← Wszystkie analizy
 ·  Źródło: youtube.com

DevOps vs AI — doświadczenia praktyka (#648)

AI skuteczne tylko tam gdzie bogate publiczne dane treningowe; kluczem jest obejście ograniczeń Salesforce przez Python+Playwright.

Uczestnicy: Anna Wałach-Dudzic

DevOps vs AI — doświadczenia praktyka (Anna Wałach-Dudzic)

0. KARTA MATERIAŁU

Tytuł:          DevOps vs AI — doświadczenia praktyka (#648)
Autor/Prowadzący: Anna Wałach-Dudzic; moderator/Q&A: V02 [NIEZIDENTYFIKOWANY]
Uczestnicy:     Anna Wałach-Dudzic (dyrektor działu + Salesforce DevOps, Akiva Labs;
                12–14 lat w ekosystemie Salesforce; kontekst motywacyjny: aktywna
                promotorka Pythona/Playwright jako alternatywy dla narzędzi klikanych —
                ma bezpośredni interes zawodowy w deprecjacji narzędzi low-code)
Data publikacji: 2026-06-01 (data transkrypcji; data samego wykładu nieznana)
Długość:        ok. 44 minuty (prezentacja + Q&A)
Typ:            wykład konferencyjny (monolog + krótka sesja pytań)
Główna teza:    AI jest skutecznym multiplikatorem produktywności, ale tylko w obszarach
                bogatych w publiczne dane treningowe; dla Salesforce DevOps kluczem jest
                ominięcie ograniczeń platformy przez Python+Playwright, a nie próba
                naprawiania jej natywnych narzędzi z pomocą AI.
Kontekst motywacyjny: Prelegentka jest seniorką w niszowym, zamkniętym ekosystemie.
                Jej rekomendacje dotyczące odchodzenia od platform low-code wzmacniają
                pozycję zawodową ludzi z jej profilem (kod > klikanie). Prezentacja
                nie reprezentuje perspektywy juniorów, administratorów bez tła
                technicznego ani stanowiska Salesforce jako vendora.

1. SŁOWNIK KLUCZOWYCH POJĘĆ

Org (organizacja Salesforce) — izolowana instancja platformy Salesforce dla danego klienta lub środowiska. Każdy org ma własny schemat danych, metadane i konfigurację. Uwaga: w standardowym IT "org" to organizacja firmy; tu to konkretne środowisko uruchomieniowe.

Metadata coverage — odsetek typów metadanych Salesforce, które można zarządzać programatycznie (przez CLI/API) zamiast ręcznego klikania w UI. Wałach-Dudzic podaje ~90% — co oznacza, że ~10% wdrożeń nadal wymaga ręcznych kroków. Uwaga: "90% coverage" brzmi wysoko, ale te 10% to właśnie najtrudniejsze przypadki.

Permission set / profil — plik XML o rozmiarze do 8000 linii definiujący uprawnienia użytkownika do każdego obiektu, pola i funkcji w Salesforce. Pliki te zawierają uprawnienia zależne od środowiska (np. zarządzanie sandboxami dostępne tylko z produkcji), co uniemożliwia bezpośrednie kopiowanie profilu między środowiskami.

Sandbox — środowisko testowe w ekosystemie Salesforce (dev/UAT/staging); tworzone i zarządzane przez Salesforce jako usługa, a nie przez użytkownika. Wdrażający nie może "postawić środowiska z kodu" — dostaje to co Salesforce mu da.

Pipe (Bitbucket Pipes) — odpowiednik GitHub Actions w Bitbucket Pipelines: gotowy, wielokrotnego użytku krok pipeline'u. Atlassian ma ich znacznie mniej niż GitHub; niektóre halucynuje AI.

AI slope — termin Wałach-Dudzic na sytuację, gdy osoba bez wiedzy domenowej oddaje AI problem, który AI stopniowo przekształca w inny (własny) problem, a użytkownik nie jest w stanie tego wykryć. Pętla bez wyjścia: tokeny, czas i pieniądze wydane na rozwiązywanie własnej ignorancji.

