Devin od Cognition sam pisze kod, testuje go i otwiera pull requesty. Potraktowaliśmy go jak kandydata do zespołu - sprawdzamy jego CV, wyniki niezależnych testów, cennik, pierwszy dzień w firmie i zadania, które warto mu powierzać.
W marcu 2024 roku firma Cognition pokazała Devina i przedstawiła go jako pierwszego inżyniera oprogramowania opartego na AI. Od tamtej pory hasło „autonomiczny developer AI" często pada w rozmowach o kosztach wytwarzania oprogramowania, zwykle razem z pytaniem, czy da się nim zastąpić część zespołu. Devin AI to agent, który dostaje zadanie przez Slacka, Jirę albo panel w przeglądarce, sam pracuje na własnej maszynie wirtualnej z terminalem, edytorem i przeglądarką, a na końcu otwiera pull request, czyli propozycję zmian w kodzie do przejrzenia przez człowieka.
Skoro producent przedstawia Devina jako członka zespołu, potraktowaliśmy go dokładnie tak: jak kandydata do pracy. Przejrzeliśmy jego CV, wyniki „rozmów kwalifikacyjnych", czyli niezależnych testów, warunki finansowe i to, jak powinien wyglądać jego pierwszy dzień w firmie.
Devin AI w skrócie: CV kandydata
Cognition powstało w 2023 roku. W lipcu 2025 roku przejęło Windsurf, edytor kodu z wbudowanym asystentem AI, a w czerwcu 2026 roku zamieniło go w Devin Desktop. To środowisko programistyczne, w którym centrum dowodzenia agentami pozwala zlecać zadania agentom działającym lokalnie i w chmurze, śledzić ich postęp i przeglądać wyniki w jednym miejscu.
Sam Devin pracuje w chmurze. W lutym 2026 roku, w wersji 2.2, dostał własny pulpit z systemem Linux. Może więc uruchomić aplikację, przeklikać ją jak tester i odesłać nagranie ekranu jako dowód, że zmiana działa. Przed otwarciem pull requesta sam przegląda swój kod i poprawia znalezione błędy.
Na październik 2026 roku jego „umiejętności" wyglądają tak:
przyjmuje zadania ze Slacka, Microsoft Teams, Jiry i z własnego panelu, a od niedawna działa też jako agent wbudowany w Jirę,
pisze kod, uruchamia testy i otwiera pull requesty w GitHubie, GitLabie, Bitbuckecie i Azure DevOps,
prowadzi przegląd kodu, także cudzego, w module Devin Review,
tworzy DeepWiki, czyli automatyczną dokumentację repozytorium z opisem modułów i zależności,
zapamiętuje zasady projektu w tzw. Skills, które we wrześniu 2026 roku zastąpiły wcześniejszą funkcję Knowledge,
łączy się z zewnętrznymi narzędziami przez MCP, standard, który pozwala modelom AI korzystać z innych systemów.
Pod spodem działają modele językowe różnych dostawców, w tym Claude od Anthropic i modele OpenAI. Dla firmy ma to praktyczne znaczenie: o jakości pracy Devina decyduje zarówno sam agent, jak i to, który model akurat napędza daną sesję.
Rozmowa kwalifikacyjna: co pokazały niezależne testy
Najbardziej znany test przeprowadził na przełomie 2024 i 2025 roku zespół Answer.AI. Dał Devinowi 20 prawdziwych zadań: nowe integracje, analizę istniejącego kodu, zmiany w działających projektach. Udały się trzy. Czternaście skończyło się porażką, a trzy dały niejednoznaczny wynik. Autorzy zwrócili uwagę na dwie rzeczy. Devin radził sobie najgorzej z istniejącym kodem i wewnętrznymi narzędziami firmy. Potrafił też długo brnąć w zadanie, którego nie dało się wykonać, zamiast zgłosić przeszkodę. Zadania, które kończył z sukcesem, były tak małe i jasno opisane, że programista zrobiłby je sam szybciej. Od tamtej pory produkt mocno się zmienił, ale ten test dobrze pokazuje, czego pilnować. Szerszy problem opisał instytut badawczy METR. W kontrolowanym eksperymencie z początku 2025 roku doświadczeni programiści open source pracowali z narzędziami AI o 19% dłużej niż bez nich. Jednocześnie byli przekonani, że AI przyspieszyło ich o 20%. W lutym 2026 roku METR opublikował wyniki nowszego badania z narzędziami z końca 2025 roku. U części uczestników wyszło przyspieszenie, ale sami badacze uznali te dane za słaby dowód. Badania dotyczyły asystentów AI ogólnie, nie samego Devina. Wniosek dla firmy jest jednak ten sam: wrażenie, że praca idzie szybciej, to nie pomiar.
