SDAD: nowy model rozwoju oprogramowania z agentami AI

Nowe badanie opublikowane na arXiv przez Vu Hung Nguyena i Thanh Nguyena proponuje formalny model tego, jak powinien wygląwać cykl życia oprogramowania w erze agentów kodujących opartych na dużych modelach językowych. Autorzy nazywają swoją koncepcję Spec-Driven Agentic Development (SDAD) i argumentują, że rosnąca moc agentów AI nie eliminuje potrzeby inżynierskiej dyscypliny — przenosi ją na wcześniejszy etap procesu, do precyzji specyfikacji.

Praca, zgłoszona 5 maja 2026 roku, wpisuje się w dyskusję o tym, jak firmy technologiczne powinny reorganizować swoje procesy wytwarzania oprogramowania w odpowiedzi na agenty kodujące dysponujące oknami kontekstu liczącymi setki tysięcy, a nawet miliony tokenów.

Kluczowe wnioski

• Autorzy formalizują SDAD jako połączenie zdyscyplinowanej, formalnej fazy wstępnej z bardzo szybką implementacją realizowaną przez agentów AI.
• Model opiera się na czterech elementach: przechwytywaniu intencji, specyfikacji nadającej się do odczytu maszynowego, agentowej syntezie kodu oraz niezależnej weryfikacji wieloagentowej pod nadzorem człowieka.
• Autorzy wprowadzają pojęcie „AI-code” jako czwartego paradygmatu produkcyjnego, obok Waterfall i Agile, i porównują podejście Human-Agile (ok. 2020 roku) z Agentic-SDAD (ok. 2026 roku).
• Praca proponuje kwantytatywne metryki zarządzania procesem: Ambiguity Tax, Spec Fidelity, SER oraz TCI_agentic z multiplikatorem naprawy phi.
• Kluczowy wniosek: szybkość działania agentów nie zwalnia z dyscypliny inżynierskiej — przenosi ją w kierunek precyzji specyfikacji, jawnych bram kontrolnych i audytowalnej pochodności decyzji.

Od Waterfall do agentowej syntezy

Punktem wyjścia analizy jest historyczny „wahadło” między dwoma dominującymi paradygmatami tworzenia oprogramowania: sztywnym, dokumentacyjnym Waterfallem oraz iteracyjnym, elastycznym Agile. Według autorów pojawienie się agentów kodujących zdolnych do jednorazowego przetworzenia obszernych Dokumentów Wymagań Funkcjonalnych (FRD) oraz całego kontekstu repozytorium kodu wymusza wyodrębnienie nowego, czwartego paradygmatu produkcyjnego — AI-code.

W tym modelu jakość specyfikacji przestaje być jedynie dokumentem referencyjnym, a staje się, jak piszą autorzy, „paliwem wykonawczym” dla autonomicznej realizacji projektu. Innymi słowy: to, co agent AI wygeneruje i jak sprawnie to zrobi, zależy w decydującym stopniu od precyzji i jednoznaczności wejściowej specyfikacji.

SDAD łączy dwie z pozoru sprzeczne logiki — zdyscyplinowaną formalizację z wysoką prędkością wdrożenia. Proces obejmuje cztery etapy: przechwytywanie intencji (intent capture), przekształcenie jej w specyfikację czytelną dla maszyn, syntezę realizowaną przez agenta AI oraz niezależną weryfikację wieloagentową, zamykaną formalnym podpisem (sign-off) po stronie człowieka. Ten ostatni element ma kluczowe znaczenie — autorzy podkreślają potrzebę rozdzielenia funkcji syntezy kodu od uprawnień do zatwierdzania wydania (release authority), co jest zgodne z tendencjami widocznymi w innych obszarach nadzoru nad systemami agentowymi, na przykład opisywanymi w kontekście systemów nadzoru runtime dla agentów AI.

Metryki zarządzania i metamorfoza ról zespołowych

Praca nie zatrzymuje się na opisie procesu — proponuje też aparat pojęciowy do kwantyfikacji jakości specyfikacji i wydajności agentowej syntezy. Autorzy wprowadzają metryki takie jak Ambiguity Tax (miara kosztu wynikającego z niejednoznaczności specyfikacji), Spec Fidelity (wierność implementacji w stosunku do specyfikacji), SER oraz TCI_agentic wraz z multiplikatorem naprawy phi. Te wskaźniki mają służyć jako pragmatyczne narzędzia zarządcze pozwalające ocenić, na ile dana specyfikacja jest gotowa do bezpiecznego przekazania agentowi kodującemu.

Model SDAD rozciąga się także na strukturę zespołu. Autorzy opisują „metamorfozę ról” dotykającą funkcji inżynierskich, QA, platformowych i produktowych — sugerując, że w miarę przejęcia przez agentów rutynowych zadań implementacyjnych, rola ludzi w procesie przesuwa się w stronę definiowania intencji, weryfikacji i nadzoru jakości, a nie samego pisania kodu. To zbliża pracę do szerszej dyskusji o tym, jak zmienia się podział pracy w zespołach programistycznych korzystających z agentów AI, poruszanej też w innych analizach dotyczących tego, dlaczego umiejętności pomagają agentom AI, a kiedy szkodzą.

Wdrożenie w praktyce i separacja syntezy od wydania

Osobna część pracy dotyczy pragmatycznej adopcji SDAD w organizacjach — autorzy proponują podejście hybrydowej estymacji oraz etapowy plan migracji (staged migration blueprint), który pozwala firmom przechodzić od tradycyjnych procesów Agile do modelu spec-driven bez rewolucyjnego skoku. W tym kontekście przywołują dowody przemysłowe i badawcze dotyczące testowania i weryfikacji wspomaganej AI, by uzasadnić potrzebę oddzielenia procesu syntezy kodu od uprawnień decyzyjnych o wydaniu produktu.

To rozdzielenie — synteza kontra autorytet wydania — jest jednym z centralnych argumentów pracy. Agent może błyskawicznie wygenerować duże fragmenty systemu na podstawie specyfikacji, ale finalna decyzja o dopuszczeniu tego kodu do produkcji musi przechodzić przez niezależną, wieloagentową weryfikację oraz ludzki sign-off. Model ten przypomina wzorce zarządzania spotykane w systemach wieloagentowych stosowanych w innych regulowanych branżach, takich jak opisany w analizie topologii DAG dla agentów AI z topologią DAG dla badań klinicznych, gdzie audytowalność i jawne bramy kontrolne odgrywają podobnie kluczową rolę.

Podsumowanie

Praca o SDAD proponuje ramę teoretyczną i praktyczną dla organizacji chcących wykorzystać agenty kodujące bez utraty kontroli nad jakością i bezpieczeństwem oprogramowania. Główna teza autorów jest jasna: prędkość agentowej implementacji nie zastępuje inżynierskiej dyscypliny, lecz przenosi ją na etap definiowania i formalizowania specyfikacji, gdzie precyzja, jawne bramy kontrolne i możliwość audytu decyzji stają się nowym fundamentem odpowiedzialnego rozwoju oprogramowania w erze AI.