W ostatnich dwóch latach rynek pracy w IT dostał przyspieszonej lekcji: wiele zadań, które przez dekady uchodziły za „intelektualne rzemiosło”, okazało się zaskakująco podatne na automatyzację. Nie dlatego, że programiści nagle stali się zbędni, lecz dlatego, że ogromna część ich codziennej pracy jest czysto cyfrowa: operuje na tekstach, schematach, interfejsach, artefaktach w repozytorium. To jest środowisko naturalne dla generatywnej AI.
W polskim kontekście warto zapamiętać dwie liczby. Po pierwsze, według raportu NASK – PIB o GenAI, około 30,3% miejsc pracy w Polsce ma pewien stopień ekspozycji na generatywną AI (ok. 5,08 mln stanowisk), a ok. 4,9% zatrudnionych pracuje w zawodach o bardzo wysokiej podatności. Po drugie, Polski Instytut Ekonomiczny wskazuje, że wśród grup zawodów „najbardziej wystawionych” na wpływ AI dominują zawody specjalistyczne, w tym m.in. programiści.
Jeśli więc szukasz „fosy” – czyli cechy pracy, którą trudno skopiować, skalować i tanio zastąpić – fizyczność wciąż bywa jedną z najsolidniejszych. I to paradoks: AI coraz lepiej radzi sobie z tekstem, obrazem i kodem, a wciąż potyka się o świat, który dla człowieka jest banalny: chwyt, tarcie, bałagan, bezpieczeństwo, dojazd, odpowiedzialność.
Co właściwie znaczy „fizyczność” w kontekście pracy
Nie chodzi wyłącznie o to, czy praca jest „manualna”. Fizyczność to szerszy pakiet cech:
- Kontakt ze światem materialnym: sprzęt, infrastruktura, urządzenia, środowiska produkcyjne, instalacje, logistyka.
- Wysoki koszt błędu: bezpieczeństwo ludzi, awarie, szkody materialne, przestoje, odpowiedzialność prawna.
- Zmienność i nieprzewidywalność: nieuporządkowane otoczenie, „długi ogon” wyjątków, brak idealnych danych.
- Konieczność obecności: ktoś musi pojechać, dotknąć, wymienić, zmierzyć, uruchomić, odebrać, podpisać.
AI świetnie skaluje się tam, gdzie kosztem jest tylko energia i obliczenia. Świat fizyczny ma tarcie: logistyczne, prawne i dosłowne.
Dlaczego „cyfrowe” role dostają cios jako pierwsze
Generatywna AI ma przewagę wszędzie tam, gdzie praca jest w dużej mierze przetwarzaniem informacji: pisaniem, streszczaniem, kodowaniem, analizą, tworzeniem dokumentacji, obsługą klienta w kanałach tekstowych. To właśnie dlatego w debacie publicznej tak często wracają wątki o „kurczeniu się entry-level” i presji na szybkie podnoszenie kompetencji.
World Economic Forum w materiałach do The Future of Jobs Report 2025 opisuje skalę transformacji i wskazuje m.in. na sprzeczne, ale współistniejące zjawiska: część organizacji spodziewa się redukcji zatrudnienia w rolach wystawionych na dezaktualizację kompetencji przez AI, a jednocześnie wiele planuje zatrudniać osoby z nowymi umiejętnościami AI.
To dobrze wyjaśnia, dlaczego sam fakt „jestem w IT” nie jest już automatycznym immunitetem. Jeśli Twoja praca polega głównie na produkcji artefaktów cyfrowych, to konkurujesz z narzędziem, które działa natychmiast, nie śpi i potrafi generować tysiące wariantów.
Fizyczność jako fosa: trzy twarde mechanizmy
Mechanizm 1: „Ruch atomów” jest drogi i wolny W kodzie koszt powielenia jest bliski zeru. W świecie materialnym każde wdrożenie ma koszty: sprzęt, integracje, serwis, szkolenia, przestoje, ubezpieczenia. Nawet jeśli robot „w teorii” potrafi coś zrobić, to w praktyce musi robić to bezpiecznie, niezawodnie, w realnym tempie i w realnym otoczeniu.
Mechanizm 2: Długi ogon wyjątków zabija automatyzację Robotyka i automatyzacja najlepiej działają w środowiskach ustandaryzowanych. Tam, gdzie jest bałagan, różnorodność obiektów i zmienność warunków, problemy rosną wykładniczo. Badania przeglądowe w robotycznej manipulacji wprost wymieniają trudności: modelowanie, niepewność, zakłócenia i ograniczenia sensoryczne, które utrudniają skalowanie rozwiązań „w dziczy”.
