W 1784 roku Edmund Cartwright jadł kolację z kupcami z Manchesteru i zaproponował, żeby tkanie zmechanizować tak jak przędzenie. Dwieście czterdzieści lat później ktoś w San Francisco zaproponował, żeby pisanie kodu zmechanizować tak jak pisanie tekstu. Obie propozycje brzmiały absurdalnie. Obie uruchomiły lawinę.
Rewolucje technologiczne nie zmieniają wszystkiego naraz. Zaczynają się w jednym konkretnym miejscu. I to właśnie ten punkt startowy mówi więcej o przyszłości niż jakiekolwiek prognozy.
W najbardziej klasycznej wersji tej historii brytyjska rewolucja przemysłowa zaczyna się nie od włókiennictwa w ogóle, lecz od bawełny, a dokładniej od mechanizacji przędzenia w przemyśle bawełnianym lat 70. i 80. XVIII wieku (choć nowsze badania, między innymi z Cambridge, pokazują, że głębsze korzenie industrializacji sięgają wcześniej). W obecnej fali generatywnej sztucznej inteligencji jednym z pierwszych obszarów pracy umysłowej z wyraźnym zwrotem ekonomicznym okazało się tworzenie oprogramowania. To nie przypadek. To schemat. I warto zrozumieć, dokąd prowadzi.
Dlaczego bawełna została przeorganizowana jako pierwsza
Przed pojawieniem się maszyn przędzalniczych brytyjski przemysł bawełniany był rozproszony. Przędzenie i tkanie odbywało się w domach, ręcznie, w ramach systemu chałupniczego. Praca była powtarzalna i sekwencyjna: surowa bawełna trafiała do przędzarki, z przędzarki wychodziła nić, z nici powstawała tkanina. Efekty dało się łatwo zmierzyć: w jardach, w funtach, w sztukach.
Liczby pokazują skalę tego, co nastąpiło. Wielka Brytania zużywała 22 miliony funtów surowej bawełny w 1787 roku. W 1800 już 52 miliony. W 1850 już 588 milionów. A wydajność? Acemoglu i Johnson pokazują to najlepiej na jednej metryce: przędzenie 100 funtów bawełny wymagało ponad 50 000 godzin pracy na początku XVIII wieku. Około roku 1795 już tylko 300 godzin. Dokładny mnożnik zależy od definicji i punktu odniesienia, ale skala zmiany jest bezsporna.
Trzeba przy tym pamiętać, że wczesna mechanizacja nie była napędzana parą, lecz wodą. Pierwsze przędzalnie stały nad rzekami i korzystały z kół wodnych. Z tkaniem było inaczej: jeszcze w 1820 roku w fabrykach pracowało zaledwie około 10 tysięcy tkaczy obsługujących krosna mechaniczne, podczas gdy setki tysięcy dalej tkały na krosnach ręcznych w domach. Wczesna fabryczna rewolucja była przede wszystkim historią przędzenia, a dopiero później, w pełni, historią tkania. Rola pary, węgla i żelaza rosła stopniowo, i to dopiero w kolejnych dekadach napęd parowy stał się dominującym źródłem energii dla przemysłu.
Dlaczego akurat bawełna? Bo charakter tej pracy był dla maszyny czytelny. Kroki były jasne, powtarzalne, możliwe do opisania. Jakość dało się zweryfikować. Wąskim gardłem była przepustowość, nie kreatywność, nie relacje, nie osąd sytuacji. Maszyny mogły po prostu robić więcej tego samego, szybciej.
Warto też dodać, czego uproszczone opowieści o technologii zwykle nie mówią: rozwój brytyjskiego przemysłu bawełnianego był spleciony z handlem imperialnym, a po 1800 roku w rosnącym stopniu z bawełną produkowaną przez niewolników w Ameryce. Technologia nie działała w próżni. Miała swój kontekst geopolityczny i ludzki koszt.
A przemysł bawełniany nie pozostał samotną wyspą zmian. Mechanizacja tkanin uruchomiła łańcuch, który historycy potrafią dziś prześledzić ogniwo po ogniwie. Fabryki tekstylne, najpierw napędzane wodą, potem w rosnącym stopniu parą, potrzebowały maszyn, co napędzało hutnictwo żelaza. Rosnący popyt na węgiel stymulował górnictwo. Potrzeba transportu surowców i gotowych produktów spowodowała budowę kanałów, a po 1830 roku sieci kolejowej. Przemysł chemiczny rozrósł się między innymi dlatego, że fabryki potrzebowały środków bielących i barwników. Historycy technologii nie bez powodu nazywają bawełnę katalizatorem całej rewolucji przemysłowej. Nie tylko jej pierwszym rozdziałem, ale silnikiem napędowym.
