Az elmúlt három hónapban a Claude Code-dal írattam meg az egyik projektünk új kódjának nagyjából 40%-át. Működik. De nem úgy, ahogy a legtöbben gondolják.
A várakozás egyszerű volt. Leírom a feladatokat, az ágens megírja a kódot, én átnézem és mergelem. Mint egy gyors junior fejlesztő irányítása. A valóság más. Ugyanannyi időt töltök a billentyűzet előtt, mint korábban. A munka jellege tolódott el. Kevesebb gépelés, több olvasás. Kevesebb mechanikus munka, több gondolkodás azon, hogy amit az ágens javasolt, van-e egyáltalán értelme egy olyan kontextusban, amelyet ő nem lát.
A legtöbb elérhető eszközt kipróbáltam. Cursor, Claude Code, GitHub Copilot, OpenAI Codex. Mind tisztességesek, és mind másban különböznek, ami számít, attól függően, hogyan dolgozik az ember.
Bármi komolyabb a Claude Code-hoz kerül, legyen az egy szolgáltatás újraírása, egy tesztkészlet felépítése vagy a projekt egy rétegének refaktorálása. A terminálalapú interakció illik ahhoz, ahogyan a nagyobb változtatásokról gondolkodom. A Cursor jobb, amikor a szerkesztőmön belül akarok maradni, és kisebb, lokális módosításokat végezni. A Copilotot az automatikus kiegészítéshez tartom meg, semmi másra. A Codexet két projekten kipróbáltam, majd visszatértem a Claude Code-hoz. A kimenetek rendben voltak, de az interakciós modell nem jött be nekem.
Frissítés, 2026. július. A Codex visszakerült a rotációnkba, miután az OpenAI átállította token alapú elszámolásra. Ma agentikus feladatokat futtatunk rajta a Claude Code mellett és a cikk többi része áprilisi állapotában marad.
Ebből semmi sem ajánlás. Minden csapat, minden ember megtalálja a maga eszközét. Az érdekes rész nem az, hogy melyik eszközt választja. Hanem az, ami utána történik.
A Turborepo mögött álló Vercel-csapat közzétette a tapasztalatait az AI-ágensekkel a fejlesztésben. A teljesen autonóm hurkok (az ágens felügyelet nélkül ír kódot) nem hoztak éles minőségű eredményt. Az ágenseik olyan kódot generáltak, amely átment a teszteken, de olyan logikai hibákat tartalmazott, amelyeket egy tapasztalt fejlesztő ösztönösen kiszúrt volna. A kód helyesnek tűnt. Nem volt helyes.
A Shopify nyilvánosan beszélt arról, hogy AI-t használ belső eszközökhöz. A Google nagy léptékben használja tesztgeneráláshoz. A Microsoft szállítja a Copilotot, és feltehetően maga is a saját főztjét eszi. A minta mindegyiküknél ugyanaz. Az AI generál, az emberek ellenőriznek. Senki, akinek éles rendszerek forognak kockán, nem küldi az ágens kimenetét egyenesen a telepítésbe.
És a LinkedIn-diskurzus mégis újra és újra visszatér az „az AI leváltotta a csapatomat" típusú bejegyzésekhez. Ezek vagy MVP-kről, mellékprojektekről vagy fikcióról szólnak.
Egy ügyfélprojekten az ágenssel írattam újra egy middleware-réteget. Nagyjából 1200 sor. Nem volt nehéz megérteni, csak sok volt benne a mechanikus munka. Húsz perc alatt végzett. Én egy órát töltöttem az átnézésével, és az eredmény tisztább lett, mint az eredeti kód. A tesztek lefutottak, a peremesetek le voltak fedve, és még a változók elnevezése is konzisztensebb volt, mint amit az emberek írtak oda. Le voltam nyűgözve.
Egy héttel később, ugyanazon a projekten, azt kértem tőle, hogy tervezzen meg egy változtatást az adatbázisrétegben. Jól nézett ki. A tesztek lefutottak.
A kézi átnézés során (soronként, mert most így nézem át az ágens kimenetét) találtam egy forgatókönyvet, amelyben olyan rekordok törlődtek volna, amelyeket meg kellett volna tartani. A tesztkészlet ezt nem fedte le. Az ágens nem vette bele ezt a tesztet, mert az ő szempontjából a forgatókönyv nem volt látható a kódbázisban. Az információ egy három hónappal korábbi ügyfél-e-mailben rejtőzött.
Az ágens nem olyan junior fejlesztő, aki kérdez. A csendet hihető kóddal tölti ki.
Ez a második feladat jobban megváltoztatta, hogyan dolgozom ezekkel az eszközökkel, mint bármelyik blogbejegyzés vagy konferenciaelőadás. A kérdés már nem az volt, hogy „meg tudja-e írni az ágens ezt a kódot", hanem az, hogy „mit nem tud az ágens, amit én igen".
Egy éve arról szólt a beszélgetés, hogy az AI egyáltalán képes-e kódot írni. Ma ezt komolyan már senki sem vitatja. A beszélgetés a felügyeleti modellek felé tolódott. Mennyi emberi felügyeletre van szüksége az AI által generált kódnak? Mikor lehet megbízni benne, és mikor nem?
Abból, amit a saját munkánkban látok, és amit más csapatok jelentenek:
A mechanikus kódot (CRUD-végpontok, migrációk, típusdefiníciók, sablonkomponensek) az ágens jól kezeli, és az átnézés többletterhe minimális. Az időmegtakarítás itt valós. Egy 3-4 órás feladatból 1,5-2 óra lesz. Nem azért, mert az ágens mindent elvégez, hanem mert azokat a részeket végzi el, amelyek nem igényelnek mérlegelést.
Architektúra, biztonság, íratlan szabályokat tartalmazó üzleti logika. Ezekhez továbbra is olyan ember kell, aki érti a problématerületet, nem csak a kódot. Egyetlen általam használt modell sem tud következtetni arról, ami nincs leírva. És bármely üzleti rendszer legfontosabb kontextusa általában éppen az, amit senki sem írt le.
Ez más CTO-kkal folytatott beszélgetésekben rendre előjön, és máig nincs rá jó válaszom. Ha a junior fejlesztők az első naptól ágensekkel dolgozva tanulnak meg programozni, akkor kódot írni tanulnak meg, vagy csak kódot olvasni és jóváhagyni? Ezek különböző készségek. Más által írt kódot olvasni könnyebb, mint a nulláról megírni. A problémák önálló megoldásának beidegződését nehéz pótolni.
Nem tudom, mit jelent ez a szakmának öt év múlva. Azt tudom, hogy éppen most a csapatomban azok a fejlesztők boldogulnak a legjobban az ágensekkel, akik már nélkülük is erősek voltak.
Az AI-kódolóágensek gyorsabbá teszik a csapatomat a mechanikus munkában. Nem tesznek minket okosabbá. Pontosan ott veszélyesek, ahol a legmagabiztosabbnak tűnnek, vagyis olyan feladatoknál, amelyekhez olyan kontextus kell, amellyel nem rendelkeznek. A folyamatunk azért működik, mert az átnézés elkapja, amit az ágens elszalaszt, és ez az átnézés szándékosan lassú és emberi.
Hogy ez átmeneti szakasz-e, vagy az AI-támogatott fejlesztés végleges formája, azt őszintén nem tudom.
Ha szeretné kideríteni, hol illeszkedik az AI a fejlesztési folyamatába, beszéljünk.
A Rise.sk alapítója és műszaki vezetője. Webalkalmazásokat, adatrendszereket és automatizálást tervez és szállít; szoftverdöntésekről, AI-ról és digitális szolgáltatásokról ír.
Az OpenAI szerint a GPT-5.6 Sol a költség harmadáért veri a Claude Fable 5-öt kódolásban. Az Anthropic szerint a Fable 5 vezet a nyers képességben. Mindkettőnek igaza van. Íme, melyik modell melyik feladatot nyeri.
Az API-tokenek kevesebbe kerülhetnek egy fejlesztői óránál, de nem képezik a teljes projekt költségét. Gyakorlati összehasonlítás a modellhasználatról, az átnézésről, a tesztelésről és az üzemeltetési költségekről.
Egy MI-ügynök órákat takaríthat meg, de csak akkor, ha a jogosultságokat, naplókat, jóváhagyásokat, felelősöket és hibakezelési útvonalakat még azelőtt megtervezik, hogy éles rendszerekhez érne.
Az Ön helyzete határozza meg a választ