Mechanizm 3: Odpowiedzialność i zaufanie są „przyklejone” do ludzi W cyfrowych procesach łatwiej zaakceptować „pomyłkę modelu”, bo skutki bywają odwracalne (cofniesz commit, poprawisz ticket, wydasz hotfix). W świecie fizycznym błąd bywa nieodwracalny albo kosztowny. To powoduje, że organizacje wolniej dopuszczają autonomię maszyn, a częściej wybierają układ: automatyzacja wspiera, ale człowiek zatwierdza i odpowiada.
Ale przecież roboty przyspieszają. Tak, tylko gdzie?
Warto tu postawić kropkę nad „i”: fizyczność jest fosą, nie murem. Automatyzacja postępuje, a robotyka rośnie – tylko jej wzrost ma konkretne profile.
International Federation of Robotics raportuje, że w 2024 r. w Azji zainstalowano ponad 401 tys. robotów przemysłowych, a w samych Chinach trafiła ponad połowa instalacji globalnych (54%). Z kolei rozdział ekonomiczny AI Index Report 2025 (Stanford HAI) podaje, że globalny „operational stock” robotów przemysłowych osiągnął 4,282 mln w 2023 r., a udział cobotów w nowych instalacjach wzrósł w ostatnich latach.
Wniosek: robotyzacja rośnie, lecz najsilniej tam, gdzie środowisko jest uporządkowane (linia produkcyjna, przewidywalne zadania, kontrolowane ryzyko). To nie przeczy tezie o fosie; to ją precyzuje. Fosa działa najsłabiej w „fabryce-geometrycznej”, a najsilniej w „świecie-krzywym”: serwis, budowa, logistyka w terenie, infrastruktura krytyczna, obiekty o dużej zmienności.
Jak fizyczność przekłada się na rynek pracy IT
Dla części osób „fizyczność” brzmi jak zachęta do przebranżowienia na hydraulika. W kontekście IT chodzi raczej o to, że rośnie względna wartość kompetencji, które łączą software z realnym światem. Oto obszary, gdzie „fosa” zwykle jest głębsza niż w czystym web-devie:
-
Infrastruktura i data center Sieci, serwery, zasilanie awaryjne, chłodzenie, dostęp fizyczny, wymiany sprzętu, diagnostyka na miejscu. Tu AI może pomagać w monitoringu i analizie incydentów, ale ktoś nadal musi zrealizować pracę w terenie.
-
IT/OT i przemysł (cyber-fizyczne systemy) Integracje z PLC, SCADA, systemami produkcyjnymi, utrzymaniem ruchu. To obszar, gdzie błędy są kosztowne, a wdrożenia długie. Przewagą jest zrozumienie „jak działa zakład”, nie tylko „jak działa framework”.
-
IoT i edge computing Urządzenia w polu, łączność, firmware, ograniczenia energetyczne, aktualizacje w trudnych warunkach. To praca, w której „nie da się wszystkiego zasymulować”.
-
Cyberbezpieczeństwo z komponentem fizycznym Bezpieczeństwo infrastruktury, segmentacja sieci OT, kontrola dostępu, audyty w obiektach. Ataki i obrona często przenikają warstwę organizacyjną i fizyczną.
-
Wdrożenia, integracje, „ostatnia mila” B2B To mniej glamourowe niż pisanie nowych feature’ów, ale bywa bardziej odporne na automatyzację: konfiguracje, migracje, integracje z istniejącym bałaganem systemowym klienta, szkolenia, odbiory.
Te ścieżki nie eliminują AI z pracy. One zmieniają proporcje: narzędzia generatywne pomagają szybciej pisać kod i dokumentację, ale rdzeniem wartości staje się doprowadzenie rozwiązania do działania w realnym środowisku.
Ekonomia: dlaczego nawet „średnia” automatyzacja nie zabije fizycznych zadań szybko
Raport McKinsey Global Institute wskazuje, że do 2030 r. nawet w scenariuszu pośrednim „do 30% obecnych godzin pracy” może zostać zautomatyzowane, przy czym genAI ma ten proces przyspieszać. Jednocześnie podkreśla, że umiejętności fizyczne i manualne stanowiły ok. 30% godzin pracy (w ich analizie dla 2022 r.) i popyt na nie może pozostać mniej więcej stabilny.
To ważny kontrapunkt dla narracji „AI zabierze wszystko”: nawet przy silnej adopcji AI, gospodarka nadal potrzebuje dużej ilości pracy związanej z fizyczną realizacją usług i produkcji. W IT oznacza to, że rola „kogoś, kto spina cyfrowe z realnym” ma solidne fundamenty popytowe.