Ten łańcuch nie był przypadkowy. Każda kolejna branża, która ulegała mechanizacji, była albo bezpośrednio powiązana z poprzednią, albo miała podobne cechy pracy: powtarzalnej, mierzalnej, podatnej na automatyzację.
Dlaczego tworzenie oprogramowania zostało przeorganizowane jako jedno z pierwszych
Dwa i pół wieku później kolejna fala technologiczna znalazła swoje pierwsze punkty uderzenia. I logika jest uderzająco podobna.
Kod komputerowy to tekst. Ma strukturę, reguły, powtarzalne wzorce. Dla dużych modeli językowych, czyli technologii, która napędza narzędzia takie jak ChatGPT czy Claude, jest niemal ich językiem ojczystym. Weryfikacja jakości jest częściowo zautomatyzowana: program się kompiluje albo nie, testy przechodzą albo nie, funkcja zwraca prawidłowy wynik albo błędny. A wąskie gardło, znów, to przepustowość: świat potrzebuje znacznie więcej oprogramowania, niż programiści są w stanie napisać.
Słowo „częściowo” jest tu ważne. Kompilacja i testy automatyczne opisują tylko część pracy programisty, nie całość. Według Stack Overflow 46% profesjonalnych programistów aktywnie nie ufa dokładności wyników generowanych przez AI, a jedynie 33% jej ufa. Przy zadaniach złożonych oceny są wyraźnie chłodniejsze. I właśnie dlatego tworzenie oprogramowania jest tak ciekawym przypadkiem: jest częściowo weryfikowalne, ale nie w pełni sformalizowane. Jest wystarczająco czytelne dla AI, żeby uzyskać realne przyspieszenie, ale wystarczająco złożone, żeby nadal wymagać ludzkiego osądu.
Mimo tych zastrzeżeń dane potwierdzają, że tworzenie oprogramowania nie jest po prostu jednym z wielu zastosowań generatywnej AI. Jest jednym z pierwszych, w których pojawił się wyraźny zwrot ekonomiczny. Menlo Ventures szacuje, że firmowe wydatki na narzędzia AI do kodowania wzrosły z 550 milionów do 4 miliardów dolarów w ciągu jednego roku, co stanowi 55% całych wydatków działowych na generatywną AI. Ten skok wiążą z przejściem od prostych podpowiedzi do narzędzi obsługujących większe fragmenty cyklu wytwarzania oprogramowania. Według Stack Overflow 50,6% profesjonalnych programistów korzysta dziś z takich narzędzi codziennie. Menlo Ventures wprost nazywa kodowanie pierwszym prawdziwym „przełomowym zastosowaniem” generatywnej AI w firmach.
Trzeba jednak zachować proporcje. Tworzenie oprogramowania to nie jedyny obszar szybkiej adopcji. Badanie McKinsey (opublikowane w 2025 roku, oparte na ankiecie z drugiej połowy 2024) pokazuje wysoki poziom wykorzystania generatywnej AI również w marketingu i sprzedaży, zarządzaniu wiedzą czy rozwoju produktów. Ale to programowanie najlepiej ilustruje analogię z bawełną, bo łączy trzy cechy: tekstowy charakter pracy, częściową weryfikowalność wyniku i ogromny, niezaspokojony popyt.
I tu trzeba uczciwie wskazać pewną asymetrię w analogii. Brytyjski przemysł bawełniany był branżą, sektorem gospodarki. Tworzenie oprogramowania jest raczej funkcją lub zawodem, rozlanym przez wiele branż. To ważne rozróżnienie, bo oznacza, że efekty reorganizacji nie będą skoncentrowane geograficznie w jednym regionie (jak Lancashire w XVIII wieku), lecz rozproszone po całej gospodarce.
Reakcja łańcuchowa: co dzieje się po pierwszym obszarze
I tu analogia z bawełną staje się naprawdę użyteczna. Ale chcę być uczciwy co do tego, czego możemy się z niej dowiedzieć, a czego nie.