Manual step — krok wdrożeniowy, który musi być wykonany ręcznie w UI Salesforce, ponieważ nie istnieje API/CLI do jego automatyzacji. Główne źródło bólu w Salesforce DevOps; kluczowy obszar zastosowania AI przez Wałach-Dudzic.

2. OŚ CZASU Z BLOKAMI TEMATYCZNYMI

[00:00:00 — 00:05:00] Kim jest prelegentka i czym jest Salesforce

Tezy:

Wałach-Dudzic przedstawia się jako praktyk przeciążony robotą, który musi używać AI — nie z powodu fascynacji, ale konieczności ("nie da się robić równolegle trzech projektów nie wspomagając się AI-em"). Salesforce przedstawia przez pryzmat CRM, zanim przejdzie do technicznych aspektów — buduje wspólny punkt odniesienia z niespecjalistyczną publicznością.

Cytaty:

"Nie da się robić równolegle trzech projektów nie wspomagając się AI-em przynajmniej w dzisiejszych czasach." -- Anna Wałach-Dudzic, 00:00:23 Kryterium: [META] Kontekst: Deklaracja ramująca cały wykład — AI jako konieczność operacyjna, nie wybór.

[00:05:00 — 00:07:00] Salesforce jako platforma — techniczne ograniczenia

Tezy:

Wałach-Dudzic wyraźnie dystansuje się od audytorium DevOps: "wy jesteście gdzieś tutaj, a ja jestem gdzieś tu." Różnica jest fundamentalna: standardowy DevOps buduje infrastrukturę od zera; Salesforce DevOps działa w cudzym, nieprzeźroczystym pudełku. Platforma zamknięta sprawia, że klasyczne praktyki (infrastructure as code, parity środowisk) są niedostępne lub tylko częściowo możliwe.

Cytaty:

"To jest nadzieja, to nie jest pewność, bo nie ma też wprost narzędzi do tego, żeby śledzić te zmiany między sobą." -- Anna Wałach-Dudzic, 00:05:58 Kryterium: [DEFINICJA] Kontekst: Opisuje parytet środowisk w Salesforce — fundamentalne założenie DevOps ("środowiska są identyczne") nie istnieje tu jako pewnik, tylko jako nadzieja.

[00:07:00 — 00:13:30] Rzeczywistość pracy Salesforce DevOps

Tezy:

Wałach-Dudzic opisuje ekosystem pracy nacechowany strukturalnym nieporządkiem: ludzie bez backgroundu technicznego w rolach technicznych, środowiska niespójne, testy obchodzone, reguły łamane. Jej praca to w dużej mierze edukacja i egzekwowanie — nie inżynieria. AI pojawia się w tym kontekście jako narzędzie przeżycia.

Cytaty:

"Git tłumaczę ja, bo powiedziałam, że ja nie będę przez 10 godzin w tygodniu wyklikiwać ręcznie zmian tej osoby na trzech wyższych środowiskach." -- Anna Wałach-Dudzic, 00:07:05 Kryterium: [META] Kontekst: Ujawnia mechanizm wymuszania zmian kulturowych — osobista granica jako dźwignia transformacji procesu.

"Nasi bracia ze wschodu [...] odkryli wspaniałe rzeczy jak można z tym walczyć — na przykład i++ to też jest linia kodu." -- Anna Wałach-Dudzic, 00:09:16 Kryterium: [SYGNAŁ] Kontekst: Przyznanie, że patologiczne obchodzenie wymogów coverage jest powszechną praktyką — nie wyjątkiem. Uwaga: sformułowanie "bracia ze wschodu" jest niesprecyzowane i stereotypizujące [SPEKULATYWNE co do intencji].

[00:13:30 — 00:18:00] Pierwsze zderzenie z AI — porażka (Bitbucket Pipelines)

Tezy:

Pierwsze spotkanie z AI okazuje się stratą czasu proporcjonalnie do specyficzności narzędzi: Bitbucket Pipes + Salesforce = niszowy cross-product bez wystarczających danych treningowych. Wałach-Dudzic nie wyciąga jeszcze tego wniosku — zrozumie go później — ale opisuje dokładnie symptom: AI z pewnością siebie halucynuje konkretne nazwy zasobów, które nie istnieją.

Cytaty:

"Straciłam dwa dni na coś, co powinnam napisać w 4 godziny. Więc to było moje pierwsze zderzenie z AI-em i było, jak pewnie słyszycie, mało korzystne." -- Anna Wałach-Dudzic, 00:15:38 Kryterium: [NAPIĘCIE] Kontekst: W sprzeczności z deklaracją z wstępu ("nie da się bez AI") — pierwsze doświadczenie było kontrproduktywne. Rozwiązanie napięcia przychodzi dopiero w kolejnym rozdziale: AI jest użyteczne tylko selektywnie.

[00:18:00 — 00:21:00] Drugie podejście — sukces z unit testami i odkrycie warunków

Tezy:

Przełomowy moment: AI zadziałało na dobrze zdefiniowanym, mechanicznym zadaniu (wypełnianie pokrycia testami) — nie na rozwiązywaniu złożonych problemów domenowych. Warunki sukcesu są w istocie jednym: AI potrzebuje kontekstu (role, reguły, wzorce). Bez niego produkuje syntaktycznie poprawny, ale semantycznie bezużyteczny kod.

[00:21:00 — 00:26:00] Trzy obszary skutecznego zastosowania AI

Tezy:

Wałach-Dudzic identyfikuje wspólny mianownik sukcesów: AI w roli generatora skryptów do zadań powtarzalnych i mechanicznych, gdzie człowiek definiuje co (XPath, lista uprawnień, typ środowiska), a AI implementuje jak. Feedback loop jest krótki i weryfikowalny (błąd deploymentu = konkretny komunikat). To zasadniczo różni się od próby rozwiązywania złożonych problemów domenowych.

Cytaty:

"Ciężko schalucynować, bo dostaję zwrotkę: hej, tego pola nie ma, tego permission nie ma, ogarnij się — no to ogarnia się." -- Anna Wałach-Dudzic, 00:21:39 Kryterium: [META] Kontekst: Kluczowy insight — deterministyczna pętla zwrotna (błąd deploymentu = konkretny, weryfikowalny sygnał) zastępuje subiektywną ocenę poprawności i ogranicza halucynacje do wykrywalnych błędów.

"To był taki moment, kiedy odkryłam, że właściwie może być tak, że to AI mnie rzeczywiście zastąpi." -- Anna Wałach-Dudzic, 00:24:26 Kryterium: [META] Kontekst: Jedyna chwila, gdy prelegentka dopuszcza możliwość własnej zastępowalności — zaraz łagodzona warunkiem "jeżeli wie się pewne rzeczy."

[00:26:00 — 00:34:00] Warunki skutecznego użycia AI — zasady i ograniczenia

Tezy:

Centralny wniosek: AI jest narzędziem dla ekspertów, nie zastępstwem ekspertyz. Osoba bez zdolności samodzielnego (choćby powolnego) rozwiązania problemu jest z AI gorzej niż bez niego — bo nie może zidentyfikować momentu, gdy AI zaczyna rozwiązywać inny problem.

Cytaty:

"Jeżeli w skończonej ilości czasu nie jesteś w stanie sam/sama rozwiązać tego problemu samodzielnie, to też może do tego problemu nie powinieneś tak bardzo używać AI." -- Anna Wałach-Dudzic, 00:31:56 Kryterium: [KONTROWERSJA] Kontekst: Kontrnarracja wobec dominującego "AI dla wszystkich" — prelegentka twierdzi, że AI wzmacnia tych, którzy już wiedzą, i szkodzi tym, którzy nie wiedzą.

