- Jak agent AI uczy się na błędach zespołu? Audyt artefaktów i doskonalenie skilli - 27 października 2026
- Co zmienia się dla klienta, gdy partner wdrożeniowy pracuje z agentami AI? - 26 października 2026
- Jak wygląda wytwarzanie oprogramowania z agentami AI w praktyce? Proces eVolpe krok po kroku - 22 października 2026
Agentic Engineering to sposób wytwarzania oprogramowania, w którym agenci AI piszą, testują i poprawiają kod, a inżynier planuje pracę, zatwierdza kluczowe decyzje i odpowiada za jakość wyniku. Termin zaproponował Andrej Karpathy w lutym 2026 roku jako profesjonalną odpowiedź na vibe coding. W eVolpe pracujemy w tym modelu przy rozwoju SuiteCRM i poniżej pokazujemy, jak wygląda w praktyce.
W skrócie: Agentic Engineering nie polega na tym, że AI „pisze za programistę”. Agent AI wykonuje większość pracy wykonawczej, ale plan, bramki akceptacji i odbiór zmiany należą do człowieka. W naszym pomiarze proste zadanie w SuiteCRM zajęło deweloperowi około 21 minut pracy, a cały proces 104 minuty.
Czym jest Agentic Engineering?
Agentic Engineering to praktyka inżynierska, w której oprogramowanie powstaje głównie rękami agentów AI pracujących pod nadzorem doświadczonego inżyniera. Agent AI dostaje zadanie z kontekstem projektu, przygotowuje plan, pisze kod, generuje i uruchamia testy, a następnie poprawia błędy w pętli. Inżynier nie przepisuje kodu wiersz po wierszu. Ustala cel i granice zadania, zatwierdza plan, ocenia wynik i decyduje, czy zmiana trafia dalej.
Nazwa Agentic Engineering składa się z dwóch członów o konkretnym znaczeniu. „Agentic” oznacza, że kod domyślnie pisze agent AI, a człowiek orkiestruje jego pracę i pełni rolę nadzoru. „Engineering” oznacza, że praca z agentami wymaga wiedzy i umiejętności, których można się nauczyć: dekompozycji zadań, przygotowania kontekstu, projektowania testów i oceny ryzyka. Bez tej wiedzy praca z agentem AI szybko zamienia się w vibe coding.
Kto wymyślił termin Agentic Engineering?
Termin Agentic Engineering zaproponował Andrej Karpathy, współzałożyciel OpenAI, we wpisie na platformie X w lutym 2026 roku. Rok wcześniej, w lutym 2025 roku, ten sam autor nazwał vibe coding, czyli generowanie kodu z promptów bez czytania wyniku. Karpathy uzasadnił nową nazwę tym, że programowanie przez agentów AI staje się domyślnym sposobem pracy profesjonalistów, ale z większym nadzorem i kontrolą niż w vibe codingu (IBM, 2026).
W kwietniu 2026 roku, podczas konferencji Sequoia AI Ascent (zapis rozmowy), Karpathy rozwinął to rozróżnienie: vibe coding podnosi „podłogę”, bo pozwala tworzyć oprogramowanie osobom bez doświadczenia, a Agentic Engineering utrzymuje „sufit”, czyli jakość profesjonalnego oprogramowania przy pracy z omylnymi agentami. W literaturze naukowej podobne zjawisko opisuje się też jako agentic software engineering.
Czym Agentic Engineering różni się od vibe codingu i klasycznego programowania?
Agentic Engineering różni się od vibe codingu zakresem kontroli, a od klasycznego programowania podziałem pracy. W vibe codingu człowiek akceptuje kod wygenerowany przez AI bez jego weryfikacji. W klasycznym programowaniu człowiek pisze kod sam. W Agentic Engineering kod pisze agent AI, ale każda zmiana przechodzi przez plan, testy i bramki akceptacji obsługiwane przez człowieka. Szersze porównanie dwóch pierwszych podejść opisujemy w artykule Vibe coding vs Agentic Engineering.
| Kryterium | Klasyczne programowanie | Vibe coding | Agentic Engineering |
|---|---|---|---|
| Kto pisze kod | Programista | Model AI z promptów | Agent AI według zatwierdzonego planu |
| Rola człowieka | Autor kodu | Autor promptów | Planuje, zatwierdza, weryfikuje |
| Weryfikacja | Code review, testy | Często brak | Testy automatyczne, raport z code review, bramki akceptacji |
| Ślad decyzji | Repozytorium i zgłoszenia | Historia czatu | Plan, testy i raporty zapisane przy zgłoszeniu |
| Zastosowanie | Każde oprogramowanie | Prototypy, eksperymenty | Oprogramowanie produkcyjne |
| Główne ryzyko | Czas i koszt pracy | Dług techniczny, luki bezpieczeństwa | Błędne decyzje agenta przepuszczone przez bramki |
Jak wygląda Agentic Engineering w praktyce?
W praktyce Agentic Engineering to powtarzalny proces, który prowadzi zadanie od zgłoszenia do odebranej zmiany. W eVolpe ten proces obsługuje orkiestrator: narzędzie, które pilnuje kolejności kroków i zapisuje ich wyniki przy zgłoszeniu w Redmine. Produkcyjnie działa na SuiteCRM, a dla MintHCM jest w końcowej weryfikacji. Jedno zadanie przechodzi przez osiem kroków:
Szczegóły każdego kroku opisujemy w artykule Jak wygląda wytwarzanie oprogramowania z agentami AI w praktyce, a rolę testów w tekście Czy agent AI może sam testować kod?.
Ile czasu oszczędza Agentic Engineering?
Oszczędność z Agentic Engineering zależy od złożoności zadania i od tego, co się mierzy. W naszym pomiarze dodanie pola NIP z walidacją sumy kontrolnej do SuiteCRM zajęło deweloperowi około 21 minut aktywnej pracy zamiast szacowanych 3 godzin. Całe zadanie przeszło jednak przez proces w 104 minuty, bo czas recenzenta i testera nadal się liczy. Agent AI zautomatyzował 14 z 16 scenariuszy testowych i uruchomił 35 testów.
Ta proporcja nie przenosi się liniowo na złożone zadania. Około połowy decyzji podejmowanych przez agenta AI na etapie planowania wymaga korekty człowieka, a przy integracjach i procesach wieloetapowych takich decyzji jest więcej. Ostrożność potwierdzają badania: w randomizowanym badaniu METR doświadczeni programiści pracujący z AI potrzebowali o 19% więcej czasu, choć sami oceniali, że byli o 20% szybsi (METR, 2025). Metodę uczciwego liczenia opisujemy w artykule Ile naprawdę oszczędza AI w developmencie.
Gdzie w Agentic Engineering decyduje człowiek?
Człowiek decyduje w bramkach akceptacji, czyli w wyznaczonych momentach, w których sprawdza plan lub wynik pracy agenta AI i decyduje, czy agent może iść dalej. W procesie eVolpe są cztery takie bramki: akceptacja planu implementacji, weryfikacja działania na instancji testowej, ocena raportu z automatycznego code review i odbiór przez testera. Agent AI może też zadać pytanie w dowolnym momencie, gdy natrafi na decyzję, której nie przewidział plan.
Bramki zatrzymują błędy, zanim staną się kosztowne. W jednym z zadań agent AI z dostępem do MintHCM przez MCP uznał, że powinien sprawdzić dane w systemie, i połączył się z naszą wewnętrzną instancją produkcyjną zamiast z instancją klienta. Deweloper zatrzymał go na etapie planu. Przy polu NIP człowiek zmienił dwie decyzje agenta, w tym obsługę duplikatów. Zasady wyznaczania bramek opisujemy w artykule Gdzie człowiek musi zatwierdzać decyzje agenta AI?
Jakie są ryzyka Agentic Engineering i kiedy go nie stosować?
Największym ryzykiem Agentic Engineering jest błędna decyzja agenta AI, która przejdzie przez bramki niezauważona. Zaufanie do kodu generowanego przez AI pozostaje ograniczone: 46% programistów nie ufa jego poprawności, a 33% mu ufa (Stack Overflow Developer Survey, 2025, dane za IBM, 2026). Najczęstsze ryzyka i sposoby ich ograniczania:
Agentic Engineering nie jest dobrym wyborem tam, gdzie brakuje warunków do nadzoru: opisu modułów systemu, testów bazowych i osoby, która potrafi ocenić plan agenta. W takim projekcie praca z agentem AI szybko wraca do poziomu vibe codingu.
Co Agentic Engineering zmienia dla firmy zamawiającej oprogramowanie?
Dla firmy zamawiającej rozwój CRM lub HCM Agentic Engineering zmienia przede wszystkim przejrzystość pracy dostawcy. Klient dostaje ślad decyzji zapisany przy zgłoszeniu, testy jako dowód działania zamiast deklaracji programisty oraz testy regresji, które zostają w projekcie na kolejne zmiany. Więcej o tym piszemy w artykule Co zmienia się dla klienta, gdy partner wdrożeniowy pracuje z agentami AI?
