Ponad jedna na pięć recenzji kodu na GitHubie jest dziś wykonywana przez recenzenta AI: recenzja kodu Copilot przekroczyła 60 milionów recenzji do marca 2026 roku, niecały rok po ogólnej dostępności (GitHub Blog, 2026). Rośnie też wolumen kodu do sprawdzenia: użytkownicy GitHuba scalali średnio 43,2 miliona pull requestów miesięcznie w 2025 roku, o 23% więcej rok do roku (GitHub Octoverse 2025). Zaufanie nie dotrzymuje kroku, bo 96% programistów nie ufa w pełni kodowi generowanemu przez AI (Sonar State of Code Developer Survey 2026), a 85% ankietowanych programistów i kupujących technologie zgadza się, że AI przesunęło wąskie gardło z pisania kodu na jego recenzowanie (GitLab AI Accountability Report 2026). Zebraliśmy dane z badań Stack Overflow Developer Survey, GitHub Octoverse, raportów DevSecOps GitLab, raportu DORA od Google, a także od Sonar, Qodo, Veracode, CodeRabbit, Faros AI, METR, JetBrains, Atlassian i Gartnera. O stronie pisania kodu przeczytasz w naszym zestawieniu statystyk generowania kodu przez AI.
TL;DR
- Recenzja kodu Copilot odpowiada za ponad 1 na 5 recenzji kodu na GitHubie, z 60 milionami zakończonych recenzji (GitHub Blog, 2026)
- 85% zgadza się, że AI przesunęło wąskie gardło z pisania kodu na jego recenzowanie i weryfikację (GitLab AI Accountability Report 2026)
- 96% programistów nie ufa w pełni kodowi generowanemu przez AI, ale tylko 48% zawsze go weryfikuje przed commitem (Sonar State of Code 2026)
- 10,2% programistów głównie używa AI do commitowania i recenzowania kodu; 58,7% nie ma takich planów (Stack Overflow Developer Survey 2025)
- Zespoły o wysokiej adopcji AI scalają o 98% więcej PR-ów, a czas recenzji PR rośnie o 91% (Faros AI Productivity Paradox Report 2025)
- 81% programistów używających recenzji AI odnotowało poprawę jakości, wobec 55% w podobnie szybkich zespołach bez niej (Qodo State of AI Code Quality 2025)
- 45% próbek kodu wygenerowanego przez AI nie przeszło testów bezpieczeństwa w ponad 100 modelach LLM (Veracode GenAI Code Security Report 2025)
- PR-y współtworzone przez AI zawierają 10,83 problemu na PR, wobec 6,45 w PR-ach napisanych tylko przez ludzi (CodeRabbit State of AI vs Human Code Generation 2025)
- 72,6% użytkowników recenzji kodu Copilot twierdzi, że poprawiła ona ich skuteczność (GitHub Octoverse 2025)
- 80% twierdzi, że ich organizacja wdrożyła narzędzia AI szybciej, niż opracowała zasady ich stosowania (GitLab AI Accountability Report 2026)
- 90% specjalistów technologicznych używa już AI w pracy, ale 30% ma niewielkie lub zerowe zaufanie do kodu generowanego przez AI (Google DORA 2025)
- 90% inżynierów oprogramowania w przedsiębiorstwach będzie korzystać z asystentów kodowania AI do 2028 roku, wobec poniżej 14% na początku 2024 roku (Gartner, 2025)
1. Adopcja AI wśród programistów: punkt wyjścia dla automatycznej recenzji
Automatyczna recenzja jest następstwem automatycznego pisania. 90% specjalistów technologicznych używa już AI w pracy (Google DORA State of AI-assisted Software Development 2025), więc niemal każdy pull request trafiający do kolejki recenzji może zawierać kod napisany przez maszynę. To zmienia cel recenzji: nie jest już tylko kontrolą koleżeńską, lecz głównym punktem kontroli kodu, którego żaden człowiek nie napisał w całości.