"To nigdy, nigdy nie będzie konwersji do właściwego rozwiązania, bo tam po prostu już się zapętla na zupełnie złym przykładzie." -- Anna Wałach-Dudzic, 00:33:02 Kryterium: [META] Kontekst: Opis AI spiral — mechanizm, w którym błąd ramowania problemu jest nieodwracalny w sesji, bo AI nie ma mechanizmu samokorekty poza sesją.

"Od trzech miesięcy nie napisałam już na tym etapie sama żadnej linijki kodu." -- Anna Wałach-Dudzic, 00:32:09 Kryterium: [NAPIĘCIE] Kontekst: Prelegentka, która głosi "musisz umieć to zrobić samemu," sama zbliża się do granicy własnej reguły. Napięcie między normą a własną praktyką.

[00:34:00 — 00:44:07] Q&A — narzędzia, rynek pracy, juniorzy

Tezy:

Wałach-Dudzic formułuje najbardziej kontrowersyjne tezy w Q&A, gdzie mniej waży słowa. Predykcja "śmierci" narzędzi low-code i presja "2–4× wydajności" są twierdzeniami bez danych — opiniami, nie obserwacjami rynkowymi.

Cytaty:

"Właśnie takie narzędzia jak Salesforce, jak SharePoint, Power Automate będą powoli umierać, bo łatwiej jest po prostu kodować niż wejść i wyklikać ten proces akceptacji w Power Automacie." -- Anna Wałach-Dudzic, 00:37:19 Kryterium: [PREDYKCJA] Kontekst: Jedyna wyraźna predykcja w wykładzie; horyzont nieokreślony; silny osobisty interes prelegentki w prawdziwości tej tezy.

"Część takich ludzi, która robiła jakieś takie manualne powtarzanie zadania z kategorii Release Management czy administrowania, będzie się żegnać. Zresztą już widzimy takie coś na rynku." -- Anna Wałach-Dudzic, 00:40:28 Kryterium: [PREDYKCJA] Kontekst: Jedyna predykcja z potwierdzeniem empirycznym (trendy na rynku Salesforce) — bardziej falsyfikowalna niż ogólna "śmierć narzędzi."

3. REJESTR PROGNOZ

# Prognoza Kto mówi Horyzont Data weryfikacji Falsyfikowalność
1 Narzędzia low-code (Salesforce, SharePoint, Power Automate) będą "powoli umierać" z powodu wzrostu AI-assisted coding Wałach-Dudzic 5–10 lat 2031 NISKA — brak kryterium sukcesu; "powoli" jest nieoperacyjne
2 Specjaliści konceptualni zostaną; role manualne (release management, admin) odejdą Wałach-Dudzic 2–3 lata 2028 ŚREDNIA — trendy zatrudnienia w Salesforce są mierzalne; zwolnienia już obserwowane
3 Osoby nieużywające AI będą 2–4× mniej wydajne od używających Wałach-Dudzic 1–2 lata 2027 NISKA — brak metodologii pomiaru; "wydajność" nie zdefiniowana
4 Salesforce przestanie być punktem wejścia dla osób bez technicznego backgroundu Wałach-Dudzic już się dzieje 2026 WYSOKA — mierzalne przez liczbę ogłoszeń entry-level w PL (prelegentka twierdzi, że to już nastąpiło)

Uwaga diagnostyczna: Prognozy 1 i 3 mają niską falsyfikowalność i są formułowane przez osobę z silnym osobistym interesem w ich prawdziwości. Są opiniami, nie analizami rynkowymi.

5. ANALIZA WIELOPERSPEKTYWICZNA

Perspektywa ekonomiczna

Wałach-Dudzic opisuje model, w którym AI jest akceleratorem dla istniejących ekspertów i pułapką dla nowicjuszy. To implikuje pogłębienie nierówności produktywności wewnątrz branży, a nie jej wyrównanie. Efekt "AI jako amplifier" jest strukturalnie podobny do wcześniejszych fal automatyzacji: narzędzia IDE, Stack Overflow, biblioteki open-source — każde z nich zwiększało wydajność senior developerów nieproporcjonalnie więcej niż juniorów. Koszt ~$300/mies. za Cursor jest marginalny dla seniora w Polsce, ale stanowi barierę dla mniejszych firm lub osób indywidualnych.

