A nagy MI-illúzió és a fejlesztők csendes lázadása: Amikor a MI teherré válik – több stressz, lassabb kód

Tanulmány sokkolta a vezetőségeket: a mesterséges intelligencia lassítja a programozókat, nem gyorsítja őket

Veszélyes felhajtás: Miért bízik a fejlesztők 66%-a a mesterséges intelligencia által generált kódban?

A szoftverfejlesztésben alkalmazott mesterséges intelligenciát a vezetőségi üléseken a termelékenység legnagyobb csodájaként ünneplik. De távol az euforikus igazgatósági prezentációktól, csendes lázadás fortyog a fejlesztőcsapatokon belül. A napi munka egyszerűsítése helyett a mesterséges intelligencia eszközei egyre inkább mentális időrablóvá válnak. A jelenlegi tanulmányok és a riasztó valós jelentések egy kellemetlen igazságot tárnak fel: a mesterséges intelligencia által generált kód gyakran "majdnem helyes", de rendkívül időigényes és fárasztó hibakeresést igényel. Az eredmény? A fejlesztési idő megnő, a kognitív terhelés drámaian megnő, és a vállalatok tudtukon kívül kezelhetetlen mennyiségű technikai adósságot halmoznak fel. Az úgynevezett "vibe kódolás" – a mesterséges intelligencia általi gondolkodás nélküli kódgenerálás – azzal fenyeget, hogy billió dolláros időzített bombává válik. Ideje rendíthetetlenül megvizsgálni a szoftverfejlesztés valóságát, amelyet a vezetőség gyakran nem hajlandó elismerni.

Termelékenységi csoda vagy kiégési csapda? Az igazság a szoftverfejlesztésben használt mesterséges intelligenciáról, amit a vezetők nem akarnak hallani

A vezetőség és a fejlesztőcsapat közötti hatalmas félreértés

Kevés technológiai fejlesztés váltott ki a közelmúlt történelmében akkora eufóriát a vállalati vezetők körében világszerte, mint a mesterséges intelligencia alkalmazása a szoftverfejlesztésben. Az igazgatósági ülések, a befektetői prezentációk és a stratégiai dokumentumok tele vannak olyan kifejezésekkel, mint a „termelékenységi multiplikátor”, a „versenyelőny” és az „átalakító hatékonyság”. De míg a vezetők a mesterséges intelligencia által vezérelt kódolóeszközöket csodaszerként ünneplik, a világ fejlesztési osztályain egy egészen másfajta tapasztalati világ van kialakulóban – amelyet a frusztráció, a mentális kimerültség és a növekvő szkepticizmus jellemez.

Ez a várakozások és a valóság közötti szakadék nem marginális jelenség vagy az alkalmazkodóképesség hiányának kifejeződése. Ez egy strukturális probléma, amely középtávon költségesnek bizonyul majd a vállalatok számára. A kérdés már nem az, hogy vajon mesterséges intelligencia eszközöket kell-e használni a szoftverfejlesztésben – ez már az összes fejlesztési részleg 84 százalékában megtörtént –, hanem az, hogy hogyan és milyen feltételek mellett működhet ez fenntarthatóan. A rendelkezésre álló adatok, tanulmányok és esettanulmányok józan elemzése olyan képet fest, amely lényegesen összetettebb, mint amit a haladásról alkotott uralkodó narratívák sugallnak.

Amikor a lelkesedés ellenállásba ütközik: A feszültség a gyakorlatban

A 2025-ös Stack Overflow fejlesztői felmérés, amely a maga nemében a legátfogóbb felmérés, amelyben 177 országból több mint 49 000 fejlesztő vett részt, lehangoló diagnózist fogalmazott meg. Míg a mesterséges intelligencia eszközeinek elterjedése éves szinten 76-ról 84 százalékra nőtt, és a professzionális fejlesztők 51 százaléka naponta használja ezeket az eszközöket, az eszközök iránti pozitív hangulat drámaian zuhant ugyanebben az időszakban: a 2023-as és 2024-es több mint 70 százalékról 2025-re mindössze 60 százalékra. A bizalom kérdése különösen sokatmondó: a fejlesztőknek mindössze 33 százaléka bízik a mesterséges intelligencia kimenetének pontosságában – ami csökkenést jelent az előző évi 43 százalékhoz képest –, míg 46 százalékuk aktívan bizalmatlan, és csak 3 százalékuk mondja, hogy „nagyon megbízik” a mesterséges intelligencia eredményeiben.

A tapasztalt fejlesztők a legszkeptikusabbak: mindössze 2,6 százalékuk mondja, hogy határozottan megbízik a mesterséges intelligencia kimeneteiben, míg 20 százalékuk kifejezetten kifejezi a mesterséges intelligencia által generált eredményekkel szembeni erős bizalmatlanságát. Ez nem véletlen. Azok, akik évekig terveztek komplex rendszereket, mélyen beágyazott kódbázisokban találtak hibákat, és megtapasztalták a rövidlátó architekturális döntések hosszú távú következményeit, intézményes szkepticizmust alakítanak ki a látszólag egyszerű megoldásokkal szemben – és ez a szkepticizmus racionálisan megalapozott, nem pedig regresszív.

A gyorsan generált kód megtévesztő csábítása

A legnagyobb frusztrációforrás, amelyet a fejlesztők 66 százaléka központi problémaként jelölt meg, a mesterséges intelligencia által létrehozott megoldások azon tendenciája, hogy „majdnem helyesek, de mégsem egészen”. Ennek a jelenségnek a gazdasági következményei súlyosabbak, mint amilyennek elsőre tűnnek. A 90 százalékban helyes kód nem teremt 90 százalékban hozzáadott értéket – akár semmilyen értéket sem teremthet, mivel először teljes mértékben tesztelni, javítani és adaptálni kell, mielőtt éles rendszerekbe telepíthető lenne. A megkérdezett fejlesztők negyvenöt százaléka megerősítette, hogy a mesterséges intelligencia által generált kód hibakeresése több időt vesz igénybe, mint ugyanazon kód nulláról történő megírása.

Ennek egyik következménye, hogy a repozitóriumokba beküldött kódmódosítások 42 százaléka ma már mesterséges intelligencia által támogatott, de a fejlesztők több időt töltenek ezen változtatások áttekintésével, mint az eredeti kód megírásával. A gyakorlatban ez azt jelenti, hogy míg a mesterséges intelligencia felgyorsítja a kód előállítását, lelassítja a kiváló minőségű és fenntarthatóan karbantartható kód előállítását. Ilyen körülmények között egy termelékenységi eszköz rendkívül időigényes vezérlőmechanizmussá válik.

Amit a számok valójában mondanak a termelékenységről

A legújabb kutatások talán legaggasztóbb megállapítása egy randomizált, kontrollált vizsgálatból (RCT) származik, amelyet a METR független kutatóintézet végzett 2025 februárja és júniusa között. Tizenhat tapasztalt, nyílt forráskódú fejlesztő 246 feladatot oldott meg saját, régóta futó projektjeiből – mesterséges intelligencia alapú eszközökkel, például a Cursor Pro-val és a Claude 3.5/3.7 Sonnet-tel, illetve anélkül. Az eredmény alapvetően ellentmondott az összes résztvevő elvárásainak: A tanulmány előtt a fejlesztők becslése szerint a mesterséges intelligencia támogatása 24 százalékkal csökkentené a feldolgozási időt; a valóságban a mesterséges intelligencia alapú eszközök 19 százalékkal növelték a feldolgozási időt.

Ez a megállapítás nemcsak a részt vevő fejlesztők értékeléseivel, hanem az üzleti és gépi tanulási szakértők előrejelzéseivel is ellentmondott, akik 38-39 százalékos időmegtakarítást jósoltak. A kutatók lehetséges magyarázatként a promptok megfogalmazásához, a mesterséges intelligencia kimenetének áttekintéséhez és az eszközintegráció kezeléséhez szükséges jelentős időt említették. Továbbá a szigorú minőségi előírásokkal rendelkező érett kódbázisok – amelyek jellemzőek a professzionális vállalati környezetekre – különösen rosszul alkalmasak az általános kódpéldákon betanított MI-eszközökhöz. A tanulmány nem jelenti a MI-eszközök alapvető elutasítását, de egyértelműen bizonyítja, hogy a termelékenységnövekedés messze nem garantált a komplex, kontextusfüggő feladatok esetében a már meglévő kódbázisokban.

