Żyjemy w niezwykłym momencie. Narzędzia AI zmieniają sposób, w jaki budujemy produkty - i to nie za dziesięć lat, tylko teraz. I firmy, które tego nie zaadoptują, zostaną w tyle.
Ale - i to jest temat tego artykułu - ten sam zestaw narzędzi AI daje radykalnie różne rezultaty w zależności od tego, jak zorganizowana jest Twoja firma. Firmy z właściwą (pod Model Produktowy) strukturą organizacyjną boostują dzięki AI całe działy produktowe. Firmy z silosami i osobnymi zespołami „eksperckimi" kupują licencje i zastanawiają się, dlaczego realizacja projektów dalej trwa miesiącami.
W poprzednim artykule o marnotrawstwie koordynacyjnym pokazałem, że 75-85% czasu pracy nad produktem to czekanie, nie tworzenie. Dziś pokażę, dlaczego AI nie zmieni tego równania - chyba że najpierw zmienisz strukturę organizacyjną. Gdy zrobisz to dobrze - gdy struktura odblokuje realizację strategii - AI da Ci przewagę, jakiej konkurencja nie dogoni.
AI jest potężne. Naprawdę.
Zanim przejdę do „ale" - chcę być uczciwy wobec skali zmian, które właśnie się dzieją.
Development. GitHub Copilot, Cursor, Claude Code - narzędzia, które rozumieją całe repozytoria kodu i autonomicznie planują wielokrokowe zmiany. Kontrolowany eksperyment Peng et al. (2023, arXiv) wykazał, że programiści z dostępem do GitHub Copilot kończyli standaryzowane zadanie 55% szybciej niż grupa kontrolna. Największe jak dotąd badanie Cui et al. (2025, MIT) - trzy randomizowane eksperymenty w Microsoft, Accenture i firmie Fortune 100, łącznie ~4900 developerów - potwierdziło 26% więcej ukończonych zadań wśród programistów korzystających z AI. Stack Overflow Developer Survey 2024 pokazuje, że 76% developerów używa lub planuje używać narzędzi AI w swoim procesie.
Product Discovery i UX Research. Claude i ChatGPT syntetyzują wywiady z użytkownikami w minuty zamiast dni. Dovetail czy NotebookLM automatycznie tagują i klastrują insighty z setek notatek. Maze prowadzi testy użyteczności z AI-moderacją. To, co kiedyś wymagało tygodni pracy research-owej, dziś zajmuje godziny.
Design. Figma AI/MCP, V0.dev i podobne narzędzia generują prototypy UI z opisu tekstowego. UX Designer, który kiedyś potrzebował dnia na trzy warianty layoutu, dziś ma je w 20 minut.
Data Analysis. Analityk z ChatGPT lub Claude przetwarza dane szybciej, pisze SQL sprawniej, generuje wizualizacje i wyciąga wnioski, które wcześniej wymagały godzin ręcznej pracy.
Testy. To w zasadzie generuje się już całkowicie automatycznie. Osobiście - w moim ostatnim projekcie nie napisałem ani jednej linii kodu testów (kodu zresztą też niewiele ja napisałem). Wszystko wygenerował AI.
To nie jest hype. To jest realna zmiana w szybkości wykonywania pracy.
Ale…
Reinertsenowski rachunek z AI
W poprzednim artykule pokazałem prosty rachunek: typowy feature w typowej organizacji wielozespołowej to 10 dni pracy + 30 dni czekania = 40 dni czasu kalendarzowego. Tylko 25% czasu to realna praca - reszta to czekanie.
Teraz dodajmy AI. Załóżmy, że AI przyspiesza pracę dwukrotnie - discovery szybsze, design szybszy, kodowanie szybsze, analiza szybsza. Praca zajmuje 5 dni zamiast 10.
Nowy rachunek: 5 dni pracy + 30 dni czekania = 35 dni czasu kalendarzowego.
Przeczytaj to jeszcze raz. AI skróciło czas kalendarzowy o 5 dni z 40 - czyli o 12,5%. Ludzie pracują szybciej, ale feature i tak czeka tygodniami na decyzje, review i dostępność ludzi z innych działów. Proporcja czekania do pracy się pogorszyła - z 75% do 86%.
Dlaczego? Bo AI przyspiesza pracę, ale nie likwiduje czekania.
- AI nie podejmie decyzji za Product Managera z innego działu.
- AI nie sprawi, że zespół UX nagle będzie miał czas na Twój feature.
- AI nie sprawi, że data analityk z innego zespołu nagle będzie dostępny, kiedy go potrzebujesz.
- AI nie zlikwiduje dużych paczek pracy, wysokiego WIP (Work In Progress), czy powolnego procesu deploymentu.
Reinertsen ujmuje to precyzyjnie: jeśli chcesz skrócić czas od pomysłu do wartości, nie szukaj sposobów na szybszą pracę - szukaj miejsc, w których praca stoi bezczynnie. AI robi dokładnie odwrotnie - przyspiesza aktywność, podczas gdy prawdziwy problem to przestoje między etapami.
