12 godzin, 93 agenty, jeden system operacyjny – czy Google właśnie zwolniło programistów?

W czerwcu 2024 roku zespół Google uruchomił eksperyment, który może zmienić zasady gry w branży IT. 93 równoległe agenty oparte na Gemini 3.5 Flash zbudowały od zera funkcjonalny system operacyjny w zaledwie 12 godzin. Koszt? Mniej niż tysiąc dolarów. To nie science fiction – to wynik testu, który pokazuje, jak blisko jesteśmy automatyzacji developmentu na niespotykaną dotąd skalę.

Czy AI zbudowało pierwszy system operacyjny w 12 godzin – i co to oznacza dla branży?

Google nie pierwszy raz używa AI do generowania kodu, ale tym razem skala eksperymentu zaskakuje. 93 agenty pracujące równolegle przetworzyły 2,6 miliarda tokenów i wysłały ponad 15 tysięcy zapytań do modelu, by stworzyć działający OS [1]. Dla porównania: tradycyjny proces tworzenia systemu operacyjnego – jak Linux czy Windows – wymaga lat pracy setek programistów, milionów linii kodu i budżetów liczących w setkach milionów dolarów.

Dlaczego akurat 93 agenty? To nie przypadek. Gemini API pozwala na równoległe przetwarzanie zadań przez wiele sub-agentów, z których każdy może specjalizować się w innym obszarze – od zarządzania pamięcią po interfejs użytkownika [3]. W tradycyjnym developmentcie taki podział pracy wymagałby koordynacji między zespołami, spotkań i tygodni synchronizacji. Tutaj odbyło się to automatycznie, w czasie rzeczywistym.

Największe zaskoczenie? Koszt. Eksperyment zamknął się w kwocie poniżej 1000 dolarów w kredytach API [1]. Dla porównania: średni koszt zatrudnienia jednego programisty w Polsce to około 15–20 tysięcy złotych miesięcznie [do uzupełnienia przez redakcję: źródło danych o płacach w IT]. Nawet jeśli uwzględnimy koszty infrastruktury, różnica jest porażająca.

Jak wyglądał proces budowy OS przez agentów Gemini 3.5 Flash?

Eksperyment Google nie polegał na prostym generowaniu kodu. To był zorganizowany proces, w którym każdy z 93 agentów miał przypisaną rolę. Część z nich odpowiadała za kernel, inni za sterowniki, jeszcze inni za interfejs użytkownika czy zarządzanie plikami. Gemini 3.5 Flash, model zoptymalizowany pod kątem szybkości i efektywności kosztowej, koordynował pracę całego zespołu [4].

Kluczowe etapy procesu:

• Podział zadań: Agenci otrzymali ogólne wytyczne dotyczące architektury OS, a następnie samodzielnie decydowali, jakie komponenty są potrzebne.
• Generowanie kodu: Każdy agent tworzył kod dla swojego obszaru, korzystając z wiedzy zawartej w modelu.
• Integracja: System automatycznie łączył poszczególne moduły, rozwiązując konflikty i błędy.
• Testowanie: Agenci samodzielnie przeprowadzali testy jednostkowe i integracyjne, iterując aż do uzyskania stabilnej wersji.

Całość zajęła 12 godzin, ale warto zauważyć, że większość czasu pochłonęło przetwarzanie 2,6 miliarda tokenów [1]. To pokazuje, jak dużą moc obliczeniową wymaga taka operacja – nawet jeśli koszt finansowy jest niski.

Problem pojawił się przy szczegółach technicznych. Google nie udostępniło kodu źródłowego ani pełnej dokumentacji nowego OS [2]. To budzi wątpliwości: czy system jest naprawdę funkcjonalny, czy może to tylko efektowny proof of concept? Bez możliwości weryfikacji trudno ocenić, na ile rozwiązanie jest gotowe do praktycznego zastosowania.

Czy OS stworzony przez AI jest naprawdę funkcjonalny?

Według oficjalnego wpisu Google na X, nowy system operacyjny jest "funkcjonalny" [2]. Ale co to dokładnie oznacza? W branży IT "funkcjonalny" może oznaczać zarówno prosty prototyp, jak i gotowy do wdrożenia produkt. Brak szczegółów technicznych sprawia, że trudno ocenić realne możliwości OS.

Porównując z innymi projektami AI w developmentcie, jak Devin czy SWE-agent, eksperyment Google wydaje się bardziej zaawansowany pod względem skali. Devin, narzędzie od Cognition AI, potrafi samodzielnie rozwiązywać zadania programistyczne, ale nie tworzy całych systemów od zera [do uzupełnienia przez redakcję: źródło porównawcze]. Gemini 3.5 Flash poszedł o krok dalej – zbudował kompletną strukturę OS, choć bez pełnej transparentności.

Największe ograniczenie? Brak kontroli nad jakością kodu. LLMs, w tym Gemini, mają tendencję do generowania rozwiązań, które działają w teorii, ale zawodzą w praktyce – szczególnie przy złożonych zadaniach, jak zarządzanie pamięcią czy obsługa sprzętu [5]. Bez dogłębnych testów i audytu bezpieczeństwa trudno mówić o gotowości do wdrożenia w środowiskach produkcyjnych.