Adopcja jest też głęboka, nie tylko szeroka. Respondenci Sonar podają, że 42% kodu, który zatwierdzają, jest już wygenerowane lub wspomagane przez AI, a JetBrains ustala, że 62% programistów korzysta z co najmniej jednego asystenta kodowania AI, agenta lub edytora kodu z AI. Pytanie dla liderów inżynierii nie brzmi już, czy zespoły używają AI, ale ile niezrecenzowanych wyników AI ich pipeline jest w stanie wchłonąć.
| Metryka | Wartość | Źródło |
|---|---|---|
| Specjaliści technologiczni używający AI w pracy | 90% (wzrost o 14% względem poprzedniego roku) | Google DORA State of AI-assisted Software Development 2025 |
| Mediana czasu spędzanego z AI dziennie | 2 godziny | Google DORA 2025 |
| Programiści używający lub planujący używać narzędzi AI | 84% (wzrost z 76% w 2024 roku) | Stack Overflow Developer Survey 2025 |
| Profesjonalni programiści używający narzędzi AI codziennie | 51% | Stack Overflow Developer Survey 2025 |
| Programiści regularnie używający AI do kodowania i programowania | 85% | JetBrains State of Developer Ecosystem 2025 |
| Programiści korzystający z co najmniej jednego asystenta kodowania AI, agenta lub edytora AI | 62% | JetBrains State of Developer Ecosystem 2025 |
| Programiści, którzy wypróbowali narzędzia do kodowania AI i używają ich teraz codziennie | 72% | Sonar State of Code Developer Survey 2026 |
| Specjaliści DevSecOps używający lub planujący używać AI w SDLC | 97% | GitLab Global DevSecOps Report 2025 |
Uwaga kontekstowa: badania te obejmują różne populacje (Stack Overflow jest otwarte dla wszystkich programistów, DORA dotyczy specjalistów technologicznych, a JetBrains ankietowało 24 534 programistów ze 194 krajów), więc wskaźniki adopcji najlepiej czytać jako spójny przedział od 84% do 97%, a nie pojedynczą liczbę. Pełne brzmienie pytań znajdziesz na stronie wyników AI w Stack Overflow 2025 oraz w raporcie JetBrains State of Developer Ecosystem 2025. Szersze dane międzybranżowe znajdziesz w naszym zestawieniu statystyk ankiet programistów.
2. Adopcja i skala recenzji kodu z AI
Recenzja to etap pracy, na którym programiści najmniej chętnie oddają kontrolę, i widać to w danych z ankiet. Tylko 10,2% programistów głównie używa AI do commitowania i recenzowania kodu, a 58,7% twierdzi, że nie planuje tego robić (Stack Overflow Developer Survey 2025). Telemetria platform opowiada jednak inną historię: recenzja AI jest włączana na poziomie organizacji i działa przy każdym pull requeście, niezależnie od tego, czy poszczególni programiści o to prosili.
Ta rozbieżność między osobistymi intencjami a domyślnymi ustawieniami organizacji jest cechą definiującą ten rynek w 2026 roku. GitHub podaje, że użycie recenzji kodu Copilot wzrosło 10 razy od premiery i że ponad 12 000 organizacji uruchamia ją automatycznie przy każdym pull requeście (GitHub Blog, 60 milionów recenzji kodu Copilot). Normą są zestawy wielu narzędzi: 91% organizacji w ankiecie GitLab z 2026 roku ma aktywnie używane co najmniej dwa narzędzia do kodowania AI.
| Metryka | Wartość | Źródło |
|---|---|---|
| Recenzje kodu Copilot zakończone od premiery w kwietniu 2025 roku | 60 milionów | GitHub Blog, marzec 2026 |
| Udział wszystkich recenzji kodu na GitHubie obsługiwanych przez recenzję kodu Copilot | Ponad 1 na 5 | GitHub Blog, marzec 2026 |
| Organizacje uruchamiające recenzję kodu Copilot automatycznie przy każdym PR | 12 000+ | GitHub Blog, marzec 2026 |
| Recenzje kodu Copilot z wykonalnymi uwagami | 71% (średnio 5,1 komentarza na recenzję) | GitHub Blog, marzec 2026 |
| Użytkownicy recenzji kodu Copilot twierdzący, że poprawiła ich skuteczność | 72,6% | GitHub Octoverse 2025 |
| Programiści głównie / częściowo używający AI do commitowania i recenzowania kodu | 10,2% / 22,6% | Stack Overflow Developer Survey 2025 |
| Programiści planujący częściowo / głównie używać AI do tego zadania | 31,4% / 16,3% | Stack Overflow Developer Survey 2025 |
| Organizacje z co najmniej dwoma / trzema aktywnie używanymi narzędziami do kodowania AI | 91% / 54% | GitLab AI Accountability Report 2026 |
Uwaga o wartościach odstających: wskaźnik 71% wykonalnych uwag oznacza też, że 29% recenzji Copilot nie zwraca żadnych komentarzy, co GitHub przedstawia jako świadomy wybór projektowy (cisza, gdy nic nie jest nie tak), a nie wadę. Funkcja recenzji kodu Copilot osiągnęła ogólną dostępność 4 kwietnia 2025 roku, według GitHub Octoverse 2025. Wcześniejszy precedens pochodzi z Google, gdzie wewnętrzny model ML potrafił obsłużyć około 52% komentarzy recenzentów przy docelowej precyzji 50%, a autorzy kodu stosowali od 40% do 50% wyświetlonych w podglądzie sugerowanych poprawek (Google Research, 2023). Najnowsze dostępne dane dla tego wewnętrznego badania: Google Research, 2023.