Paradoks: AI + zła struktura = więcej czekania
I tu pojawia się coś, czego większość organizacji nie przewiduje.
Zacznijmy od zaskakującego odkrycia. Badanie METR (Becker et al., 2025, arXiv) - randomizowany eksperyment na doświadczonych developerach open-source pracujących na własnych repozytoriach (średnio 1M+ linii kodu) - wykazało, że programiści korzystający z AI (Cursor Pro, Claude Sonnet) byli 19% wolniejsi, nie szybsi. Najciekawsze? Sami developerzy byli przekonani, że AI przyspieszyło ich o 20%. Iluzja przyspieszenia jest realna - ludzie czują, że pracują szybciej, bo AI generuje kod natychmiast. Ale czas spędzony na weryfikacji, poprawkach i zrozumieniu wygenerowanego kodu i synchronizację działań w zespole zjada te oszczędności.
Jeśli nawet na poziomie indywidualnego zadania efekt AI bywa iluzoryczny - co się dzieje na poziomie organizacji?
W organizacji z silosową strukturą - osobny dział PM-ów, osobny Discovery, osobny UX, osobny Development, osobny Data - AI przyspiesza pracę w każdym silosie. Każdy dział produkuje output szybciej. Ale co się dzieje między działami? Praca dalej czeka na review, na decyzję, na wolnego człowieka z innego zespołu. Te same przekazywania. Te same bramy jakości. Ta sama walka o czas ludzi, którzy są przypisani do innego działu i mają inne cele.
Efekt? Każdy dział produkuje więcej, szybciej - ale praca piętrzy się na styku między działami. Więcej gotowych specyfikacji czeka na UX. Więcej gotowych designów czeka na development. Więcej gotowego kodu czeka na review i deploy. Paradoksalnie - czas od pomysłu do wartości nie spada, albo spada minimalnie - mimo że wszyscy pracują szybciej. Powiem więcej! Kto rozumie Myślenie Systemowe wie, że duże paczki pracy czekające na wdrożenie są źródłem wielu błędów, które ciężko jest naprawić - ciężko znaleźć błąd w dużym batch'u zmian. To z kolei z powrotem generuje dodatkową pracę wielu ludziom obniżając produktywność, a zwiększając zajętość działów.
Reinertsen tłumaczy ten mechanizm prosto: jeśli praca powstaje szybciej, ale nie jest odbierana szybciej - czas oczekiwania rośnie. AI przyspiesza powstawanie pracy. Ale to, jak szybko ta praca jest odbierana, zależy od struktury organizacji - od tego, ile osób z ilu działów musi się zaangażować, zanim cokolwiek dotrze do użytkownika.
Analogia? Jak dobudowanie dodatkowego pasa na autostradzie, który kończy się tym samym wąskim gardłem. Więcej samochodów dociera szybciej - do tego samego korka.
Z perspektywy Lean powiedzielibyśmy wprost: AI tworząc szybciej inventory, szybciej tworzy waste.
Ale jest też dobra wiadomość
I tutaj zaczyna się robić ciekawie.
Bo te same narzędzia AI, które w złej strukturze dają marginalne oszczędności, lub wręcz utrudniają osiąganie globalnych wyników - we właściwej strukturze dają efekt, którego dotąd nie widzieliśmy.
Wyobraź sobie zespół cross-funkcjonalny i cross-komponentowy - PM, UX Designer, developerzy, data analityk - pracujący razem od discovery po delivery na jednym produkcie, przez wszystkie komponenty. Zespół, który opisałem w poprzednim artykule jako odpowiedź na marnotrawstwo koordynacyjne. Teraz daj mu AI:
- Discovery - AI syntetyzuje wywiady i dane rynkowe, a insight trafia natychmiast do tego samego zespołu. Nie czeka na briefing do innego działu. Decyzja tego samego dnia.
- Design - AI generuje prototypy UI, a designer iteruje z developerem w czasie rzeczywistym. Bez briefu, bez czekania.
- Kodowanie - Cursor i Claude Code przyspieszają implementację/testy, a code review robi natychmiast Agent, albo członek tego samego zespołu, tego samego dnia
- Walidacja - AI przetwarza dane behawioralne, a analityk jest w zespole i waliduje hipotezy na bieżąco.
- Deploy - CI/CD - zmiana jest u użytkownika tego samego dnia.
Rachunek? Feature, który w organizacji silosowej zajmował 40 dni (z czego 30 to czekanie), tutaj zajmuje 5-7 dni. Ci sami ludzie. Te same narzędzia AI. Radykalnie inna struktura.
