Bariery skalowania autonomicznych pętli celów w Claude Code
Wizja, w której złożone oprogramowanie powstaje niemal bez nadzoru człowieka dzięki zaawansowanym autonomicznym agentom, boleśnie zderza się dziś z rzeczywistością technologiczną. System Claude Code, zaprojektowany z myślą o wyższym poziomie automatyzacji zadań inżynieryjnych, staje się doskonałym studium przypadku, w którym obietnice nielimitowanego skalowania weryfikują twarde ograniczenia sprzętowe oraz architektoniczne. Styl pracy promowany między innymi przez Borisa z zespołu Claude Code, oparty na definiowaniu wysokopoziomowych celów (goals) i pozostawianiu ich realizacji całymi dniami chmarom agentów, okazuje się wysoce nieefektywny dla przeważającej większości inżynierów. Wymaga on nie tylko nielimitowanych zasobów tokenów, ale i rzadkich, wysoce zaawansowanych kompetencji architektonicznych. W realiach typowego zespołu programistycznego takie podejście kończy się błyskawicznym wyczerpaniem limitów, często w ciągu zaledwie godziny, co prowadzi do ogromnego marnotrawstwa kapitału operacyjnego.
Brutalna matematyka tokenów i mityczne chmary
Aby w pełni zrozumieć, dlaczego koncepcja wielodniowych pętli w Claude Code zawodzi na masową skalę, należy obnażyć fundamenty infrastrukturalne współczesnego AI. Model operujący na ogólnych celach (goals) generuje w tle zatrważające ilości zapytań – agenci pobierają kontekst, tworzą szczegółowe plany, piszą testy, podejmują próby naprawy i wielokrotnie korygują swoje założenia na bieżąco. Każda, nawet najmniejsza iteracja w tej pętli w sposób niekontrolowany pożera tokeny.
Jak brutalnie punktują Szymon i Łukasz w podcaście Patoarchitekci, rynek zderza się z fizyką przetwarzania, w szczególności w środowiskach uruchamianych wewnątrz organizacji. Najpotężniejszy obecnie procesor w swojej klasie, czyli M5 Max, wyciąga zaledwie 20-30 tokenów na sekundę. To przepustowość, która przy konieczności obsłużenia chmary równolegle działających, wymieniających się kontekstem agentów, jest w zasadzie równa zeru.
Zamiast inteligentnie współpracujących i bezobsługowych instancji, inżynierowie otrzymują systematyczne uderzanie w przydziały API lub całkowite zdławienie lokalnego sprzętu. Firmy są gotowe ponosić ogromne koszty budowy autonomii – jawne budżety na wsparcie AI sięgają już kwot od 300 do 500 dolarów na developera – lecz pieniądze te nie omijają zewnętrznych i fizycznych barier przepustowości sieci neuronowych. Potęguje to rosnącą frustrację rynkową. Jej najdobitniejszym przykładem są niedawne pozwy o mylące limity 5x i 20x. Producenci obiecują w materiałach marketingowych bezgraniczną skalowalność, która w zetknięciu z długimi, wieloagentowymi pętlami okazuje się po prostu fikcją.
Zamiast autonomii – narodziny "slop factories"
Złożoność architektoniczna pętli celów w Claude Code niesie za sobą jednak jeszcze jedno, znacznie poważniejsze zagrożenie: drastyczny spadek jakości kodu i utratę strategicznej kontroli nad rozwijanym oprogramowaniem. Łukasz w Patoarchitektach określa ten narastający fenomen mianem "slop factories". Jak sam zauważa, sama ilość szumu w planach, testach i goalach robi wrażenie, stając się obciążeniem, a nie ułatwieniem. Chmara agentów często nie dąży do elegancji ani optymalizacji długu technologicznego; dąży do prymitywnego odhaczenia kroku za wszelką cenę, generując kod trudny w utrzymaniu i pofragmentowany logicznie.
Kluczowym deficytem takiego podejścia jest destrukcja procesu weryfikacji. Szymon podsumowuje to bezlitośnie: "Realnie nie robisz review kodu. Przy tej ilości nie masz opcji, żeby to zrobić". Kiedy Claude Code produkuje dziesiątki zmodyfikowanych plików na podstawie jednego celu, deweloper zostaje sprowadzony do roli zdezorientowanego akceptanta, który fizycznie nie ma zasobów na dogłębną analizę wypchniętego przez maszynę materiału.
To idealne środowisko do nieświadomego wprowadzania krytycznych błędów architektonicznych i luk w zabezpieczeniach. Przykładem ostrzegawczym jest sytuacja, z którą zmierzył się DHH – podczas próby wykorzystania zautomatyzowanego narzędzia Omarchy, security review wykazało drastyczne braki, czyli jak to zostało ujęte: "po prostu wylało szambo". Pełna, ślepa autonomia nie radzi sobie również z problemami fundamentalnie złożonymi na poziomie systemowym. Potwierdza to sytuacja, w której Linus próbujący niedawno debugować kernel przy pomocy sztucznej inteligencji, przebijał się przez 18 rebootów maszyny, by ostatecznie zdiagnozować problem. Chmary agentów ewidentnie nie posiadają jeszcze zdolności do bezpiecznego, samodzielnego wnioskowania na głębokich warstwach kodu.
Polaryzacja rynku i zmiana paradygmatu interfejsu
Bariery w utrzymaniu długich pętli agentowych stawiają na głowie rynek pracy i układ sił w zespołach. Zamiast uniwersalnego przyrostu wydajności dla wszystkich szczebli, następuje ostra polaryzacja. Omówione przez Patoarchitektów benchmarki wskazują to jasno: juniorzy z AI-em - zwalnia, seniorzy z AI-em - przyspiesza. Senior potrafi skutecznie nałożyć na narzędzie ostre granice, zawężając kontekst i nie pozwalając agentowi na wejście w bezproduktywną, wypalającą limit tokenów spiralę. Z kolei początkujący programista, ufający magii wielkich modeli opartych na celach, bardzo szybko tonie w szumie, którego sam nie potrafi poprawnie przeanalizować.
W odpowiedzi na te architektoniczne porażki branża wyraźnie odchodzi od utopii czwartego poziomu autonomii na rzecz interfejsów oddających stery deweloperowi. Producenci szukają rozwiązań pozwalających na wąskie, punktowe asystowanie człowiekowi. Świetnym tego przykładem jest zacieśnianie kontroli kontekstu przez interfejsy wizualne, takie jak aplikacja Claude Code Desktop, w której dąży się do wyraźnego precyzowania celów metodą wskaż-i-kliknij zamiast polegania na abstrakcyjnych pętlach tekstowych uruchamianych komendami w tle. Również środowisko Cursor, które zyskało rozgłos niedługo po tym, jak zagościło u Elona, szuka lepszego balansu między automatyczną sugestią a realnym nadzorem człowieka. Wątpliwości wobec maszynowo generowanego kodu wymusiły zresztą nawet sformalizowane działania w środowisku open source, czego dowiodło twarde głosowanie w Debianie.
Rynek zagłosował już swoimi pieniędzmi. Przejęcie bramki API OpenRouter przez firmę Stripe, sfinalizowane za potężne 7-8 miliardów dolarów, pokazuje bezlitosną rynkową prawdę: niezawodny dostęp do stabilnej infrastruktury AI jest wyceniany znacznie wyżej, niż abstrakcyjne i nieefektywne środowiska dla autonomicznych chmar agentów. Entuzjastyczny tokenmaxxing umarł i dziś pełni już tylko swoją historyczną, marketingową rolę. Bez świadomości skali przetwarzania wielkie ramy działania – takie jak pętle celów proponowane w modelu Borisa dla Claude Code – staną się jedynie kosztownym błędem poznawczym.