3. Zaufanie i trafność: luka weryfikacji
Zaufanie zmienia się w przeciwnym kierunku niż użycie. 96% programistów nie ufa w pełni, że kod generowany przez AI jest funkcjonalnie poprawny, a tylko 48% zawsze go weryfikuje przed commitem (Sonar State of Code Developer Survey 2026). Ta 48-punktowa luka między wątpliwościami a starannością to dokładnie ta przestrzeń, w której sprzedawane są narzędzia do automatycznej recenzji: jeśli ludzie nie sprawdzają konsekwentnie wyników AI, musi to robić coś innego.
Wzorzec powtarza się w niezależnych próbach. Stack Overflow ustaliło, że dwie trzecie programistów trafia na odpowiedzi AI, które są prawie dobre, ale nie do końca, a DORA stwierdziło, że 30% ma niewielkie lub zerowe zaufanie do kodu generowanego przez AI, mimo że ponad 80% raportuje wzrost produktywności. Programiści przyzwyczaili się traktować AI jak szybkiego, ale omylnego współpracownika, którego pracę trzeba sprawdzać, dlatego respondenci Sonar uznali recenzowanie i weryfikację kodu generowanego przez AI za najważniejszą umiejętność ery AI.
| Metryka | Wartość | Źródło |
|---|---|---|
| Programiści, którzy nie ufają w pełni, że kod generowany przez AI jest funkcjonalnie poprawny | 96% | Sonar State of Code Developer Survey 2026 |
| Programiści, którzy zawsze weryfikują kod AI przed commitem | 48% | Sonar State of Code Developer Survey 2026 |
| Programiści zgadzający się, że AI tworzy kod, który wygląda poprawnie, ale nie jest niezawodny | 61% | Sonar State of Code Developer Survey 2026 |
| Programiści, którzy w dużym stopniu ufają / aktywnie nie ufają trafności wyników AI | 3,1% / 46% | Stack Overflow Developer Survey 2025 |
| Programiści sfrustrowani rozwiązaniami AI, które są prawie dobre, ale nie do końca | 66% | Stack Overflow Developer Survey 2025 |
| Specjaliści technologiczni z niewielkim lub zerowym zaufaniem do kodu generowanego przez AI | 30% | Google DORA 2025 |
| Respondenci ufający, że AI obsłuży codzienne zadania bez recenzji człowieka | 37% | GitLab Global DevSecOps Report 2025 |
| Programiści zgłaszający jednocześnie niską liczbę halucynacji i wysoką pewność wdrażania kodu AI | 3,8% | Qodo State of AI Code Quality 2025 |
Uwaga kontekstowa: własne opracowanie Stack Overflow dla liderów podaje zaufanie do trafności AI na poziomie 29% w 2025 roku, wobec 40% w 2024 roku, podczas gdy publiczna strona wyników pokazuje 33% łącznie dla odpowiedzi „raczej ufam” i „bardzo ufam”; różnica wynika ze sposobu grupowania odpowiedzi, a obie liczby wskazują na spadek (Stack Overflow 2025 survey for leaders). Qodo dodaje, że 25% programistów szacuje, że jedna na pięć sugestii AI zawiera błędy merytoryczne lub wprowadzający w błąd kod, a programiści widzący mniej halucynacji są 2,5 raza bardziej skłonni scalać kod bez recenzji (24% wobec 9%).