Zmienia się też sposób rozmowy o kosztach. Zamiast pytać dostawcę o deklarowany procent przyspieszenia, warto pytać o czas i koszt całej zaakceptowanej zmiany. Wyceny prostych zadań, takich jak nowe pola, mogą spadać szybciej niż wyceny integracji i procesów wieloetapowych, dlatego rozliczenie w modelu Scrum lub Time & Material lepiej przenosi tę różnicę na klienta niż stała cena. Proces z agentami AI poprawia się też na własnych danych: w ciągu trzech miesięcy liczba skilli w orkiestratorze eVolpe wzrosła z 24 do 35, a automatyczne code review działało w 33 projektach.
Czy Agentic Engineering to to samo co budowanie agentów AI?
Nie. Agentic Engineering opisuje sposób wytwarzania oprogramowania z pomocą agentów AI, a nie budowę agentów jako produktu. Budowa agenta AI, który na przykład kwalifikuje leady w CRM, to projekt z obszaru agentic AI: wymaga zaprojektowania modelu, pamięci, narzędzi i uprawnień agenta. Oba obszary łączy potrzeba kontroli nad autonomicznym działaniem modelu. O projektowaniu agentów działających w systemie CRM piszemy w artykułach: Jak zaprojektować pierwszego agenta AI w dziale sprzedaży? oraz Deterministic guardrails w agentic CRM.
Najczęściej zadawane pytania
Agentic Engineering to wytwarzanie oprogramowania, w którym kod piszą i testują agenci AI, a inżynier planuje pracę, zatwierdza decyzje w bramkach akceptacji i odpowiada za jakość wyniku.
Termin zaproponował Andrej Karpathy, współzałożyciel OpenAI, w lutym 2026 roku. Rok wcześniej ten sam autor nazwał vibe coding.
W vibe codingu człowiek akceptuje kod wygenerowany przez AI bez weryfikacji. W Agentic Engineering każda zmiana przechodzi przez zatwierdzony plan, testy automatyczne i ocenę człowieka, dlatego nadaje się do oprogramowania produkcyjnego.
Nie. Zmienia ich rolę: programista mniej pisze, a więcej planuje, ocenia plany agenta, przegląda raporty z code review i decyduje o odbiorze zmian. Bez tej wiedzy agent AI nie utrzyma jakości kodu.
To zależy od złożoności zadania. W naszym pomiarze proste pole w SuiteCRM zajęło deweloperowi około 21 minut zamiast szacowanych 3 godzin, ale cały proces trwał 104 minuty. Przy złożonych zadaniach oszczędność jest mniejsza.
Potrzebny jest agent AI do kodowania, system zgłoszeń, testy automatyczne i opis systemu, który agent czyta przed pracą. W eVolpe kolejności kroków pilnuje orkiestrator połączony z Redmine.
Jesteś gotowy na prowadzenie dużego projektu wdrożeniowego w Twojej firmie?
Wiesz, o co zapytać dostawcę? Jak przygotować własny zespół? Jak stworzyć skuteczne zapytanie ofertowe? Jaką metodykę wybrać? Na co zwrócić uwagę negocjując umowę wdrożeniową i serwisową?
Specjalnie dla Ciebie stworzyliśmy darmowy kurs mailowy przygotowujący do prowadzenia wdrożeń.
Codziennie przez dwa tygodnie otrzymasz od nas na swoją skrzynkę kolejną dawkę wiedzy, która pozwoli odnaleźć Ci się w tym skomplikowanym procesie.
Darmowy kurs mailowy
Źródła
- Andrej Karpathy, wpis na platformie X, luty 2026: https://x.com/karpathy/status/2019137879310836075
- IBM, What is agentic engineering?, 27.02.2026: https://www.ibm.com/think/topics/agentic-engineering
- Stack Overflow, 2025 Developer Survey: https://survey.stackoverflow.co/2025/
- METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, lipiec 2025: https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
- Faros AI, AI Engineering Report 2026: The Acceleration Whiplash, 2026: https://www.faros.ai/research/ai-acceleration-whiplash
- Dane wewnętrzne eVolpe: pomiar zadania „pole NIP z walidacją” w SuiteCRM i statystyki orkiestratora (opublikowane 20.10.2026).
- Jak agent AI uczy się na błędach zespołu? Audyt artefaktów i doskonalenie skilli - 27 października 2026
- Co zmienia się dla klienta, gdy partner wdrożeniowy pracuje z agentami AI? - 26 października 2026
- Jak wygląda wytwarzanie oprogramowania z agentami AI w praktyce? Proces eVolpe krok po kroku - 22 października 2026


