Programista embedded w czasach AI: który zawód jest Twój?

W ciągu dwóch lat w Stanach zniknęła ponad jedna czwarta etatów w jednym z zawodów programistycznych. Dokładnie 27,5%. A w zawodzie o prawie tej samej nazwie, w tym samym kraju i w tym samym czasie, spadek wyniósł 0,3%. Czyli praktycznie nic.

Niektórzy internetowi eksperci od AI mówią, że uczyć się już nie trzeba, bo AI zrobi za nas wszystko. Zwłaszcza mówią to wtedy, gdy sprzedają swoje własne narzędzia AI, co jest bardzo zastanawiające, prawda? 😉 Ja się z tym do końca nie zgadzam. Dalej uważam, że trzeba znać się na tym, co chcesz z AI robić. AI ma być Twoim wspomagaczem, nawet takim turbo wspomagaczem, a nie całkowitym zastępstwem.

Ten artykuł to tekstowa wersja mojego filmu otwierającego serię „AI w Embedded”. Jeśli wolisz oglądać, to wszystko jest tutaj:

Dwa zawody w USA: computer programmer −27,5% etatów, software developer −0,3% (BLS, 2023–2025)
Dwa zawody w USA: computer programmer −27,5% etatów, software developer −0,3% (BLS, 2023–2025)

Plakaty z AI i moje aplikacje, które „ssą”

Bardzo dobrze widać to na przykładzie designu. Ludzie, którzy nie mają o nim zielonego pojęcia, rzucili się na robienie plakatów przez AI. I teraz, gdy latam dosłownie po całej Europie, wszędzie widzę dokładnie te same plakaty. Założę się, że Ty też rozpoznajesz je na pierwszy rzut oka.

Plakat z AI, jaki pewnie też już widziałeś ;)
Plakat z AI, jaki pewnie też już widziałeś 😉

Zresztą sam jestem tego przykładem. Piszę z AI własne aplikacje webowe na potrzeby mojej firmy. I zgoda, AI jest w stanie je napisać. Nie w pół godziny, bo jedną piszę już ponad trzy miesiące, ale piszę. Tylko że ich wygląd po prostu ssie. Na designie się nie znam i nawet nie wiem, jak nakierować agenta, żeby aplikacja wyglądała użytecznie i nowocześnie. Rzeczy, na których się totalnie nie znam, leżą na dnie razem z mułem.

Ale moje zdanie to jeszcze nie dowód. A że od pewnego czasu zostałem tak zwanym badaczem internetowym 😉 to zbadamy ten temat. Spokojnie, własnych badań robić nie będę, bo się na tym nie znam. Przejrzymy cztery badania i raporty z ostatnich półtora roku i jedną dużą ankietę. Takie, przy których wiadomo, kto je zrobił i na jakich danych.

Programmer czy developer?

Liczby ze wstępu to dane amerykańskiego urzędu statystyki pracy (BLS), opisane w marcu 2025. Urząd rozróżnia dwie rzeczy:

  • Computer Programmer, czyli ktoś, kto pisze i testuje kod według zadania i specyfikacji, którą dostał od kogoś innego. Taki, powiedzmy, zwykły klepacz kodu,
  • Software Developer, czyli ktoś, kto projektuje rozwiązanie, ustala wymagania i odpowiada za całość.

Ten pierwszy dostaje zadanie. Drugi wymyśla, jak to zadanie w ogóle powinno być zrobione.

Programmer pisze kod według specyfikacji, developer projektuje rozwiązanie i odpowiada za całość
Programmer pisze kod według specyfikacji, developer projektuje rozwiązanie i odpowiada za całość

Przez długi czas te dwa zawody były ze sobą połączone i wiele osób było jednocześnie od rozwiązań i od klepania kodu. Od niedawna to się zmienia, a w embedded widać to bardzo wyraźnie. Jest ktoś, kto bierze przykład z HAL-a albo z internetu, kopiuje go, zmienia numer pinu i cieszy się, że dioda mruga. A z drugiej strony jest ktoś, kto wie:

  • czemu I2C działa na biurku, a na docelowej płytce wisi albo nie działa w ogóle,
  • czemu kod działa w wersji debug, a w release nagle przestaje,
  • czemu urządzenie po aktualizacji w terenie, u klienta, robi się cegłą.

