Szczera odpowiedź na pytanie o produktywność
Generatywna AI nie wysadzi produktywności twojego zespołu z dnia na dzień, a powód nie leży w modelu, tylko we wszystkim wokół niego. To niewygodny wniosek, który pojawia się, gdy zestawisz hype roku 2026 z danymi i z historią gospodarczą. AI naprawdę pomaga przy researchu, kodzie szablonowym, pierwszych wersjach roboczych i recenzji. Błędem jest oczekiwanie 10x z dnia na dzień. Wąskim gardłem jest proces, osąd i podatek od szumu informacyjnego, a nie możliwości narzędzia.
Prowadzę agencję WordPress. Używam tych narzędzi codziennie. To nie jest pozerska kontra dla klików. To widok z wnętrza realizacji, gdzie odległość między przekonującym demem a wdrożoną, utrzymywalną stroną jest dokładnie tym miejscem, w którym obiecane zyski lubią wyparowywać. Problemem nie jest entuzjazm. Problemem jest tempo, którego oczekujemy.
Powiedzonko z 1987 roku, które wciąż wraca
Zacznijmy od zdania, które nazwało całe zjawisko. W 1987 roku noblista Robert Solow napisał na łamach The New York Times, że “erę komputerów widać wszędzie, tylko nie w statystykach produktywności”. Komputery stały na każdym biurku. Zagregowane liczby nie ruszyły tak, jak obiecywały foldery reklamowe. Ta obserwacja dała początek temu, co ekonomiści nazywają dziś paradoksem produktywności, albo paradoksem Solowa.
Wygodnie byłoby zbyć to jako prehistorię z epoki beżowych obudów. Erik Brynjolfsson z MIT tego nie zrobił. W artykule z 1993 roku ukuł termin “The Productivity Paradox of Information Technology” i argumentował ostrożnie, że brak widocznych zysków nie oznacza, iż technologia jest bezużyteczna. Oznacza, że pomiar, opóźnienie i złe zarządzanie ukrywają wartość. Jego nowsze prace sugerują, że dziś rymuje się z końcem lat 80.: zdolności są realne, zwrot opóźniony, a duża część wczesnego rozczarowania jest samozadana.
To pierwszy powód do sceptycyzmu wobec opowieści o 10x z dnia na dzień. Ten eksperyment już raz przeprowadziliśmy, z technologią ogólnego przeznaczenia co najmniej tak przełomową jak generatywna AI, i krzywa produktywności nie wygięła się w terminie, którego chcieli dostawcy.
Elektryfikacja, czyli dlaczego 40 lat to prawdziwa liczba
Głębsze wyjaśnienie pochodzi od historyka gospodarczego Paula A. Davida. Jego argument jest bezceremonialny: realne zyski przychodzą dopiero, gdy świat wokół technologii zostanie przebudowany. Jego sztandarowym przykładem jest silnik elektryczny. Fabryki nie stały się bardziej produktywne w chwili, gdy zamieniły parę na prąd. Stały się bardziej produktywne dopiero, gdy przebudowano je wokół elektryczności, co zajęło około 40 lat.
Powód jest fizyczny i organizacyjny. Fabryki epoki pary były zbudowane wokół jednej centralnej maszyny parowej i lasu pasów oraz wałów napędowych. Prawdziwa przewaga elektryczności, czyli osobny silnik przy każdej maszynie, opłaciła się dopiero, gdy właściciele porzucili stary, wielopiętrowy układ i postawili jednopoziomowe hale, w których maszyny można było ustawić wedle przepływu pracy, a nie bliskości wału. Technologia była dostępna przez dekady, zanim budynki, zarządzanie i organizacja pracy nadążyły. Dopiero wtedy ruszyły statystyki.
Przyłóż tę soczewkę do agencji WordPress w 2026 roku. Asystenta AI możesz wstawić do edytora bloków już dziś. Ale twój proces przyjmowania zlecenia, twoja bramka QA, przekazanie projektu klientowi, model rozliczeń i definicja “skończone” zostały zaprojektowane dla świata, w którym każdą linijkę pisał człowiek. Silnik leży na stole. Fabryki nikt nie przebudował.
