Kryzys vibe coding: dlaczego absolwenci CS nie potrafią już programować bez AI

W marcowym wątku Reddit z 2026 r., który szybko przekroczył 8 000 upvote'ów, starszy inżynier startupu serii B zamieścił zrzuty ekranu z take-home interview, które właśnie odrzucił. Kandydat — niedawny absolwent CS z GPA 3.9 z szanowanego programu — przesłał kod, który działał idealnie na happy path i po cichu psuł dane w każdym brzegowym przypadku. Poproszony o omówienie logiki w rozmowie kontynuacyjnej kandydat nie potrafił wyjaśnić, dlaczego jedna z jego własnych funkcji używa rekursji. Linia, która rozbiła wątek, to jego szczera odpowiedź: «Po prostu powiedziałem Claude'owi, czego potrzebowaliśmy, a on to napisał. Zwykle czytam kod tylko wtedy, gdy nie działa».

To jest kryzys vibe coding i do 2026 r. wyemigrował on z Twittera deweloperów do procesów HR, debriefów rekrutacyjnych i coraz częściej do gabinetów kierowników katedr CS próbujących zrozumieć, co właśnie stało się z ich absolwentami. Termin został ukuty przez Andreja Karpathy'ego w lutym 2025 r., by opisać pozytywny nowy tryb pracy: opisz intencję, zaakceptuj to, co produkuje model, wyślij. W ciągu roku ta sama fraza stała się skrótem w dziedzinie dla pokolenia programistów, którzy potrafią płynnie pisać prompty, ale nie potrafią rozumować o tym, co ich kod faktycznie robi.

Dla nauczycieli programowania to nie jest hipotetyczny problem o przyszłości pracy. To teraźniejsza nagła sytuacja pedagogiczna dotycząca studentów, których obecnie wypuszczasz. Ten artykuł patrzy na to, co badania i raporty terenowe rzeczywiście pokazują o atrofii umiejętności wywołanej przez AI, dlaczego CS1 aż do projektu dyplomowego jest wyjątkowo wrażliwy i jak mała, ale rosnąca grupa nauczycieli przebudowuje kursy, by zapewnić, że studenci wychodzą zdolni do kodowania — nie tylko zdolni do promptowania.

Co naprawdę oznacza vibe coding (i dlaczego Karpathy powiedział, że to powinno być zabawne)

Pierwotne ujęcie Karpathy'ego było konkretne. Vibe coding oznaczał akceptację, że programowanie dla osobistych projektów może teraz odczuwać się jak twórcza zabawa: mówisz modelowi, czego chcesz, on produkuje kod, dostrajasz prompt zamiast kodu i wysyłasz coś działającego. Wyraźnie zauważył, że już nie czyta kodu linia po linii dla swoich własnych pobocznych projektów. Ujęcie dotyczyło przyjemności, produktywności i prawowitej obserwacji, że dla niskoryzykownego jednorazowego kodu staranny ręczny przegląd jest przesadą.

Następnie termin uciekł w szersze pole, gdzie wylądował w dwóch bardzo różnych kontekstach:

• Starsi inżynierowie używający go celowo: Traktują kod wygenerowany przez AI jako szkic, czytają i refaktoryzują przed commitem, używają AI do pominięcia boilerplate, ale stosują dekady rozpoznawania wzorców do oceny wyjścia. To opisywał Karpathy i to działa.
• Juniorzy i studenci adoptujący to jako tryb domyślny: Traktują kod wygenerowany przez AI jako gotowy artefakt, akceptują bez czytania, debugują tylko gdy testy się nie powiodą, eskalują do seniora lub instruktora tylko gdy AI nie może naprawić własnego wyjścia. To nie opisywał Karpathy i to nie działa.

Problemem pedagogicznym jest druga grupa, a stanowią większość studentów wchodzących w programy CS w 2026 r. Sam Karpathy cofnął swoje ujęcie później w 2025 r., zauważając, że vibe coding ma sens dla ekspertów na osobistych projektach i jest korozyjny dla wszystkich innych.

Wzorzec atrofii umiejętności w prawdziwych liczbach

Dowody są teraz znaczne i wskazują w jednym kierunku. Analiza CodeRabbit z grudnia 2025 r., badająca pull requesty w setkach repozytoriów open-source, wykazała, że kod współnapisany z AI generatywnym zawierał około 1,7× więcej «poważnych» problemów niż kod ludzki. Błędy logiczne (nieprawidłowe zależności, wadliwy przepływ sterowania) i luki bezpieczeństwa były znacząco podwyższone, a defekty bezpieczeństwa pojawiały się w tempie 2,74× wyższym niż w kodzie czysto ludzkim.

Raport TechSpot z końca 2025 r. ankietował pracujących deweloperów o poznawcze efekty wymuszonych workflowów vibe-coding. Wspólny zgłaszany wzorzec: rosnący czas debugowania, malejąca zdolność do mentalnego symulowania kodu i pogarszająca się intuicja co do tego, jak wygląda kod jakości produkcyjnej. Jeden deweloper opisał swoje doświadczenie po sześciu miesiącach pracy vibe-first jako «utratę pamięci mięśniowej» do rozwiązywania problemów w całości.

Najczytelniejszy obraz przyszedł od dewelopera, który przeprowadził 30-dniowy eksperyment na początku 2026 r.: bez pomocy AI przez miesiąc, potem refleksja nad różnicą. Wpis na dev.to I Coded Without AI for 30 Days: The Results Were Embarrassing stał się jednym z najbardziej udostępnianych esejów deweloperskich roku. Główne odkrycie: pracujący starszy inżynier z ośmioletnim doświadczeniem nie potrafił już z pamięci napisać prostego przejścia drzewa binarnego. Umiejętność została zoutsourced i potem po cichu uległa erozji.

Jeśli mięsień debugowania pracującego starszego inżyniera ulega pogorszeniu w ciągu miesięcy zależności od AI, wyobraź sobie trajektorię studenta CS1, który nigdy tego mięśnia nie miał — którego całe doświadczenie programowania było zapośredniczone przez LLM produkujący działające rozwiązanie w ciągu dziesięciu sekund od zobaczenia stwierdzenia problemu.

Dlaczego edukacja programistyczna jest wyjątkowo wrażliwa

Inne dziedziny radzą sobie z AI w edukacji niedoskonale, ale większość nadal ma nienaruszone ramy oceniania. Studenta literatury nadal można poprosić o omówienie fragmentu na seminarium. Studenta chemii nadal można poprosić o wykonanie procedury laboratoryjnej. Studenta matematyki nadal można poprosić o wyprowadzenie dowodu na tablicy. Edukacja programistyczna nie ma żadnego z tych nienaruszonych trybów oceniania. Prawie każde zadanie programistyczne jest take-home, oceniane przez to, czy kod przechodzi testy — a AI 2026 r. trywialnie przechodzi te testy.

To tworzy trzy luki specyficzne dla programowania:

• Pętla zadanie-test jest w pełni automatyzowalna. Codex, Claude Code i Cursor czytają zadanie, piszą kod, uruchamiają suitę testów, iterują na niepowodzeniach i przesyłają działające rozwiązanie. Pełny cykl, który student ma wykonać — zrozumieć wymagania, zaprojektować rozwiązanie, zaimplementować, debugować — może być wykonany przez AI szybciej, niż student przeczyta specyfikację.
• Ocenianie na żywo jest logistycznie kosztowne. Kurs CS1 dla 200 studentów nie może realistycznie wykonać pięciominutowej obrony ustnej na każdym zadaniu bez spalenia dwudziestu godzin pracy asystentów na cykl. Model ekonomiczny dużych kursów CS zakłada asynchroniczne ocenianie take-home.
• Oszukiwanie jest niewidzialne dla studenta. Student kopiujący esej wie, że oszukał. Student promptujący AI do rozwiązania zadania może tego nie rejestrować jako oszustwo — norma społeczna przesunęła się szybciej niż polityka, a akt odczuwany jest jako nieodróżnialny od googlowania. Do czasu, gdy dochodzą do roku dyplomowego i muszą myśleć samodzielnie, spędzili cztery lata, nie budując odpowiednich umiejętności.

Rezultatem jest rurociąg absolwentów produkujący studentów z dyplomami, które już nie korelują z umiejętnościami. Menedżerowie ds. zatrudnienia w 2026 r. coraz częściej omijają CV i GPA na rzecz oceny technicznej na żywo, dokładnie dlatego, że system kwalifikacji odsprzęgnął się od leżącej u podstaw zdolności.

Jak «niczego się nie uczyć» wygląda na konsultacjach CS

Jeśli uczysz programowania, prawdopodobnie widziałeś ten wzorzec, nawet jeśli jeszcze go nie nazwałeś. Zebraliśmy najczęstsze sygnały diagnostyczne od instruktorów na CS1, strukturach danych i projektach dyplomowych w końcu 2025 i początku 2026 r.