4. Produktywność i wąskie gardło recenzji
Najszybszy sposób, by zrozumieć, dlaczego recenzja AI rośnie, to sprawdzić, gdzie ucieka czas. Zespoły o wysokiej adopcji AI scalają o 98% więcej pull requestów, a czas recenzji PR rośnie o 91% (Faros AI, The AI Productivity Paradox Research Report 2025). Pisanie stało się tańsze, czytanie nie. Faros ustaliło też, że średni rozmiar PR wzrósł o 154%, więc recenzenci mierzą się zarówno z większą liczbą pull requestów, jak i z większymi.
Dane z samooceny potwierdzają ten obraz. Ankieta GitLab z 2026 roku wykazała, że 78% respondentów twierdzi, że programiści piszą i commitują kod szybciej, a 85% zgadza się, że AI przesunęło wąskie gardło na recenzowanie i weryfikację. Kontrolowane badanie METR dodaje przestrogę dotyczącą percepcji: doświadczeni programiści open source potrzebowali o 19% więcej czasu na ukończenie zgłoszeń z użyciem narzędzi AI, choć nadal wierzyli, że AI przyspieszyło ich pracę o 20% (METR, lipiec 2025).
| Metryka | Wartość | Źródło |
|---|---|---|
| Zmiana liczby scalonych PR w zespołach o wysokiej adopcji AI | +98% | Faros AI Productivity Paradox Report 2025 |
| Zmiana czasu recenzji PR w zespołach o wysokiej adopcji AI | +91% | Faros AI Productivity Paradox Report 2025 |
| Zmiana średniego rozmiaru PR | +154% | Faros AI Productivity Paradox Report 2025 |
| Zmiana liczby ukończonych zadań na programistę | +21% | Faros AI Productivity Paradox Report 2025 |
| Zmiana liczby pull requestów obsługiwanych przez programistę dziennie | +47% | Faros AI Productivity Paradox Report 2025 |
| Programiści twierdzący, że recenzowanie kodu AI wymaga więcej wysiłku niż recenzowanie kodu kolegów | 38% | Sonar State of Code Developer Survey 2026 |
| Pull requesty scalane na GitHubie miesięcznie (średnia za 2025 rok) | 43,2 miliona (+23% r/r) | GitHub Octoverse 2025 |
| Zmiana czasu ukończenia zadań z narzędziami AI w badaniu randomizowanym (16 programistów, 246 zgłoszeń) | +19% wolniej | METR, 2025 |
Uwaga kontekstowa: Faros nie znalazło istotnej korelacji między adopcją AI a wskaźnikami DORA na poziomie firmy, co oznacza, że indywidualne zyski wyparowały, zanim dotarły do wyników dostarczania. Raport Atlassian State of Developer Experience 2025 (3500 programistów i menedżerów) pokazuje ten sam wzajemny wpływ: 68% oszczędza ponad 10 godzin tygodniowo dzięki AI, a 50% traci ponad 10 godzin tygodniowo przez tarcia organizacyjne (Atlassian, 2025). Automatyczna recenzja to jedna z nielicznych dźwigni skierowanych na etap, w którym czas faktycznie się piętrzy.
5. Jakość kodu i wyniki dotyczące bezpieczeństwa
Dane o jakości dzielą się wyraźnie na dwie historie. Kod napisany przez AI, niezrecenzowany, mierzalnie zawiera więcej defektów. Pull requesty współtworzone przez AI miały średnio 10,83 problemu na PR wobec 6,45 w PR-ach napisanych tylko przez ludzi, czyli około 1,7 raza więcej (CodeRabbit, State of AI vs Human Code Generation Report 2025), a Veracode ustaliło, że 45% próbek kodu wygenerowanego przez AI nie przeszło testów bezpieczeństwa i wprowadziło podatności z listy OWASP Top 10.
