Automatyzacja rutyny: co już teraz możesz oddelegować AI

Mamy 31 marca 2026 roku. Wstałeś, otworzyłeś laptopa i spędziłeś 30 minut czytając cudze zmiany w kodzie. Potem 20 minut pisząc testy, na które nigdy więcej nie spojrzysz. Potem 15 minut komponując maila, który mówi 'nawiązując do mojej poprzedniej wiadomości" na cztery różne grzeczne sposoby. A potem jeszcze godzina walki z arkuszem kalkulacyjnym.

Nic sensownego nie zrobiłeś, a już pora na obiad. 😼

Niewygodna matematyka: spalasz 50+ godzin miesięcznie na zadaniach, które AI ogarnie za jakieś 65 centów. Nie jakimś narzędziem-widmo, które startuje w następnym kwartale — komendami, które możesz wpisać w terminalu teraz. Ten poradnik daje ci konkretne skrypty, koszty i zastrzeżenia. Kopiuj, wklej, odzyskaj swój kalendarz.

Kategoria 1: Zadania związane z kodem

Code review

Stary sposób: Czytasz każdy PR — pull request, czyli proponowane zmiany w kodzie — sprawdzając styl, bugi, luki bezpieczeństwa i pominięte edge case'y. To 15–60 minut na PR, a po trzecim wzrok ci się rozmywa.

Nowy sposób:

claude "Review the diff in the last commit. Check for:
  1. Security vulnerabilities
  2. Performance issues
  3. Missing error handling
  4. Logic bugs
  5. Style inconsistencies
Report findings with severity (critical/warning/info)."

Albo podepnij to pod CI — continuous integration, system automatycznie testujący twój kod po każdym pushu. Oto workflow GitHub Actions, który recenzuje każdy PR automatycznie:

name: AI Code Review
on: [pull_request]
jobs:
  review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
        with:
          fetch-depth: 0
      - name: Review with Claude
        run: |
          DIFF=$(git diff origin/main...HEAD)
          jq -n --arg diff "$DIFF" '{
            "model": "claude-haiku-4.5",
            "max_tokens": 2000,
            "messages": [{
              "role": "user",
              "content": ("Review this code diff for bugs, security issues, and style problems. Be concise.\n\n" + $diff)
            }]
          }' | curl -s -X POST https://api.anthropic.com/v1/messages \
            -H "x-api-key: ${{ secrets.ANTHROPIC_API_KEY }}" \
            -H "anthropic-version: 2023-06-01" \
            -H "content-type: application/json" \
            -d @- > review.json

Koszt: ~$0.002 za review z Claude Haiku. To $0.06/miesiąc przy jednym PR dziennie.

Sprawdzian rzeczywistości: Łapie około 70% tego, co znajdzie ludzki reviewer. Nie ogarnia logiki biznesowej i wyczucia architektonicznego. Ale w nudnych rzeczach — null checki, race conditions, wzorce bezpieczeństwa — jest bezbłędny, właśnie dlatego, że się nie nudzi. 😸

Generowanie testów

Stary sposób: Piszesz testy ręcznie, a szczerze mówiąc — olewasz je, bo to nudne. 30–60 minut na moduł, jak już się zbierzesz.

Nowy sposób:

claude "Read src/auth/ and write comprehensive tests for the login flow.
Cover: happy path, wrong password, account locked, rate limiting,
SQL injection in email field, missing fields.
Use pytest. Mock the database. Output to tests/test_auth.py."

Koszt: ~$0.01 za moduł z Sonnetem. Wygenerowane testy są rozwlekłe, ale dokładne — testują edge case'y, które byś olał, bo 'kto wpisuje 10 000-znakowy email?" Ktoś to zrobi.

Refactoring

Stary sposób: Zmiana nazwy funkcji w 30 plikach. Migracja z jednego ORM-a — object-relational mapper, warstwa między kodem a bazą danych — na inny. Godziny do dni.

Nowy sposób:

claude "Refactor the codebase to replace all direct SQL queries with
Supabase client calls. ~15 files using raw SQL.
For each file:
1. Replace the SQL query with the equivalent Supabase call
2. Update the imports
3. Update error handling to match Supabase patterns
4. Run the tests to verify"

Koszt: $0.10–0.50 za duży refactoring. Claude Code czyta wszystkie pliki, rozumie wzorce i stosuje zmiany spójnie. Ale diff przed commitem przeglądaj — zawsze. 😾

Kategoria 2: Treści i komunikacja

Pisanie maili

Stary sposób: Wpatrujesz się w pusty ekran. Piszesz. Przepisujesz. Przepisujesz jeszcze raz. 10–30 minut na ważnego maila.

Nowy sposób: Mały skrypt w Pythonie korzystający z Anthropic API — interfejsu programistycznego, który pozwala twojemu kodowi rozmawiać z Claude'em:

import anthropic

client = anthropic.Anthropic()

def draft_email(context: str, tone: str = "professional") -> str:
    response = client.messages.create(
        model="claude-haiku-4.5",
        max_tokens=1000,
        messages=[{
            "role": "user",
            "content": f"""Draft an email based on this context:
{context}

Tone: {tone}
Rules:
- Get to the point in the first sentence
- No filler phrases ("I hope this email finds you well")
- Under 150 words
- Clear call to action at the end"""
        }]
    )
    return response.content[0].text

python email_drafter.py "Declining a meeting invite from VP of Marketing
about Q3 planning because I have a conflicting deadline. Suggest async
alternative. Tone: friendly but firm."

Koszt: ~$0.001 za maila. Praktycznie za darmo.

Dokumentacja

Stary sposób: Nikt nie pisze dokumentacji. W README jest 'TODO". Stoi tam od 2024.

Nowy sposób:

claude "Read every file in src/. Generate:
1. A README.md with project overview, setup instructions, and architecture
2. Inline docstrings for every public function missing one
3. An API.md documenting every endpoint in src/routes/

Be accurate — read the code, don't guess."

Koszt: $0.05–0.20 w zależności od wielkości codebase'u. Dokumentacja generowana przez AI jest gadatliwa, ale trafna. Prawidłowo opisuje co kod robi. Nie wyjaśni dlaczego kod istnieje — to twoja robota. Ale 'dokładna i rozwlekła" bije 'nieistniejącą" każdego dnia.

Changelog i release notes

git log --oneline v1.2.0..HEAD | claude "Convert these commits
into user-facing release notes. Group by: New Features, Bug Fixes,
Improvements. Ignore internal refactoring. Write for end users,
not developers."

Koszt: ~$0.001. To nawet nie powinno wymagać zastanowienia.

Kategoria 3: Przetwarzanie danych

Czyszczenie CSV

Stary sposób: Otwierasz Excela. Poprawiasz formatowanie. Usuwasz duplikaty. Standaryzujesz daty. 30 minut do 2 godzin dusznej monotonii.

Nowy sposób:

import anthropic

client = anthropic.Anthropic()

def clean_csv(filepath: str, instructions: str) -> str:
    with open(filepath) as f:
        data = f.read()
    response = client.messages.create(
        model="claude-haiku-4.5",
        max_tokens=4096,
        messages=[{
            "role": "user",
            "content": f"""Clean this CSV data:
{instructions}

Data:
{data[:3000]}

Return the cleaned CSV. Maintain the header row."""
        }]
    )
    return response.content[0].text

python clean_csv.py contacts.csv "Standardize phone numbers to +1-XXX-XXX-XXXX.
Remove duplicate emails (keep the row with more data).
Fix obvious city name typos. Convert dates to YYYY-MM-DD."

Koszt: ~$0.005 za plik.

Raporty tygodniowe

Stary sposób: Zapytanie do bazy, eksport do arkusza, wykresy, komentarze. 2–4 godziny co tydzień.

Nowy sposób:

import anthropic, subprocess
from datetime import datetime

client = anthropic.Anthropic()

data = subprocess.run(
    ["psql", "-c", "SELECT * FROM weekly_metrics", "--csv"],
    capture_output=True, text=True
).stdout

response = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=2000,
    messages=[{
        "role": "user",
        "content": f"""Generate a weekly business report from this data:
{data}

Include:
- Executive summary (3 sentences)
- Key metrics with week-over-week changes
- Notable trends or anomalies
- Recommended actions

Format as markdown."""
    }]
)

with open(f"reports/weekly-{datetime.now():%Y-%m-%d}.md", "w") as f:
    f.write(response.content[0].text)

Zaplanuj to w cronie — wbudowanym narzędziu uruchamiającym skrypty według harmonogramu:

# crontab -e
0 9 * * MON python3 /path/to/weekly_report.py

Koszt: $0.02 za raport. $0.08/miesiąc przy tygodniowym cyklu. 😸

Kategoria 4: Administracja systemem

Analiza logów

Stary sposób: grep -r "ERROR" /var/log/ i gapienie się na 200 linii stack trace'ów, udając, że widzisz wzorzec. 30+ minut.

Nowy sposób:

tail -200 /var/log/app/error.log | claude "Analyze these error logs.
Group by error type. Identify the root cause of the most frequent error.
Suggest a fix with code if possible."

Koszt: ~$0.003 za analizę.

Skrypty monitoringu

claude "Write a bash script that:
1. Checks if nginx is running, restarts if not
2. Checks disk usage, alerts if > 80%
3. Checks SSL cert expiry, alerts if < 14 days
4. Checks main API endpoint responds with 200
5. Sends alerts to a Telegram bot
6. Runs every 5 minutes via cron

Use curl for HTTP checks. Use openssl for cert checks.
Include the cron line at the top as a comment."

Działający skrypt monitoringu w 30 sekund. Przejrzyj, przetestuj, wdróż. Koszt: ~$0.003, jednorazowo, za skrypt który będzie działał miesiącami.

Kategoria 5: Research i decyzje

Ewaluacja technologii

Stary sposób: 20 otwartych kart, trzy artykuły porównawcze z 2023, wątek na Reddicie, który przeradza się w kłótnię o Rusta. 2–4 godziny na jedną decyzję.

Nowy sposób:

claude "I need a message queue for a Python backend.
Requirements: ~10K messages/day, dead letter queue,
works with Supabase, team of 1.

Compare: Redis Streams, RabbitMQ, SQS, Supabase Queues.
For each: pricing at my scale, setup complexity,
Python SDK quality, gotchas. Give me a recommendation."

Koszt: ~$0.005 z Sonnetem. Lepsza analiza niż 2 godziny skakania między kartami.

Uwaga: Zawsze weryfikuj cenniki samodzielnie. AI może mieć nieaktualne dane. Framework analizy jest solidny; kwoty wymagają sprawdzenia. 😾

Rachunek szkód

Zadanie	Czas ręcznie	Czas z AI	Koszt AI/mies.	Zaoszczędzony czas/mies.
Code review (1/dzień)	30 min	2 min	$0.06	9.3 h
Generowanie testów (2/tydz.)	45 min	5 min	$0.08	5.3 h
Pisanie maili (3/dzień)	15 min	1 min	$0.09	14.0 h
Dokumentacja	4 godz.	15 min	$0.20	3.75 h
Changelog (2/mies.)	30 min	2 min	$0.002	0.9 h
Czyszczenie CSV (2/tydz.)	30 min	3 min	$0.04	3.6 h
Raport tygodniowy	2 godz.	5 min	$0.08	7.7 h
Analiza logów (dziennie)	15 min	2 min	$0.09	6.5 h
Razem			~$0.65	~51 godzin

Sześćdziesiąt pięć centów. Pięćdziesiąt jeden godzin. Sześć dni roboczych z powrotem co miesiąc. Bez literówki.

Czego (jeszcze) NIE automatyzować

Rzeczy, w których AI nadal jest słabe na marzec 2026:

• Wszystko wymagające prawdziwej empatii — maile z przeprosinami dla klienta, trudne rozmowy kadrowe, delikatne sprawy HR. AI może napisać szkic; człowiek musi przejrzeć i wysłać.
• Decyzje strategiczne — AI przeanalizuje dane i przedstawi opcje, ale 'czy powinniśmy się pivotować?" zostaje po twojej stronie.
• Dokumenty prawne — AI może przygotować szkic, ale nigdy nie wysyłaj tekstu prawnego bez oczu prawnika.
• Kreatywna praca brandowa — AI generuje opcje, ale głos marki i kierunek kreatywny wymagają ludzkiego smaku.
• Kod krytyczny dla bezpieczeństwa — AI go napisze, ale ścieżki krytyczne wymagają człowieka, który rozumie model zagrożeń.

Wzorzec: AI ogarnia 80%, które jest powtarzalne i ustrukturyzowane. 20% wymagające osądu, empatii lub odpowiedzialności zostaje u ciebie. Zautomatyzuj te 80%, skup energię na 20%, które naprawdę ma znaczenie.

A teraz zrób z tym coś

Pamiętasz ten poranek z początku? Ten, gdzie spaliłeś pół dnia na bzdurach? Ten poranek jest opcjonalny. 😹

Największa przeszkoda nie jest techniczna — każdy skrypt powyżej działa już dziś. Jest psychologiczna. 'Powinienem to zrobić sam" wydaje się odpowiedzialne. Ale godzina formatowania CSV to nie odpowiedzialność — to unikanie. Chowasz się w robocie zamiast robić trudne rzeczy, które tylko ty możesz zrobić: rozmawiać z klientami, podejmować decyzje produktowe, zamykać deale.

Wybierz jedną automatyzację z tego poradnika. Jedną. Ustaw ją w tym tygodniu. Poczuj, jak zmienia twój dzień. Potem zautomatyzuj następną rzecz. Pod koniec miesiąca będziesz się zastanawiać, czemu w ogóle robiłeś cokolwiek z tego ręcznie — i będziesz miał 51 godzin dowodów, że miałeś rację, żeby przestać. 😼