Liczba, której nikt ci nie odbije: około 3 procent
Tu polemika robi się konkretna. Wczesne, bliskie MIT deklaracje rzucały poprawą wydajności rzędu 40 procent dla pracy umysłowej wspieranej przez AI. Ta liczba poszła w świat szybko, bo uzasadniała budżety. Potem badanie National Bureau of Economic Research z wiosny 2025 roku zmierzyło to staranniej i wykazało, że średni mierzony wzrost wydajności z narzędzi AI wyniósł około 3 procent. Nie 40. Trzy.
Gorzej dla hype’u: ten sam nurt badań wykazał, że przy bardziej złożonych zadaniach wymagających osądu AI potrafiła obniżyć motywację i jakość. To pokrywa się z tym, co widzę w praktyce. Poprosić model o szkielet niestandardowego bloku, draft planu migracji albo streszczenie changelogu wtyczki: na plus, czasem mocno. Poprosić go o decyzję architektoniczną, czy klient potrzebuje headless front-endu, czy utwardzonego klasycznego stacka: na minus, jeśli ktokolwiek potraktuje wynik jak odpowiedź, a nie jak punkt wyjścia do sporu.
Trzy procent to nie zero. Złożone w skali roku, w skali zespołu, trzy procent to realne pieniądze. Ale trzy procent to nie rewolucja, wokół której w ciągu kwartału przebudowujesz plan zatrudnienia. To zysk, który pojawia się tylko, jeśli utrzymasz dyscyplinę, by go wyłapać, i znika w chwili, gdy pozwolisz narzędziu generować pracę, której nikt nie potrzebował.
Objętość to nie wartość
Bardziej użyteczne ujęcie tego, skąd zyski naprawdę pochodzą, znajduje się w raporcie EY o AI i produktywności. Jego kluczowy ruch to oddzielenie produktywności objętości od produktywności wartości. Generatywna AI rozszerza automatyzację poza zadania powtarzalne, w pracę umysłową i twórczą, co jest faktycznie nowe. Ale liczące się zyski, twierdzi EY, leżą w jakości, kreatywności i szybkości decyzji, a nie w surowej objętości.
W wariancie optymistycznym ten sam raport szacuje wkład AI rzędu 3 procent dodane do globalnego PKB do 2033 roku. Zwróć uwagę na datę. Nie do następnego kwartału. Do 2033. Czyli, znowu, w tempie zmiany procesów, a nie premier modeli.
Rozróżnienie objętość kontra wartość to najbardziej praktyczna myśl w całej tej debacie dla agencji. Jeśli mierzysz wdrożenie AI tym, ile słów, draftów czy ticketów wyprodukowała, ogłosisz zwycięstwo, po cichu tonąc. Jeśli zmierzysz je tym, jak szybko dochodzisz do dobrej decyzji i jak mało musisz poprawiać, dowiesz się, czy to działa.
Trzy sposoby, w jakie zyski wyciekają
W każdej fali rozczarowujących wdrożeń technologii powtarzają się te same trzy mechanizmy. Warto je nazwać, bo każdy ma swój wprost odpowiednik w WordPressie.
| Mechanizm | Ogólny wzorzec | Wersja WordPress 2026 |
|---|---|---|
| Narzędzia bez zmiany procesu | Kupujesz technologię, ale zostawiasz stary workflow, więc staje się kosztowną warstwą na tym, jak już pracowałeś | Doklejenie panelu AI do niezmienionego potoku przyjęcia, budowy i QA z oczekiwaniem, że się złoży w zysk |
| Opóźnienie adaptacji | Standardy, regulacje i kultura muszą się zmienić, zanim zysk wyląduje, jak pokazał Paul A. David | Zespoły, umowy i oczekiwania klientów wciąż zakładają pracę pisaną ręcznie od początku do końca |
| Efekty uboczne, które zjadają zyski | W 1966 roku komputery generowały więcej raportów, niż menedżerowie mogli przeczytać | Zalew wygenerowanych przez AI draftów, briefów i streszczeń o niewielkiej realnej wartości, które ktoś i tak musi przejrzeć |
Ten trzeci wiersz podkreśliłbym. Problem z 1966 roku był realny: maszyna potrafiła wyprodukować więcej raportów zarządczych, niż jakikolwiek menedżer był w stanie wchłonąć, więc wąskie gardło przeniosło się z wytwarzania informacji na jej czytanie. Wersja z 2026 roku to zalew AI-wygenerowanego wszystkiego. Pull requesty, których nikt do końca nie przejrzał. Dokumentacja stworzona, by odhaczyć punkt na liście. Tekst dla klienta naszkicowany w sekundy, a potem ucierany przez godzinę. Model potaniał tanią część i wepchnął koszt w część drogą: ludzką uwagę i osąd. To jest podatek od szumu informacyjnego, i jest niewidoczny na każdym dashboardzie, który liczy wynik.
Dwa prawdziwe przypadki z realizacji
Abstrakcjom łatwo przytakiwać, więc oto dwa kontrastujące przypadki z pracy, którą agencja naprawdę wykonuje.
Przypadek pierwszy. Sklep WooCommerce z ponad 30 wtyczkami i TTFB siedzącym koło 1,8 sekundy. Właściciel usłyszał, że AI potrafi “naprawić wydajność”, i chciał, żebyśmy wycelowali w to narzędzie. Używaliśmy AI mocno, ale nie tak, jak sobie wyobrażał. Świetnie radziła sobie z częściami ograniczonymi i czytelnymi: ustaleniem, które wtyczki odpalają najwięcej zapytań, draftem pierwszej wersji warstwy cache na transientach, generowaniem przypadków testowych do regresji koszyka, wyjaśnieniem nieznanego hooka z obcej wtyczki. Czego nie potrafiła, to zdecydować, że prawdziwą naprawą jest usunięcie jedenastu wtyczek i przepisanie dwóch jako małej wtyczki dedykowanej, bo ta decyzja wymagała zważenia roadmapy klienta, kompetencji jego zespołu i tolerancji na ryzyko. AI skompresowała czytelne 60 procent roboty. Nieczytelne 40 procent, część, która faktycznie była wąskim gardłem, pozostało poza jej zasięgiem. Efekt netto: szybciej, owszem. Dziesięć razy szybciej, nie. Osąd zawsze miał być ogranicznikiem tempa, a nasza opieka techniczna WordPressa to w większości osąd.
Przypadek drugi. Strona na Elementorze, która położyła się pod skokiem ruchu przy kampanii. Tu pokusą było pozwolić AI wygenerować ścianę “rekomendacji optymalizacyjnych”, co chętnie by zrobiła. To dokładnie pułapka szumu informacyjnego. Model wyprodukuje dwadzieścia wiarygodnie brzmiących sugestii, z których osiemnaście jest ogólnikowych, a dwie istotne, i teraz człowiek senior musi wydać swój najrzadszy zasób, uwagę, na oddzielenie sygnału od pewnie brzmiącego szumu. Wygrana przyszła z decyzji człowieka: agresywnie cache’ować na brzegu sieci i odroczyć najcięższe widżety page buildera, a AI użyć tylko do draftu implementacji. Myślenie było częścią wolną. Pisanie było częścią szybką. AI przyspieszyła pisanie.
Tu mam jeszcze jeden lokalny smaczek. W polskim e-commerce dochodzi do tego specyfika integracji: bramki BLIK, Przelewy24, kurierzy InPost z paczkomatami. Niejednokrotnie poprosiłem model o “podpięcie webhooka” do takiej integracji i dostałem kod, który wyglądał poprawnie, a w praktyce ignorował realny format powiadomień operatora, bo model uśrednił dokumentacje z całego świata. Czytelna część, struktura handlera, była darmowa. Nieczytelna część, znajomość tego, jak konkretny polski operator naprawdę odpowiada w produkcji, kosztowała tyle samo co zawsze: czas seniora.
Wzorzec w obu przypadkach: AI jest mnożnikiem dla tych części roboty, które nigdy nie były ograniczeniem. Ograniczeniem jest osąd, a osąd nie ma przycisku 10x.
Co to znaczy dla WordPress 7.0 i funkcji AI
WordPress 7.0 wchodzi z natywnymi funkcjami AI wpiętymi głębiej w warstwę edycji i workflow niż cokolwiek wcześniej. To naprawdę użyteczne i nie argumentuję przeciwko temu. Argumentuję przeciwko tempu, którego ludzie się po tym spodziewają.
Jeśli potraktujesz funkcje AI w WordPress 7.0 jak warstwę doklejoną do obecnego procesu, dostaniesz wynik z 1966 roku: więcej draftów, więcej sugestii, więcej “treści”, i zespół po cichu wydający odzyskany czas na recenzję materiału, który nigdy nie powinien powstać. To mechanizm pierwszy i trzeci działające razem.
Jeśli zamiast tego potraktujesz to jako powód do przeprojektowania workflow, tak jak właściciele fabryk w końcu przeprojektowali halę wokół silnika elektrycznego, zyski są realne i trwałe. Konkretnie: zdecyduj z góry, które zadania AI szkicuje, które człowiek musi zrecenzować, zanim cokolwiek pójdzie na produkcję, i których po prostu nie automatyzujesz, bo koszt osądu jest sednem. Mierz czas cyklu i wskaźnik poprawek, a nie liczbę słów czy przepustowość ticketów. Bądź uczciwy, że wartość programisty WordPress przesuwa się ku decyzjom, których AI podjąć nie potrafi, a nie od nich.
Wycena to ta sama historia. Klienci czasem zakładają, że AI powinna wszystko potanić, bo pisanie potaniało. Pisanie nigdy nie było drogą częścią. Architektura, postawa bezpieczeństwa, budżet wydajności, zgodność z dostępnością, decyzja o tym, czego nie budować: to jest robota, i dlatego nasza wycena pozostaje indywidualna, a nie towarem liczonym od słowa. AI obniża koszt zadań czytelnych i podnosi względną wartość tych nieczytelnych. Dotyczy to tak samo pracy programisty WooCommerce, gdzie integracje płatnicze i logistyczne to dokładnie ten nieczytelny, osądowy kawałek.
Co więc właściwie zrobić
Nic z tego nie jest argumentem, by ignorować AI. To argument, by ustawić właściwe tempo i właściwe miary. Gdybym musiał skompresować opinię seniora do garści reguł operacyjnych:
- Wdrażaj AI najpierw do zadań ograniczonych i czytelnych: research, kod szablonowy, pierwsze drafty, szkielet testów, recenzja kodu i treści. Tam realnie mieszkają mierzone zyski.
- Przeprojektuj otaczający proces, zanim zaczniesz oczekiwać składanych zwrotów. Narzędzie to silnik elektryczny. Halę i tak musisz przebudować.
- Zabudżetuj podatek od szumu informacyjnego wprost. Każdy kawałek pracy wygenerowany przez AI to draft, który kosztuje ludzką uwagę przy recenzji. Jeśli recenzja kosztuje więcej niż napisanie, przegrałeś.
- Mierz wartość, nie objętość. Czas cyklu, wskaźnik poprawek i szybkość decyzji mówią, czy AI pomaga. Liczniki wyniku nie mówią nic użytecznego i tylko usypiają czujność.
- Zostaw ludziom decyzje osądowe. Przy złożonych zadaniach wymagających osądu dane NBER pokazują, że AI potrafi obniżyć jakość. Traktuj jej wynik jak tezę do sprawdzenia, nigdy jak odpowiedź do wypuszczenia.
Sednem jest tempo, nie narzędzie
Paradoks produktywności nie jest przepowiednią, że AI zawiedzie. Komputery Solowa w końcu pojawiły się w statystykach, dekady później, gdy świat się wokół nich zreorganizował. Opóźnienie Brynjolfssona się rozwiązało. Silnik elektryczny Davida przeorał produkcję, czterdzieści lat później. Technologia za każdym razem była realna. Rozczarowanie zawsze brało się z oczekiwania zysku w kalendarzu działu marketingu, a nie w kalendarzu zmiany organizacyjnej.
Generatywna AI w 2026 roku to opowieść tego samego kształtu. Około 3 procent mierzone dziś, prawdopodobnie znacznie więcej na początku lat 30., ale tylko dla zespołów na tyle zdyscyplinowanych, by przebudować wokół niej proces, i na tyle uczciwych, by liczyć wartość zamiast objętości. Problemem nigdy nie był entuzjazm. Problemem jest tempo, którego oczekujemy. Ustaw tempo dobrze, a paradoks nie jest ostrzeżeniem. Jest mapą drogową.
Ostatnia aktualizacja: 31 maja 2026.