Tę pierwszą robotę, czyli klepanie kodu według specyfikacji, AI robi już dziś. Szybciej i taniej. Kod jest dzisiaj tani i jest go pod dostatkiem. Sam w sobie nie jest już wielką wartością. Tej drugiej roboty AI jeszcze nie robi, ale kto wie, czy to nie jest tylko kwestia czasu.

Uczciwie trzeba powiedzieć jedno. To, że spadek zatrudnienia zbiegł się w czasie z premierą ChatGPT, to korelacja, a nie dowód. Eldorado w programowaniu kończyło się na długo przed rewolucją AI, a branża w tym samym czasie po prostu zwalniała po pandemii. Ale kierunek jest, powiedziałbym, dosyć czytelny. Słyszałem już nawet o programistach, którzy przebranżawiają się z C na C+E 😉

Spadek zatrudnienia zbiegł się z premierą ChatGPT, ale to korelacja, nie dowód
Spadek zatrudnienia zbiegł się z premierą ChatGPT, ale to korelacja, nie dowód

Stanford: kanarki w kopalni

Drugie badanie to Stanford, wersja z sierpnia 2026. Badacze wzięli dane z ADP, firmy, która w Stanach liczy wypłaty dla milionów pracowników. Miesiąc po miesiącu, zawód po zawodzie, z podziałem na wiek. I porównali zawody, w których AI potrafi zrobić dużą część pracy, z takimi, w których nie potrafi zrobić prawie nic.

Wynik? Osoby w wieku 22–25 lat w zawodach najbardziej narażonych na AI mają zatrudnienie o 19% niższe, niż miałyby, gdyby rosło tak samo jak w pozostałych zawodach. U starszych, doświadczonych takiej różnicy nie ma.

Stanford: zatrudnienie osób w wieku 22–25 lat w zawodach narażonych na AI jest o 19% niższe
Stanford: zatrudnienie osób w wieku 22–25 lat w zawodach narażonych na AI jest o 19% niższe

Ważne jest, jak to się dzieje. Nikt nie zwalnia ludzi masowo. Firmy po prostu mniej zatrudniają młodych. Drzwi nie zamykają się przed tymi, którzy są już w środku. Przymykają się przed tymi, którzy chcą dopiero do branży wejść.

Ale najciekawsze jest co innego. Badacze rozdzielili zawody według tego, jak ludzie naprawdę używają w nich AI. Spadki są tam, gdzie AI zastępuje człowieka w zadaniu. Tam, gdzie AI człowieka wspiera, zatrudnienie stoi albo rośnie, zwłaszcza u osób doświadczonych.

Autorzy nazwali to badanie kanarkami w kopalni. Kiedyś górnicy brali kanarka pod ziemię, bo ptak pierwszy wyczuwał gaz. Jak kanarek padał, wiadomo było, że trzeba uciekać. Młodzi są właśnie takim kanarkiem: zmiany na rynku pracy widać najpierw u nich. Tylko że to badanie pokazuje, co się dzieje, a nie dlaczego. Badacze wykluczyli kilka innych wyjaśnień, np. stopy procentowe czy pracę zdalną, ale czarno na białym nie da się z tych danych udowodnić, że to konkretnie wina AI.

Co widzę u siebie w firmie

I szczerze mówiąc, trochę widzę to sam u siebie. Od kilku miesięcy cały mój zespół pracuje z agentami AI. Uczymy się od siebie nawzajem, robimy wewnętrzne warsztaty i korzystamy z nich naprawdę intensywnie.

Wcześniej nie wyrabialiśmy się z wszystkimi zadaniami, które sobie wymyśliliśmy. Dziś mam wrażenie, że więcej rzeczy jest pod kontrolą. Agenci zabrali nam nudną, powtarzalną robotę, przez którą jako ludzie najczęściej się wypalamy: przeklikiwanie się przez systemy, przerzucanie danych z jednego miejsca w drugie. Nasze skupienie przeszło na budowanie systemów i rzeczy bardziej kreatywne.

Efekt jest dokładnie taki jak w tym badaniu. Chwilowo nie myślę o kolejnym zatrudnieniu. Ale jeśli będę kogoś szukał, a pewnie prędzej czy później tak będzie, to będę wymagał, żeby ta osoba dobrze korzystała z AI, najlepiej z pracy agentowej. To tylko moja obserwacja, a nie badanie. Ale zwrot w stronę tych narzędzi widzę bardzo mocny, także w rozmowach z innymi przedsiębiorcami i programistami.

Czyli co? Czy AI nas zabija?