Druga historia jest taka, że recenzja w pętli zmienia wynik. Qodo ustaliło, że 81% programistów używających recenzji kodu z AI zgłosiło poprawę jakości, wobec 55% w równie szybkich zespołach bez niej, a zespoły wdrażające recenzję AI widziały wzrost jakości nawet przy niezmienionej produktywności (36% wobec 17%). Czytane razem, liczby wskazują, że ryzyko leży w niezrecenzowanych wynikach AI, a nie w samych wynikach AI. Czytelnicy śledzący szerszy krajobraz zagrożeń mogą porównać te dane z naszymi statystykami cyberbezpieczeństwa.
| Metryka | Wartość | Źródło |
|---|---|---|
| Próbki kodu wygenerowanego przez AI, które nie przeszły testów bezpieczeństwa (ponad 100 modeli LLM) | 45% | Veracode GenAI Code Security Report 2025 |
| Odsetek niepowodzeń bezpieczeństwa według języka: Java / C# / JavaScript / Python | 72% / 45% / 43% / 38% | Veracode GenAI Code Security Report 2025 |
| Próbki, w których AI nie zabezpieczyło przed cross-site scripting (CWE-80) | 86% | Veracode GenAI Code Security Report 2025 |
| Problemy na PR: współtworzone przez AI vs napisane tylko przez ludzi (470 PR open source) | 10,83 vs 6,45 | CodeRabbit State of AI vs Human Code Generation 2025 |
| Problemy z bezpieczeństwem w PR-ach współtworzonych przez AI vs napisanych tylko przez ludzi | Do 2,74 razy więcej | CodeRabbit State of AI vs Human Code Generation 2025 |
| Poprawa jakości z recenzją AI vs bez niej (wśród szybkich zespołów) | 81% vs 55% | Qodo State of AI Code Quality 2025 |
| Respondenci zgłaszający pozytywny wpływ AI na jakość kodu | 59% | Google DORA 2025 |
| Repozytoria z alertami CodeQL dotyczącymi błędnej kontroli dostępu | 151 000+ (+172% r/r) | GitHub Octoverse 2025 |
Uwaga kontekstowa: Veracode podaje, że większe i nowsze modele nie tworzyły bezpieczniejszego kodu, więc same aktualizacje modeli nie zastępują recenzji. Po stronie pozytywnej GitHub Octoverse 2025 podaje, że czas naprawy podatności skrócił się o 30% w ciągu ostatniego roku, a o 26% mniej repozytoriów otrzymało krytyczne alerty. Faros dodaje 9% wzrost liczby błędów na programistę w zespołach o wysokiej adopcji AI. Podsumowanie raportu Veracode zawiera pełną metodologię.
6. Zarządzanie, wyzwania w przedsiębiorstwach i co dalej
Przedsiębiorstwa kupowały narzędzia do kodowania AI szybciej, niż pisały zasady ich stosowania. 80% respondentów twierdzi, że ich organizacja wdrożyła narzędzia AI szybciej, niż opracowała zasady nimi zarządzania, a 92% zgłasza jakąś formę wyzwania w zarządzaniu kodem generowanym przez AI (GitLab AI Accountability Report 2026). Następna faza automatycznej recenzji dotyczy więc mniej wyłapywania literówek, a bardziej pochodzenia kodu: wiedzy, który kod pochodzi z modelu, które narzędzie go wytworzyło i kto go zatwierdził.
Liczby dotyczące identyfikowalności są najbardziej niepokojące. 87% jest przekonanych, że w ciągu 24 godzin potrafiłoby stwierdzić, czy kod wygenerowany przez AI przyczynił się do incydentu produkcyjnego, ale 34% organizacji, które faktycznie miały incydent w ostatnim roku, nie było w stanie tego ustalić. Tymczasem udział kodu pisanego przez AI stale rośnie, co oznacza, że problem zarządzania narasta z każdym kwartałem. Nasze statystyki adopcji AI w przedsiębiorstwach opisują ten sam wzorzec opóźnienia w zasadach poza zespołami programistycznymi.
