A chatbotok után: így alakítják át az AI agentek a fejlesztést és a tesztelést

A mesterséges intelligencia mára egyszerű asszisztensből a workflow egyik rétegévé vált az AI-ágensek elterjedésével. Mit is jelent ez a gyakorlatban, és hogyan hat a szoftverpiacra?

Miközben a mesterséges intelligencia (AI/MI) társadalmi szerepe és hatása továbbra is igen vitatott téma, az AI már jó ideje nem pusztán egy chatbotot takar, amelytől lehet kérdezni. Az AI agentek (ágensek, ügynökök) felhasználásáról mi is írtunk korábban. Lencsés Gergő, az MIT-SMR Hungary vezetője, a ZEL Group Zrt. Senior Partnere akkor kérdésünkre arról beszélt: az AI-ágensek sajátja, hogy egy ilyen rendszer felismeri a környezetét, amiben dolgozik, és ez alapján döntéseket hoz, illetve magától tanul.

Michael Daugherty, a Quill Meetings nevű meetingasszisztens szoftvert fejlesztő cég társalapító-CTO-ja pedig a TechRadar portálon április elején megjelent véleménycikke szerint több évnyi hájp után 2026 az az év, amikor az AI-ügynökök „végre” a kísérleti jelleg után megbízható digitális munkatársakká válnak, integrálva a mindennapi üzleti munkafolyamatokba.

A nagy nyelvi modellek (LLM-ek) alkalmazásokba történő integrálását elősegítő LangChain keretrendszer mögötti cég 1340 szakember megkérdezésével arra jutott, hogy 57%-uknak vannak AI-ügynökei a kivitelezés (production) területen, és ebben a nagyvállalatok járnak az élen. Ám míg a költségekkel kapcsolatos problémákat a 2025. november 18. és december 2. közt végzett felmérésben kevesebben jelölték meg, mint egy évvel korábban, majdnem a harmaduk (32%) a minőséget jelölte meg a kivitelezési területen a legfőbb akadálynak.

Mire és hogyan használjuk?

Daugherty fent idézett írásában arra is kitér, hogy a széles körű elterjedéshez továbbra is kritikus kérdés a megbízhatóság és a biztonság. Felidézi, hogy a Gartner üzleti és technológiai témákra szakosodott amerikai kutató- és tanácsadó cég tavalyi kutatása szerint abból a több ezer szolgáltatóból, amely állítja, hogy ágentikus AI-t kínál, mintegy 130 nyújt csak ténylegesen autonóm képességekkel rendelkező szolgáltatást. Ugyanettől a cégtől idézi, hogy előrejelzésük szerint az ágentikus AI-projektek több mint 40%-át el fogják kaszálni 2027 végéig az elszálló árak, az üzleti értékteremtés nem egyértelmű mivolta, illetve a nem megfelelő kockázatkezelés miatt.

Az amszterdami központú, nemzetközi üzleti transzformációval és IT-tanácsadással foglalkozó HSO cég pedig a szakmai blogján arról ír, hogy miután az AI agentek mára nem csupán egyszerű munkafolyamatokat képesek automatizálni, hanem komplex, célorientált feladatelvégzésre képes dinamikus rendszerekké fejlődnek, egyre fontosabb, hogyan tervezzük meg az ilyen rendszereket, és hogyan határozzuk meg azok céljait. Kiemelik, hogy nem kell minden ágensnek önállónak vagy akár „intelligensnek” lennie ahhoz, hogy üzleti értéket teremtsen.

Változik a szoftverfejlesztés is

Tim Deschryver belga szoftvermérnök blogján felidézi, hogy bár korábban szkeptikus volt az AI szoftverfejlesztésben történő használatával, miután megnézte a microsoftos Burke Holland videóit a Copilot agentekről, arra jutott: adnia kell neki még egy esélyt. Mára egyre gyakrabban rak össze az AI-jal teljesen új funkciókat, nemrég pedig egy ágentikus AI-jal a nulláról írt újra egy teljes projektet. Szerinte nem lehet figyelmen kívül hagyni, hogy változik az iparág, így ahhoz, hogy tudjuk tartani a lépést, érdemes korán felkészülni.

Idézi Dan Clarke brit szoftverfejlesztő írását arról, hogy a fejlesztők olyanok, akik nem csupán kódot írnak, hanem rendszerszinten tudnak gondolkodni, amelyben arra hív fel, hogy ne féljenek az AI-tól, inkább kezeljék azt a legfrissebb megtanulandó rendszerként. Játsszanak, kísérletezzenek, alkossanak vele, hiszen minél jobban megértik, annál jobban ki tudják majd használni, ahogyan a fejlesztők tették a korábbi rendszerekkel is.

Deschryver felidézi, hogy neki eleinte megterhelő volt az AI bevezetése, ezért szerinte érdemes egyszerűen kezdeni, nem egyszerre behozni az összes funkciót. Hozzáteszi, hogy mivel ezek az eszközök állandóan változnak, naprakésznek maradni is egy kihívás, főleg, ha az embernek nem ez a szakterülete. A szabványosított eszközök és módszerek azonban segítenek abban, hogy ez kezelhető legyen, és fontos gondolni arra is, hogy ne függjünk egyetlen szolgáltatótól.

Felhívja arra is a figyelmet, hogy az AI nem csodafegyver: segíthet gyorsabban elkészülni a szoftverünkkel, de csak ha közben továbbra is mi irányítunk. Arra számít, hogy a szoftvermérnöki munkakör egyre kevésbé fog a technikai részletekről szólni, helyette inkább az AI-ágenseknek felállított jó biztonsági keretrendszerekről – bár hozzáteszi: kérdés, hogy nem válik-e ez utóbbi is kevésbé fontossá a következő hónapokban és években –, miközben továbbra is a terület szakemberei felelnek a fejlesztett termékekért. „Ahelyett, hogy magára a kódolásra fókuszálnék, nagyobb figyelmet tudok fordítani az értékteremtésre, ami mindig is a legfontosabb volt, és ami a legtöbb örömöt jelenti számomra” – zárja írását.

Áthidalni a szakadékot

A Harness AI-ra épülő szoftverfejlesztési platform területi technológiai igazgatója, Martin Reynolds szintén a TechRadaron publikált véleménycikkében arról ír, hogy mára az AI-asszisztensek a fejlesztési munkafolyamatok szerves részévé váltak, mert azokkal minden eddiginél gyorsabban létre lehet hozni egy üzemkész kódot. Az előnyök egyértelműek: rövidebb fejlesztési ciklusok, gyorsabb megjelenés, és több idő a mérnökök számára, hogy a bonyolult problémákra fókuszáljanak. Ugyanakkor a szerző szerint egyre többen arra jönnek rá, hogy a gyorsabb kódolás nem egy teljes körű megoldás arra, hogy az innovációkat minél előbb piacra lehessen dobni.

„Egyre nagyobb a szakadék a fejlesztés, illetve a kód teszteléséért, biztonságáért és üzembe helyezéséért felelős rendszerek sebessége között. Nem elég ugyanis gyorsan megírni a kódot, biztosítani kell azt is, hogy azt nagy léptékben megbízhatóan szállítsuk” – fogalmaz. Írása címében is azt emeli ki, hogy bár az AI 2026-ra jelentősen lecsökkentette a kódolási időt, egyúttal fel is áldozta a szoftverek stabilitását, és a széles körű innovációt így éppen hogy lassítja.

Szerinte a sebesség és a stabilitás közti szakadék áthidalásához, és az AI-asszisztált fejlesztések teljes kihasználásához a cégek DevOps-érettségi szintjét az új változási ütemhez kell igazítani. „Ha a csapatok befektetnek a szabványosított munkafolyamatokba, a fokozott automatizációba és az üzemeltetéssel kapcsolatos biztonsági keretekbe, akkor úgy tudnak gyorsan haladni, hogy közben fenntartják a megbízhatóságot” – húzza alá. Arról is ír: szerinte az AI-t be kell vonni a szoftverfejlesztés teljes életciklusába.

AI a tesztelésben

Miközben az AI-t széles körben a tesztelés jövőjében egy elengedhetetlen elemnek tartják, sok csapat továbbra is vonakodik arra támaszkodni a kritikus fontosságú munkafolyamatok során, idézi a Leapwork AI-alapú vizuális tesztautomatizálási platform nemzetközi felmérését a DevOps.com. A több mint 300 mérnök és IT-döntéshozó válaszai alapján ugyan nagy a lelkesedés az AI segítségével történő tesztelés iránt, és 65%-uk kísérletezik is a gépaggyal vagy alkalmazza azt legalább egyes tesztelési feladatokhoz, mindössze 12,6%-uk építette be az AI-t a főbb tesztelési munkafolyamatokba.

Úgy tűnik, a bizalomfaktor lassítja az implementációt. A válaszadók több mint fele mondta azt, hogy a minőséggel és a megbízhatósággal kapcsolatos aggályok korlátozzák a széles körű AI-bevezetést. A tesztelőcsapatok ugyanis instabil, megbízhatatlan tesztekről, illetve több rendszert érintő komplex folyamatok nehéz automatizációjáról számoltak be. A megkérdezetteknek átlagosan csupán 41%-ban automatizáltak a tesztfolyamataik.

Közben a PractiTest tesztkezelő platform szakmai blogjának tavaly decemberi cikke kiemeli, hogy míg a hagyományos AI-eszközök a szoftvertesztelőket konkrét folyamatok automatizációjában segíthetik, addig a teszteléshez használható AI-ágensek képesek teszteket generálni, futtatni, priorizálni, sőt a rendszer változásai alapján módosítani is tudják azokat. Így ezek jól felépítve és használva felgyorsíthatják a tesztelési ciklusokat, és minőségromlás nélkül segíthetik a minőségbiztosítási (QA) csapatokat a skálázásban.

Az Autify AI-alapú szoftvertesztelési platform blogján pedig arról írnak, az ágentikus AI-tesztelés során használt rendszerek szkriptek, szelektorok, illetve folyamatos emberi irányítás nélkül megtervezik, kidolgozzák és végrehajtják a teszteket. Ezek az agentek a természetes nyelvek megértését, a vizuális felismerést és a megerősítéses tanulást kombinálják. Egy AI-ügynöknek a CI/CD (folyamatos integrációs és szállítási) folyamatokba történő integrációjával pedig mindezt a teljes tesztelési ciklusra vonatkozóan engedélyezhetjük.

Ugyanitt hangsúlyozzák, hogy az ágentikus AI-tesztelés nem helyettesíti a QA-mérnököket, hanem a repetitív feladatok elvégzésével több kapacitásuk lesz az olyan magasabb hozzáadott értékű feladatokkal foglalkozni, mint a feltáró tesztelés, a tesztelési stratégia kidolgozása és a minőség előmozdítása a fejlesztői szervezeten belül.

Megosztás: