Czy nauka programowania w dobie AI ma sens?

Skoro AI pisze kod w kilka sekund, po co spędzać miesiące na nauce składni i algorytmów? To pytanie zadaje sobie dziś prawie każdy, kto zaczyna. Zamiast wymieniać się opiniami, spójrzmy na to, co faktycznie zmierzono: jak AI wpływa na naukę, dlaczego trudność jest potrzebna i co dzieje się ze ścieżką, którą kiedyś przechodził każdy junior.

Czy AI naprawdę pogarsza naukę programowania?

W styczniu 2026 roku na arXiv ukazała się praca „How AI Impacts Skill Formation” autorstwa Judy Hanwen Shen i Alexa Tamkina, powstała w ramach programu Anthropic Fellows. Autorzy zrobili eksperyment losowy. 52 programistów miało nauczyć się nowej biblioteki do programowania asynchronicznego (Trio dla Pythona) i wykonać dwa zadania w 35 minut. Połowa mogła korzystać z asystenta AI opartego na GPT-4o, połowa nie. Potem wszyscy rozwiązywali quiz sprawdzający rozumienie pojęć, czytanie kodu i debugowanie.

Dwie rzeczy są tu ważniejsze niż sam wynik. Po pierwsze, AI nie dało istotnego przyspieszenia, więc gorsze zrozumienie nie zostało okupione oszczędnością czasu. Po drugie, najgorzej wypadło debugowanie, czyli dokładnie ta umiejętność, której potrzebujesz, żeby sprawdzać kod napisany przez AI.

Zastrzeżenia, które warto znać: próba jest mała, uczestników rekrutowano przez platformę dla pracowników zadaniowych, sesja trwała kilkadziesiąt minut, a testowano jedną bibliotekę. To mocny sygnał, nie wyrok.

Czy to znaczy, że z AI nie wolno się uczyć?

Nie. Autorzy wyodrębnili sześć sposobów, w jakie uczestnicy korzystali z asystenta, i wyniki mocno się różniły. W uproszczeniu:

Wysokie wyniki to ok. 65–86% punktów, niskie ok. 24–39%. Grupy były bardzo małe (od 2 do 7 osób), więc traktuj to jako ilustrację mechanizmu, nie statystykę. Wzór jest jednak czytelny: uczysz się wtedy, gdy AI zmusza Cię do myślenia, a nie wtedy, gdy je zastępuje. Narzędzie jest to samo, różnica leży w tym, kto wykonuje wysiłek poznawczy.

Co jeszcze pokazują badania o AI i nauce?

Wyniki Anthropic nie są odosobnione. Trzy inne badania układają się w podobny obraz:

Dwa zastrzeżenia: badanie Bastaniego dotyczyło matematyki w liceum, nie programowania, a badanie METR doświadczonych programistów, nie początkujących. To nie dowody wprost dla Twojej nauki, ale wspólny mechanizm: gdy AI wyręcza, wynik w trakcie pracy jest dobry, a umiejętność po jej odebraniu słabsza.

Najciekawszy jest pierwszy wynik: AI z „barierkami”, które zmuszały do własnego myślenia, nie szkodziło nauce. To zgadza się z wnioskami z badania Anthropic i z zasadą „productive failure” opisaną niżej.

Dlaczego trudność jest częścią nauki?

To nie jest nowe odkrycie. Psychologia uczenia się od dekad pokazuje, że wysiłek i uczenie się idą w parze:

• Pożądane trudności (Robert Bjork): utrwalasz wiedzę mocniej, gdy musisz ją sobie przypomnieć lub wytworzyć, niż gdy tylko ją przeczytasz.
• Złudzenie kompetencji: gotowa odpowiedź jest płynna i zrozumiała, więc masz poczucie, że umiesz. Dopiero pusty edytor to weryfikuje.
• Złudzenie płynności (fluency illusion): gdy czytasz elegancko wygenerowany, kolorowany przez edytor kod, mózg myli łatwość jego przeczytania z umiejętnością napisania go samodzielnie. To, że coś jest czytelne, nie znaczy, że potrafisz to wytworzyć.
• Obciążenie poznawcze (John Sweller): początkujący naprawdę korzystają z gotowych, rozwiązanych przykładów. Problem zaczyna się, gdy przykład zastępuje pracę zamiast ją wspierać, bo to Twój umysł musi zbudować schemat.