| Metryka | Wartość | Źródło |
|---|---|---|
| Organizacje wdrażające AI szybciej niż zasady zarządzania / zgłaszające wyzwanie w zarządzaniu | 80% / 92% | GitLab AI Accountability Report 2026 |
| Respondenci, którzy nie potrafią wiarygodnie odróżnić kodu wygenerowanego przez AI od napisanego przez człowieka | 43% | GitLab AI Accountability Report 2026 |
| Respondenci twierdzący, że kod AI grozi nową formą długu technicznego | 82% | GitLab AI Accountability Report 2026 |
| Respondenci twierdzący, że AI zwiększa złożoność zarządzania zgodnością | 70% | GitLab Global DevSecOps Report 2025 |
| Respondenci odkrywający więcej problemów ze zgodnością po wdrożeniu niż w trakcie rozwoju | 76% | GitLab Global DevSecOps Report 2025 |
| Zatwierdzany kod wygenerowany lub wspomagany przez AI: dziś vs oczekiwania na 2027 rok | 42% vs 65% | Sonar State of Code Developer Survey 2026 |
| Inżynierowie oprogramowania w przedsiębiorstwach używający asystentów kodowania AI: początek 2024 roku vs prognoza na 2028 rok | Poniżej 14% vs 90% | Gartner Top Strategic Trends in Software Engineering 2025 |
Uwaga kontekstowa: wynik 76% dotyczący zgodności po wdrożeniu z raportu GitLab DevSecOps 2025 (3266 specjalistów, badanie przeprowadziło The Harris Poll) to bezpośredni argument za przeniesieniem kontroli na etap recenzji (komunikat prasowy GitLab, listopad 2025). Prognoza Gartnera jest tu przytaczana za relacją DevOps Digest o lipcowej publikacji Gartnera z 2025 roku; ta sama publikacja przewiduje, że co najmniej 55% zespołów inżynierii oprogramowania będzie budować funkcje oparte na LLM do 2027 roku. Po stronie zwrotu z inwestycji 60% respondentów GitLab z 2026 roku twierdzi, że zwrot z kodowania z AI przekroczył oczekiwania, więc presja dotyczy zarządzania kodem AI, a nie wycofywania się z niego.
Podsumowanie: recenzja kodu z AI w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Udział recenzji kodu na GitHubie obsługiwanych przez recenzję kodu Copilot | Ponad 1 na 5 | GitHub Blog, 2026 |
| Zakończone recenzje kodu Copilot | 60 milionów | GitHub Blog, 2026 |
| Organizacje uruchamiające recenzję AI przy każdym PR (Copilot) | 12 000+ | GitHub Blog, 2026 |
| Użytkownicy recenzji kodu Copilot zgłaszający lepszą skuteczność | 72,6% | GitHub Octoverse 2025 |
| Programiści głównie używający AI do commitowania i recenzowania kodu | 10,2% | Stack Overflow Developer Survey 2025 |
| Programiści bez planów używania AI do commitowania i recenzowania kodu | 58,7% | Stack Overflow Developer Survey 2025 |
| Specjaliści technologiczni używający AI w pracy | 90% | Google DORA 2025 |
| Programiści, którzy nie ufają w pełni kodowi generowanemu przez AI | 96% | Sonar State of Code 2026 |
| Programiści, którzy zawsze weryfikują kod AI przed commitem | 48% | Sonar State of Code 2026 |
| Programiści aktywnie nieufni wobec trafności wyników AI | 46% | Stack Overflow Developer Survey 2025 |
| AI przesunęło wąskie gardło z pisania na recenzowanie kodu | 85% zgadza się | GitLab AI Accountability Report 2026 |
| Zmiana czasu recenzji PR w zespołach o wysokiej adopcji AI | +91% | Faros AI 2025 |
| Zmiana liczby scalonych PR w zespołach o wysokiej adopcji AI | +98% | Faros AI 2025 |
| Poprawa jakości z recenzją AI vs bez niej | 81% vs 55% | Qodo State of AI Code Quality 2025 |
| Próbki kodu wygenerowanego przez AI niezaliczające testów bezpieczeństwa | 45% | Veracode GenAI Code Security Report 2025 |
| Problemy na PR, współtworzone przez AI vs napisane tylko przez ludzi | 10,83 vs 6,45 | CodeRabbit 2025 |
| Organizacje wdrażające AI szybciej niż zasady zarządzania | 80% | GitLab AI Accountability Report 2026 |
| Specjaliści technologiczni z niewielkim lub zerowym zaufaniem do kodu generowanego przez AI | 30% | Google DORA 2025 |
| Udział AI w zatwierdzanym kodzie, dziś vs oczekiwania na 2027 rok | 42% vs 65% | Sonar State of Code 2026 |
| Inżynierowie w przedsiębiorstwach używający asystentów kodowania AI do 2028 roku | 90% (prognoza) | Gartner, 2025 |
Metodologia i źródła
- Stack Overflow Developer Survey 2025, sekcja AI: adopcja, zaufanie, frustracje i użycie AI do commitowania i recenzowania kodu (33 662 respondentów odpowiedziało na pytania o użycie AI).
- Stack Overflow 2025 Developer Survey for Leaders, adopcja AI: porównanie zaufania rok do roku (2024 vs 2025).