Ciekawe napięcie: Salesforce jako platforma powstała częściowo dlatego, że obniżała barierę techniczną dla firm bez budżetu na custom software. Wzrost AI-assisted coding może paradoksalnie podnosić próg wejścia dla mniejszych podmiotów — nie przez koszt modeli, ale przez rosnącą lukę kompetencyjną między osobami, które potrafią skutecznie używać AI, a tymi, które nie. [SPEKULATYWNE]

Perspektywa technologiczna

Wałach-Dudzic trafnie identyfikuje problem "gated knowledge": modele językowe są tak dobre, jak dane treningowe. Salesforce-specific knowledge jest w dużej mierze za logowaniem (Salesforce Success Community, case'y supportu, wewnętrzne Slacki). To strukturalny problem, który Salesforce może próbować rozwiązać przez dedykowane modele enterprise (Einstein AI + RAG) — ale enterprise RAG jest innym produktem niż ogólne LLM i nie jest identyczny z "AI rozumie Salesforce."

Wałach-Dudzic odkryła praktyczne obejście: zamiast pytać AI o Salesforce-specific problems, tłumaczy je na Python/Playwright problems — obszar z ogromnym korpusem publicznych danych. To elegancka strategia arbitrażu wiedzy: przeszkoda pozostaje w niszowym ekosystemie (wyklikanie Salesforce UI), ale implementacja przechodzi do ekosystemu bogatego w dane (Python + Playwright).

6. CZEGO BRAKUJE

Pytania, które powinny paść:

  1. Jakie są konkretne dane o oszczędności czasu? Prelegentka mówi o "trzech projektach zamiast jednego" — ale nie podaje jak zmieniły się czasy realizacji zadań przed i po AI. Bez benchmarku twierdzenie pozostaje nieweryfikowalne.
  2. Jakie były spektakularne porażki? Opisane incydenty to błędy naprawione. Brakuje przykładów, gdy AI-generated kod spowodował trwałe uszkodzenie danych lub nienaprawialny błąd w środowisku produkcyjnym.
  3. Kwestia danych klientów: wysyłanie plików konfiguracyjnych Salesforce (permission sety z 8000 linii) do zewnętrznego modelu AI — czy klienci wyrazili zgodę? Czy NDA klientów to umożliwia? Pytanie nie padło ani razu.
  4. Jak wygląda rzeczywistość administratorów Salesforce, którzy "uczą się gita"? Prezentacja opisuje ich jako problem do rozwiązania, nie jako perspektywę do zrozumienia.

Pominięte kontrargumenty:

  1. Salesforce Einstein i Agentforce mogą stopniowo ograniczać "gated knowledge problem" przez enterprise RAG na własnych danych klientów — trend ten nie został omówiony.
  2. Argument o "śmierci narzędzi low-code" pomija, że narzędzia te zniżają koszt intelektualny dla osób bez backgroundu technicznego. AI-assisted coding nadal wymaga rozumienia kodu — bariera nie znika, zmienia tylko formę.
  3. Odpowiedzialność za kod AI ("11 przykazanie") nie opisuje mechanizmu egzekwowania. Jak organizacja weryfikuje, że developer "rozumie" AI-generated kod przed mergem?

Brakujące dane:

Pominięte perspektywy:

Tematy-duchy:

4. DETEKCJA TECHNIK RETORYCZNYCH I BŁĘDÓW LOGICZNYCH

Czas/Lokacja Typ Opis Ocena wpływu na argumentację
00:00:08 Umniejszenie pozycji "Dyrektor 50-osobowego działu, ale to nie jest specjalnie zajmujące zajęcie" — buduje relację poziomą z audytorium junior/mid. Neutralny — buduje raport, nie zniekształca tez
00:02:30 Selektywne cytowanie autorytetu Stack Overflow survey na "najgorsze platformy": brak roku, metodologii, sample size. Argument dekoracyjny, nie konkluzywny
00:09:29 Stereotypizacja geograficzna "Nasi bracia ze wschodu" jako zbiorowy podmiot omijania testów — bez danych, kto, gdzie, jak często. Obniża wiarygodność; potencjalnie krzywdzące
00:12:01 Ironia jako dyskredytacja "Bóg Ojciec Mark Benioff dał nam możliwość wyklikiwania rzeczy ręcznie" — ironia zastępuje analizę zalet UI Salesforce. Retorycznie skuteczny, analitycznie jednostronny
00:30:24 Eskalacja do autorytetu moralnego "11 przykazanie" — rytualna liczba zasad używana do przypisania normie wagi universalnej. Silny perswazyjnie, słaby argumentacyjnie
00:29:52 Błąd analogii Zasada Pareto 80/20 przeniesiona na koszty iteracji AI — zasada dotyczy dystrybucji, nie kosztów iteracyjnych. Wniosek (zatrzymaj się przy 95%) może być prawdziwy z innych powodów
00:37:19 Fałszywa dychotomia "Kodowanie z AI" vs "wyklikiwanie w Power Automate" — pomija hybrydowe przypadki i kontekst małych firm. Osłabia predykcję o "śmierci narzędzi low-code"
Q&A Brak falsyfikowalności Prognozy bez kryteriów sukcesu ani czasu: "będą umierać", "zostaną specjaliści." Prelegentka unika możliwości sprawdzenia się/pomylenia

7. WNIOSKI KOŃCOWE

Synteza

Wykład Wałach-Dudzic jest wartościowy jako relacja praktyka z niszowego ekosystemu, który nie pasuje do dominujących narracji o AI. Jej główny wniosek — AI jest narzędziem dla ekspertów, nie zastępstwem ekspertyz, a jego skuteczność jest proporcjonalna do bogactwa publicznych danych treningowych w danej dziedzinie — jest dobrze ugruntowany w jej własnym doświadczeniu i spójny z tym, co wiemy o LLM. Strategia "obejścia" ograniczeń Salesforce przez Python/Playwright jest elegancką i replikowalną taktyką dla każdego, kto pracuje w zamkniętym ekosystemie z bogatszą alternatywą kodową.

Słabość: prelegentka buduje z własnego przypadku zasady globalne (predykcja śmierci narzędzi low-code, 2–4× luka wydajności) bez danych poza anegdotycznym. Krytyczne pominięcie kwestii prawno-etycznych (dane klientów do zewnętrznych modeli AI) czyni z wykładu poradnik z luką prawną.

Centralne napięcie

Wałach-Dudzic głosi, że użytkownik AI musi być w stanie samodzielnie rozwiązać problem — i jednocześnie przyznaje, że od trzech miesięcy nie napisała sama żadnej linijki kodu. To nie jest hipokryzja — to rzeczywista granica jej własnej zasady: ile miesięcy bez samodzielnego kodowania zanim traci się zdolność oceny kodu? Tego pytania nie stawia, a odpowiedź na nie jest kluczowa dla trwałości proponowanego modelu pracy.

Data przydatności

Analiza pozostaje aktualna przez 12–18 miesięcy (do końca 2027). Zdezaktualizuje ją: (1) istotna zmiana przez Salesforce polityki API/metadata coverage powyżej 95%, (2) pojawienie się wyspecjalizowanych modeli z enterprise RAG na danych Salesforce, (3) zmiana modelu rozliczeń Cursor/Anthropic (już wzmiankowana przez prelegentkę jako bieżący problem).

KOMENTARZ RECENZENTA (Claude Opus 4.8)

Krytyka analizy, nie materiału. Od najbardziej konkretnego do najbardziej miękkiego.

1. Defekt strukturalny: timestampy bloków nie zgadzały się z cytatami w środku. [POPRAWIONO] Nagłówki bloków używały zakresów typu [00:00 — 00:11], [02:25 — 03:55], podczas gdy cytaty wewnątrz są w formacie HH:MM:SS i nie mieściły się w tych zakresach (np. blok [02:25 — 03:55] zawierał cytaty z 00:31:56, 00:33:02; ostatni blok miał zmieszane formaty [03:55 — 00:44:07]). Spójne i poprawne są timestampy cytatów (00:00:23 → 00:40:28, pasują do ~44 min). Nagłówki bloków przeliczono na HH:MM:SS tak, by każdy zakres obejmował swoje cytaty i były ciągłe. Uwaga: granice między cytatami (minuty rozdzielające bloki) są oszacowaniami — dokładne punkty cięcia wymagają wglądu w SRT.

2. Niezweryfikowany błąd faktograficzny — oznaczono flagą. [POPRAWIONO] Blok 1, teza: „Salesforce […] wycena w bilionach dolarów". Kapitalizacja Salesforce to rząd setek miliardów USD, nie bilionów (PL bilion = 10¹²) — dodano flagę [podejrzany błąd] (przejęzyczenie lub ASR), zgodnie z regułą „ASR error awareness". Pozostaje do rozważenia: „#116 na giełdzie NYSE" — nie wiadomo, co to za ranking (NYSE nie szereguje spółek numerem); twierdzenie jest nieoperacyjne i zasługuje na [NIEJASNE].

3. „AI slope" — prawdopodobne zlanie z „AI slop". „AI slop" to ugruntowany termin na niskiej jakości output AI. „AI slope" w słowniku opisano jako spiralę w zły problem — to inny mechanizm niż „slop". Albo prelegentka świadomie ukuła własny termin (wtedy warto to powiedzieć wprost), albo ASR/ucho złapało „slop" i nadbudowało znaczenie. Słownik powinien rozróżnić te dwie rzeczy, bo teraz miesza popularny termin z autorską definicją.

4. Luka merytoryczna: strategia „arbitrażu" Python+Playwright przyjęta zbyt gładko. Sekcja 5 (technologiczna) chwali obejście („przeszkoda zostaje w niszy Salesforce, implementacja przechodzi do bogatego korpusu Python/Playwright") bez zakwestionowania kluczowego założenia. Bogaty korpus publiczny dotyczy API Playwrighta, nie selektorów pod Salesforce Lightning. Automatyzacja Lightning UI (shadow DOM komponentów Aura/LWC, dynamiczne ID, iframe'y Visualforce) jest sama w sobie znanym, niszowym bólem QA — i jest dokładnie tym „gated knowledge", które prelegentka diagnozuje gdzie indziej. Czyli jej obejście tylko przesuwa problem danych, nie eliminuje go: AI łatwo napisze szkielet skryptu Playwright, ale trafny selektor pod konkretny Lightning DOM to wciąż wiedza spoza publicznego korpusu (i stąd jej rola jako człowieka definiującego XPath, co zresztą sama mówi w bloku [01:58 — 02:25]). Analiza miała tu materiał na własne wewnętrzne napięcie — i go nie wyciągnęła.

5. Drobne — kolejność prezentacji sekcji. Plik podaje sekcje w porządku 0, 1, 2, 3, 5, 6, 4, 7 (4 po 6). To pochodna „write order" z instrukcji, ale dla czytelnika numeracja skacze. Bez znaczenia dla treści; do rozważenia uporządkowanie numeryczne w wersji finalnej.

Co zrobione dobrze (bez laurki): centralne napięcie (głosi samodzielność / 3 miesiące bez własnego kodu) jest realne i trafnie nazwane jako granica, nie hipokryzja. Kontekst motywacyjny utrzymany konsekwentnie. Flagowanie braku danych przy predykcjach 1 i 3 — słuszne. Temat-duch RODO/NDA przy wysyłaniu permission setów do zewnętrznego LLM — najważniejszy realny brak materiału i dobrze, że wyłapany.