Po drugiej stronie są referencje od pracodawców. Cognition podaje, że w Nubanku Devin pomógł rozbić monolit ETL liczący ponad 6 mln linii kodu na mniejsze moduły, z ośmiokrotnym wzrostem efektywności pracy inżynierów i dwudziestokrotną oszczędnością kosztów. To dane producenta, ale dotyczą zadania, do którego taki agent pasuje najlepiej: dużej, powtarzalnej migracji według jednego wzorca. Goldman Sachs w lipcu 2025 roku ogłosił pilotaż Devina, mówiąc o „hybrydowym zespole", w którym ludzie i AI pracują obok siebie.
Cennik zmieniał się od premiery kilka razy. W październiku 2026 roku wygląda tak:
Abonament to tylko część kosztu. Przy intensywnym korzystaniu rachunek rośnie razem z liczbą zadań, bo płaci się za pracę ponad limit. Do tego dochodzi czas ludzi, którzy przygotowują zadania i przeglądają wyniki. Ten koszt łatwo przeoczyć, a przy dziesięciu równoległych sesjach może przewyższyć sam abonament.
Bezpieczeństwo: minimalne uprawnienia od pierwszego dnia
W kwietniu 2025 roku badacz bezpieczeństwa Johann Rehberger pokazał, że ukryte polecenie w zgłoszeniu na GitHubie lub na stronie internetowej mogło skłonić Devina do pobrania i uruchomienia złośliwego programu - napastnik przejmował maszynę agenta i miał dostęp do klucza AWS. Wniosek: Devin nie dostaje dostępu do produkcji ani kluczy z szerokimi uprawnieniami. Pracuje na osobnym koncie, w środowisku testowym. Jeśli ma wywoływać firmowe API, te interfejsy warto najpierw sprawdzić w audycie bezpieczeństwa.
Pierwszy dzień w pracy: dostępy i wiedza o projekcie
Devin zaczyna jak każdy nowy programista. Potrzebuje dostępu do repozytorium, opisu, jak uruchomić projekt i testy, oraz zasad zespołu: nazewnictwa, struktury katalogów, sposobu pisania testów. Te zasady zapisuje się w Skills, a im lepsza dokumentacja techniczna projektu, tym mniej poprawek po pierwszych zadaniach.
Przy narzędziach AI, z których sami korzystamy, ustawiamy też, żeby kod klienta nie zasilał cudzych modeli. Przy agencie działającym w chmurze dostawcy trzeba sprawdzić, gdzie trafia kod i kto ma do niego dostęp. Zasady bezpieczeństwa dobrze zapisać w samym procesie wytwarzania, zgodnie z podejściem security as code, zamiast liczyć na ostrożność agenta.
Zakres obowiązków: jakie zadania dawać Devinowi
Z testów i studiów przypadków wyłania się dość spójny obraz. Devin najlepiej radzi sobie z pracą, w której wzorzec jest znany, a wynik da się automatycznie sprawdzić. Dobre zadania na start to:
migracje według jednego schematu, na przykład kolejne moduły przenoszone na nowszą wersję Angulara albo .NET,
poprawki z backlogu z jasnym kryterium „gotowe" i testem, który to potwierdzi,
porządki: błędy wskazane przez linter, przestarzałe zależności, drobny dług techniczny i prosty refaktoring.
Gorzej wypada tam, gdzie trzeba podjąć decyzję. Architektura nowego modułu, niejasne wymagania biznesowe, kod logowania i płatności, zadania wymagające wiedzy spoza repozytorium, na przykład ustaleń z klientem. U nas tę granicę wyznacza prosta zasada: asystent przyspiesza pisanie, ale nie podejmuje decyzji architektonicznych. Osobny przypadek to stary kod. Systemy legacy bywają słabo udokumentowane, a Answer.AI pokazało, że właśnie na istniejących bazach kodu Devin miał najwięcej kłopotów. Przy dużej migracji aplikacji agent sprawdza się raczej jako wykonawca powtarzalnych kroków, które ludzie wcześniej zaplanowali i przetestowali na kilku modułach.
Tak jest na przykład przy stopniowym zastępowaniu starego systemu nowym, moduł po module, czyli w podejściu strangler fig. Ludzie wybierają kolejność i projektują nowy moduł, a agent może przenosić następne fragmenty według ustalonego wzorca.
