Software Architect · B2B · Poznań
Najczęściej trafiam tam, gdzie coś już istnieje, ale przestało nadążać — porzucony backend, aplikacja no-code blokująca rozwój, proces robiony ręcznie od lat. Stabilizuję, modernizuję, automatyzuję.
Bez specyfikacji i bez wiedzy technicznej — opisz, co przestało działać, co trwa za długo albo gdzie firma traci czas.
Poprzedni wykonawca zniknął z kodem źródłowym. Firma dalej obsługiwała na tym systemie ponad 18 000 zleceń w trzech punktach sprzedaży.
Wypłata 18 080 CHF dla 212 rekordów po cichu domykała się w połowie — w systemie, który pracuje na prawdziwych pieniądzach 24/7.
System rezerwacji dla gabinetów stomatologicznych: wiele placówek, kalendarz na żywo i płatności online — zbudowany od zera.
Opinie klientów
Najmocniejsze dowody są dalej w case studies, ale warto pokazać już tutaj, co klienci mówią po pracy na produkcji.
Studio Manager
“Zaczęliśmy od jednej awarii Telegrama. Artur szybko zrozumiał system i pomógł nam uporządkować wypłaty, dostęp pracowników, powiadomienia i automatyzacje. System działa dziś stabilniej i jest łatwiejszy dla zespołu.”
Właścicielka studia usługowego, Szwajcaria
Case study
Modernizacja i migracja
“Program sprawdza się idealnie, a do tego oszczędzamy dzięki zmianie serwera.”
Jerzy Czupik, właściciel wielolokalizacyjnej firmy detalicznej
Case study
Dowody z projektów
Nie próbuję robić wrażenia samą technologią. Najpierw pokazuję mierzalny efekt, a dopiero potem techniczny ruch, który go dowiózł.
~15 s → <1 s
Czas wydruku zlecenia po wymianie porzuconego backendu Java na ~150 linii Node.js.
Technicznie
Reverse-engineering API z ruchu HTTP i schematu bazy, nowy backend Node/Express, frontend React nietknięty.
126 s → 3,9 s
Wypłata 18 080 CHF / 212 rekordów, która wcześniej po cichu domykała się w połowie.
Technicznie
Operacje masowe (~272 wywołania HTTP → ~10), maszyna stanów wypłaty, nocny audyt + alerty Telegram.
6 wdrożeń / 8 tygodni
Od naprawy webhooka za 450 zł do roli partnera technicznego studia ze Szwajcarii.
Technicznie
3 boty Telegram, 2 systemy produkcyjne, RBAC, mikroserwis na Deno Deploy omijający limity platformy no-code.
Migracja
14 minut
Cutover produkcji na nową infrastrukturę — w weekendowym oknie, bez utraty danych.
Hetzner Cloud, Caddy + Let’s Encrypt, codzienny backup off-site w drugim kraju z potwierdzonym odtworzeniem.
Case study ->SaaS rezerwacyjny
9/9 testów E2E
Rdzeń rezerwacji SaaS bez double-bookingu, zweryfikowany na produkcji.
Multi-tenant RLS, atomowa blokada przez partial index w Postgresie, Stripe z idempotentnym webhookiem.
Case study ->Software naukowy
~460 tys. → API
Siatka prawdopodobieństw oddziaływań dynamicznych z symulacji gromad gwiazdowych.
Python pipeline, 16 siatek 20x20x20x20, walidacja round-trip na 10 tys. próbek, kod wdrażany do binary_c.
Case study ->AI lead gen
100 ogłoszeń / $0.30
Pipeline AI znajdujący firmy, które zatrudniają ludzi do pracy dla skryptu.
Pre-filtr regułowy, scoring Claude Haiku, personalizacja Sonnet — pełny przebieg w 2 minuty.
Case study ->Jak wchodzę w projekt
Cztery zakresy, ale jeden sposób pracy: szybko odciąć ryzyko, pokazać realny efekt i dopiero potem rozbudowywać.
Krytyczne bugi finansowe, luki dostępu, padające integracje — także tam, gdzie platforma no-code mówi „nie da się”. Izoluję przyczynę, nie łatam objawów.
Efekt
Stabilna produkcja bez przepisywania wszystkiego od zera.
Poprzedni wykonawca zniknął z kodem? Baza danych i ruch sieciowy wystarczą, żeby odtworzyć backend — taniej i szybciej niż przepisywanie od zera.
Efekt
Najpierw odtworzenie zachowania, potem decyzja co przepisać.
Pipeline'y LLM na realnych danych klienta, nie demówki. Klasyfikacja, ekstrakcja, transkrypcja — procesy, które co miesiąc pożerają czyjąś pensję.
Efekt
LLM działa na danych i ograniczeniach, nie tylko na promptach.
Od specyfikacji do produkcji w tygodnie, nie miesiące. Często jako jedna aplikacja, która działa na każdym telefonie i komputerze — zamiast trzech osobnych, za ułamek ceny.
Efekt
Mały zakres, ale możliwy do kliknięcia i sprawdzenia na produkcji.
Systemy od zera
Nie każdy projekt zaczyna się od ratowania produkcji. Czasem najlepszy ruch to mały, konkretny system: jeden proces, jeden model danych, szybki dowód, że temat ma sens.
3 próbki pracy
2 publiczne dema
1 repo naukowe
Monteurzimmer match
Kod pocztowy budowy -> najbliższe noclegi, filtrowanie po cenie i odległości, gotowy szablon zapytania po niemiecku.
14:30 / clinic A
Rezerwacje wielu klinik z izolacją danych w bazie i blokadą terminu przed płatnością Stripe.
20^4 probability bins
Pipeline z pracy licencjackiej zamienia surowe interakcje z symulacji CMC w siatki i API do dalszych obliczeń.
O wykonawcy
Lubię robotę, która wymaga rozłożenia istniejącego systemu na części, zrozumienia, jak naprawdę działa, i poskładania go tak, żeby dało się go dalej rozwijać. Na co dzień Node.js, Python, bazy danych i integracje; po stronie AI — agenci i pipeline'y na realnych danych, nie na demówkach. Matematyk z UAM.
Software architect
Zostaję po wdrożeniu
System zaczyna naprawdę żyć, gdy używają go ludzie pod presją. Odpowiedź na SMS w ciągu godziny, poprawka tego samego dnia.
Uczciwa wycena w 48h
Prawdziwa liczba na starcie zamiast taniej oferty, która kończy się „etapem 2”. Pełna przejrzystość — dostęp do repo, raporty postępu.
Pełna odpowiedzialność
Rozmawiasz z osobą, która pisze kod i podejmuje decyzje architektoniczne. Zero pośredników, zero zagubionej komunikacji.
Audyt to punkt wyjścia
Nie wstęp do wielkiego projektu. Czasem najuczciwszą odpowiedzią jest „tego nie warto automatyzować” — i taką też dostaniesz.