Szoftvermérnök vagyok, és ma már minden sor kódomat az AI írja – mesélek a Vibe Codingról

Több mint hat év tapasztalattal a hátam mögött már több mint egy éve nem ütöttem le egyetlen sor kódot sem a billentyűzeten. A mostani projektjeimben kivétel nélkül mindent az AI ír. Pedig amikor bő egy éve először próbáltam ki a mesterséges intelligenciával való kódolást, a mámor alig három napig tartott.

A Vibe Coding tiszta boldogság

Még élénken él bennem, amikor tavaly (2025) júniusában a sok dicséret hatására először nyitottam meg a Cursort. Első pillantásra kiköpött VS Code volt, az egyetlen látható különbséget az AI-jal csevegő oldalsáv jelentette.

Addig a pontig az AI-alapú kódolás nálam kimerült a GitHub Copilot némileg okosabb automatikus kiegészítéseiben. Ám amint begépeltem az első valódi promptot és rányomtam a küldésre, valóságos csoda történt. Láttam, ahogy az AI vadul pörgeti a gondolatait, majd szélsebesen ontja magából a tucatnyi, sőt százas nagyságrendű kódsorokat közvetlenül a szerkesztőben. Sőt, magától váltogatott a fájlok között, frissítette őket, és még a terminálban is lefuttatta a szükséges parancsokat.

Hirtelen ott találtam magam, hogy elég volt hétköznapi nyelven leírnom, mit szeretnék látni, és az AI a semmiből felépítette a funkciót. Nem kellett sorról sorra pötyögnöm semmit. Ez már rég nem a megszokott autocompletion világa volt: a mesterséges intelligencia magasabb szintről lépett be, és a szoftvermérnöki munka tekintélyes részét egyszerűen átvette.

Olyan érzés volt, mint valami varázslat: mintha csodafestéket kaptam volna a kezembe, amivel bármit rajzolok, az azonnal életre kel. Megéreztem, hogy egy vadonatúj világ kapuja tárult ki előttem. Akkoriban le is jegyeztem az alábbi gondolatokat:

A Vibe Coding valóságos megváltás az ADHD-s agynak. A hagyományos kódolás minden ízében szembemegy az ADHD-s személyiséggel, a Vibe Coding viszont egy csapásra kigyógyított az összes nyűgömből: abból, hogy utálok teszteket írni, irtózom a CSS-től, folyton elgépelem a változóneveket, és halálra unom magam a repetitív, apró bugok vadászata közben.

Az AI segítségével a visszacsatolás villámgyors lett, az azonnali sikerélmény pedig leírhatatlan. Minél favágóbb és monotonabb egy feladat, annál jobban csinálja a gép.

Nekem pedig nem marad más dolgom, mint az átfogó irányra és az architektúra megtervezésére koncentrálni – kvázi a projekt technikai vezetőjeként funkcionálni.

Egyáltalán nem vágyom arra, hogy minden egyes karaktert a két kezemmel gépeljek be; én az alkotás örömét élvezem. Az assemblytől a magas szintű nyelvekig a programozás fejlődése mindig is arról szólt, hogy maga az alkotói élmény egyre gördülékenyebbé, a fejlesztő pedig egyre hatékonyabbá váljon.

Szoftvert építeni most végre nem téglahordásnak érződik, hanem tiszta alkotói folyamatnak – és fejlesztőként ez valami elképesztően felszabadító élmény.

A Vibe Coding korlátai

Ennek a megközelítésnek időközben neve is lett: Vibe Coding. A kifejezést az OpenAI társalapítója, Andrej Karpathy dobta be a köztudatba 2025 februárjában. Lényege, hogy az ember teljesen az érzésekre (a „vibe”-ra) hagyatkozik: természetes nyelven elmondod az AI-nak, mit szeretnél, válogatás nélkül elfogadod, amit köp, egyetlen sort sem vizsgálsz felül, és ha hibaüzenet jön, csak változtatás nélkül visszadobod neki, míg végül már azt is elfelejted, hogy maga a forráskód egyáltalán létezik.

