Rok temu DeepMind ogłosił AlphaEvolve – agenta, który “pisze kod sam” z modelem Gemini w środku. Brzmiało jak następna konkurencja dla Claude Code i Cursora. Teraz, w maju 2026, Google opublikował podsumowanie roku pracy tego agenta i liczby robią wrażenie. AlphaEvolve obniżył błędy detekcji wariantów DNA o jedną trzecią. Skrócił też trasy logistyczne francuskiej firmy FM Logistic o ponad dziesięć procent. Brzmi jak SF, dlatego warto to wyjaśnić od razu – AlphaEvolve nie zastąpi ci Cursora ani Claude Code. To zupełnie inne narzędzie, do innych zadań, dla innych ludzi. Po lekturze będziesz wiedzieć, kiedy ma sens i czy twoja firma w Polsce może z niego skorzystać.
Co naprawdę robi AlphaEvolve i dlaczego to nie kolejny Cursor
AlphaEvolve to agent badawczy, nie narzędzie do codziennego programowania. Działa według prostego pomysłu: model Gemini generuje propozycje kodu, automatyczny ewaluator sprawdza, który wariant jest lepszy, a system “ewoluuje” w stronę najlepszych pomysłów. Innymi słowy – to algorytm ewolucyjny, w którym zamiast losowych mutacji mamy świadome propozycje od sztucznej inteligencji. Dlatego nazwa “evolve” jest tu na miejscu, choć łatwo ją pomylić z modelem językowym.
Kluczowa różnica względem Cursor 3 czy Claude Managed Agents jest taka: AlphaEvolve potrzebuje problemu, w którym da się automatycznie zmierzyć “lepiej czy gorzej”. Krótszy czas wykonania, mniej błędów, mniejsze zużycie pamięci. Bez takiego ewaluatora system nie ma jak ocenić swoich pomysłów. To jak ewolucja gatunków – musi istnieć selekcja, która coś preferuje, inaczej cała maszyneria nie ma dokąd zmierzać.
AlphaEvolve to nie narzędzie programisty, tylko narzędzie naukowca i optymalizatora. Pisze kod tylko tam, gdzie da się automatycznie sprawdzić, że nowa wersja jest lepsza od starej.
Co to znaczy w praktyce? AlphaEvolve nie napisze ci aplikacji webowej, sklepu internetowego ani prostego skryptu w n8n. Nie zaprojektuje też interfejsu użytkownika ani treści marketingowej. Sprawdza się natomiast w optymalizacji algorytmu kompresji, planowaniu tras pojazdów albo projektowaniu obwodów na komputery kwantowe. Wszędzie tam, gdzie problem ma jasno mierzalny “wskaźnik jakości”, a rozwiązanie jest fragmentem kodu albo wzorem matematycznym.
Co AlphaEvolve dał Google i światu w rok
Najciekawsze są konkretne wyniki ogłoszone przez DeepMind 7 maja, ponieważ pokazują, czego naprawdę można się spodziewać. W genomice firma PacBio użyła AlphaEvolve do narzędzia DeepConsensus i dzięki temu obniżyła błędy detekcji wariantów DNA o jedną trzecią. Dla badaczy chorób genetycznych to bardzo dużo, bo każdy fałszywy wariant to potencjalne błędne rozpoznanie pacjenta. Z kolei Schrödinger, firma od symulacji chemicznych, dostała czterokrotne przyspieszenie modelu sił międzycząsteczkowych. W praktyce oznacza to szybsze przeszukiwanie kandydatów na leki – zamiast miesięcy pracy część analiz można robić w skali dni.
W fizyce kwantowej AlphaEvolve pomógł zaprojektować obwody dla procesora Willow Google, które miały dziesięciokrotnie niższy błąd niż wcześniejsze rozwiązania optymalizowane klasycznymi metodami. Co więcej, komputery kwantowe są dziś tak chwiejne, że każde dziesięciokrotne zmniejszenie błędu na poziomie obwodu odsuwa nas o krok bliżej praktycznego użycia. Dla porównania: gdyby zwykły komputer mylił się raz na sto operacji, kwantowy myli się o wiele częściej. AlphaEvolve nie naprawił tego problemu w całości, jednak wyraźnie go zmniejszył w tych konkretnych obwodach.
Wewnętrznie Google użył AlphaEvolve do optymalizacji własnych centrów danych, projektowania nowych chipów i trenowania kolejnych modeli językowych – w tym tych, które same napędzają AlphaEvolve. Co więcej, to rodzaj rekurencji, w której narzędzie sztucznej inteligencji ulepsza sztuczną inteligencję. Firma logistyczna FM Logistic wyciągnęła ponad dziesięcioprocentową poprawę efektywności tras dostaw. Klarna, agencja reklamowa WPP i startup biotechnologiczny Substrate też zgłosili konkretne usprawnienia, choć z mniejszym rozgłosem.
Gdy DeepMind mówi “agent kodujący”, w głowie polskiego programisty pojawia się Cursor i Claude Code. To zupełnie inny zwierz – bliżej kalkulatora ewolucyjnego niż autouzupełnienia w edytorze.
Drobny smaczek dla matematyków: AlphaEvolve pracował z Terencem Tao, jednym z najsłynniejszych żyjących matematyków, nad problemami Erdősa. Co więcej, pomógł też pobić rekordy w klasycznym problemie komiwojażera oraz w zagadnieniach związanych z liczbami Ramseya. Dla świata akademickiego to są poważne wydarzenia, natomiast dla zwykłego użytkownika – ciekawostka pokazująca skalę ambicji projektu.
Czy polska firma może z tego skorzystać
AlphaEvolve nie jest dziś dostępny jako otwarte narzędzie do pobrania z GitHuba. Google udostępnia go przez chmurę Google Cloud, głównie dla klientów korporacyjnych z konkretnymi problemami optymalizacyjnymi. To znaczy: w teorii polska firma może go użyć, jednak w praktyce trzeba mieć projekt, który pasuje do tego konkretnego rodzaju zadań.
Pasuje, gdy masz problem optymalizacyjny z jasnym wskaźnikiem sukcesu i rozwiązaniem w postaci kodu lub formuły. Z polskiego rynku naturalnie wpisują się tu cztery rodzaje zadań. Pierwszy to planowanie tras dla firm spedycyjnych i kurierskich (krócej, taniej, szybciej). Drugi dotyczy grafików dyżurów w szpitalach albo call center. Trzeci to ustawianie produkcji w fabryce z wieloma zmiennymi. Na koniec optymalizacja zapytań do bazy danych w dużych systemach. Wszędzie tam, gdzie dziś używasz heurystyk, programowania liniowego albo gotowych bibliotek typu OR-Tools, AlphaEvolve może dać kilka procent więcej.
Nie pasuje natomiast do większości zadań programistycznych w średniej polskiej firmie IT. Jeśli twoja praca to budowanie aplikacji webowych, integracje API w n8n, automatyzacje marketingowe, panele administracyjne czy sklepy internetowe – AlphaEvolve nie wniesie nic. Do tych zadań masz natomiast Claude Managed Agents do orkiestracji wieloagentowej, Cursor 3, ChatGPT czy Copilot. Są to klasyczne narzędzia programisty, w których nie ma jasnej “metryki sukcesu” do automatycznej ewaluacji.
Ciekawostka, która może się przydać: zasada AlphaEvolve – LLM plus automatyczny ewaluator plus pętla ewolucyjna – jest bardzo prosta i da się ją odtworzyć w mniejszej skali samodzielnie. Niektóre zespoły badawcze już to robią z modelami otwartymi. Gemini nie jest tu czarodziejski – moc tkwi w samej koncepcji. Polskie startupy AI mogłyby spróbować podobnego podejścia do swoich konkretnych problemów, bez czekania na AlphaEvolve w Google Cloud.
Kurs n8n 2.0 · Kodożercy
Od zera do własnych automatyzacji – bez doświadczenia
Kurs n8n 2.0 od Kodożerców przeprowadzi Cię krok po kroku przez budowanie prawdziwych automatyzacji. Od webhooków, przez integracje z API, po własne przepływy danych – wszystko bez programowania.
Sprawdź kurs n8n 2.0 →
Co to znaczy dla rynku narzędzi AI
DeepMind od dawna gra inną grę niż Anthropic czy OpenAI. Anthropic stawia bowiem na asystenta programisty – codzienne pisanie kodu, analiza dużych baz, automatyzacja zadań. OpenAI też idzie tą drogą z Codexem i ChatGPT. DeepMind tymczasem pokazuje, że duże modele językowe da się użyć do zupełnie innych celów – jako silnik kreatywności w automatycznych pętlach optymalizacji. To bliżej AlphaFold (białka), AlphaGo (gry) i AlphaProof (matematyka) niż Cursora.
Czy AlphaEvolve będzie kiedyś dostępny dla każdego? Trudno powiedzieć. Google Cloud powoli udostępnia go klientom korporacyjnym, ale nie ma planu publicznego API ani modelu otwartego. Podobnie jak AlphaFold trafił najpierw do laboratoriów farmaceutycznych, AlphaEvolve trafia najpierw do działów R&D dużych firm. Możliwe, że za rok-dwa zobaczymy ograniczoną wersję publiczną, ale na pewno nie będzie to narzędzie codziennego programisty. Szkoda? Trochę tak. Z drugiej strony – może to dobrze, że ktoś w ogóle bada inne ścieżki niż “ChatGPT, ale lepszy”.
AlphaEvolve to dowód, że LLM-y nie muszą być tylko asystentami. Mogą być silnikami pomysłów w większych systemach, gdzie człowiek nie patrzy na każdą sugestię, tylko na końcowy wynik.
Podsumowanie – co warto zapamiętać o AlphaEvolve
DeepMind po roku pracy AlphaEvolve podzielił się konkretnymi liczbami: szybsze symulacje chemiczne, mniejsze błędy w komputerze kwantowym, optymalizacja centrów danych Google, krótsze trasy w logistyce. Pod marketingowym hasłem “Gemini koduje samodzielnie” kryje się jednak coś innego niż Cursor czy Claude Code. AlphaEvolve to agent badawczy, który łączy generowanie kodu z automatyczną oceną jakości w pętli ewolucyjnej. Działa tylko tam, gdzie da się jasno zmierzyć, czy nowa wersja jest lepsza. Polskim firmom IT na co dzień nie wniesie nic, ale firmom logistycznym, badawczym, fabrykom z trudnymi problemami optymalizacyjnymi może dać kilka procent więcej. Najciekawszy nie jest sam produkt, tylko sama idea: LLM jako silnik kreatywny w większym systemie, nie jako bezpośredni asystent programisty. Ten pomysł da się zastosować w mniejszej skali bez czekania na Google.
Newsletter · DevstockAcademy & Kodożercy
Bądź na bieżąco ze światem IT, AI i automatyzacji
Co wtorek: newsy z branży, praktyczne tipy i narzędzia które warto znać. Zero spamu.
