Mesterséges intelligencia és szoftverfejlesztés: AI ágensek, vibe coding és a programozás jövője – 2025 kíméletlen mérlege

Ebben a cikkben egy visszatekintést fogsz kapni a 2025-ös évről. Mi történt 2025-ben? Hogyan terjedt el a mesterséges intelligencia? Milyen piaci nehézségekkel találkoztak a szoftverfejlesztők? És most milyennek látszik a programozás jövője? Szinte napi rendszerességgel kapunk kommenteket, amelyek elsősorban ezekre a témákra fókuszálnak, úgyhogy mindenképp érdemes ezekkel foglalkozni.

A cikk végén találsz majd egy ajánlatot a Gyorsítósáv Karrierprogramról, ahol gyakorlatilag a mostani piaci trendeket figyelembe véve tudod felturbózni a karriered építését. Mert a szoftverfejlesztői karrierek, illetve az egyéb műszaki, informatikai, mérnöki és természettudományos karrierek nem szűntek meg, csupán átalakultak valamennyire. Ahol a mesterséges intelligencia a mi eszközünk lesz, és a mi előnyünk lesz, vagy már az. Nos, ígéret vagy valóság? Ez a fő kérdés.

2025: az AI ágensek éve – hype vagy valódi megvalósulás?

Azt nem vitatjuk, hogy 2025 az AI ágensek, az AI ügynökök éve. Agentic design, agentic development, vibe coding: ezek naponta használatos kifejezések. Válasszuk külön a hype-ot és a valódi megvalósulást. Ahhoz, hogy ezt külön tudjuk választani, először definiálnunk kellene, hogy mitől hívunk egy intelligens ágenst ágensnek, azaz ügynöknek.

Szándékosan használom az „ágens” szót: az „agent” angol megfelelője. A szakmában már a 2000-es évek közepén is az „intelligens ágens” kifejezés terjedt el, például a Norvig-féle mesterséges intelligencia könyvben is. És ezt vesszük alapul. Az a lényeg: attól ágens egy ágens (intelligens ágens), hogy döntéseket tud hozni, és automatizáltan képes a környezetével kapcsolatba lépni, és azt esetleg vezérelni, megváltoztatni.

A mesterséges intelligencia definiál gépi tanulást, és sok más, nem feltétlen gépi tanulás alapú módszert is. Ilyen például egy ajánlórendszer (Recommendation System), amikor egy platform a preferenciáid alapján ajánl következő tartalmat vagy terméket. Van klasszifikáció, van regresszió: ezek is mesterséges intelligencia elvek. A generatív AI ezeknek egy kis része: nyelvi modelleket használunk arra, hogy „megjósoljuk”, milyen szó lesz a legvalószínűbb a korábbi szavak után. És ennek hatalmas következménye lesz a szoftverfejlesztői ökoszisztémák „stackjeire” (egy adott szoftver vagy weboldal fejlesztéséhez használt technológiák, programozási nyelvek, keretrendszerek, adatbázisok, eszközök összessége) is.

Heti modellfrissítések, benchmarkok és hallucináció

Sajnos (vagy szerencsére) heti rendszerességgel érkeznek az új generatív AI nyelvi modellek: Gemini, LLaMA, OpenAI, és más piaci szereplők frissítései. A felhasználó úgy érezheti, hogy kiválóan ki van szolgálva, és ez valamennyire igaz is, de a kérdés az, hogy ezek a frissítések mit szolgálnak: valós haladást vagy a haladás illúzióját. Benchmarkokra optimalizálni érdekes lehet, de a valódi felhasználói élménybeli változás gyakran nem követi a benchmarkokat, mert egy cégnek nyilván fontosabb reklámozni, hogy a modell mire képes a többiekhez képest.

Ugyanakkor a hallucináció a mai napig fontos téma: navigálni kell körülötte, és ellenőrizni kell az eredményt. Ellenőrzés nélkül nem tudsz AI-eredményeket úgy felmutatni, hogy az stabil rendszer része legyen. A DeepSeek és más hatékony kínai modellek is betörtek a piacra. Ha követni akarod, melyik a „legjobb” modell 2025 végén, 2026 elején: sok sikert hozzá, mert akár heti rendszerességgel változik. De ez nyilván nem lesz mindig így, mert rendszerelméletileg és közgazdaságtanilag is bele van kódolva a rendszerbe a határhaszon elve: újabb fejlődési szinteket egyre több energiával, erőforrással tudunk csak elérni. Ez pedig egy idő után stabilizálja a gyors változásokat az AI területen is.