To nie jest teoria i mam na to papiery ;-) Pracuję z zespołami w G2A, gdzie Product Managerowie współpracują blisko z UX, Data Analitykami, biznesem i zespołami Tech. AI realnie przyspieszył pracę PM-ów i UX-owców - szczególnie w researchu i przetwarzaniu danych. Ciągle się uczymy robić to lepiej, bo jeszcze nie jest idealnie. Ale różnica jest już widoczna - zmiana struktury organizacyjnej jeszcze bez AI skróciła Cycle Time pięciokrotnie. A teraz boostujemy wyniki dzięki narzędziom AI.
Większość firm nadal nie jest w stanie nawet skonsumować szybko zgromadzonych i przetworzonych danych - bo ich struktura nie pozwala na szybkie podejmowanie decyzji i działanie.
„First Design, Then AI" - 10X ORG
Moi koledzy - Craig Larman, Alexey Krivitsky i Roland Flemm - w swojej nowej książce 10X ORG (premiera 24 lutego 2026) formułują to wprost:
„First Design, Then AI."
Najpierw przeprojektuj strukturę organizacyjną. Potem boostuj dzięki AI.
Ich framework Org Topologies opisuje trzy topologie organizacyjne, z których każda inaczej reaguje na AI:
- Resource Topology - silosy specjalizacyjne, koordynacja przez managerów. AI wzmacnia poszczególne silosy, ale praca dalej stoi na styku między działami - czekając na decyzje, review i dostępność ludzi. To jest Modern Waterfall z AI. Efekt: marginalny.
- Delivery Topology - cross-functional teams z end-to-end flow. AI wzmacnia zespoły, które już dostarczają szybko - bo praca nie czeka na ludzi z innych działów. Efekt: znaczący w realizacji outputu, ale jeszcze nie outcomu.
- Adaptive Topology - zespoły jako sieć z szerokimi mandatami, pełny ownership od strategii po delivery. AI jako booster potencjału organizacji, która już potrafi się uczyć z danych i adaptować. Efekt: to jest prawdziwe 10x do outcomów.
Craig Larman - znany z LeSS i tezy „kultura podąża za strukturą" - teraz mówi wprost:
AI użyte w złej topologii wzmacnia istniejące dysfunkcje.
AI nie jest przewagą konkurencyjną. Struktura + AI jest.
Każda firma na świecie ma dziś dostęp do tych samych narzędzi AI. Copilot kosztuje $19/miesiąc. Claude i ChatGPT są dostępne dla każdego. Cursor można zainstalować w 5 minut.
Narzędzia AI nie są przewagą konkurencyjną - bo każdy może je kupić.
- Przewagą jest to, czego nie da się kupić w pięć minut: struktura organizacyjna, która pozwala skonsumować przyspieszenie, które AI daje:
- Cross-funkcjonalne, cross-komponentowe zespoły z end-to-end flow.
- Ciągłe i równoległe działania discovery i delivery.
- Decyzje podejmowane tam, gdzie powstaje wartość - nie w komitetach organizowanych raz na 3 miesiące, albo i rzadziej.
- Praca, która nie stoi tygodniami czekając na kogoś z innego działu.
Sorki zatem:
Organizacje, które to mają - boostują wyniki dzięki AI. Organizacje, które tego nie mają - kupują licencje.
Podsumowując
Zanim zainwestujesz kolejny budżet w AI tooling - odpowiedz sobie na jedno pytanie:
Czy Twoja organizacja jest gotowa skonsumować przyspieszenie, które AI daje?
Jeśli Twoje zespoły i tak czekają 75-85% czasu na kogoś innego - AI przyspieszy tę część, która nie jest Twoim problemem. Pięć dni pracy zamienisz w dwa i pół. A 30 dni czekania zostanie.
First Design, Then AI. To jest kolejność, która działa.
Jeśli chcesz porozmawiać o tym, jak przeprojektować Twoją organizację tak, aby AI mogło faktycznie przyspieszyć discovery & delivery - zapraszam na bezpłatną konsultację. Bez zobowiązań, z konkretem.
Źródła
- Reinertsen, D.G. (2009). The Principles of Product Development Flow: Second Generation Lean Product Development. Celeritas Publishing.
- Peng, S., Kalliamvakou, E., Cihon, P., Demirer, M. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv:2302.06590.
- Cui, K.Z., Demirer, M., Jaffe, S., Musolff, L., Peng, S., Salz, T. (2025). The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with GitHub Copilot. MIT.
- Becker, J., Rush, N., Barnes, E., Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR. arXiv:2507.09089.
- Stack Overflow (2024). Developer Survey 2024. survey.stackoverflow.co.
- Larman, C., Krivitsky, A., Flemm, R. (2026). 10X ORG: A Manager's Guide to Elevating Business Performance with People and AI. Org Topologies. 10xorg.com.
Krzysztof Niewiński - Transformation Manager & Product Coach, ProductOrg.com Pomagam firmom budować wielozespołowy Model Produktowy, który skraca czas od pomysłu do wartości.