszego produktu. Wymagania, projektowanie, review, testy, CI, deployment, koordynacja i decyzje produktowe nadal ograniczają przepływ. AI może nawet zwiększyć obciążenie review. Dlatego lines of code, liczba PR i tokeny są słabymi metrykami. Lepiej mierzyć zweryfikowane rezultaty: rozwiązane problemy klientów, krótszy czas do produkcji, mniej defektów, szybsze poprawne analizy i lepszą dokumentację. ## Stare praktyki wracają jako AI practices Przypadek refactoringu u Martina Fowlera pokazuje, że struktura ma znaczenie. W aplikacji 150 000 LoC pisanej przez agentów plik Rust data-access urósł do 17 155 linii. Po refactoringu input tokens dla reprezentatywnej zmiany spadły z 159 564 do 27 360, o 83%. Strategia nadal wymagała człowieka. Dla zespołów nietechnicznych odpowiednikiem jest higiena workflow. Bez jasnych kryteriów AI generuje więcej chaosu: niespójne follow-upy, improwizowane klauzule, mieszane polityki supportu i ładne, ale błędne analizy. ## Checklista praktyczna Mierz throughput rezultatów, nie wolumen. Wymagaj ludzkiej odpowiedzialności za decyzje końcowe. Utrzymuj małe zmiany. Używaj agentów do zadań ograniczonych i testowalnych. Zapisuj założenia domenowe w trwałych dokumentach, testach i przykładach. Zbuduj evals przed skalowaniem. Śledź review burden i cognitive debt. Chroń naukę juniorów. AI weszła w fazę post-demo. Pytanie nie brzmi, czy model potrafi produkować. Potrafi. Pytanie brzmi: kto potrafi sprawić, aby produkował właściwą rzecz, we właściwym kontekście, bez długu dla reszty zespołu?