Dlatego odpowiedź na „czy mogę uczyć się z gotowych rozwiązań” brzmi: tak, jeśli potem sam je odtworzysz i zmienisz. Samo czytanie wygenerowanego kodu daje wrażenie postępu, a nie postęp.

Czym jest „productive failure” Manu Kapura i jak przełożyć go na AI?

Manu Kapur, badacz uczenia się z ETH w Zurychu, opisał zjawisko nazwane „productive failure”. Schemat jest odwrotny do tradycyjnego. Zamiast najpierw wyjaśnić, a potem dać zadanie, dajesz zadanie, z którym uczniowie nie dadzą rady, pozwalasz im szukać własnych rozwiązań, a dopiero potem uczysz właściwej metody. Próby kończą się najczęściej porażką, ale to ona przygotowuje do lekcji: uczniowie widzą już, jakich elementów brakuje, i wiedzą, na co zwracać uwagę.

Skuteczność tego podejścia sprawdzono w metaanalizie Sinhy i Kapura (Review of Educational Research, 2021) obejmującej 53 badania i 166 porównań. Dotyczyła rozumienia pojęć i przenoszenia wiedzy na nowe sytuacje w naukach ścisłych i medycznych, nie programowania, więc to analogia, a nie dowód dla kodowania.

Przełożenie na naukę z AI jest jednak naturalne:

1. Najpierw zmierz się z problemem sam. Nawet jeśli Ci nie wyjdzie, zauważysz, co jest w nim trudne.
2. Dopiero potem poproś AI o wyjaśnienie lub podpowiedź. Teraz wiesz, o co pytać, i rozpoznasz, czy odpowiedź trafia w Twój problem.
3. Porównaj swoje podejście z rozwiązaniem. Ta różnica to właśnie nauka.

Warunek: zadanie musi być w zasięgu, a po próbie musi nastąpić podsumowanie. Walenie głową w mur przez trzy godziny to nie productive failure, tylko strata czasu. Co ciekawe, najlepiej wypadający wzór z badania Anthropic (zadawanie pytań o pojęcia przy samodzielnym pisaniu kodu) to praktycznie ta sama zasada: myślisz pierwszy, AI jest rozmówcą.

Kto zostanie seniorem, jeśli AI przejmie pracę juniorów?

Kolejne źródło dotyka tego, czego nie widać w pojedynczym eksperymencie. W 2026 roku na arXiv ukazała się praca „Who Will Become the Next Senior? How Generative AI Erodes the Development Pathway in Software Engineering” (Sumin Yu i Taesup Moon z Seoul National University, przyjęta na konferencję AIES 2026). To badanie jakościowe: 14 wywiadów z juniorami wchodzącymi do zawodu i z seniorami w Korei Południowej.

Autorzy opisują zjawisko „absorpcji”: generatywna AI przejmuje zadania wejściowe, które kiedyś trafiały do juniorów, i włącza je w przepływ pracy seniorów. Skutki, które wskazują:

• juniorzy tracą „produktywne zmaganie się”, czyli żmudną pracę, na której kiedyś budowało się ekspertyzę,
• ta utrata utrwala się, gdy używanie AI staje się normą już na uczelniach,
• seniorzy i juniorzy widzą sytuację inaczej, więc żadna ze stron nie naprawi tego sama.

To tylko 14 rozmów w jednym kraju, więc nie wyciągaj stąd prognoz dla polskiego rynku. Ale pytanie z tytułu jest uczciwe: jeśli nikt nie ćwiczy na prostych zadaniach, skąd wezmą się ludzie, którzy ocenią pracę AI na trudnych? Tę lukę wypełni ten, kto sam przejdzie tę drogę.