• Student nie potrafi znaleźć własnego błędu. Przesyłka działała idealnie. Nowy test jednostkowy się nie powodzi. Student otwiera plik, patrzy na kod jakby widział go po raz pierwszy, przewija w górę i w dół bez hipotezy, w końcu mówi «Po prostu zapytam Claude'a, co jest nie tak». Pierwszą reakcją na niepowodzenie testu jest eskalacja do AI, a nie sformułowanie hipotezy.
• Student nie potrafi odpowiedzieć na «dlaczego». Zapytany «dlaczego użyłeś tu hash mapy zamiast tablicy» odpowiedź brzmi «tak zasugerował AI». Wybór został dokonany; rozumowanie za nim nigdy nie zostało zinternalizowane. Pod kodem nie ma modelu poznawczego.
• Student nie potrafi zrobić małej wariacji. «Zmodyfikuj, by obsługiwał też liczby ujemne» powinno być trzydziestosekundową edycją. Dla AI-zależnego studenta staje się to pięciominutową sesją promptowania, bo musi zwrócić ograniczenie modelowi, zamiast pomyśleć, gdzie w istniejącym kodzie powinna nastąpić modyfikacja.
• Student jest płynny w narzędziach, analfabetyczny w problemach. Potrafią skonfigurować Vercel, zbudować komponent React, postawić bazę Postgres, wdrożyć z Dockerem. Potrafią używać całego nowoczesnego toolchainu. Poproś o implementację quicksort. Cisza.
• Odsłonięcie na projekcie dyplomowym. Projekt dyplomowy, moment, gdy nagromadzona umiejętność powinna się opłacić, coraz częściej jest momentem, gdy nagromadzona nieobecność umiejętności zostaje ujawniona. Zespoły, które vibe-kodowały przez CS1 do roku przedostatniego, docierają do projektu dyplomowego niezdolne do zaprojektowania systemu, rozbicia funkcjonalności, obsługi tych części programowania, które AI robi najgorzej.

Pedagogiczna naprawa: traktuj płynność AI jako prawdziwą umiejętność (i uczyń ją zdobywalną)

Nauczyciele, którzy zarządzają tym przejściem dobrze, to nie ci z najsurowszymi politykami zakazu AI. To ci, którzy przebudowali kursy wokół jasnego rozróżnienia: AI to narzędzie, którego studenci powinni nauczyć się dobrze używać, ORAZ studenci muszą niezależnie wykazać umiejętności poznawcze, które AI ćwiczy. Dwa wymagania nie są w napięciu — są komplementarne, a kursy, które robią to dobrze, produkują absolwentów, którzy przewyższają zarówno vibe-koderów, jak i kohorty z zakazem AI.

Konkretne wzorce projektowe widoczne w kursach programowania 2026:

• 1. Zadanie dwutorowe. Każde zadanie ma część «solo» (bez AI, często mały komponent w klasie) i część «narzędziową» (AI dozwolony, ale udokumentowany). Część solo jest krótsza, ale oceniana równo. To łapie, co student potrafi rzeczywiście, pozwalając mu uczyć się od AI na większej pracy.
• 2. Płynność AI jako oceniana kompetencja. Studenci przesyłają używane prompty AI, otrzymane odpowiedzi i analizę, gdzie AI było błędne lub nieefektywne. Krytyczne czytanie wyjścia AI traktowane jest jako cel kursu, nie obejście.
• 3. Oceny wyłącznie debugowania. Studentom daje się działający kod wygenerowany przez AI z subtelnymi błędami (off-by-one, zły przypadek bazowy, brakująca kontrola null, luka bezpieczeństwa) i oceniają ich zdolność do znalezienia i naprawienia. To trenuje umiejętność, którą AI wykonuje najgorzej, a którą pracodawcy cenią najbardziej.
• 4. Ocenianie z widocznym procesem. Wymagana historia commitów, obowiązkowe komentarze dokumentujące decyzje projektowe, nagrane przejścia. Sam artefakt nie jest już całą oceną.
• 5. Rozmowy techniczne na żywo. Krótki, ustrukturyzowany komponent ustny na każdym znaczącym zadaniu. Pięć minut na studenta, skoncentrowane na jednym lub dwóch pytaniach diagnostycznych. Tarcie jest prawdziwe; sygnał jest doskonały.
• 6. Weryfikacja autentyczności na poziomie systemu. Narzędzia takie jak Plagly.ai skanują przesyłki pod kątem wzorców generowania przez AI, jednolitości stylistycznej na poziomie kohorty i braku iteracyjnych śladów autorstwa, które prawdziwa praca studencka zazwyczaj wykazuje. To nie jest ocena; to flaga, która wyłania przesyłki warte rozmowy na konsultacjach.

