Boostujesz wyniki dzięki AI? Czy tylko kupujesz licencje?

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, to AI da Ci przewagę, jakiej konkurencja nie dogoni.

AI jest potężne. Naprawdę.

Zanim przejdę do „ale", to chcę być uczciwy wobec skali zmian, które właśnie się dzieją.

Development:
GitHub Copilot, Cursor, Claude Code, czyli 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), czyli 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 researchowej, 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, a reszta to czekanie.

Teraz dodajmy AI. Załóżmy, że AI przyspiesza pracę dwukrotnie, czyli 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, lecz miejsc, w których praca stoi bezczynnie. AI robi dokładnie odwrotnie, czyli 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), czyli randomizowany eksperyment na doświadczonych developerach opensource 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, to co się dzieje na poziomie organizacji?

W organizacji z silosową strukturą 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 Teorię Kolejkowania wie, że duże paczki pracy czekające na wdrożenie są źródłem wielu błędów, które ciężko jest później naprawić, bo ciężko jest 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, to czas oczekiwania rośnie. AI przyspiesza powstawanie pracy. Ale to, jak szybko ta praca jest odbierana, zależy od struktury organizacji, czyli 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:

W strukturze silosowej AI tworząc szybciej Inventorykę, 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, to we właściwej strukturze dają wzrost produktywności, 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 i mentorzy 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.

A zatem:

Organizacje, które to mają boostują wyniki dzięki AI. Organizacje, które tego nie mają... kupują licencje marząc o wydajności

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, to 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, to zapraszam na bezpłatną konsultację. Bez zobowiązań, z konkretem.

Źródła

1. Reinertsen, D.G. (2009). The Principles of Product Development Flow: Second Generation Lean Product Development. Celeritas Publishing.

2. Peng, S., Kalliamvakou, E., Cihon, P., Demirer, M. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv:2302.06590.

3. 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.

4. 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.

5. Stack Overflow (2024). Developer Survey 2024. survey.stackoverflow.co.

6. 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.