Swoje narzędzie AI do kodowania wybrałeś tak, jak wybiera się edytor tekstu. Przetestowałeś kilka, zostałeś przy tym, który najlepiej leżał w ręku, i założyłeś, że w następnym kwartale przeskoczysz na coś lepszego. Tak zwykle działają wybory oprogramowania.

Agenty AI do kodowania złamały to założenie. A dane JetBrains z kwietnia 2026 roku pokazują to czarno na białym.

JetBrains AI Pulse, opublikowany 7 kwietnia 2026, zbadał ponad 10 000 profesjonalnych programistów pracujących w ośmiu językach. Każdy analityk i jego newsletter już rozłożył na czynniki pierwsze nagłówkowe liczby adopcji — kto prowadzi, kto stoi w miejscu. Ale pod tabelą wyników kryje się coś bardziej znaczącego, czego nikt nie mierzy: akumulacja kontekstu.

Tradycyjny code autocomplete — funkcja podpowiadająca następną linię podczas pisania — jest bezstanowy. Czyta plik, w którym jesteś, może kilka sąsiednich, i zgaduje. Możesz go wymienić w pięć minut. Nowa generacja agentów AI do kodowania działa inaczej. Claude Code — terminalowy asystent od Anthropic — czyta całe repozytorium. Cursor — edytor kodu z wbudowanym AI — indeksuje strukturę projektu. GitHub Copilot Workspace — warstwa agentowa GitHuba, odrębna od podstawowego autocompletera Copilot — śledzi historię pull requestów i kontekst issue.

Każde z tych narzędzi buduje model TWOJEGO kodu. Nie ogólny model "kodu" — konkretne rozumienie twoich konwencji nazewnictwa, wzorców architektonicznych, preferencji testowych twojego zespołu, dziwactw deploymentu. Każdy zrecenzowany pull request, każdy naprawiony bug, każdy przeprowadzony refactoring dodaje sygnał. Po trzech miesiącach podpowiedzi narzędzia nie są już generyczne. Są dostrojone.

To dostrojenie jest lock-inem.

Koszt zmiany agenta AI do kodowania to nie cena subskrypcji — 10-20 dolarów miesięcznie, grosze dla firmy. Koszt zmiany to tygodnie obniżonej produktywności, podczas których nowe narzędzie uczy się tego, co poprzednie już wiedziało. Dla solo developera to irytujące. Dla zespołu pięćdziesięciu osób to krater produktywności, na który nikt nie zabudżetował.

Dane JetBrains dostarczają pośrednich dowodów. Claude Code ma najwyższą satysfakcję w całym badaniu: NPS 54 (Net Promoter Score — jak chętnie użytkownicy polecają narzędzie; wynik powyżej 50 uważany jest za doskonały). Jednocześnie adopcja w firmach wynosi 18%. Gdyby zmiana narzędzia była bezkosztowa, luka między zachwytem a użyciem zamknęłaby się szybko. Nie zamknęła się. Między badaniami JetBrains z połowy 2025 i kwietnia 2026 roku świadomość Claude Code niemal się podwoiła — z 31% do 57%, a adopcja wzrosła z około 3% do 18% — sześciokrotny skok napędzany niemal wyłącznie pocztą pantoflową. Ale 18% dla lidera satysfakcji sugeruje, że coś hamuje adopcję poza samą świadomością. Tym czymś jest koszt wyrwania tego, co już zdążyło wrosnąć.

Cursor pokazuje, jak wygląda przełamanie, gdy różnica jakości jest wystarczająco dramatyczna. Jak podał Bloomberg 2 marca 2026, Cursor osiągnął 2 miliardy dolarów rocznego przychodu powtarzalnego (ARR — roczny przychód z subskrypcji), podwajając się w zaledwie trzy miesiące, z ponad połową Fortune 500 jako klientami. Ale strategia Cursora jest wymowna: nie prosi, żebyś doczepił plugin AI do istniejącego edytora. Zastępuje edytor w całości. To pełne przejęcie kontekstu — obejście kosztów zmiany przez posiadanie całego środowiska od pierwszego dnia.

A teraz to, co zacieśnia okno decyzji. Agenty AI do kodowania zmierzają ku trwałej pamięci — historii sesji, wyuczonych preferencji specyficznych dla projektu, zakumulowanych przepływów pracy zespołu. Z każdym kwartałem, gdy to się pogłębia, koszt zmiany rośnie wykładniczo. Narzędzie, które wybrałeś przypadkowo w Q1, staje się infrastrukturą nie do usunięcia w Q4.

Jeśli twój zespół właśnie teraz ocenia narzędzia AI do kodowania, potraktuj tę decyzję nie jak wybór subskrypcji SaaS, ale jak wybór bazy danych. Koszt migracji jest niski pierwszego dnia i rośnie z każdym sprintem. Przeprowadź pilotaż przez 90 dni, mierz na swojej prawdziwej bazie kodu — nie na demo repo — i podejmij decyzję. Bo za sześć miesięcy decyzja zostanie podjęta za ciebie, przez zakumulowany kontekst, a nie przez wynik benchmarku.

Wojny modeli pytały: "czyje AI jest najmądrzejsze?" Wojny dystrybucji pytały: "czyje AI jest już zainstalowane?" Następne pytanie jest cichsze i trudniejsze: czyje AI zna już twój kod na tyle dobrze, że odejście czuje się jak zaczynanie od zera? To lock-in, którego nikt nie zmierzył. A zanim go zauważysz, jest już zbudowany.