A láthatatlan teher: Mentális kimerültség és kognitív túlterhelés

A mérhető időkomponens mellett van egy nehezebben számszerűsíthető, de nem kevésbé valós teher is: a mentális kimerültség, amelyet a mesterséges intelligencia által generált promptok megfogalmazása, a generált eredmények elemzése, a hibaelhárítás és a dokumentáció közötti folyamatos váltás okoz. A fejlesztők ezt az állapotot különösen kimerítőnek írják le, mert – a programozás klasszikus flow-élményével ellentétben – nem teszi lehetővé a mély, fókuszált munkafázisokat, hanem inkább a figyelem széttöredezett módját kényszeríti ki. Ez a széttöredezett mód a kognitív tudományban különösen kimerítőnek ismert, és hosszú távon a teljesítmény csökkenéséhez vezet.

A Thoughtworks tanácsadó cég a 2026 áprilisában megjelent Technology Radar 34. kötetében találó kifejezést alkotott erre a jelenségre: „kognitív adósság”. Ez a kód működése és a fejlesztők által róla valójában értett dolgok közötti növekvő szakadékra utal. Minden egyes automatikusan generált kódblokkkal, amelyet teljes megértés nélkül fogadnak el, ez a szakadék egyre szélesedik – finoman, de messzemenő következményekkel. Rachel Laycock, a Thoughtworks műszaki igazgatója tömören összefoglalta a megállapítást: A mesterséges intelligencia ágensei megkönnyítik a kód gyors írását, de egyre inkább túlterhelik a fejlesztők megértését.

Építészeti vakfoltok: Milyen mesterséges intelligencia kód hibázik szisztematikusan?

Az Ox Security 2025 októberében végzett mélyreható elemzése, amely 300 nyílt forráskódú projektet vizsgált – amelyek közül 50-et teljes egészében vagy részben mesterséges intelligencia generált –, tíz visszatérő antimintát azonosított a mesterséges intelligencia által generált kódban. A leggyakoribb problémák egyetlen mondatban összefoglalhatók: a mesterséges intelligencia által generált kód „nagyon funkcionális, de szisztematikusan hiányzik belőle az architekturális ítélőképesség”. Az esetek 80-90 százalékában a mesterséges intelligencia hajlamos tankönyvi megoldásokat megvalósítani ahelyett, hogy az alkalmazás konkrét követelményeire összpontosítana, kerüli a refaktorálást, és ismételten ugyanazokat a funkcionális hibákat követi el, mivel a modell nem őrzi meg a korábbi implementációk emlékeit.

Különösen problematikus az a jelenség, amelyet Ana Bildea kutató „kódgenerálási felfúvódásnak” nevez: Mivel a mesterséges intelligencia nem fejleszt könyvtárakat, hanem újra és újra generál funkciókat, a kódbázis kontrollálatlanul növekszik, sok redundáns blokkot tartalmaz, és egyre nehezebbé válik a karbantartása. Bildea találóan írja le ezt a dinamikát azzal, hogy megfigyelte, hogy a vállalatok kevesebb mint 18 hónap alatt jutottak el a „mi már nem tudunk funkciókat szállítani, mert már nem értjük a saját rendszereinket” állapottól. A GitClear további empirikus megerősítést nyújt: 2021 és 2024 között a refaktorálással kapcsolatos kódmódosítások aránya 25 százalékról 10 százalék alá csökkent, míg a másolt kódblokkok aránya 8,3 százalékról 12,3 százalékra emelkedett.

A kvázi házon belüli megoldás: Hogyan hidalja át az Xpert.Digital a B2B marketing és értékesítés működési réseit – Okos, tartalomvezérelt üzlet - Kép: Xpert.Digital

Az Xpert.Digital egy adatvezérelt B2B iparági központ, amelyet Konrad Wolfenstein vezet. A vállalat külső, kvázi házon belüli megoldásként működik az ipari partnerek számára, áthidalva a marketing, a tartalom és az értékesítés működési hiányosságait – anélkül, hogy további erőforrásokat igényelne az ügyféloldalon.

További információ itt:

• A kvázi házon belüli megoldás: Hogyan hidalja át az Xpert.Digital a B2B marketing és értékesítés működési réseit – Smart Content-Driven Business

Technológiai adósság a mesterséges intelligencia korában: Egy billió dolláros időzített bomba

A technikai adósság jelensége nem új keletű a szoftveriparban, de a mesterséges intelligencia széles körű elterjedése új dimenziót és sebességet ad neki. A technikai adósság akkor keletkezik, amikor a rövid távú, pragmatikus megoldások élveznek elsőbbséget a hosszú távú, stabil architektúrákkal szemben. A HFS Research szerint a 2000 legnagyobb globális vállalat felhalmozott technikai adóssága már most is 1,5-2 billió dollárnak megfelelő összeget tesz ki. Ez a teher most potenciálisan exponenciálisan növekszik a rosszul validált, mesterséges intelligencia által generált kódbázisok hatására.

Az IBM elemzése szerint a vezetők 81 százaléka számolt be arról, hogy a technikai adósság már most is korlátozza mesterséges intelligencia kezdeményezéseik sikerét. Ez egy figyelemre méltó paradoxon: a technikai adósság csökkentésére tervezett technológia bizonyos feltételek mellett új adósságot teremt. A GitLab a 2025/2026-os globális DevSecOps jelentésében kiszámította, hogy a mesterséges intelligenciával kapcsolatos hatékonysági problémák a fejlesztőcsapatoknak átlagosan heti hét órába kerülnek csapattagonként – ez majdnem egy teljes munkanap. Ugyanakkor a megkérdezett DevSecOps szakemberek 73 százaléka számolt be problémákról a „vibe kódolással” generált kóddal – azzal a gyakorlattal, hogy természetes nyelvi promptokkal generálnak kódot anélkül, hogy megértenék az alapul szolgáló logikát. Eredetileg a startup szférából származik, ez a kifejezés a megfelelő minőségellenőrzés nélküli vállalkozói kockázatvállalás szinonimájává vált.

A hangulatkódolás katasztrófája: Amikor a sebesség felfalja a minőséget

A Vibe kódolás – a mesterséges intelligencia által kiváltott promptok segítségével történő, nem tervezett, intuitív kódgenerálás szilárd építészeti tervezési és bevált gyakorlati alapok nélkül – talán a legtisztább szimbóluma a mesterséges intelligencia eufóriája és a mérnöki valóság közötti szakadéknak. Valójában a Stack Overflow felmérésben megkérdezett fejlesztők 72 százaléka kifejezetten elutasítja a Vibe kódolást, további 5 százalékuk pedig alapvetően elfogadhatatlan munkafolyamataként írja le. Azok a vállalatok, amelyek ennek ellenére támaszkodnak rá, magas árat fizetnek: A Thoughtworks szerint az összes mesterséges intelligencia által generált kódmódosítás 43 százaléka manuális hibakeresést igényel az éles környezetben, még akkor is, ha korábban minden automatizált teszten átmentek. A tanulmányban vizsgált egyetlen vállalat sem tudta egyetlen újratelepítéssel igazolni a mesterséges intelligencia által javasolt javítást – 88 százalékuk két-három telepítést, 11 százalékuk pedig akár négyet vagy többet igényelt.

A gazdasági következmények jelentősek. A CAST Software több mint 10 milliárd sornyi kódot elemzett, és kiszámította, hogy a globális technikai adósság 61 milliárd munkanapnyi javítási munkát tesz ki. Ez a szám egy konzervatív becslés, és nem veszi figyelembe az elmúlt két évben a mesterséges intelligencia kódjának ellenőrizetlen használata által okozott felgyorsult adósságfelhalmozódást. Ha ennek a technikai adósságnak a gazdasági fájdalma meghaladja a feltételezett termelékenységi növekedést – és sok tapasztalt fejlesztő úgy véli, hogy ez a pillanat közeleg –, az iparág alapvető hitelességi problémával fog szembesülni a saját átalakulási narratívájával kapcsolatban.

A tapasztaltak lázadása: Amikor a kompetencia teherré válik

A helyzet egyik különösen aggasztó aspektusa a fejlesztők következő generációjának készségeinek fenyegető hanyatlása. A tapasztalt fejlesztők attól tartanak, hogy a fiatal fejlesztők, akik pályafutásuk kezdetétől elsősorban mesterséges intelligencia eszközökkel dolgoztak, már nem lesznek képesek azonosítani az alapvető hibákat a generált kódban – mivel eleve nem fejlesztették ki a szükséges alapvető ismereteket és analitikus ítélőképességet. A Thoughtworks találóan írja le ezt a problémát az onboarding kontextusában: Amikor egy új csapattag átvesz egy olyan kódbázist, amelynek jelentős részeit egy MI-ügynök generálja, hiányzik az implicit dokumentáció, amely akkor keletkezik, amikor az emberek sorról sorra írják a kódot. Az architektúrális döntések megvannak, de az indoklások nincsenek.

Ugyanakkor a tapasztalt fejlesztők szakértelmük sajátos leértékelését tapasztalják. Azokat, akik éveket töltöttek a precíz ítélőképesség, a szisztematikus problémamegoldó készségek és az architektúra előrelátás fejlesztésével, hirtelen ugyanazokkal a mércékkel mérik, mint egy újonnan érkezőt, aki hozzáfér egy kódoló asszisztenshez egy olyan környezetben, amely a mesterséges intelligencia adaptációs arányát használja teljesítménymutatóként. A GitLab paradoxon tökéletesen összefoglalja: a vállalatok 82 százaléka ma már legalább hetente egyszer éles környezetben telepít rendszereket, de csak 37 százalékuk bízna a mesterséges intelligenciában a napi feladatok emberi felülvizsgálat nélküli elvégzésében. Nagyobb sebesség kevesebb bizalommal – ez a jelenlegi helyzet lényege.

A mesterséges intelligencia vezérlésének kulcsfontosságú kérdése: Hogyan mérik a teljesítményt?

Az a kérdés, hogy milyen kritériumokat használnak a fejlesztők teljesítményének értékelésére a mesterséges intelligencia korában, nem triviális HR-vita, hanem stratégiailag kulcsfontosságú döntés. Ha a vállalatok a mesterséges intelligencia használati arányát használják teljesítménymutatóként, perverz ösztönző struktúrák alakulnak ki: a fejlesztők nem a jobb termékek létrehozása, hanem a kvóták teljesítése érdekében maximalizálják a mesterséges intelligencia használatát – ami kiszámítható következményekkel jár a kód minőségére nézve. Ezt a pontot a fejlesztők figyelemre méltó egyhangúlag hangsúlyozzák: azok, akik kizárólag a belső mérőszámok teljesítésére használják a mesterséges intelligencia kódját, nem teremtenek hozzáadott értéket, hanem technikai adósságot halmoznak fel.

A Gartner előrejelzése szerint 2027-re a fejlesztők mérésének módja alapvetően eltolódik a sebességmutatóktól, a telepítési gyakoriságtól és a kódsoroktól a kreativitás, az innováció és az üzleti érték felé. Ez elméletileg megalapozott, de a gyakorlatban nehéz megvalósítani, amíg a felsővezetők továbbra is rövid távú termelékenységnövekedést követelnek. A Stack Overflow vezetőknek szóló elemzése arra a következtetésre jut, hogy a fejlesztők mesterséges intelligenciába vetett bizalmának csökkenése közvetlenül összefügg a frusztráció két fő forrásával: a „majdnem jó” megoldásokkal és az MI-kód hibakeresésére pazarolt idővel. A közösségi bizalom azonban továbbra is kulcsfontosságú: a fejlesztők 80 százaléka továbbra is rendszeresen látogatja a Stack Overflow-t, és a platformon feltett összetett kérdések száma megduplázódott 2023 óta – ami egyértelműen jelzi a MI-segítség korlátait.

Mit jelent a mesterséges intelligencia felelős használata a szoftverfejlesztésben?

A fent említett megállapítások nem indokolják a mesterséges intelligencia eszközeinek általános elítélését a szoftverfejlesztésben – de egyértelmű programot határoznak meg felelősségteljes használatukra. Először is, a mesterséges intelligenciát ott kell alkalmazni, ahol annak specifikus profilja valóban előnyös: egyértelműen meghatározott, kontextusfüggetlen egyedi feladatokhoz, mint például prototípusfejlesztés, dokumentációkészítés, sablongenerálás, vagy gyors információs interfészként a standard problémákhoz. A mesterséges intelligencia nem univerzális kódkészítő, hanem egy speciális segédeszköz, amelynek világosan meghatározott erősségei és gyengeségei vannak.

Másodszor, kifejezetten a mesterséges intelligencia által generált kódhoz tervezett robusztus kódfelülvizsgálati folyamatokra van szükség. A Thoughtworks határozottan azt javasolja, hogy ne csökkentsék, hanem növeljék a szigorú irányelveket és az áttekintések gyakoriságát – pontosan azért, mert a gépek gyorsabban írnak, mint az emberek olvasnak. Harmadszor, a fiatal fejlesztők betanítását úgy kell strukturálni, hogy az alapvető készségek ne legyenek elavultnak tekinthetők, hanem a mesterséges intelligencia eszközeinek hozzáértő használatának alapvető alapjai. Azok, akik nem értik, mi számít jó kódnak, nem tudják kijavítani a rossz mesterséges intelligencia kódot. Negyedszer, a vállalatoknak szigorúan szét kell választaniuk a teljesítménymutatókat a mesterséges intelligencia használati arányaitól – mivel egy rendszer minősége nem a használt mesterséges intelligencia tokenek, hanem a fejlesztésébe fektetett mérnöki ítélőképesség függvénye.

Az iparág ébredésének pillanata még várat magára

Sok tapasztalt fejlesztő oszt meg egy olyan értékelést, amely kijózanító jóslatnak hangzik: Az iparág kollektív „ébresztőt” fog tapasztalni, amint a mesterséges intelligencia által generált kódból felhalmozott technikai adósság gazdasági költségei mérhetően meghaladják a hangoztatott termelékenységnövekedést. A rendelkezésre álló adatok – 2 billió dollárnyi meglévő technikai adósság, heti 7 óra fejlesztőnkénti termelékenységkiesés a mesterséges intelligenciával kapcsolatos hatékonysági problémák miatt, és a mesterséges intelligencia által generált kódok 43 százaléka manuális élő hibakeresést igényel – alapján ez a pillanat közelebb lehet, mint azt a vezetők fényes, mesterséges intelligenciára optimista prezentációi sugallják.

A döntő fordulópont nem magában a technológiában rejlik. A mesterséges intelligencia eszközei egyre erősebbek, és a METR már elismerte a nyomonkövetési tanulmányának felépítésében, hogy bár az újabb eszközök valószínűleg pozitív termelékenységi hatásokat eredményeznek, ezeknek a hatásoknak a mérése a változó fejlesztői viselkedés miatt nehezebbé válik. Az igazi kihívás szervezeti és kulturális: a vállalatoknak bátornak kell lenniük ahhoz, hogy különbséget tegyenek a mesterséges intelligencia szolgáltatók ígéretei, a befektetők elvárásai és a saját fejlesztőik empirikusan megalapozott visszajelzései között. Egy olyan technológia, amelyben a naponta használók többsége nem bízik, nem stratégiai előny – ez egy olyan kockázat, amely az elkövetkező évek mérlegeiben tükröződik majd.

☑️ Üzleti nyelvünk az angol vagy a német

☑️ ÚJ: Levelezés az anyanyelveden!

Konrad Wolfenstein

Én és a csapatom örömmel állunk rendelkezésére személyes tanácsadóként.

Kapcsolatba léphetsz velem a kapcsolatfelvételi űrlap kitöltésével itt egyszerűen hívj a +49 7348 4088 965 Az e-mail címem [email protected]:, vagy

Alig várom a közös projektünket.

☑️ KKV-támogatás a stratégiában, tanácsadásban, tervezésben és megvalósításban

☑️ Digitális stratégia létrehozása vagy átalakítása és digitalizáció

☑️ Nemzetközi értékesítési folyamatok bővítése és optimalizálása

☑️ Globális és digitális B2B kereskedési platformok

☑️ Pioneer Üzletfejlesztés / Marketing / PR / Vásárok