Ha már az AI is tud kódot írni, miért van még szükség programozókra?
Egyre több üzleti döntéshozó, projektvezető és nem fejlesztői szerepkörben dolgozó szakember kezd el kísérletezni úgynevezett vibe coding-eszközökkel. Olyan platformokkal például, mint a Lovable vagy a Cloude Code, amik ma már természetes nyelven megfogalmazott követelményekből kiindulva képesek működő alkalmazásokat, forráskódot generálni.
A vibe coding lényege, hogy nem klasszikus módon, soronként írjuk meg a programkódot, hanem természetes nyelven leírjuk, mit szeretnénk, és az AI-eszközök ebből működő alkalmazást vagy kódrészleteket állítanak elő.
Pozitívumok
A vibe coding elterjedése sok szempontból kifejezetten pozitív jelenség. Egyedi szoftverek létrehozása például a korábbiakhoz képest sokkal elérhetőbb és olcsóbb lett. Ez a változás felgyorsítja az innovációt és megkönnyíti a prototípusok készítését, hiszen egy ötletből percek alatt lehet működő demót vagy egy első verziójú eszközt készíteni. Lenyűgöző, hogy egyszerűbb alkalmazás elkészítésénél milyen messzire lehet jutni pusztán jól megfogalmazott promptokkal ezen eszközök segítségével.
Ezt a trendet mi is látjuk a mindennapi munkánk során. Sőt, mi magunk is használunk fejlesztésközeli AI-eszközöket különböző területeken. Ebből kifolyólag felmerül a kényelmetlen kérdés:
ha az AI már ennyire jó kódot képes generálni, akkor vajon szükség lesz-e még programozókra?
A rövid válasz: igen. Attól, hogy az AI ma már nagyon jól tud forráskódot generálni, a szoftvermérnöki szakértelem még közel sem vált feleslegessé. A szoftverfejlesztés legnagyobb kihívásai ugyanis soha nem kizárólag arról szóltak, hogy programkódban fejezzük ki a funkcionalitást.
Nélkülözhetetlen mérnöki szakértelem
Az alábbi 5 pontban megmutatom, miért van továbbra is szükség tapasztalt fejlesztőkre a kritikus üzleti rendszerek világában.
1. Működő prototípus ≠ élesben futó rendszer
A vibe coding kiváló megközelítés arra, hogy egy ötletből gyorsan, működő megoldás szülessen. Egy belső workflow, egy egyszerű adatkezelő alkalmazás vagy egy kísérleti projekt esetében ez hatalmas előnyt jelenthet: segíti a felek közötti kommunikációt, kézzelfoghatóbbá teszi a szándékokat, és lehetőséget ad arra is, hogy már korai fázisban próbálgassuk a félkész eredményt. Ennek lehetősége hatalmas versenyelőny és nagyban megkönnyíti annak eldöntését, hogy valóban jó irányba halad-e a gondolkodásunk.
A nehézségek általában akkor jelennek meg, amikor az eszköz kinövi a kezdeti, kísérleti fázist.
Jellemzően erre azok a jelek utalnak, amikor
- már nem csak néhány ember használja, hanem egy teljes szervezet vagy szélesebb végfelhasználói kör,
- a funkciók közötti kapcsolatok egyre összetettebbé válnak, vagy
- az alkalmazás olyan külső integrációkra épül, amelyek működése nem triviális, és dokumentációjuk is hiányos vagy nehezen értelmezhető.
Jellemzően az ilyen rendszerek már üzletileg kritikus folyamathoz kapcsolódnak, éppen ezért stabilan, hibátlanul kell működniük minden körülmények között. Ekkor válik a prototípus valódi rendszerré, és ekkor lesz igazán kritikus, hogy jelen van‑e a mérnöki gondolkodásmód vagy éppen hiányzik.
2. A komplex üzleti logika kezelése
Egy szoftver első verziója gyakran megtévesztően egyszerű. Ilyenkor jellemzően még csak néhány alapfunkcióról van szó, korlátozott üzleti logikával. A valós üzleti környezet azonban szinte mindig tele van kivételekkel, szélső esetekkel és egymásra épülő és egymással összefüggő szabályokkal. Ez idővel az egyedi szoftvereken is nyomot hagy:
ami kezdetben egyszerű megoldásnak tűnik, később könnyen komoly komplexitást hordozó rendszerré válhat.
A szabályok ráadásul nem statikusak: a fejlesztés során folyamatosan változnak, bővülnek és finomodnak.
A mérnöki munka egyik legfontosabb értéke abban rejlik, hogy ezt a komplexitást képes strukturáltan, determinisztikusan, de mégis rugalmasan kezelni.
Egy profi mérnöki csapat olyan rendszerek építését tartja szem előtt, amelyek hosszú távon is átláthatók, bővíthetők és fenntarthatók maradnak. Tapasztalatunk szerint a mai AI-eszközök erre még csak bizonyos keretek között képesek.
3. Integráció más rendszerekkel
A legtöbb vállalati rendszer nem önállóan működik. Szinte minden esetben kapcsolódik valamilyen adatbázishoz, külső szolgáltatásokhoz, más belső rendszerekhez vagy éppen harmadik féltől származó API-khoz.
Ezek az integrációk kritikus pontjai egy üzleti rendszernek. A stabil működés, az adatkonzisztencia és a hibakezelés mind olyan területek, ahol a mérnöki tapasztalat kulcsszerepet játszik.
4. Biztonság és működési kockázatok
Az IT-biztonság rendkívül szerteágazó, mély szakértelmet igénylő terület, ahol a támadók jellemzően kreatívan és folyamatosan alkalmazkodva keresik a gyenge pontokat. Ahhoz, hogy egy rendszer valóban felkészült legyen ezekre a kihívásokra, elengedhetetlen olyan szakértők bevonása, akik ezen a területen mély és naprakész tudással rendelkeznek.
Amikor egy alkalmazás éles környezetbe kerül, egészen más dimenzióban jelennek meg a kérdések. Például:
- hogyan kezeljük megfelelően a felhasználói adatokat,
- hogyan védjük a rendszert a támadásoktól, és
- hogyan biztosítsuk a megbízható, folyamatos működést.
Ezek olyan területek, ahol a felszínen működő megoldások gyakran komoly kockázatokat rejtenek. Az AI-eszközök természetesen itt is tudnak segítséget nyújtani, de csak akkor, ha megfelelő kontextusban és tudatosan használjuk őket.
5. Fenntarthatóság és architektúra
A szoftverek egyik legfontosabb tulajdonsága a rugalmasság, azaz hogy mennyire könnyen fejleszthetők tovább vagy változtathatók meg. Egy rosszul felépített rendszer karbantartása idővel egyre lassabbá, költségesebbé és kockázatosabbá válik. Éppen ezért kulcsfontosságú az architektúra, a megfelelő absztrakciók és a tudatos mérnöki módszertanok alkalmazása.
Egy egyszerű hasonlattal élve: ha pénzt szeretnénk spórolni, és a fodrász helyett magunknak is levághatjuk hajunkat, aminek végrehajtása technikailag biztosan sikerülni fog valahogyan. Az eredmény azonban nagy valószínűséggel nem lesz igazán jó.
A szoftvereknél gyakran ugyanez történik: attól, hogy valami működik, még nem biztos, hogy jól van megépítve.
Ennek következményei pedig előbb-utóbb valamelyik kritikus területen jelentkeznek: a fenntarthatóságban, a biztonságban, a továbbfejleszthetőségben vagy éppen a működési költségekben.
Amikor ez a pont eljön, a rendszert már csak mély mérnöki kompetenciával lehet stabilizálni és jó irányba terelni. Ennél még jobb az, ha megelőzzük ezeket a problémákat már az elejétől.
Az AI ebben is lehet hasznos segítőtárs, de ezen a szinten már elengedhetetlen az a szakértelem, amely átlátja a teljes működési és technológiai környezetet.
AI és mérnök:
nem egymás helyett, hanem együtt
Az AI-eszközök rendkívül felgyorsítják az első prototípusok elkészítését és sok feladat elvégzését egyszerűbbé, elérhetőbbé teszik. Ugyanakkor a hosszú távon fenntartható rendszerekhez továbbra is szükség van mérnöki gondolkodásra és tapasztalatra.
A jövő nem az AI vagy a programozók versenyének kérdése.
Sokkal fontosabb ennél, hogy hogyan tudjuk a megfelelő eszköztárat a munkánk arra alkalmas területein úgy használni, hogy gyorsabban és magasabb minőségben alkossunk hosszú távon stabil és jól működő, az üzleti logika elvárásaihoz igazodó szoftvereket.