Warstwa narzędzi, która czyni to praktycznym

Największa obiekcja wobec powyższego modelu jest logistyczna. Prawdziwe kursy mają setki studentów; prawdziwi instruktorzy nie mają czasu czytać każdej przesyłki linia po linii, prowadzić obrony ustnej na każdym zadaniu lub zauważać wzorców na poziomie kohorty na oko. Narzędzia muszą wykonać skan powierzchniowy, by człowiek mógł zastosować osąd do przypadków, które mają znaczenie.

Jak to wygląda w praktyce dla sekcji CS1 z 200 studentami:

• Auto-skanowanie przesyłek: Każdy przesłany plik przechodzi przez wykrywanie AI, które zwraca wynik pewności i flagi na blok. Plagly.ai wykonuje tę analizę z 99% dokładnością w GPT-5.5, Claude 4.6, Gemini 3.1 i innych głównych modelach, włączając konkretne warianty kodu, które te modele preferują.
• Dashboard na poziomie kohorty: Instruktor widzi klasteryzację wzorców stylistycznych w sekcji. Gdy osiem przesyłek dzieli idiomatyczne sformułowania, identyczną gęstość komentarzy i ten sam wzorzec defensywno-brzegowy, klaster wyłania się do przeglądu.
• Ślady autorstwa: Agentic Council od Plagly.ai — siedem domenowych modeli ekspertów analizujących przesyłkę pod kątem jakości pisma, struktury, wykrywania AI, oryginalności i spójności — tworzy raport z odniesieniami. Raport nie twierdzi nieuczciwości akademickiej; dokumentuje wzorce, które instruktor może zbadać.
• Ukierunkowane rozmowy na konsultacjach: Studenci, których przesyłki się wyłaniają, otrzymują pięciominutową kontrolę ustną. Większość jest szybko oczyszczana; mała liczba, która nie, staje się przypadkami, które instruktor obsługuje rozważnie i na zapisie.

Sensem nie jest złapanie każdego oszusta. Sensem jest utrzymanie nienaruszonej pętli uczenia dla studentów, którzy chcą się uczyć. Klasa bez weryfikacji to klasa, w której studenci grający w systemie wyznaczają krzywą, a studenci pracujący uczciwie stają się frajerami. Klasa z weryfikacją to klasa, w której norma społeczna się trzyma — zadania nadal uczą, oceny nadal coś znaczą, a absolwenci nadal potrafią kodować.

18-miesięczna perspektywa dla edukacji programistycznej

Większość pracujących nauczycieli programowania, z którymi rozmawiamy w 2026 r., dzieli poczucie, że obecne ustawienie jest niestabilne. Zadanie take-home oceniane przez przechodzenie testu jest strukturalnie niezgodne z istnieniem agentycznych narzędzi kodujących. Coś musi ustąpić. Trzy prawdopodobne kierunki, w przybliżeniu rosnącej kolejności prawdopodobieństwa:

• Pełne zakazy AI: Niektóre instytucje spróbują, a większość poniesie porażkę. Zakazy są niewykonalne, polityki stają się niespójne, a studenci, którzy przestrzegają zasad, kończą mniej wykwalifikowani niż studenci, którzy ich nie przestrzegają. To rezultat najgorszy z dwóch światów i już zdyskredytował się w kilku uniwersytetach, które próbowały go w 2023-2024 r.
• Przesunięcie zdolności w dół programu: CS1 zaczyna się później, z większym naciskiem na podstawy koncepcyjne. CS2 obejmuje to, co kiedyś obejmował CS1. Zaawansowane kursy stają się bardziej teoretyczne, bo część implementacyjna nie jest już tam, gdzie zachodzi uczenie się. To się dzieje, powoli.
• Przesunięcie oceniania w stronę demonstracji na żywo: Zadania take-home stają się formatywne. Sumatywne oceny są określane przez kodowanie na żywo pod nadzorem, obrony ustne i pracę z widocznym procesem. To jest kierunek, w którym najsilniejsze programy CS już się poruszają, i kierunek, w którym wierzymy, że większość programów ostatecznie się usadowi.

