A vibe coding megjelenése az elmúlt időszak egyik legizgalmasabb fejleménye a szoftverfejlesztésben. Természetes nyelvű instrukciókkal ma már olyan szakemberek is képesek működő prototípusokat vagy egyszerűbb alkalmazásokat készíteni, akik korábban soha életükben nem programoztak. Az AI-eszközöknek köszönhetően felsővezetők, üzleti döntéshozók, projektvezetők, product ownerek és üzleti elemzők képessé váltak ötleteiket gyorsan láthatóvá tenni, megmutatni és kipróbálni.
A változás lényege, hogy a szoftveres megoldások létrehozása egyre inkább azok kezébe kerül, akik a megoldandó üzleti vagy szakmai problémákat a legmélyebben ismerik. Ez jelentősen felgyorsítja az innovációt, és olyan eszközök megszületését is lehetővé teszi, amelyek korábban soha nem jutottak volna el megvalósításig.
A szoftverkészítés elérhetőbb lett, viszont ettől még nem lett könnyebb
A vibe coding kiváló megközelítés lehet:
- gyors prototípusok elkészítéséhez,
- ötletek validálásához,
- kisebb automatizmusok megvalósításához,
- jól körülhatárolható, alacsony kockázatú problémák szoftveres megoldásához, pl. belső használatú szoftverekhez.
Más a helyzet azonban akkor, amikor élesben futó, nagyvállalati, szabályozott vagy üzletileg kritikus rendszerekről beszélünk.
Itt nem elég, hogy valami elsőre működik. Egy ilyen rendszernek:
- nagy terhelés alatt is stabilnak kell maradnia,
- biztonságosan kell kezelnie az adatokat,
- hosszú távon is továbbfejleszthetőnek kell lennie,
- illeszkednie kell más (harmadik féltől származó) rendszerekhez,
- kiszámíthatóan kell működnie akkor is, amikor a környezet változik,
- a csapatnak bármikor képesnek kell lennie a javítására, továbbfejlesztésére.
Ezek a kérdések mindig is fontosak voltak a szoftverfejlesztésben, az AI térnyerésével viszont csak még inkább reflektorfénybe kerültek. Andrej Karpathy – az OpenAI egyik alapító tagja, a Tesla korábbi mesterségesintelligencia‑igazgatója, és a deep learning egyik legismertebb oktatója; leginkább a mélytanulás, a számítógépes látás és a Tesla Autopilot neurális hálózatainak fejlesztése tette ismertté – szerint ez egy alapvető paradigmaváltás: a vibe coding mindenki számára hozzáférhetőbbé tette a programozást és szoftverek fejlesztését.
Ugyanakkor fontos különbséget tesz a vibe coding és az általa agentic engineeringnek nevezett megközelítés között. Utóbbi célja az, hogy az AI adta gyorsulásnak köszönhetően megnövelje a fejlesztőcsapatok szállítási sebességét és képességeit – megőrizve a legfontosabbat: a szoftvermérnökök által képviselt minőséget. Ez a különbségtétel kulcsfontosságú. Egy professzionális szoftvermérnöki csapat számára nem az AI használatának eldöntése a valódi kihívás. Sokkal fontosabb annak meghatározása,
miként őrizhető meg és fejleszthető tovább az a mérnöki szemlélet és eszköztár, amely korábban is a magas minőség, adatbiztonság és fenntarthatóság garanciája volt.
Az AI bevezetése így nem helyettesíti, hanem kiegészíti és erősíti a meglévő szakmai alapokat.
Agentic Engineering:
mikor a gyors kódtermelés már nem elég
Az agentic engineering során mély szakértelemmel és tapasztalattal rendelkező szoftvermérnökök kódolástámogató AI-eszközöket (coding agenteket – pl. Claude Code, OpenAI Codex, Github Copilot, Cursor) használnak arra, hogy gyorsabban, szélesebb problématérben, de változatlanul magas mérnöki minőségben építsenek rendszereket. Itt már nem csak arról van szó, hogy egy fejlesztő egy chatablakban valamilyen AI-eszköznek kérdéseket tesz fel. Hanem arról, hogy az AI-agentek tudatosan beépülnek a mérnöki munkába:
- segítenek feltárni a problémát,
- alternatív megoldásokat javasolnak,
- kódot írnak,
- teszteket készítenek,
- dokumentációt állítanak elő,
- és ezáltal felgyorsítják a mindennapi munkát.
De vajon nem veszélyes mindez? Nem felejtünk el gondolkodni, ha rábízzuk az AI-ra a munka érdemi részét?
A technikai adósság AI-val gyorsabban is felhalmozódhat
A szoftverfejlesztésben régóta tudjuk, hogy ami rövid távon gyors megoldást ad, az hosszú távon könnyen akadállyá válhat. Egy elsőre kényelmesnek tűnő, működő megoldás:
- nehezebben karbantartható rendszert,
- több hibalehetőséget,
- idővel lassuló fejlesztési tempót,
- és egyre nagyobb technikai adósságot eredményezhet.
Az AI ezeket a veszélyeket nem tünteti el. Sőt mi több,
ha rosszul használjuk, fel is nagyítja a problémákat.
Egy AI-agent pillanatok alatt rengeteg forráskódot képes előállítani, ami lenyűgöző. Azonban, ha a csapat:
- nem érti a problémateret,
- nem figyel a rendszer szerkezetére,
- nem ellenőrzi megfelelően a generált forráskódot,
- nem vizsgálja a nem funkcionális követelményeket,
- és kizárólag a sebességet önmagában tekinti sikernek,
akkor könnyen olyan rendszert épít, amely látszólag gyorsan fejlődik, de hosszú távon fenntarthatatlanná válik.
A felelősség a mérnöké
Karpathy ezt nagyon pontosan fogalmazza meg:
A gondolkodás egy részét kiszervezhetjük, a megértést nem.
Ez az agentic engineering egyik legfontosabb tézise. Az AI segíthet megoldási irányokat keresni, kódot generálni vagy átszervezni, teszteket előállítani és dokumentációt készíteni. De a rendszer valódi megértése továbbra is a mérnöki csapat felelőssége marad. Érteni kell:
- milyen üzleti célt szolgál a rendszer,
- milyen kompromisszumokat vállalunk,
- milyen kockázatokat viszünk be,
- milyen körülmények között állhat le a rendszer működése,
- és mitől lesz egy megoldás hosszú távon is működőképes.
Mitől lesz mérnöki az AI-val támogatott fejlesztés?
Az agentic engineering nem eszközlista, hanem működési mód és értékrend. Attól válik valóban mérnökivé, hogy a már ma is ismert, jó szoftvermérnöki gyakorlatokra épít:
- egyértelmű célokra és jól megadott kontextusra;
- tudatos problémafeltárásra és tervezésre;
- automatizált visszacsatolási mechanizmusokra;
- tesztelhetőségre és verifikálható működésre;
- jó dokumentáltságra;
- könnyű továbbfejleszthetőségre;
- emberi review-ra és felelősségi pontokra.
Az agentek akkor tudnak igazán hasznosak lenni, ha egy érett mérnöki környezetben segítik az embert. Olyan közegben, ahol:
- világosak az elvárások és a jó gyakorlatok,
- hozzáférhetők a szükséges háttérismeretek,
- a minőség ellenőrizhető,
- és a csapat nemcsak elfogadja, hanem érti is az elkészült megoldást.
Éppen ezért
az AI‑eszközök által adott lehetőségek nem gyengítik, hanem felértékelik a szoftvermérnöki kultúrát –
vagyis azt a közös mérnöki gondolkodásmódot, minőségorientált munkastílust és együttműködési gyakorlatot, amely a jó szoftverfejlesztés alapja.
Nem új eszközhasználat, hanem következő szint
Három évtizedes múltunk során sokat foglalkoztunk a Webstar mérnökei által képviselt értékrenddel, és azoknak a jó gyakorlatoknak a terjesztésével a szervezetben, amelyek időtállóak a szoftverfejlesztésben, és talán soha nem voltak még ennyire értékesek, mint ma. Ezért a Webstarnál az AI-ban rejlő lehetőségeket akkor tekintjük valódi értéknek, ha az együtt jár:
- jobb minőséggel,
- fenntarthatósággal,
- üzleti megbízhatósággal,
- és azzal a képességgel, hogy a mérnöki csapat továbbra is ura marad az általa épített rendszereknek, legyen az bármennyire is összetett.
az AI képességei és az erős mérnöki kultúra egymást erősítve teremtenek minőségi eredményeket.
A vibe coding mindenki számára elérhetővé teszi a szoftverfejlesztést. Az agentic engineering pedig újraértelmezi, mire lehet képes egy valóban felkészült mérnökökből álló csapat.
Integráció, szakmai színvonal megőrzése
Itt válik el a production-ready rendszer a homokozóban készült prototípustól és profi csapat a „hobbyprogramozóktól”. Szoftverfejlesztőink
az AI valódi korlátainak ismeretében képesek változatlan minőség mellett, lényegesen gyorsabb iterációkkal és szélesebb technológiai spektrumon alkalmazásokat építeni.
Ezt a fejlődést tudatosan felépített, hosszú távú AI‑stratégiánk is támogatja, amely irányt mutat arra, hogyan integráljuk az új eszközöket a folyamatainkba úgy, hogy közben megőrizzük szakmai színvonalunkat. Törekvésünk egyik kézzelfogható jele, hogy több kollégánk készül a Claude Certified Architect – Foundations-minősítés megszerzésére, CTO-nk pedig már minősített Claude Architect.
A címkék és tanúsítványok jól mutatnak, de nem ezekért dolgozunk. Számunkra a folyamatos tanulás és a mérnöki igényesség a lényeg: mélyen megérteni azokat az eszközöket, amelyekkel dolgozunk, és tudatosan beépíteni őket a mindennapi munkánkba. Így az AI által hozott gyorsulás nem megy a minőség rovására – épp ellenkezőleg, annak megerősítését szolgálja. Mindezt pedig természetesen szigorú jogi és információbiztonsági keretek között tesszük.