Przełożony i code review: kto odpowiada za kod
Devin otwiera pull request, ale nie odpowiada za to, co trafi na produkcję. Odpowiada zespół. U nas każda zmiana w kodzie, także napisana z pomocą asystenta AI, przechodzi przegląd człowieka, i przy autonomicznym agencie ta zasada jest jeszcze ważniejsza.
Kolejne zabezpieczenie to testy automatyczne uruchamiane przy każdym pull requeście w potoku CI/CD, czyli procesie, który sam buduje i sprawdza każdą zmianę. Devin Review może zrobić pierwszy przegląd i wyłapać oczywiste błędy, ale code review zrobione przez człowieka sprawdza coś innego: czy zmiana pasuje do reszty systemu i czy rozwiązuje właściwy problem.
Przy kilku równoległych sesjach wąskim gardłem przestaje być pisanie kodu. Staje się nim przegląd. Dziesięć pull requestów dziennie od agenta to dziesięć przeglądów dla seniora. Pod tym względem Devin przypomina zdolnego juniora: dużo produkuje, ale potrzebuje precyzyjnych zadań i kogoś, kto sprawdzi wynik. Różnice między poziomami junior, mid i senior dobrze pokazują, czego jeszcze brakuje agentowi: samodzielnego rozpoznawania, że zadanie jest źle postawione.
Mierz okres próbny liczbami, nie wrażeniami
Badania METR pokazują, że wrażenie przyspieszenia bywa mylące. Dlatego okres próbny dla agenta AI warto oprzeć na liczbach: odsetek pull requestów scalonych bez dużych poprawek, czas przeglądu przypadający na jeden pull request, liczba błędów zgłoszonych po wdrożeniu i pełny koszt jednej scalonej zmiany. Te same wskaźniki trzeba porównać z podobnymi zadaniami wykonanymi przez zespół. Jeśli przegląd pracy agenta zajmuje tyle samo czasu co napisanie kodu, oszczędności nie ma, nawet jeśli sesji było dużo.
Okres próbny: jak sprawdzić, czy Devin się opłaca
Okres próbny dla agenta AI warto oprzeć na liczbach zebranych przez kilka tygodni na prawdziwym backlogu, a nie na demonstracji. Mierzymy przede wszystkim odsetek pull requestów scalonych bez dużych poprawek, czas przeglądu przypadający na jeden pull request, liczbę błędów zgłoszonych po wdrożeniu i pełny koszt jednej scalonej zmiany: abonament, opłaty za użycie i godziny ludzi.
Firma bez własnych programistów nie zastąpi Devinem zespołu. Ktoś musi pisać zadania, oceniać wynik i brać odpowiedzialność za produkcję. Dla takiej firmy realny wybór to nadal własny zespół albo outsourcing, a agent AI może być narzędziem w rękach jednych lub drugich.
Inni kandydaci na to samo stanowisko
Autonomiczny developer AI to dziś cała kategoria narzędzi. Claude Code od Anthropic pracuje głównie w terminalu i edytorze programisty, OpenAI Codex ma wersję w terminalu i w chmurze, a Google Jules wykonuje zadania asynchronicznie i odsyła gotowe zmiany. Są też otwarte narzędzia, takie jak OpenCode, Aider czy Gemini CLI. Devin wyróżnia się tym, że od początku był projektowany do samodzielnej pracy w chmurze i współpracy z całym zespołem przez Slacka, Teams i Jirę. Narzędzia działające w terminalu lub edytorze, jak Claude Code czy Cursor, częściej pracują pod okiem programisty, krok po kroku. Wraz z Devin Desktop, następcą Windsurfa, Cognition łączy oba podejścia w jednym produkcie.
Osobną grupą są narzędzia, które budują całą aplikację z opisu, jak Lovable. Sprawdzają się przy prototypach, ale nie pracują w istniejącym, dużym kodzie firmy, więc nie konkurują z Devinem o to samo stanowisko. W praktyce wiele zespołów miesza te narzędzia: asystent w edytorze służy do codziennej pracy, a agent w chmurze dostaje kolejkę małych, dobrze opisanych zadań. Jeśli zastanawiasz się, czy taki układ ma sens w Twoim projekcie, albo planujesz migrację starszego systemu z pomocą agenta AI, napisz do nas.
FAQ
FAQ - Najczęściej zadawane pytania o Devina AI
Devin AI kosztuje od 0 do 200 dolarów miesięcznie w planach indywidualnych, a plan dla zespołów zaczyna się od 80 dolarów miesięcznie. Według cennika z października 2026 roku plan Free daje ograniczony dostęp, Pro kosztuje 20 dolarów, a Max 200 dolarów miesięcznie i różni się od Pro wyższym limitem pracy agenta. Po wyczerpaniu limitu płaci się za faktyczne użycie, więc miesięczny rachunek zależy od liczby i wielkości zleconych zadań. Duże firmy negocjują warunki w planie Enterprise. Przykładowo zespół, który zleca agentowi kilka drobnych poprawek tygodniowo, zmieści się zwykle w podstawowym limicie, a firma prowadząca z jego pomocą migrację setek modułów zapłaci wielokrotnie więcej. Do kosztu licencji trzeba doliczyć czas programistów, którzy opisują zadania i przeglądają pull requesty, bo to często największa pozycja w budżecie.
Tak, Devin AI ma darmowy plan Free, ale z ograniczonym limitem pracy agenta. W planie bezpłatnym można wypróbować samego Devina, a także skorzystać z modułu Devin Review do przeglądu kodu i z DeepWiki, czyli automatycznie tworzonej dokumentacji repozytorium. Darmowy limit wystarcza do sprawdzenia, jak agent radzi sobie z kilkoma prostymi zadaniami w konkretnym projekcie, ale nie do regularnej pracy zespołu. Przykładowo programista może zlecić Devinowi dopisanie testów do jednego modułu i ocenić jakość wyniku, zanim firma zdecyduje się na płatny plan. Zakres darmowego planu i wysokość limitu zależą od aktualnej polityki Cognition, która od premiery zmieniała się kilka razy, dlatego przed testem warto sprawdzić bieżący cennik.
Tak, Devin może przejąć część powtarzalnej pracy programistów, ale nie zastąpi całego zespołu. Najlepiej radzi sobie z zadaniami, które mają jasny wzorzec i automatyczny sposób sprawdzenia wyniku: aktualizacjami bibliotek, poprawkami błędów zgłoszonych przez narzędzia do analizy kodu, dopisywaniem testów czy przenoszeniem kolejnych modułów według ustalonego schematu. Programiści nadal planują architekturę, rozmawiają z klientem, opisują zadania i odpowiadają za to, co trafia na produkcję. Przykładowo w projekcie, w którym trzeba zaktualizować kilkadziesiąt podobnych komponentów, zespół może przygotować wzorcową zmianę dla jednego, a resztę zlecić agentowi i tylko przeglądać wyniki. Skala oszczędności zależy od tego, ile takiej pracy jest w backlogu, od jakości testów w projekcie i od czasu potrzebnego na przegląd zmian.
Devin to agent, który samodzielnie wykonuje całe zadania w chmurze, a GitHub Copilot powstał jako asystent podpowiadający kod w edytorze programisty. Copilot pracuje obok człowieka: proponuje kolejne linie, odpowiada na pytania o kod i wykonuje polecenia w trakcie pisania, choć ma już także tryb agenta, któremu można przypisać zgłoszenie. Devin dostaje zadanie przez Slacka, Jirę lub własny panel, pracuje na osobnej maszynie wirtualnej, uruchamia testy i sam otwiera pull request do przeglądu. Przykładowo programista poprawiający funkcję w edytorze skorzysta raczej z Copilota, a zespół, który chce rozdzielić kilkanaście drobnych zgłoszeń z backlogu bez angażowania ludzi w samo pisanie, sięgnie po Devina. Wybór zależy od tego, czy firma szuka przyspieszenia codziennej pracy programistów, czy wykonawcy zadań zlecanych asynchronicznie.
Tak, Devin może pracować na prywatnym repozytorium po podłączeniu go przez integrację z GitHubem, GitLabem, Bitbucketem lub Azure DevOps. Administrator decyduje, do których repozytoriów agent ma dostęp, a Devin pracuje na kopii kodu w środowisku dostawcy, gdzie instaluje zależności i uruchamia testy. Oznacza to, że kod firmy trafia do chmury Cognition, więc przed podłączeniem warto sprawdzić warunki przetwarzania danych w wybranym planie i to, czy umowy z klientami pozwalają na takie przekazanie. Przykładowo software house pracujący dla banku może potrzebować zgody klienta i planu Enterprise z dodatkowymi zabezpieczeniami, a startup rozwijający własny produkt zwykle podłączy repozytorium od razu. Zakres dostępu zależy od wybranego planu, polityki bezpieczeństwa firmy i wymagań klientów, których kod jest w repozytorium.
Pierwsze zadania Devin może wykonać już w dniu podłączenia repozytorium, ale rzetelny pilotaż w zespole trwa orientacyjnie od kilku tygodni do dwóch, trzech miesięcy. Najwięcej czasu na starcie zajmuje przygotowanie środowiska, w którym agent zbuduje projekt i uruchomi testy, oraz spisanie zasad zespołu, takich jak konwencje nazewnictwa czy sposób pisania testów. Potem przychodzi etap zbierania danych: ile zmian przechodzi przegląd bez poprawek, ile trwa review i ile kosztuje jedna scalona zmiana. Przykładowo prosta aplikacja webowa z dobrymi testami będzie gotowa do pracy z agentem szybciej niż wieloletni system z nieudokumentowaną konfiguracją i ręcznie uruchamianymi testami. Czas wdrożenia zależy od stanu dokumentacji, automatyzacji testów, liczby repozytoriów i wymagań bezpieczeństwa firmy.
Tak, kod napisany przez Devina może być bezpieczny, pod warunkiem że przechodzi ten sam przegląd i te same testy co kod pisany przez ludzi. Agent popełnia błędy, czasem dodaje zbędną złożoność i nie zawsze rozumie kontekst biznesowy, dlatego każda jego zmiana powinna trafić do code review i przez automatyczne testy przed scaleniem. Osobną kwestią jest bezpieczeństwo samego agenta: ponieważ czyta zgłoszenia i strony internetowe, może paść ofiarą ukrytych instrukcji, więc nie powinien mieć dostępu do produkcji ani do kluczy z szerokimi uprawnieniami. Przykładowo zmiana w module logowania przygotowana przez agenta wymaga przeglądu doświadczonego programisty i testów bezpieczeństwa, a poprawka literówki w interfejsie wystarczy ze zwykłym review. Poziom ryzyka zależy od tego, jakie części systemu agent zmienia, jakie ma uprawnienia i jak dobre testy ma projekt.
Sztuczna inteligencja rozwija się w błyskawicznym tempie, a kolejne modele zaskakują coraz większymi możliwościami. Claude, stworzony przez firmę Anthropic, to nowoczesny model AI, który wyróżnia się na tle konkurencji dzięki unikalnemu podejściu do bezpieczeństwa i etyki. Dzięki technologii Constitutional AI zapewnia bardziej kontrolowane, rzetelne i przewidywalne odpowiedzi, stając się inteligentnym asystentem zarówno dla firm, jak i indywidualnych użytkowników. Czy Claude to przyszłość…
Cursor AI to nowoczesne narzędzie, które wykorzystuje algorytmy AI do wspomagania programistów na każdym etapie pracy – od pisania kodu, przez jego optymalizację, aż po debugowanie. Dzięki zaawansowanemu autouzupełnianiu i generowaniu kodu na podstawie opisu w języku naturalnym, Cursor AI pozwala znacząco zwiększyć produktywność i ograniczyć liczbę błędów.
Sztuczna inteligencja coraz śmielej wkracza w świat programowania, oferując nowe sposoby pracy z kodem. Jednym z najbardziej obiecujących narzędzi w tym obszarze jest OpenAI Codex CLI - interfejs wiersza poleceń, który pozwala tworzyć, analizować i modyfikować kod przy pomocy języka naturalnego.
Sztuczna inteligencja coraz mocniej wkracza do świata programowania, oferując narzędzia, które wspierają codzienną pracę deweloperów. Do tej grupy dołącza Google Jules - nowy asynchroniczny agent AI zaprojektowany specjalnie z myślą o kodowaniu. W przeciwieństwie do klasycznych asystentów, Jules nie wymaga ciągłej interakcji i nie przerywa toku pracy, lecz działa w tle i dostarcza sugestie wtedy, gdy są one najbardziej przydatne. To rozwiązanie, które może zmienić sposób, w jaki programiści…
Agenci kodowania AI zmieniają sposób, w jaki programiści pracują na co dzień, a rynek tych narzędzi rozwija się w zawrotnym tempie. Jednym z najgłośniejszych graczy ostatnich miesięcy jest OpenCode, open-source'owa alternatywa dla Claude Code od Anthropic, która w krótkim czasie zgromadziła wokół siebie ogromną społeczność deweloperów.
Narzędzia AI do kodowania zmieniają sposób, w jaki programiści pracują na co dzień, i coraz trudniej je ignorować. Jednym z tych, które zyskują ostatnio sporo uwagi w społeczności deweloperów, jest Aider - darmowy, open-source'owy asystent, który pozwala programować w parze z AI prosto z terminala.