Vibe coding: magas szintű promptok, magasabb absztrakció – és a szakértő szerepe

A vibe coding azt jelenti, hogy programozunk magas szintű instrukciókkal, magas szintű leírásokkal, promptokkal. Így a „mély kódolás” helyett az érzésre alapozott fejlesztés jön: „írj nekem egy ilyen programot”. Ezt lehet magas szinten is művelni új promptokkal, lehet különböző modellekkel egymással ellenőriztetni, lehet tesztvezérelt fejlesztést csinálni vibe codinggal, és lehet hibát is keresni így. Ugyanakkor a probléma a következő: csak akkor működik, ha a fejlesztő érti az alapokat, vagy legalább átnézeti valakivel, aki érti az alapokat.

Tehát a szoftverfejlesztés mint munka nem válik ki és nem válik haszontalanná: átalakul, magasabb szintű lesz, mert a kód egy részét már tudjuk generálni. Emlékszem a 2000-es évekre, amikor az volt az ígéret, hogy kódot generálunk UML modellek alapján (például Rational XDE-vel). Az AI ezt olyan szinten demokratizálta, mint ahogy a jQuery annak idején felnagyította a JavaScript elérését: ez absztrakciós szintbeli ugrás. Előbb-utóbb valamilyen keretek közé fogjuk szorítani az AI-t, és valamilyen minőségi kritériumrendszernek meg kell felelnie a végterméknek.

Még az interjúztatók is kissé tudathasadásos állapotban vannak, hiszen egyrészt meg kell győződniük arról, hogy a jelölt képes használni az AI eszközöket, másrészt arról is meg kell bizonyosodniuk, hogy van ott valódi tudás, és nem csak az „AI-t interjúztatják” éppen.

A szakértő szerepe felértékelődik. Az AI-asszisztens marad, de a valódi érték a te tudásod: egyrészt a „keresési tér” lenyesése miatt (heurisztikákkal, intelligens promptolással), másrészt azért, mert a végeredményt szakértőnek kell ellenőriznie, hogy megfelelő minőségű-e.

Exponenciális keresési tér, heurisztikák – és a „P = NP” sejtés

Minél bonyolultabb a probléma, annál nagyobb a keresési tér, és exponenciális növekedésre lehet számítani. Ezt a klasszikus sakktábla-rizsszem példával is lehet illusztrálni (a duplázás miatt 2 a 63-on már „egy kicsit sok”). Ez az exponenciális növekedés. A mesterséges intelligencia keresési terében is ilyen exponencialitások vannak, és általában úgy uraljuk ezt, hogy heurisztikát adunk: megmutatjuk, hogyan tudja lenyesni a keresési teret. Ezt intelligens promptolással meg lehet tenni, de ehhez szakértelem kell.

A végeredmény ellenőrzése szintén emberi tényező. A nyelvi modellek teljesítőképességének maximumát ez az exponencialitás is lekorlátozza. Van egy sejtésem (nem beigazolódott), hogy ahhoz, amiről sokan álmodoznak, a P = NP állítást be kellene bizonyítani; és ha ez megtörténik, akkor beszélhetünk általános (general) intelligenciáról, vagy akár mesterséges szuperintelligenciáról, de addig ezek hangzatos szavak. A témáról a cikk alján találsz bővebb információt.

Kontárok és a „production-ready” illúziója

Vigyázni kell azzal, amikor rengeteg kontár árasztja el a piacot, és nem production-ready (teljesen készen áll arra, hogy valós felhasználók használják éles környezetben) rendszereket próbál production-readyként értékesíteni. Kisvállalkozásban folyamat-automatizálásra nyilván nagyon jó az AI, de ha termékről vagy szolgáltatásról van szó, nagyon kell vigyázni, hogy mit vásárolsz meg.

React-TypeScript-Next.js, NPM és a web törékenysége 2025-ben

Az AI egyik hozadéka, hogy a React-TypeScript-Next.js hármas kiemelkedett 2025-ben: az NPM-letöltések az egekbe mentek, miközben Google-keresések szintjén az érdeklődés enyhén csökkent. Hogyan oldjuk fel ezt a kettősséget? Úgy, hogy a mesterséges intelligencia ezeket a technológiákat tanulta meg a legjobban, mert eleve ezek voltak a legnépszerűbbek; és a legnépszerűbb hirtelen kétszer-háromszor-négyszer népszerűbb lett.

Itt jön a kritikus gondolkodás: ha a React-TypeScript-Next.js a jövő, mert az volt a jelen, akkor a fősodoron kívül mi marad az innovátoroknak? Mi lesz az innováció: a Reacten belül, vagy lesznek alternatívák? Ez kicsit olyan kérdés, mint hogy kellenek-e még junior programozók.

Ha már a Reactnél tartunk: a React Server Components kockázatok és az NPM-csomagtámadások megszaporodtak, mert ha több a lehetséges zsákmány, akkor többen próbálják azt kevésbé etikus módszerekkel megszerezni. Mi a zsákmány? Vibe coderek mennek, production-ready alkalmazásokat osztanak meg, próbálnak monetizálni (pénzt keresni); ott vannak adatok, erőforrások, valós pénz, és a social engineering is.

Többek között ezért hoztuk létre 2025-ben a Cyber csatornánkat: ez egy spin-off csatorna a ProgramozásKarrieren belül, ahol kiberbiztonságról van szó, mert felül fog értékelődni ez a terület. A sötét oldalon kifinomultabb adathalászat és automatizált kártevő-generálás várható, ezért egyre inkább fontos, hogy védd meg magad.

A web ökoszisztémája törékenyebb lett: egyre több a támadható tartalom. Ezt erősítette az is, amikor 2025-ben néhány hónappal korábban a weboldalak nagyjából 20-30%-a leállt pár órára: AWS- és Cloudflare-leállások történtek, és ha nem tudtad használni a megszokott szoftvereidet azon a napon, jó eséllyel megjegyezted. Vajon mennyire stabil az Internet, ha egyetlen régió kiesése mindent magával ránt?

Munkaerőpiac: juniorok, álláskiírások, leépítések – és a „ki építi a jövőt?” kérdés

2022-2023 környékén (akkor még nem volt AI-bumm) jött az a probléma, hogy a junior szoftverfejlesztőket kevésbé foglalkoztatták. Az Egyesült Államokban: nagy esés, és még nem tértünk teljesen magunkhoz az új hirdetések tekintetében. Emellett látszik, hogy már nem rúgnak ki annyi embert, de egyelőre nem növekszik az új állások száma.

Ha most elkezdesz tanulni, akkor a jövőben modern, de stabil alapokra helyezett tudásszinttel lehet érvényesülni, mert sok szoftverfejlesztő ki fogja írni magát a piacból: nem akar tanulni, nem akar fejlődni, és előbb-utóbb inogni fog a szék alatta. Ilyenkor jössz te. Ha nincsenek juniorok, ki építi majd a jövő rendszereit? Kik lesznek a jövő szenior fejlesztői?

A produktivitás növelése mesterséges intelligenciával nem váltja ki az emberekből álló csapatot, még ha sokan azt is hiszik. A modellek korlátai miatt (heurisztikus irányítás nélkül) hibaszázalékkal kell számolni, és sokszor emberi beavatkozás szükséges. Pl. YouTube thumbnailt Gemini eszközzel generálni úgy, hogy egy Nano Banana Pro modellhez intéz kérést; ha természetes nyelven kéred, sokszor négyzet alakú képet kapsz, viszont ha a modell által generált promptban fixálod a képarányt és a felbontást, akkor helyesen generál. „Egyszerűen a szöveget nem képes megérteni” – ez a helyzet jelenleg.

Az orvostudományban is ez a helyzet: az AI önmagában sokszor nem elég, de az orvos szakértelem az AI precizitásával és számítási kapacitásával együtt jobb végeredményt hozhat, mint csak az egyik.

Sok eszköz, sok zaj – és az „AI moslék”

Soha nem volt ennyi eszközünk, de soha nem volt ennyi zaj sem. Egy korábbi videóban definiáltuk az „AI moslék” fogalmát. Ne hagyd, hogy elvegye a kedved, ha időnként rosszabb minőségű videókkal, történetekkel, kóddal találkozol. Legyél te az a fejlesztő, aki érti és uralja az eszközöket, és nem függőséget épít, hogy az eszköz nélkül már nem képes alap feladatokat ellátni.

Gyorsítósáv.TECH Karrierprogram 2026-ban

Ígértem a cikk elején, hogy bemutatom röviden a Gyorsítósáv Karrierprogramot. Ez egy 15 hetes program, ahol a szakmai profilodat megtanulod folyamatosan optimalizálni az AI segítségével is. Eddig azt mondtuk: mindig, amikor beküldesz egy önéletrajzot, azt az adott cég igényeire kell szabni. Régen ez manuális volt és sokan utálták; ma „beadod az AI-nak”: itt az önéletrajzom, módosítsd úgy, hogy erre az állásra jelentkezem; hangsúlyozd azt, ami fontos, és hagyd ki, ami nem. Tippek százait fogod hallani ezen a karrierprogramon. Nyilván a generált szöveget neked kell ellenőrizni (hallucinációs probléma), és neked kell kiigazítani: ez nem mentesít, ugyanakkor rengeteg előnye van annak, hogy így állunk hozzá.

Megtanulsz interjúzni; a munkahelyeden belül az első 90 nap alatt eléred, hogy a próbaidőn túl tudj lépni, és olyan kezdeményezéseket indíts, amelyek később az előléptetésedet garantálják. Szó van a nemzetközi karrierről és szabadúszó életmódról is. Nem kell szoftverfejlesztőnek lenni, elég reál területen dolgozni ahhoz, hogy a program maximumát ki tudd hozni, és üzleti haszon legyen belőle (jobb állás, több pénz; vagy vállalkozóként jobb munkaerő-választás).

A program moduljai: szakmai orientáció (szabályok, kérdések-válaszok, gondolkodásmód, csapdák), szakmai profilkészítés (ütős pályázati anyag reál területre), állásinterjú, szakmai/kódolási jellegű interjú (nem csak a megoldás, hanem a kommunikáció és együttműködés a lényeg), első 90 nap a cégen belüli előléptetéshez, nemzetközi vezetői vagy szakértői karrier (vezetői pálya vs. szakértői pálya; szintek és szerepek), munkahelyi viselkedés és szakmai kommunikáció, végül konzultációk, utánkövetés és akár chat támogatás formájában szakmai profil audit.

A komfort csomagban nincs utánkövetés, viszont a VIP csomagban élő konzultáció is van. Széles a választható elemek köre. Bónusz mindhárom csomaghoz: amennyiben még 2025-ben (szilveszter éjfélig) jelzed a jelentkezési szándékodat, akkor a 2026-ban induló bevezető AI programra ingyen meghívást kapsz. A karrierprogram február közepén indul. A modulokat hárman tartjuk (Annával és Róberttel), és Discordon elérhetők vagyunk. Ha szoftverfejlesztői karriert építenél, ajánljuk a ProgramozásKarrier főoldalát, ahol van egy teszt, amit kitöltve megtudhatod, hogy neked való-e a szoftverfejlesztő szakma.

Melléklet: A „P = NP” sejtés

A „P = NP” sejtés a számítástudomány egyik legfontosabb megoldatlan problémája, amely azt kérdezi, hogy vajon minden olyan probléma, amelynek a megoldását gyorsan (polinom időben) ellenőrizni lehet, vajon gyorsan megoldható is (polinom időben)? A P osztály (Polynomial time) azok a problémák, amelyek gyorsan megoldhatók, az NP (Nondeterministic Polynomial time) pedig azok, amelyek megoldása gyorsan ellenőrizhető. A sejtés lényege, hogy ha egy megoldás gyorsan ellenőrizhető (NP), akkor gyorsan meg is oldható (P). Ha ez igaz, forradalmasítaná a kriptográfiát (törékennyé téve azt), az optimalizálást, a mesterséges intelligenciát és még sok más területet, de a legtöbb szakértő azt gyanítja, hogy a sejtés hamis (P ≠ NP), azaz léteznek problémák, amelyek gyorsan ellenőrizhetők, de nem oldhatók meg.