W XIX wieku sekwencja rozprzestrzeniania się mechanizacji była napędzana konkretnymi powiązaniami popytowymi: tkaniny potrzebowały maszyn, maszyny wymagały żelaza, transport wymagał kolei. Każdy krok jest udokumentowany historycznie i weryfikowalny.
W przypadku sztucznej inteligencji mechanizm jest inny. Tu nie chodzi o łańcuchy dostaw, ale o coś, co nazwałbym gotowością strukturalną: o to, na ile podstawowa praca w danej branży jest zrozumiała i przetwarzalna dla technologii AI.
Możemy obserwować, gdzie adopcja faktycznie następuje. Dane OECD (za rok 2024 lub ostatni dostępny; porównania między krajami należy czytać ostrożnie) pokazują, że technologię AI wdrożyło prawie 45% firm z sektora informatycznego, ponad 25% firm z sektora usług profesjonalnych i naukowych, ale poniżej 10% firm budowlanych czy transportowych. McKinsey z kolei wskazuje, że według funkcji biznesowych AI jest najczęściej wykorzystywana w IT, marketingu i sprzedaży oraz zarządzaniu wiedzą.
Kierunek jest obserwowalny: od pracy najbardziej opartej na tekście, uporządkowanej i łatwej do zweryfikowania, w stronę dziedzin wymagających fizycznej obecności, wiedzy trudnej do sformalizowania lub skomplikowanej nawigacji regulacyjnej. Ale konkretna kolejność branż byłaby spekulacją. Historyczna analogia daje nam zasadę (technologia wchodzi tam, gdzie praca jest dla niej najbardziej czytelna), a nie harmonogram.
Paradoks tworzenia miejsc pracy
Jest jeden historyczny szczegół, który zasługuje na więcej uwagi.
Kiedy w latach 70. i 80. XVIII wieku zmechanizowano przędzenie, nie zniszczyło to miejsc pracy w tkactwie. Stało się coś odwrotnego. Lawina taniej, maszynowo produkowanej przędzy wytworzyła tak ogromny popyt na tkanie, że ręczni tkacze przeżyli złoty wiek. Wielu ludzi rzuciło się do tego zawodu, przyciągniętych obietnicą dobrych zarobków. Jak udokumentowali Daron Acemoglu i Simon Johnson (laureaci Nagrody Nobla z ekonomii w 2024 roku) w swoich badaniach opublikowanych w Annual Review of Economics, zmechanizowanie jednego etapu łańcucha produkcji wywołało masową ekspansję w etapie komplementarnym, tym, który jeszcze nie został zautomatyzowany. Zatrudnienie w samym brytyjskim przemyśle bawełnianym wzrosło z około 168 tysięcy w 1788 do 336 tysięcy w 1820. Branża nie „padła”. Wystrzeliła skalą.
A potem, wraz z upowszechnianiem się krosien mechanicznych w latach 10. i 20. XIX wieku, sytuacja zaczęła się odwracać. Nominalne tygodniowe zarobki ręcznych tkaczy bawełny spadły z około 240 pensów w 1806 do poniżej 100 pensów w 1820. To twarde dane, udokumentowane przez Acemoglu i Johnsona. Mechanizacja, która najpierw stworzyła boom, ostatecznie pochłonęła tę samą pracę.
Być może obserwujemy dokładnie ten sam schemat w świecie tworzenia oprogramowania. Narzędzia AI do pisania kodu tworzą dziś więcej popytu na oprogramowanie, bo budowanie staje się tańsze i szybsze, więc więcej rzeczy się buduje. Programiści korzystający z AI raportują znaczny wzrost produktywności. To wygląda jak złoty wiek ręcznego tkacza: technologia wzmacnia ludzi wykonujących pracę komplementarną.
Historia bawełny podpowiada, że ta faza nie trwa wiecznie. W pewnym momencie automatyzacja przeskakuje z etapu komplementarnego na etap, który wykonujesz ty sam, i dynamika się odwraca. Dla programistów pytanie nie brzmi, czy AI pomaga im dzisiaj. Pytanie brzmi, co się stanie, gdy AI przejdzie od pisania fragmentów kodu do zarządzania całym procesem tworzenia oprogramowania. Od momentu, gdy pojawi się odpowiednik krosna mechanicznego dla tkactwa.
To nie jest przepowiednia końca. Brytyjski przemysł bawełniany ostatecznie zatrudniał więcej ludzi po pełnej mechanizacji niż przed nią. Wykwalifikowani rzemieślnicy tracili pracę, ale powstawała większa liczba stanowisk wymagających innych, często mniej specjalistycznych umiejętności. Cała branża dramatycznie się rozrosła. Zmieniła się natomiast natura pracy, wymagane kompetencje i to, kto czerpał z tego największe korzyści finansowe.
Prawdziwa rewolucja to reorganizacja
Acemoglu i Johnson napisali obszernie o tym, czego wczesna rewolucja przemysłowa uczy nas o sztucznej inteligencji. Ich główny argument warto potraktować poważnie: największą zmianą nie była sama maszyna. Była nią reorganizacja pracy wokół tego, co maszyna umożliwiła.
Wczesna przędzarka wielowrzecionowa (spinning jenny) mogła jeszcze działać w domach i małych warsztatach. Ale już water frame i późniejsze przędzarki wspomagane mechanicznie wymagały fabryk, dużych zakładów liczących setki pracowników. Mechanizacja przędzenia wypchnęła produkcję z chat do fabryk i zmieniła układ sił między pracą a kapitałem. To ta reorganizacja, kto pracuje gdzie, jak zarządza się pracą, kto przechwytuje wartość, była właściwą rewolucją. Maszyna była tylko zapalnikiem.
Jeśli ta analogia trzyma się współcześnie, to firmy i branże, które traktują sztuczną inteligencję jako narzędzie doklejone do istniejących procesów, popełniają ten sam błąd co tkacz, który kupuje przędzarkę, ale dalej pracuje w swojej chacie. Prawdziwy wpływ technologii ujawnia się dopiero wtedy, gdy przebudowujesz samą pracę.
Dla lat 80. XVIII wieku oznaczało to fabryki. Dla roku 2026 może to oznaczać coś równie fundamentalnego. I równie trudnego do dostrzeżenia, kiedy się w tym żyje.
Czego możemy się faktycznie nauczyć
Analogie historyczne są przydatne, ale i ryzykowne. Rewolucja przemysłowa potrzebowała 60 do 80 lat, żeby w pełni przeniknąć brytyjską gospodarkę. Samo narzędzie, generatywna AI, upowszechnia się szybciej niż jakakolwiek porównywalna technologia. Według badań zespołu z Federal Reserve Bank of St. Louis adopcja generatywnej AI wśród dorosłych Amerykanów w wieku 18–64 lat wzrosła o 10 punktów procentowych w ciągu jednego roku, osiągając 54,6% do sierpnia 2025. Ten sam zespół pokazuje, że trzy lata po premierze ChatGPT adopcja generatywnej AI była wyższa niż analogiczna adopcja komputerów osobistych i internetu w porównywalnym momencie po wprowadzeniu ich na rynek masowy.
Ale szybka adopcja narzędzia to nie to samo co szybka reorganizacja pracy i firm. Nie wiemy jeszcze, czy jedno przełoży się na drugie w tym samym tempie.
Nie należy więc brać analogii z bawełną zbyt dosłownie. Skale czasowe będą inne. Konkretne branże będą inne. Kontekst społeczny i polityczny jest zupełnie inny.
Ale logika strukturalna może być ta sama: technologia wchodzi tam, gdzie praca jest dla niej najbardziej czytelna. Na początku tworzy boom dla ludzi wykonujących pracę komplementarną. Potem wchłania i tę pracę. A prawdziwymi zwycięzcami nie są ci, którzy pierwsi kupili nowe narzędzie, ale ci, którzy pierwsi przebudowali sposób, w jaki pracują.
David Ricardo, jeden z najważniejszych ekonomistów w historii, początkowo wierzył, że mechanizacja przyniesie korzyści wszystkim: zarówno pracownikom, jak i właścicielom. Gdy dowody pokazały, że się mylił, zrobił coś niezwykłego jak na człowieka o jego pozycji i w jego epoce: publicznie zmienił zdanie. W 1821 roku dodał do swojego dzieła Zasady ekonomii politycznej zupełnie nowy rozdział, w którym przyznał, że maszyny mogą pogarszać sytuację pracowników. Jak argumentują Acemoglu i Johnson, ta intelektualna elastyczność, gotowość do rewizji własnego modelu myślenia, gdy rzeczywistość temu przeczy, jest być może najważniejszą lekcją ze wszystkich.