Podobny obraz widać w danych o zatrudnieniu. Ekonomiści ze Stanforda (Brynjolfsson, Chandar i Chen, „Canaries in the Coal Mine?”) przeanalizowali dane płacowe milionów pracowników w USA. Według wcześniejszych wersji pracy zatrudnienie programistów w wieku 22–25 lat było w lipcu 2025 roku o prawie 20% niższe niż w szczycie z końca 2022 roku, a u starszych programistów utrzymało się lub wzrosło. W najnowszej wersji, z danymi do czerwca 2026, autorzy podają wynik ogólniejszy: zatrudnienie osób w wieku 22–25 lat w zawodach najbardziej narażonych na AI jest o 19% niższe, niż byłoby, gdyby rosło tak jak w zawodach mało narażonych. Zmiana dotyczy głównie ograniczenia przyjęć nowych osób, a nie zwolnień. Autorzy sprawdzają też alternatywne wyjaśnienia, m.in. wzrost stóp procentowych, i wynik prawie się przy tym nie zmienia. Sami jednak nazywają to wczesnym, opisowym sygnałem, a nie dowodem, że winne jest wyłącznie AI.

Dlaczego do pracy z AI firmy wybierają doświadczonych programistów?

Gdyby znajomość składni i doświadczenie z kodem przestały mieć znaczenie, do pracy z AI wybierano by osoby, które najlepiej piszą prompty. Z moich obserwacji wynika, że jest inaczej: to najczęściej doświadczeni programiści dostają takie zadania. Nie jest to wynik badania, tylko to, co widzę w rozmowach z osobami z branży, ale pasuje do kilku danych. W ankiecie Fastly z 2025 roku ok. jedna trzecia seniorów deklarowała, że ponad połowa ich wdrożonego kodu pochodzi od AI, wobec 13% juniorów. Producent tłumaczy to tym, że seniorzy lepiej wiedzą, jak formułować wymagania i prompty. To ankieta jednej firmy, oparta na deklaracjach.

Trzeba też uczciwie dodać drugą stronę. W eksperymentach terenowych w Microsoft, Accenture i firmie z Fortune 100 (łącznie prawie 5 tysięcy programistów) osoby mniej doświadczone zyskiwały na Copilocie więcej niż doświadczone. AI naprawdę przyspiesza pracę początkujących. Pytanie brzmi, czy oni rozumieją to, co oddali. Tu wracamy do badania Anthropic, w którym największą lukę pokazało debugowanie, czyli umiejętność potrzebna, żeby ocenić, czy kod od AI jest poprawny.

Czy koszt tokenów sprawi, że programiści znów będą pisać więcej kodu sami?

Narzędzia AI do kodowania kosztują dziś mało w stosunku do tego, ile pracy wykonują, ale za każdym razem płacisz za tokeny: za prompt, kontekst i odpowiedź. Od osób pracujących w dużych korporacjach słyszę nieoficjalnie, że koszty tokenów u nich mocno wzrosły, w niektórych przypadkach nawet około dziesięciokrotnie, i firmy zaczynają szukać innych rozwiązań. To relacje z rozmów, nie dane, które mógłbym tu zacytować. Moim zdaniem podobny trend może wkrótce dotknąć także zwykłych użytkowników API, nie tylko wersje enterprise. To prognoza, nie fakt, ale warto ją brać pod uwagę, planując naukę.

Jest też techniczny powód, dla którego koszty mogą rosnąć. Modele rozumujące, takie jak seria o1 od OpenAI, „myślą” przed odpowiedzią, a te ukryte tokeny rozumowania są liczone w rachunku jako tokeny wyjściowe, choć nie widzisz ich w odpowiedzi. Im trudniejszy problem, tym droższe pytanie. Jeśli kolejne próby w stylu „może tym razem AI trafi” kosztują realne pieniądze, opłaca się najpierw samemu zawęzić problem i wskazać, gdzie szukać błędu. To mój wniosek, nie wynik pomiaru, i nie tłumaczy on relacji z korporacji, a jedynie wskazuje możliwy mechanizm.

Kto umie napisać fragment kodu bez pytania modelu, ma wybór. Kto nie umie, płaci za każdą linijkę. Jak liczy się tokeny i koszt wywołań, pokazujemy w artykule o API OpenAI w Pythonie: tokeny, kontekst i koszty.

Czy zatem warto uczyć się programowania, jeśli AI pisze kod?