Żaden z tych rezultatów nie rozwiązuje pytania, co robić w tym semestrze ze studentami, których masz. W tym celu praktyczny ruch to hybryda: zachowaj obecne zadania, dodaj warstwę weryfikacji, która łapie najgorsze przypadki, włóż jeden lub dwa komponenty oceniania osobistego na kurs i rozpocznij wolniejszą pracę nad przeprojektowaniem programu na świat, w którym agentyczne AI to linia bazowa. Narzędzia weryfikacji kupują ci czas na przeprojektowanie programu, nie tracąc tej kohorty na vibe coding w międzyczasie.

Często zadawane pytania

Czy vibe coding jest zawsze zły, czy czasem prawowity?

Jest prawowity dla doświadczonych deweloperów pracujących nad niskoryzykownymi osobistymi projektami, gdzie koszt błędów jest niski i deweloper ma podstawowe umiejętności do oceny wyjścia, gdy to ma znaczenie. Jest korozyjny dla studentów, którzy nadal budują podstawową umiejętność, bo skraca pracę poznawczą, której edukacja programistyczna ma rozwijać. Rozróżnienie jest mniej więcej takie samo jak między szefem kuchni zamawiającym jedzenie na wynos (w porządku) a studentem szkoły kulinarnej zamawiającym na wynos na egzamin końcowy (nie w porządku). Obaj otrzymują jedzenie, którego nie gotowali. Tylko jeden podkopuje projekt uczenia się.

Czy studenci mogą twierdzić, że napisali kod wykryty jako AI?

Mogą i czasem mają rację. Fałszywe trafienia w wykrywaniu kodu są najczęstsze, gdy studenci piszą bardzo podręcznikowy kod, który przypadkiem pasuje do wzorców, które AI zazwyczaj produkuje. Obronny workflow nie traktuje wyniku wykrywania jako werdyktu — traktuje go jako bodziec do pięciominutowej rozmowy. Student, który napisał swój kod, potrafi go wyjaśnić, zmodyfikować na miejscu i prześledzić wykonanie. Student, który go wypromptował, prawie nigdy nie potrafi. Rozmowa, nie wynik, rozstrzyga pytanie. Raporty Plagly.ai są zaprojektowane, by wspierać tę rozmowę, nie by ją zastąpić.

Czym detekcja kodu AI różni się od detekcji prozy AI?

Detekcja kodu używa podobnych statystycznych podstaw — perplexity, burstiness, stylometryczne odciski palców — ale stosuje je do różnych cech powierzchniowych. W kodzie najbardziej informatywne sygnały są raczej strukturalne niż leksykalne: wzorce nazewnictwa zmiennych, gęstość i styl komentarzy, idiomy użycia bibliotek, boilerplate obsługi błędów i wybór konstrukcji idiomatycznych. Detektory wielomodelowe osiągają 90-95% dokładności na izolowanych przesyłkach kodu w 2026 r., wspinając się znacznie powyżej 95%, gdy analiza wzorców na poziomie kohorty jest łączona z oceną na poziomie pliku.

A co ze studentami, którzy szczerze używają AI jako tutora, nie kopiując jego wyjścia?

To populacja, której warstwa weryfikacji jest jawnie zaprojektowana, by nie karać. Student, który użył AI, by zrozumieć koncepcję, a potem napisał własne rozwiązanie, produkuje kod, który nie pasuje do wzorców generowania AI na poziomie linii. Sygnały wykrywania łapią artefakt, nie proces badawczy. Jeśli polityka twojego kursu zezwala na AI-jako-tutora — a uważamy, że powinna — workflow nadal działa. Sprawdzasz przesyłkę, nie metodę uczenia się studenta.

Czy to działa dla kursów projektowych i projektów dyplomowych?

Tak, z adaptacją. Dla wielotygodniowej, wieloplikowej pracy projektowej najbardziej użyteczne sygnały przesuwają się w stronę widoczności procesu: analiza historii commitów (czy kod pojawił się w jednym dużym commicie, czy ewoluował w czasie?), spójność autorstwa między plikami (czy baza kodu czyta się jak napisana przez jedną osobę, czy jak zszyte różne łaty?) i dokumentacja decyzji projektowych (czy student potrafi wyjaśnić, dlaczego dokonano konkretnych wyborów architektonicznych?). Projekty dyplomowe najbardziej zyskują na ustrukturyzowanej obronie ustnej plus pisemnym uzasadnieniu projektu, z wykrywaniem AI jako trzeciorzędnym sygnałem, a nie pierwszorzędnym.