- GitHub Octoverse 2025: skuteczność recenzji kodu Copilot, wolumeny PR i commitów, dane CodeQL i czasu naprawy podatności.
- GitHub Blog, 60 milionów recenzji kodu Copilot (marzec 2026): liczba recenzji, udział w recenzjach na GitHubie, liczba organizacji, odsetek wykonalnych uwag.
- Komunikat prasowy GitLab AI Accountability Report 2026: The Harris Poll, 1528 programistów i kupujących technologie w sześciu krajach, opublikowano 23 czerwca 2026 roku.
- Komunikat prasowy GitLab Global DevSecOps Report 2025: The Harris Poll, 3266 specjalistów DevSecOps, opublikowano 10 listopada 2025 roku.
- Google Cloud, ogłoszenie raportu DORA 2025 oraz podsumowanie DORA 2025 na Google Blog: prawie 5000 specjalistów technologicznych oraz ponad 100 godzin danych jakościowych.
- Sonar State of Code Developer Survey 2026 oraz analiza luki zaufania do AI od Sonar: ponad 1100 profesjonalnych programistów, opublikowano w styczniu 2026 roku.
- Qodo State of AI Code Quality 2025: 609 programistów z firm różnej wielkości i z różnych regionów.
- Veracode 2025 GenAI Code Security Report: ponad 100 modeli LLM przetestowanych w Javie, Pythonie, C# i JavaScripcie, opublikowano 30 lipca 2025 roku.
- CodeRabbit State of AI vs Human Code Generation Report: 470 PR open source (320 współtworzonych przez AI, 150 napisanych tylko przez ludzi), opublikowano 17 grudnia 2025 roku.
- Faros AI, The AI Productivity Paradox Research Report: telemetria od ponad 10 000 programistów w 1255 zespołach, opublikowano w lipcu 2025 roku.
- METR, pomiar wpływu AI z początku 2025 roku na produktywność doświadczonych programistów open source: randomizowane badanie kontrolowane, 16 programistów, 246 zgłoszeń.
- JetBrains State of Developer Ecosystem 2025: 24 534 programistów ze 194 krajów, ankieta od kwietnia do czerwca 2025 roku.
- Atlassian State of Developer Experience 2025: 3500 programistów i menedżerów w sześciu krajach.
- Google Research, rozwiązywanie komentarzy z recenzji kodu za pomocą ML (2023): wewnętrzne poprawki sugerowane przez ML do komentarzy recenzentów.
- Gartner Top Strategic Trends in Software Engineering 2025, za DevOps Digest: oryginalna publikacja Gartnera nie była publicznie dostępna; dane są przytaczane tak, jak zostały opublikowane.
- Zhong i in., From Human-Centric to Agentic Code Review (arXiv, lipiec 2026): analiza 1,02 miliona zrecenzowanych PR z 207 projektów GitHub, wskazująca, że recenzje z udziałem agentów wiążą się z szybszymi decyzjami, ale nie z lepszą jakością recenzji; wykorzystano wyłącznie jako kontekst jakościowy.
- Uwaga o danych: badania prowadzone przez dostawców (GitHub, Sonar, Qodo, CodeRabbit, Faros AI) pochodzą od firm sprzedających narzędzia do kodowania lub recenzji z AI, więc ich ujęcie warto traktować ostrożnie, nawet tam, gdzie metodologia jest ujawniona. Próba 470 PR od CodeRabbit i badanie METR z 16 programistami są małe; ich kierunek zgadza się z większymi ankietami, ale dokładnych mnożników nie należy uogólniać. Stack Overflow publikuje dwie wartości zaufania za 2025 rok (29% w opracowaniu dla liderów, 33% na stronie wyników) z powodu różnych grupowań odpowiedzi. Dane Google o recenzji kodu z ML pochodzą z 2023 roku (najnowsze dostępne dane dla tego wewnętrznego badania). Wykluczyliśmy szacunki wielkości rynku narzędzi do recenzji kodu z AI, ponieważ nie mogliśmy ich zweryfikować w dwóch firmach z ujawnioną metodologią. Spodziewane nowsze dane: Stack Overflow Developer Survey 2026, GitHub Octoverse 2026 oraz raport DORA 2026.
Ostatnia aktualizacja: 3 października 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnego odświeżenia spodziewamy się, gdy GitHub opublikuje Octoverse 2026.