Bawełna została przeorganizowana jako pierwsza i czegoś nas nauczyła. Teraz kolej na tworzenie oprogramowania. Pytanie nie brzmi, czy schemat się powtarza. Pytanie brzmi, czy przyglądamy się wystarczająco uważnie, żeby się z niego czegoś nauczyć.
Błażej Kunke jest założycielem ^Kunke Consulting, firmy doradczej i szkoleniowej z Poznania, która pomaga małym i średnim firmom w praktycznym wdrażaniu sztucznej inteligencji.
Źródła i dalsza lektura
Badania akademickie
Daron Acemoglu, Simon Johnson, „Learning from Ricardo and Thompson: Machinery and Labor in the Early Industrial Revolution, and in the Age of AI”, Annual Review of Economics, 2024. Dostępne również jako NBER Working Paper #32416.
Robert C. Allen, „The Hand-Loom Weaver and the Power Loom: A Schumpeterian Perspective”, NYU Abu Dhabi Working Paper, 2017.
Daron Acemoglu, Simon Johnson, Power and Progress: Our Thousand-Year Struggle Over Technology and Prosperity, PublicAffairs, 2023. Książka, z której wyrastają argumenty cytowane w artykule.
Raporty branżowe o adopcji AI
Menlo Ventures, „2025: The State of Generative AI in the Enterprise”, grudzień 2025. Źródło danych o firmowych wydatkach na AI w kodowaniu (550 mln do 4 mld USD, 55% departmental AI spend) i o kodowaniu jako pierwszym „killer use case”. https://menlovc.com/perspective/2025-the-state-of-generative-ai-in-the-enterprise/
McKinsey & Company, „The State of AI: Global Survey”, 2025. Opublikowany w 2025, oparty na ankiecie z czerwca-lipca 2025 (1 993 respondentów, 105 krajów). Źródło danych o adopcji AI według branż i funkcji biznesowych. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
OECD, „AI Adoption by Small and Medium-Sized Enterprises”, 2025. Źródło danych sektorowych (ICT ~45%, usługi profesjonalne ~25%, budownictwo <10%). Uwaga: dane za rok 2024 lub ostatni dostępny; porównania między krajami należy czytać ostrożnie. https://www.oecd.org/en/publications/ai-adoption-by-small-and-medium-sized-enterprises_426399c1-en.html
Deloitte, „State of Generative AI in the Enterprise”, 2024-2026. Badanie 3 235 liderów z 24 krajów. https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/content/state-of-generative-ai-in-enterprise.html
Dane o adopcji i produktywności
Federal Reserve Bank of St. Louis, „The State of Generative AI Adoption in 2025”, listopad 2025. Źródło danych o adopcji wśród dorosłych Amerykanów 18-64 (54,6% w sierpniu 2025) i porównania z tempem adopcji PC i internetu. https://www.stlouisfed.org/on-the-economy/2025/nov/state-generative-ai-adoption-2025
Stack Overflow Developer Survey 2024. Źródło danych o codziennym użyciu narzędzi AI przez programistów (50,6%) oraz o poziomie zaufania do wyników AI (46% nie ufa, 33% ufa). https://survey.stackoverflow.co/2024/
Stanford HAI, „The 2025 AI Index Report”. Kompleksowy raport o stanie AI na świecie. https://hai.stanford.edu/ai-index/2025-ai-index-report
Historia rewolucji przemysłowej
Mark Cartwright, „The Textile Industry in the British Industrial Revolution”, World History Encyclopedia, 2024. https://www.worldhistory.org/article/2183/the-textile-industry-in-the-british-industrial-rev/
„Textile Manufacturing”, Lumen Learning / History of Western Civilization II. https://courses.lumenlearning.com/suny-hccc-worldhistory2/chapter/textile-manufacturing/
HISTORY.com, „Industrial Revolution: Definition, Inventions & Dates”. https://www.history.com/articles/industrial-revolution
Publicystyka łącząca rewolucję przemysłową z AI
Knowable Magazine, „What Happens to the Weavers? Lessons for AI from the Industrial Revolution”, listopad 2025. Przystępne omówienie badań Acemoglu i Johnsona. https://knowablemagazine.org/content/article/society/2025/ai-jobs-economy-lessons-from-industrial-revolution