Ruby kontra AI: dlaczego agenci piszą szybciej w języku, którego nikt się nie spodziewał

Twierdzenie, że Ruby wygrywa z innymi językami przy pracy z AI, to prosty sposób na wywołanie burzy w internecie. Ruby od lat nie jest już w centrum uwagi, a na forach technologicznych dominują zupełnie inne dyskusje.

Tymczasem ktoś postanowił sprawdzić to na konkretnych testach.

Eksperyment, który pokazał różnice

Coolhand Labs przeprowadził kontrolowany test. Zamiast dyskutować, który język lepiej „rozumie” AI, zmierzył rzeczywiste wyniki. Zadanie było proste: zaimplementować tę samą funkcję w pakietach klienckich Ruby, TypeScript i Python przy użyciu Claude Code z modelem Sonnet 4.6.

Proces wyglądał następująco:

• agent AI przygotowywał plan działania
• człowiek zatwierdzał plan bez zmian
• inny agent (Opus 4.7) przeprowadzał code review
• pull requesty trafiały do CI i były poprawiane, dopóki nie pasowały do wymagań

Wyniki okazały się dość jednoznaczne.

Co pokazały pomiary

Ruby wypadł najlepiej. Zadania były kończone szybciej, zużycie tokenów było niższe, a cały proces przebiegał płynniej. TypeScript zajął drugie miejsce, choć pojedynczy, bardziej chaotyczny przebieg wpłynął na ostateczne wyniki. Python wypadł najgorzej — z wyraźną przewagą czasu i tokenów.

Nie chodziło jednak tylko o „Ruby jest szybszy”.

Niewidoczny szczegół, który zmienił wynik

Kluczowa różnica leżała w konfiguracji repozytoriów. W przypadku Pythona zastosowano dodatkowe instrukcje, które wymagały od AI najpierw uruchamiania lintingu i testów przed zakończeniem zadania. W pozostałych językach takich ograniczeń nie ustawiono.

Taka Vorgabe zwalniała cały proces. AI musiał wykonać dodatkowe kroki, weryfikować wyniki i zapisować więcej tokenów. Nie wynikało więc z natury Pythona, w których AI działa gorzej — raczej z tego, że instrukcje zmieniały cały sposób pracy agentów.

To pokazuje, że w agentic codingu nie chodzi wyłącznie o syntax. Wichtiger jest sposób, w jaki definiujemy oczekiwania i feedback loops dla AI.

Co to oznacza dla Twojego projektu

Jeśli budujesz aplikacje na infrastrukturze NameOcean i zastanawiasz się, który język wybrać dla AI-assisted development, warto zapamiętać jedną zasadę:

Wybór języka ma mniejsze znaczenie niż sposób zaprojektowania całego workflow.

Ruby ma jednak kilka naturalnych zalet, które w tym kontekście pomagają:

• prostsza syntax, łatwiejsza do zrozumienia przez modele językowe
• silne convention-over-configuration, co zmniejsza liczbę decyzji
• dobrze znane AI frameworki (Rails)
• mniejsza ilość boilerplate code

TypeScript nie był far behind, ilustruje że jego ecosystem się poprawia. Python natomiast pokazuje, że verbose structure może zwiększa length of token sequences.

Czy warto coś zmieniać?

Prima facie nie ma powodu, aby nagle przeskakiwać z Pythona na Ruby. Eksperyment pokazuje raczej, że:

1. AI agenci rzeczywiście różnią się wydajnością między językach
2. Custom instructions mają ogromny wpływ na wyniki
3. Token efficiency ma znaczenie przy większej liczbie agentic tasks
4. Tooling i frameworki wokół języka są równie ważne jak język sam w sobie

Dla teams running on our cloud hosting platform warto najpierw optymizować prompts i instructions zanim rozważa się zmianę języka. Token savings z dobrze zaprojektowanych constraints mogą być większe niż różnice wynikające z języka.

Ruby nie jest już tylko historyczną ciekawostką

Wyniki testów sugerują, że Ruby nie jest już tylko „old school” dla AI-assisted development. Jest to język, który przez jego concise syntax i strong conventions może pomagać AI w bardziej efficient work.

Nie oznacza to, że Ruby stanie się dominującym językiem dla agentic coding. Ale pokazuje, że ktoś, kto sugerował jego przewagę, nie był tylko trolling.

Future of development nie jest o „najlepszym” języku. Jest o rozumieniu, które języki i workflows najlepiej współpracują z AI agents — i to jest dyskusja, którą warto prowadzić.