Tak, i na trzech poziomach:

Zmienia się za to sposób nauki. Pisanie boilerplate'u z pamięci traci na znaczeniu, a rozumienie, czytanie i weryfikacja zyskują. O tym, co się dzieje, gdy kod powstaje „na wyczucie” bez zrozumienia, przeczytasz w tekście co to jest vibe coding i jakie ma ryzyka. Jeśli zastanawiasz się, czy to dobry moment na start, zajrzyj też do artykułu czy warto uczyć się programowania w 2026 roku.

Samo zaczynanie od budowania z AI bez znajomości składni i typowych problemów oznacza, że uczysz się bardzo mało. Potwierdzają to przytoczone badania: kto oddaje zadanie AI, rozumie je gorzej. Widzę to też w praktyce. Nie raz rozmawiałem z osobami, które przez miesiące vibecodowały, a gdy miały samodzielnie napisać cokolwiek, nie potrafiły zacząć. Według nich był to stracony czas. Jeśli jesteś w podobnej sytuacji, umów się na darmową rozmowę, a wspólnie sprawdzimy, od czego warto zacząć.

Jak uczyć się programowania z AI, żeby nie stracić umiejętności?

Zasady wynikające z powyższych badań:

Prosty sposób, by sprawdzić, czy to naprawdę Twój kod, to test zamkniętego okna: po skończonym zadaniu zamknij okno z odpowiedzią AI i opisz na głos, co robi każdy fragment oraz co się stanie, jeśli zmienisz jedną linijkę. Jeśli nie potrafisz, to kod nie jest jeszcze Twój. To nie wynik badania, tylko praktyczna reguła, która wprost uderza w złudzenie płynności opisane wyżej.

Konkretny przewodnik, jak używać asystenta do nauki, znajdziesz w artykule ChatGPT w nauce programowania, a o planie nauki w ogóle w efektywnej nauce programowania.

Pamiętaj też, że wiedzy nie zdobywa się w próżni. Przy samodzielnej nauce najtrudniejsze jest to, że nikt nie powie Ci, czy to, co zbudowałeś, jest dobre. Dlatego sprawdź, czy samodzielna nauka programowania ma sens, a jeśli chcesz uczyć się pod okiem mentora, który ocenia kod i zadaje trudne pytania, zobacz nasz kurs Python online albo kurs JavaScript.

Dlaczego przy nauce z AI mentor jest ważniejszy niż kiedykolwiek?

Nauka wymaga błędów: takich, które sam popełnisz, zauważysz i naprawisz. AI usuwa je, zanim zdążą Cię czegokolwiek nauczyć, bo od razu podaje działające rozwiązanie. Mentor daje coś odwrotnego: bezpieczną przestrzeń do pomyłek. Możesz napisać kod po swojemu, zepsuć go, a potem razem sprawdzić, dlaczego tak się stało. To właśnie na styku z błędami i problemami budują się umiejętności.

Jest też druga rzecz. Kto uczy się głównie z gotowych rozwiązań, nie wie, czego nie wie. Nie zada pytania o coś, o czym nie słyszał: o brzegowy przypadek, o lepszy sposób czy o problem, który wyjdzie dopiero na produkcji. Mentor pokazuje te rzeczy, bo zna je z doświadczenia, a Ty bez niego nie wiedziałbyś, że warto o nie zapytać. Więcej o tym, czym jest mentoring i jak wygląda w praktyce, przeczytasz w artykule co to jest mentoring i kim jest mentor.

Podsumowanie: czy warto uczyć się programowania w erze AI?

Warto, pod jednym warunkiem: to Ty masz wykonywać myślenie. Badanie Anthropic pokazuje, że oddanie zadania AI obniża zrozumienie, a pytanie o pojęcia je chroni. Kapur uczy, że wysiłek przed wyjaśnieniem utrwala wiedzę, a praca Yu i Moona ostrzega, że jeśli wszyscy pominą etap zmagania się, zabraknie kolejnych seniorów. Mentor jest ważniejszy niż kiedykolwiek, bo daje przestrzeń do błędów i pokazuje to, o co sam byś nie zapytał. Doświadczenie z kodem nadal decyduje o tym, kto potrafi ocenić wynik AI, a rosnący koszt tokenów może sprawić, że umiejętność samodzielnego pisania znów stanie się przewagą. AI nie unieważnia nauki programowania, tylko odbiera wymówkę, żeby uczyć się powierzchownie.