Miután az első katarzis hevében megírtam a fenti sorokat, alig telt el három nap, és máris szembejöttek a Vibe Coding kőkemény korlátai.

Akkoriban épp egy alkalmazás prototípusát kalapáltam össze. A színtiszta Vibe Coding jegyében hagytam, hogy az AI a homályos utasításaim alapján szabadon szárnyaljon, mindenféle mérnöki kontroll vagy struktúra nélkül. A végeredmény nem késett: a modell idővel egyre kezelhetetlenebbé vált, az architektúra pedig olyan kaotikus spagettivé silányult, amit képtelenség volt karbantartani.

Úgyhogy fogtam az egészet, kidobtam a kukába, és nulláról újrakezdtem – immár felvéve a szoftvermérnöki sapkámat, a bevett iparági módszertanok szerint fogva az AI kezét.

Ezzel teljesen más minőségű fázisba léptem. Bár a Vibe Coding laza öröméből sok minden megmaradt, bevezettem a szigorúbb kódellenőrzést, a pontos dokumentációt, és ahelyett, hogy egyszerre öntöttem volna rá hatalmas funkciócsomagokat, apró, inkrementális lépésekben haladtam. Az architektúra és a megvalósítás így végig precízen kézben tartható maradt; az AI pont oda lőtt, ahova mutattam. Az AI-asszisztált fejlesztés hirtelen olyan lett, mint amikor egy tapasztalt tech lead egy szupergyors gyakornokot instruál: a favágó részleteket nem neked kell begépelned, de a rendszerszintű rálátást és az architekturális kontrollt egy pillanatra sem engedheted ki a kezedből.

Nem sokkal később átváltottam a Claude Code használatára. Ezzel még pontosabb és robusztusabb irányítást kaptam a kezembe: szinte szárnyakat adott a munkának, a fejlesztési hatékonyságom a többszörösére ugrott.

Mi lesz a szoftvermérnökök jövője?

„Elképzelhető, hogy a Vibe Coding miatt – mivel túl gyorsan lehet vele működő dolgokat összedobni – az embereknek már nem fűlik majd a foguk a programozás alapjainak elmélyült elsajátításához?”

Szerintem ez nemhogy elképzelhető, de borítékolható!

A kódolástanulás és a terméképítés hagyományos útja olyan volt, mint egy lépcsősor: fokról fokra, szépen lassan lépkedtél felfelé. Az ember elkezdte a legalapvetőbb kurzusokkal, felvették juniornak, ott a valós projektek gyakorlati kihívásain edződött, és lépésről lépésre vált önállóan dolgozó szoftvermérnökké. Minden szinten megvolt a világos visszajelzés, így átlagos képességekkel sem volt lehetetlen betörni a szakmába, és a karrierív is jól láthatóan kirajzolódott.

A Vibe Coding a belépési küszöböt szinte nullára redukálta: ma már bárki képes összedobni egy demószintű prototípust. Csakhogy a szoftverfejlesztés mélyen gyakorlati szakma. Egy működő demótól eljutni egy éles környezetben is stabil, megbízható és piacképes termékig – nagyjából akkora a különbség, mint a 0-ról 1-re és az 1-ről 100-ra lépés között.

A régi modellben, aki eljutott a nulláról az egyig, útközben felszedte a szükséges alapokat ahhoz is, hogy később megbirkózzon az egytől százig tartó szakasszal. A Vibe Coding viszont nem vértezi fel a laikusokat ezekkel az alapokkal. Ennek következtében már az 1-től 10-ig tartó ugrásnál egy áthidalhatatlan szakadék tárul eléjük, ami a legtöbbek kedvét végleg el fogja venni a mélyebb tanulástól.

Mivel a kezdet túl könnyű volt, a később felbukkanó, kőkemény akadályokat puszta átlagos érdeklődéssel vagy tanulási készséggel már nem lehet átugrani. Aki ezt a szakadékot mégis zokszó nélkül átlépi, annak a tanulási tempója, problémamegoldó képessége és kitartása egész biztosan a legfelső egy százalékba tartozik.

Más szóval: ez a szűk réteg az AI kora előtt is elit mérnökké vált volna, tisztán tehetségből és szorgalomból.

Ahogy az AI programozási képességei ugrásszerűen fejlődnek, az iparágnak egyre kevésbé van szüksége junior fejlesztőkre. A szakmai utánpótlás nevelése megszakad, és egyre kevesebbeknek adatik meg a lehetőség, hogy élesben tanulják ki a szakmát.

Egy évvel a jelen írás vázlatának megszületése után a munkaerőpiaci adatok már feketén-fehéren igazolják ezt a jóslatot:

• A Stanford Digital Economy Lab az amerikai bérszámfejtő óriás, az ADP adatai alapján kimutatta, hogy 2026 júniusára a mesterséges intelligenciának leginkább kitett szakmákban a 22–25 éves korosztály foglalkoztatottsága 19%-kal maradt el attól a szinttől, amit a más területeken dolgozó kortársaik trendjei indokoltak volna (egy évvel korábban ez a rés még csak 15% volt). A tapasztalt szakembereknél nem látszik hasonló visszaesés. Ráadásul a különbség nem a leépítésekből fakad, hanem abból, hogy a cégek egyszerűen nem vesznek fel pályakezdőket. (Stanford Digital Economy Lab, 2026-08)
• A SignalFire kockázatitőke-társaság 2026 júniusi jelentése szerint 12 vezető technológiai óriásnál – köztük a Google-nél, a Metánál, az Apple-nél és a Microsoftnál – a frissdiplomás és junior pozíciók száma mintegy 65%-kal esett vissza 2019-hez képest; a korai fázisú startupoknál pedig 76%-os a zuhanás. (SignalFire State of Talent Report 2026)
• Az Indeed állásportál statisztikái szerint 2026 első negyedévében az amerikai szoftverfejlesztői álláshirdetések mindössze 4,5%-a szólt junioroknak – ez az arány az összes vizsgált iparág közül a legalacsonyabb. (Indeed Hiring Lab, 2026-07)

Őszintén szólva elég borúlátó vagyok a szakma jövőjét illetően. A szoftverfejlesztés világa végletesen polarizálódik: vagy az abszolút elit titánjai vívják a maguk harcát, vagy amatőrök barkácsolnak puszta hobbiból demószintű játékszereket.

És ez a sors vár a többi területre is: a kódolás csak az előőrs volt. A jövőben minden olyan szellemi munkát, ami nem igényel mély, fundamentális zsenialitást, fokozatosan átvesz az AI.

Még a matematika – az absztrakt emberi elme fellegvára – kapuit is feltörte az AI ebben az évben:

• 2026 januárjában a cambridge-i egyetemista Kevin Barreto és az amatőr matematikus Liam Price a GPT-5.2 Pro segítségével megoldotta Erdős 728. problémáját, amelyre korábban a szakirodalomban semmilyen bizonyítás nem létezett. Ezt tartják az első olyan Erdős-problémának, amelyet érdemben a mesterséges intelligencia oldott meg.
• 2026 májusában az OpenAI modellje megcáfolta Erdős 1946-ban felállított egységtávolság-sejtését – egy olyan rejtvényt, amely nyolcvan éven át izzasztotta a világ matematikusait. A Fields-érmes Tim Gowers úgy fogalmazott: „Korábban egyetlen AI által generált bizonyítás sem közelítette meg ezt a szintet.” Pár héttel később emberi matematikusok már az AI eredményére építve értek el további áttörést.
• Ugyanebben a hónapban a Google DeepMind egyik AI-ágense 353 nyitott matematikai problémából kilencet önállóan megoldott, feladatonként mindössze néhány száz dolláros számítási költséggel.
• Noga Alon neves matematikus a történtek hatására fel is hagyott az Erdős-problémák kutatásával: „Miután az AI elkezdte megoldani őket, már semmi értelmét nem látom.”

Miről fog szólni ez a cikksorozat?

Napjainkban egyre többen ugranak fejest az AI-kódolásba anélkül, hogy valaha egyetlen sort is programoztak volna. Sokan nem tudják, hol kezdjék, vagy megrekednek a mini hobbi-projekteknél. Gyorsan szembesülnek azzal, hogy a szoftvermérnöki alapismeretek hiányában fogalmuk sincs, mi történik a motorháztető alatt: hogyan bontsanak részekre egy összetett problémát, miként kezeljék a komplexitást, vagy hogyan instruálják az AI-t úgy, hogy valóban a kívánt eredmény szülessen meg.

Arról nem is beszélve, hogy a nehézségek jelentős része a strukturált logikai gondolkodás hiányából fakad: sokan nem tudnak célirányosan kérdezni, hiányzik a kritikai szemléletük, és nem képesek megítélni, hogy az AI válasza egyáltalán helytálló-e.

Több mint hat év tapasztalattal rendelkező szoftvermérnökként már számos komplex terméket terveztem és fejlesztettem le kizárólag AI segítségével – olyan rendszereket, amelyek ma is valós felhasználókat szolgálnak ki. Ahogy a bevezetőben írtam: jelenlegi projektjeimben minden egyes sor kódot az AI ír. A technológia valóban képes komplex rendszereket felépíteni, de csak akkor, ha a gép mögött ülő ember pontosan tudja, mit csinál, és hogyan kell a modellt terelni. Az AI csupán szerszám; a karmester továbbra is az ember.

A mesterséges intelligencia korában a programozástanulás régi receptjei elavultak. Hogy választ adjak a kor kihívásaira, útnak indítok egy új cikksorozatot: Vibe Coding kalauz a nulláról címmel.

A kalauz a következő főbb pillérekre épül majd:

1. AI-kódolás a modern szoftvermérnöki gyakorlatban: Megértjük, mit is jelent valójában a szoftverfejlesztés, majd a nulláról felépítjük a saját alkalmazásunkat. A cél, hogy a projekt ne ragadjon le egy instabil demó szintjén, hanem hosszú távon karbantartható, robusztus és gördülékenyen fejleszthető maradjon.
2. Gondolkodásmód és logikai eszköztár: Hogyan kérdezzünk hatékonyan AI-kódolás közben, milyen tipikus csapdákat kerüljünk el, és miként írjunk olyan projektdokumentációt, amiből a modell valóban érteni fogja a dolgát.
3. Tesztelés és munkafolyamat-optimalizálás: Hogyan teszteljük a kódot, miként csiszoljuk a fejlesztési folyamatot, és hogyan növeljük a tempót automatizált munkafolyamatokkal anélkül, hogy az architektúra megbízhatósága vagy a kódminőség csorbát szenvedne.
4. Ideális tech stack az AI-korszakban: Milyen nyelveket és keretrendszereket érdemes választani, hogy a lehető legjobban kimaxoljuk a mesterséges intelligencia veleszületett erősségeit.

Utószó

A cikk magját valójában egy évvel ezelőtt, 2025 októberében vetettem papírra. Most újra elővettem, átszerkesztettem, és kiegészítettem az elmúlt év munkaerőpiaci statisztikáival, valamint a matematika területén elért AI-áttörésekkel. Akkoriban annyira fejbe vert a fejlődés szédítő tempója, hogy attól tartva, bármi, amit leírok, napokon belül idejétmúlttá válik, inkább csak rövid posztokat szórtam a netre, és hanyagoltam a hosszabb lélegzetvételű írásokat. Most, egy év elteltével újraolvasva ezt a piszkozatot, úgy éreztem, a gondolatmenet kiállta az idő próbáját, megérett a publikálásra. A jövőben igyekszem többet írni – elvégre a valóban emberi hangú tartalom a jövőben egyre ritkább és értékesebb kincs lesz.