„Fosa” społeczna: interakcje twarzą w twarz i praca zespołowa
Część przewagi człowieka nie jest stricte manualna, tylko „ucieleśniona społecznie”. Klasyczne podejście zadaniowe do automatyzacji (w duchu badań OECD) zwraca uwagę, że w wielu zawodach – nawet uznawanych za „automatyzowalne” – istnieje komponent zadań trudnych do automatyzacji, np. opartych o interakcje i pracę w grupie. Wprost pada przykład „face-to-face interactions” jako elementu, który obniża realny poziom automatyzowalności.
To przekłada się na IT zaskakująco bezpośrednio: osoby, które nie tylko „wytwarzają kod”, ale też negocjują wymagania, prowadzą warsztaty, gaszą pożary na produkcji, są twarzą wdrożenia u klienta – mają przewagi, których nie da się łatwo skopiować samym modelem językowym.
Polska: nastawienie do nauki AI i presja na adaptację
Raport NASK pokazuje, że 58,4% pracujących Polaków deklaruje gotowość do nauki w obszarze AI, a w grupach zawodów podatnych na automatyzację spora część badanych widzi szansę w przyspieszeniu wykonywania zadań – równolegle do obaw o kontrolę i spadek zarobków.
W praktyce oznacza to, że „fosa fizyczności” nie zwalnia z uczenia się AI. Ona raczej mówi: ucz się AI jako narzędzia, ale kotwicz wartość w realnym świecie, gdzie samo generowanie tekstu lub kodu nie dowozi efektu.
Co „fizyczność” zmienia w strategii kariery IT
Najprostsza, pragmatyczna lekcja brzmi: jeśli możesz wybierać projekty, wybieraj te, które mają komponent wdrożeniowy i konsekwencje w świecie rzeczywistym.
Kilka konkretnych kierunków, które często działają jako „wzmacniacze fosy”:
- Przejście z „feature factory” do ról odpowiedzialnych za rezultat: SRE, platform engineering, incident management, reliability, security.
- Wejście w domenę: energetyka, produkcja, logistyka, medtech, transport, telco. Domeny mają regulacje, bezpieczeństwo, audytowalność i długie cykle decyzyjne.
- Rozwijanie kompetencji integracyjnych: protokoły, urządzenia, monitoring, telemetryka, obserwowalność, automatyzacja wdrożeń, narzędzia dla ekip terenowych.
- Uczenie się „pracy z ograniczeniami”: latency, real-time, awaryjność, offline mode, degradacja usług.
Paradoksalnie, w świecie, gdzie łatwiej „wygenerować kod”, rośnie wartość umiejętności oceny ryzyka, jakości i skutków ubocznych. To w dużej mierze umiejętności inżynierskie, nie literackie.
Kontrargument: „physical AI” i humanoidy mogą zjeść fosę
To trzeba powiedzieć wprost: największa próba obejścia „fosy fizyczności” idzie dziś z kierunku tzw. embodied AI / physical AI. Duzi gracze inwestują w modele i platformy, które mają łączyć percepcję, język i akcję w świecie realnym. Przykładowo, doniesienia o inicjatywach dla humanoidów i modeli sterowania robotami pojawiają się regularnie w mediach branżowych.
Jednak nawet jeśli możliwości modeli rosną szybko, pytanie o rynek pracy brzmi: jak szybko i w jakich środowiskach to przełoży się na masowe, ekonomicznie opłacalne wdrożenia? Na dziś robotyka nadal najłatwiej skaluje się w warunkach kontrolowanych, a w warunkach nieuporządkowanych pojawiają się ograniczenia, o których wspomina literatura przeglądowa (niepewność, zakłócenia, sensing).
Dlatego w perspektywie kilku lat bardziej realistyczny jest scenariusz „człowiek + automatyzacja” niż „pełne zastąpienie”. Z punktu widzenia pracownika najlepszą strategią jest więc tak ułożyć kompetencje, by być tym człowiekiem, który potrafi narzędzia dobrać, wdrożyć, kontrolować i wziąć odpowiedzialność.
Podsumowanie
Fizyczność nadal działa jak fosa przeciwko AI, bo narzuca koszty, ryzyko i nieprzewidywalność, których nie da się po prostu „przemielić tokenami”. Dla rynku pracy IT oznacza to przesunięcie środka ciężkości: od samego wytwarzania kodu w stronę ról, które spinają software z realnym światem, odpowiadają za niezawodność, bezpieczeństwo i wdrożenie w warunkach dalekich od laboratoryjnych.
Jeżeli ktoś liczy na to, że „AI ominie IT”, to stawia na złą mapę. Jeśli jednak uzna, że AI stanie się kolejną warstwą narzędzi, a prawdziwą przewagą będzie zdolność dowożenia rezultatów w świecie fizycznym… wtedy fosa nie tylko istnieje. Ona jeszcze przez długi czas będzie (dość bezczelnie) szeroka.