FE + AI = Tech Lead?

Az egyik legnagyobb félreértés szerintem az, hogy az AI majd „megírja helyettünk a kódot”. Technikailag erre valóban képes, a gyakorlatban viszont a kódírás ritkán a fejlesztés legnehezebb része. Egy projekt sikerét általában nem az dönti el, hogy milyen gyorsan tudunk elkészíteni egy-egy fejlesztést, hanem az, hogy mennyire értjük a problémát, mennyire látjuk át az érintett rendszereket, és milyen döntéseket hozunk a tervezés során. A legtöbb fejlesztési feladat valójában problémamegoldás: azonosítani kell a valódi problémát, feltárni a gyökérokokat, megvizsgálni a lehetséges megoldásokat, majd kiválasztani azt, amelyik a legjobb kompromisszumot jelenti költség, ráfordítás és várható eredmény szempontjából.

Ebben a folyamatban az AI rendkívül hasznos társ lehet, de a gondolkodást nem váltja ki. Sőt, minél többet használom, annál inkább azt érzem, hogy a fejlesztő értéke nem csökkent, hanem bizonyos szempontból nőtt.

A végrehajtás olcsóbb és gyorsabb lett, de a gondolkodás nem!

Korábban viszonylag egyértelmű volt, hogy meddig terjed a komfortzónám. Frontendesként természetesen tudtam együtt dolgozni backendes kollégákkal, QA-val, designerekkel vagy DevOps szakemberekkel, de minden területnek megvoltak a maga specialistái. Ma ugyanezek a szakterületek továbbra is léteznek, és a jó szakemberek tudása továbbra is pótolhatatlan, mégis sokkal könnyebb belépni olyan területekre, amelyek korábban kívül estek a saját tapasztalati körömön.

Ha egy új technológiával találkozom, az AI segít megérteni az alapokat, feldolgozni a dokumentációt, összefoglalni a különböző lehetőségeket, vagy akár alternatív architektúrákat javasolni. Nem azért lesz több tudásom, mert az AI „helyettem gondolkodik”, hanem azért, mert sokkal gyorsabban tudok tanulni és tájékozódni. A döntések viszont továbbra is nálam maradnak. Nekem kell mérlegelnem a kockázatokat, nekem kell vállalnom a felelősséget, és nekem kell felismernem azt is, amikor az AI rossz irányba indul el. Emiatt az elmúlt időszakban egyre inkább úgy kezdtem tekinteni magamra, mint egy tech leadre.

Az AI nem a helyemre ül be. Az AI a csapatom.

Ez az a rész, amiről szerintem kevesebbet beszélünk. Sokan úgy tekintenek az AI-ra, mint egy minden kérdésre azonnali választ adó eszközre, pedig a valóság ennél jóval árnyaltabb. Egy AI-asszisztens minden új sessionben gyakorlatilag tiszta lappal indul. Nem ismeri a projektet, nem tudja, milyen döntések születtek korábban, és nem látja azokat a háttérinformációkat, amelyek számunkra természetesek.

Ezért nálam az AI használata egyre inkább a kontextusépítésről szól. A dokumentáció, a README-k, az architektúra-leírások vagy akár a különböző szabályokat és tiltásokat tartalmazó projektfájlok ma már nemcsak a fejlesztőknek készülnek, hanem az AI számára is. Minél jobb a kontextus, annál jobb válaszokat kapok. Ugyanúgy igaz rá, mint egy emberi kollégára: ha rossz briefet kap, rossz eredményt fog szállítani.

A másik fontos tanulság az, hogy érdemes ellenállni annak a kísértésnek, hogy az AI rögtön implementálni kezdjen. A legjobb eredményeket általában akkor kaptam, amikor először terveztem vele, közösen feltérképeztük a lehetőségeket, és csak ezután indult el a fejlesztés. 

Tervezés nélkül az AI ugyanúgy képes zsákutcába futni, mint egy ember. Csak sokkal gyorsabban.

Az elmúlt időszakban több olyan projekten dolgoztam, amelyek jól megmutatták, hogy az AI milyen területeken tud valódi segítséget nyújtani, és hol vannak a korlátai.

1. LocalRun

A LocalRun egy viszonylag kis méretű privát projekt volt, amelynek célja terminálparancsok futtatása és monitorozása Ubuntu rendszeren, desktop alkalmazásként. A fejlesztés során olyan területekre kellett belépnem, amelyek korábban távol álltak a napi munkámtól: GTK3, subprocess-kezelés vagy éppen system tray integráció. A projekt végül néhány óra alatt elkészült, de számomra nem a sebesség volt az érdekes, hanem az, hogy mennyire jól működött a folyamat egy pontosan definiált cél esetében.

Amikor világos, hogy mit szeretnénk építeni, az AI elképesztő gyorsasággal képes végrehajtani a feladatot.

2. Scan Report

A Scan Report már egészen más jellegű kihívást jelentett. A projekt célja a céges infrastruktúrában található konténer image-ek sebezhetőségeinek kezelése és nyomon követése volt. Itt nem a fejlesztés bizonyult a legnehezebb résznek, hanem a környezet és az integrációk megértése. Harbor, deployment folyamatok és különböző céges rendszerek együttműködése alkotta azt a kontextust, amelyet először nekem kellett megértenem. Ez volt az egyik legjobb példája annak, hogy az AI csak azt tudja, amit megmutatunk neki.

Ha egy külső rendszer működése nem dokumentált vagy speciális üzleti logikára épül, azt nem fogja kitalálni helyettünk.

3. Voice Admin

Hasonló tanulságokat hozott az Aurora alapú (a cég új, saját fejlesztésű frameworkje) Voice Admin projekt is, ahol egy meglévő rendszer újraírása volt a cél. A technológiai stack önmagában is összetett volt: KeystoneJS, GraphQL, PostgreSQL, NextJS és különböző külső szolgáltatások integrációja. Ennél a projektnél vált igazán egyértelművé számomra, hogy az AI legnagyobb értéke nem feltétlenül a kódgenerálásban rejlik. A projekt sikerének kulcsa egy részletes, több fázisból álló migrációs terv volt, amelynek kidolgozása sokkal több energiát igényelt, mint maga az implementáció.

Az AI ebben partnerként tudott működni, de a stratégiai döntések továbbra is emberi feladatok maradtak.

4. tudor 2.0

Jelenleg a tudor 2.0 fejlesztésén dolgozom, amelynek célja egy korábbi n8n-alapú infrastruktúra lecserélése és modernizálása. A projekt során RAG pipeline, ChromaDB, Mattermost integráció, GitLab webhookok és egyéb komponensek együttműködését kellett megtervezni. Itt ismét az derült ki, hogy a nehéz rész nem a kód megírása, hanem annak kitalálása, hogy egyáltalán milyen rendszerre van szükség.

Az AI sokat segített a kutatómunkában és az alternatívák feltérképezésében, de a végső architektúra kialakítása továbbra is hosszú elemzést és tervezést igényelt.

Az AI használata kétségtelenül jelentős sebességnövekedést hozott a munkámba. Sokkal gyorsabban tudok prototípusokat készíteni, könnyebben tudok új technológiákat megismerni, és olyan területeken is magabiztosabban mozgok, amelyek korábban kívül estek a fő szakterületemen. Emellett tanulási eszközként is rendkívül hasznosnak tartom, mert sokszor segít megérteni olyan koncepciókat vagy rendszereket, amelyekhez korábban hosszabb kutatómunka kellett volna.

Ugyanakkor fontos beszélni az árnyoldalakról is. Az AI rendkívül magabiztosan tud hibázni, és ugyanolyan sebességgel képes rossz döntéseket támogatni, mint jókat. Ha vakon elfogadjuk a javaslatait, könnyen technikai adósságot halmozhatunk fel. Ugyanígy veszélyes lehet az a hamis magabiztosság is, amelyet egy-egy sikeres projekt után érezhetünk. Attól, hogy az AI segített megoldani egy problémát, még nem biztos, hogy valóban értjük azt. 

A tapasztalt kollégák tudása továbbra is felbecsülhetetlen érték, különösen olyan helyzetekben, amikor komplex üzleti vagy technikai döntéseket kell meghozni.

Ha egyetlen mondatban kellene összefoglalnom az elmúlt időszak tapasztalatait, akkor azt mondanám, hogy az AI nem elsősorban a fejlesztés módját változtatta meg, hanem a fejlesztő szerepét. A végrehajtás gyorsabb lett, a belépési küszöb viszont alacsonyabban van, és sok olyan feladat vált elérhetővé, amely korábban komoly akadályt jelentett. Ezzel párhuzamosan viszont felértékelődött a problémamegoldás, a tervezés, a döntéshozatal és a felelősségvállalás szerepe.

Aki képes rendszerekben gondolkodni, jó kérdéseket feltenni és megfelelően irányítani ezt az új eszköztárat, annak az AI nem konkurencia lesz, hanem egy rendkívül hatékony csapattag. Talán ez a legnagyobb változás, amit az elmúlt években tapasztaltam.

Már nem csak fejlesztünk. Egy csapatot vezetünk. Még akkor is, ha annak jelentős része mesterséges intelligencia.