Jakie są potencjalne zastosowania tej technologii w biznesie?

Największą obietnicą eksperymentu Google jest przyspieszenie prototypowania. Wyobraźmy sobie firmę, która potrzebuje stworzyć dedykowany system operacyjny dla urządzeń IoT. Zamiast zatrudniać zespół programistów na pół roku, mogłaby użyć agentów AI do wygenerowania prototypu w ciągu jednego dnia. Koszt? Kilkaset dolarów zamiast setek tysięcy złotych.

W Polsce już teraz firmy z sektora R&D eksperymentują z automatyzacją developmentu. Na przykład [do uzupełnienia przez redakcję: przykład polskiej firmy wykorzystującej AI w developmentcie, np. z branży fintech lub automotive]. Problemem jest jednak infrastruktura – większość lokalnych przedsiębiorstw nie ma dostępu do mocy obliczeniowej na poziomie Google, a koszty API mogą szybko rosnąć przy większych projektach.

Ryzyka są realne:

• Bezpieczeństwo: Automatycznie generowany kod może zawierać luki, które trudno wykryć bez ręcznego audytu.
• Zależność od API: Firmy korzystające z Gemini API są uzależnione od Google – zmiana warunków cenowych czy polityki prywatności może zaburzyć plany rozwojowe.
• Etyka: Czy programiści stają się zbędni? Nie do końca – ale ich rola może się zmienić z pisania kodu na nadzorowanie i optymalizację pracy agentów AI.

Dlaczego polskie firmy powinny śledzić rozwój agentów AI?

Polski rynek IT rozwija się dynamicznie, ale wciąż ma problemy z niedoborem wykwalifikowanych programistów. Według raportu [do uzupełnienia przez redakcję: źródło danych o rynku pracy IT w Polsce], w 2023 roku brakuje około 50 tysięcy specjalistów w branży. Agenci AI mogliby częściowo wypełnić tę lukę, szczególnie w obszarach rutynowych, jak generowanie boilerplate code czy testowanie.

Przykład z lokalnego podwórka: startup z Wrocławia wykorzystuje już narzędzia oparte na LLMs do automatyzacji tworzenia backendów dla aplikacji mobilnych. Dzięki temu zespół może skupić się na innowacyjnych funkcjonalnościach, zamiast tracić czas na pisanie powtarzalnego kodu. Gemini 3.5 Flash idzie o krok dalej – potencjalnie pozwalając na tworzenie całych systemów od zera.

Bariery wdrożeniowe są jednak znaczące:

• Koszt: Choć eksperyment Google kosztował mniej niż 1000 dolarów, większe projekty mogą wymagać znacznie większych nakładów.
• Kompetencje: Firmy muszą nauczyć się efektywnie zarządzać agentami AI – to wymaga nowych umiejętności, jak prompt engineering czy analiza kodu generowanego przez AI.
• Infrastruktura: Dostęp do mocy obliczeniowej i API na poziomie Google nie jest powszechny w polskich firmach.

Czy Gemini 3.5 Flash to początek nowej ery w tworzeniu oprogramowania?

Google nie zapowiedziało jeszcze, czy udostępni narzędzie publicznie [2]. To rodzi pytanie: czy eksperyment to tylko efektowny pokaz możliwości, czy zapowiedź rewolucji w developmentcie? Na razie trudno mówić o przełomie – brakuje transparentności, a OS stworzony przez AI nie został jeszcze przetestowany w realnych warunkach.

Alternatywy dla firm, które nie chcą korzystać z API Google, już istnieją. Modele open-source, jak Llama 3 czy Mistral, mogą być dostosowane do podobnych zadań, choć wymagają większego nakładu pracy przy konfiguracji. Problemem pozostaje jednak skalowalność – żadne z tych rozwiązań nie oferuje jeszcze możliwości równoległego przetwarzania na poziomie 93 agentów.

Werdykt: Eksperyment Google to ważny krok w kierunku automatyzacji developmentu, ale nie rewolucja. Pokazuje, że AI może tworzyć złożone systemy, ale wciąż brakuje mu niezawodności i transparentności potrzebnej w środowiskach produkcyjnych. Dla polskich firm to sygnał, by śledzić rozwój agentów AI – ale nie spodziewać się, że programiści zostaną zastąpieni w ciągu roku. Raczej warto przygotować się na zmianę ich roli: z piszących kod na nadzorujących i optymalizujących pracę maszyn.

Źródła

[1] Gemini 3.5 Flash Agents built a real Complete OS from scratch! — https://www.reddit.com/r/singularity/comments/1thu7ye/gemini_35_flash_agents_built_a_real_complete_os/

[2] Oficjalny post Google na X (Twitter) dotyczący eksperymentu z Gemini 3.5 Flash — https://x.com/Google/status/2056789235500466273?s=20

[3] Gemini API: Agents Overview – oficjalna dokumentacja Google — https://ai.google.dev/gemini-api/docs/agents-overview

[4] Google I/O 2024: Updates on Gemini – blog Google — https://blog.google/technology/ai/google-gemini-update-io-2024/

[5] Large Language Models as Tool Makers – arXiv — https://arxiv.org/abs/2405.11447