Według tych danych nie. Nie widać żadnej fali zwolnień, które tak hucznie zapowiadano. Ale tam, gdzie AI potrafi zrobić robotę za człowieka, firmy przestają brać ludzi na start. Problem mają przede wszystkim juniorzy. Tylko że juniorem jest się po to, żeby się nauczyć i kiedyś zostać seniorem, prawda?

I tu jest drugi haczyk.

Anthropic: czego się uczysz, gdy pomaga Ci AI

Anthropic, czyli firma, która robi Claude’a, w styczniu 2026 zrobiła takie doświadczenie. Wzięli 52 programistów, głównie początkujących. Liczba nie jest szalona, ale ważne, że coś mamy. Każdy pisał w Pythonie, ale nikt nie znał biblioteki, którą dostał. Mieli 35 minut, żeby dopisać w niej dwie nowe funkcje. Połowa miała do pomocy AI, które widziało ich kod i na życzenie podawało gotowe rozwiązanie. Druga połowa pisała totalnie samodzielnie.

Zaraz potem wszyscy pisali test, już bez AI. Czysta wiedza z głowy. Test dotyczył tego, czego przed chwilą używali: czytania kodu, szukania błędów i rozumienia, jak to działa.

Grupa z AI skończyła zadanie raptem dwie minuty szybciej, a w teście dostała średnio 50%. Ci, którzy pisali samodzielnie, mieli 67%. Najgorzej grupa z AI wypadła przy szukaniu błędów, tam różnica była największa.

Anthropic: wynik testu 50% w grupie z AI i 67% bez AI
Anthropic: wynik testu 50% w grupie z AI i 67% bez AI

Ciekawiej robi się w środku grupy, która wspomagała się AI:

  • ci, którzy oddali AI całe pisanie, skończyli najszybciej i dostali 39%,
  • ci, którzy kazali AI poprawiać błędy, dostali 24%, czyli jeszcze mniej,
  • a ci, którzy pozwolili AI napisać kod, a potem dopytywali, dlaczego właśnie tak, dostali 86%. Lepiej niż ci, którzy pisali bez AI!

Co z tego wynika? Kiedy uczysz się czegoś nowego i oddajesz to AI, zadanie faktycznie będzie zrobione, ale Ty niczego się nie nauczysz. I najbardziej tracisz to, czego przy pracy z AI potrzebujesz najbardziej: umiejętność znalezienia błędu. Jeśli jesteś na początku drogi, to sposób, w jaki korzystasz z AI, decyduje, czy kiedyś zostaniesz tym drugim zawodem, od rozwiązywania złożonych problemów, a nie zwykłym klepaczem kodu.

W tym eksperymencie AI siedziało tylko w okienku obok, w formie czatu. Sami autorzy piszą, że przy narzędziach agentowych, takich jak Claude Code, ten efekt będzie pewnie jeszcze większy. Próba była mała, a w niektórych podgrupach siedziały dwie, trzy osoby, co autorzy wręcz podkreślają. Ale ja to znam z kursów online od lat: kto jedynie przepisuje, ten nie rozumie. A dziś przepisywać można szybciej niż kiedykolwiek.

Duke: agenci AI na prawdziwych płytkach

Teraz badanie, które dla nas jest najważniejsze, bo to jedyne, jakie znalazłem, które sprawdzało agentów AI stricte w embedded. I to na prawdziwym sprzęcie, a nie tylko po tym, czy kod się kompiluje.

Duke University, marzec 2026, więc całkiem świeże. 42 zadania z peryferiami na trzech platformach: Arduino, ESP-IDF i Zephyr na nRF-ie. 378 eksperymentów, każdy sprawdzony na płytce. Agent (Claude Sonnet 4.5) dostawał zadania w trzech wariantach:

  • sam z siebie,
  • ze skillami, czyli instrukcjami, które napisało mu inne AI,
  • ze skillami, które napisał prawdziwy, żywy, białkowy ekspert od embedded.
Duke: agent na Zephyrze, 57% bez skilli, 45% ze skillami od AI, 93% ze skillami od eksperta
Duke: agent na Zephyrze, 57% bez skilli, 45% ze skillami od AI, 93% ze skillami od eksperta

W filmie pokazałem Zephyra, a tu masz całą tabelę. Liczba to odsetek zadań, które zadziałały na płytce za pierwszym razem:

PlatformaBez skilliSkille od AISkille od eksperta
Arduino88%93%98%
ESP-IDF62%62%95%
Zephyr57%45%93%

Na Arduino agent radzi sobie i bez pomocy. Im poważniejszy ekosystem, tym bardziej się sypie. Na Zephyrze sam z siebie dowiózł 57% zadań. Ze skillami od innego AI 45%, czyli gorzej niż bez niczego! A ze skillami od eksperta, który dołożył swoje doświadczenie, 93%. 57, 45, 93.

Co było w tych eksperckich skillach? Nic magicznego. Polaryzacja pinów w devicetree. Jawne pull-upy zamiast pinów, które wiszą w powietrzu. Rzeczy, które wie ktoś, kto już raz się na tym wyłożył.

Co było w skillach od eksperta: polaryzacja pinów w devicetree i jawne pull-upy
Co było w skillach od eksperta: polaryzacja pinów w devicetree i jawne pull-upy

I to jest dla mnie sedno całej sprawy. Twoja wiedza nie traci na wartości. To ona robi różnicę między agentem, który działa w połowie przypadków, a takim, który działa prawie zawsze. A wiedza wymyślona przez inne AI potrafi wręcz zaszkodzić.

Rejestry, HAL, AI

Często słyszę, że AI to nie jest prawdziwe programowanie. Tylko że my w embedded już to przerabialiśmy. Na STM32 najpierw pisało się na rejestrach, czyli mieliśmy CMSIS. Potem przyszedł SPL, następnie HAL i też było słychać, że to nie jest prawdziwe programowanie. Że za dużo rzeczy dzieje się samo, a trzeba wszystko pisać ręcznie i mieć pod kontrolą.

Dziś mało kto pisze wszystko na rejestrach. Oczywiście zdarza się. Mam nawet kurs STM32 na rejestrach, bo ludzie tego chcą i potrzebują: lepiej wtedy rozumiemy sprzęt. Ale ci, którzy rozumieją rejestry, lepiej używają też HAL-a.

To samo zadanie na trzech poziomach: rejestry, HAL i AI. HAL za każdym razem robi to samo, AI nie
To samo zadanie na trzech poziomach: rejestry, HAL i AI. HAL za każdym razem robi to samo, AI nie

Z AI jest według mnie podobnie. Z jedną ważną różnicą: HAL za każdym razem robi dokładnie to samo. AI już nie. Ten sam prompt może dać zupełnie inny kod. Przy AI tracimy determinizm, a w niektórych sektorach embedded to może być bardzo problematyczne.

Wąskie gardło: weryfikacja

Dlatego główną naszą robotą przestaje być samo pisanie kodu. Staje się nią sprawdzanie. Czy to w ogóle działa na płytce, czy nie ma wyścigu tasków, czy po resecie układ w ogóle wstaje.

Ankiety wśród programistów z tego roku mówią dokładnie to samo. W ankiecie Sonar (ponad 1100 developerów) wyszło, że kodu z AI jest dużo, a wąskim gardłem zrobiła się weryfikacja.

Wąskim gardłem pracy z AI jest weryfikacja kodu
Wąskim gardłem pracy z AI jest weryfikacja kodu

Który zawód jest Twój?

Wracam do pytania z początku.

Jeśli Twoja praca to przepisywanie specyfikacji na kod, AI robi to już dziś. I będzie robić to coraz lepiej.

Jeśli Twoja praca to wiedzieć, co ma powstać, dlaczego właśnie tak, i umieć sprawdzić, że to działa, to jesteś w bardzo dobrym miejscu. A AI może Ci zdjąć z głowy całe to klepanie kodu.

Ja od kilku miesięcy pracuję właśnie w ten sposób. Agenci piszą dla mnie kod, a ja jestem od tego, żeby wiedzieli, czego chcę, żeby to ostatecznie sprawdzić i nakierować ich na rozwiązanie jako ich senior.

Co dalej?

W kolejnym filmie pokazuję, jak to wygląda u mnie od strony narzędzi: co mam zainstalowane, na czym stoi i jak zaczynam pracę z agentem na STM32. Znajdziesz go tutaj: Mój setup do pracy z agentem AI.

Na liście „AI w Embedded” piszę, co sprawdziłem z agentami AI przy STM32 i gdzie się wyłożyłem. Zapisy: aiwembedded.pl. Pogadać możemy też na Discordzie „AI w Embedded”.

A Ty? Który zawód jest Twój? Napisz w komentarzu.

Źródła

Podobne artykuły

.

0 komentarzy

Dodaj komentarz

Symbol zastępczy awatara

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *