Az AI gyorsabban ír kódot, mint ahogy az emberek ellenőrizni tudják

Több kód készül, de tovább tart a jóváhagyás: több kutató és cég szerint a fejlesztés szűk keresztmetszete az ellenőrzés felé tolódik.

Az AI gyorsan elkészíti a módosítást, de attól az még nem kerül gyorsan a közös kódba. Az Ars Technica által ismertetett kutatás szerint a programozóágensek bevezetése után átlagosan 49%-kal hosszabb lett a pull request — vagyis a kódmódosítás beolvasztását kérő javaslat — benyújtásától az elfogadásáig tartó idő. A 2026 októberében megjelent beszámolókban több kutató és cég is arról számol be, hogy a növekvő kódmennyiség mellett az emberi ellenőrzés válik szűk keresztmetszetté.

Több javítást kérnek, és több ember ellenőriz

Chen és Stratton kutatásában közel megduplázódott azoknak a módosítási javaslatoknak az aránya, amelyeknél javítást kértek, a javaslatonkénti hozzászólások száma pedig 35%-kal emelkedett. A kódellenőrzést végző munkatársak aránya 14%-kal nőtt. Vagyis nem pusztán több kód érkezett: több egyeztetés és átdolgozás is kellett hozzá.

A vizsgált cégek 95%-a a kutatás adatgyűjtésének lezárásáig bevezetett AI-programozóágenseket, amelyek fejlesztési feladatokat hajtanak végre. Már 2026 márciusában 80%-uk használt valamilyen AI-alapú kódellenőrzést is, de az ágensekhez az ellenőrzési hozzászólásoknak csak 23,3%-a, az összes módosítási javaslatnak pedig 10,8%-a kötődött. A vizsgált cégeknél tehát az ágensek adták az ellenőrzési hozzászólások kisebb részét.

A kutatók a Jellyfish ügyfélcégeinek aktív dolgozói adatait LinkedIn-adatokkal is összevetették. Ez alapján nem tudtak jelentős foglalkoztatási változást az AI-nak tulajdonítani. A megállapítás a vizsgált cégek foglalkoztatási adataira vonatkozik, nem a teljes iparágra.

Egy cégnél kétszeres teher jutott az ellenőrökre

A Carnegie Mellon és a Stanford kutatói egy másik, 2026 júliusában megjelent tanulmányban 802 fejlesztőt és közel 200 000 módosítási javaslatot követtek egy közepes méretű, az AI-t intenzíven használó cégnél. Az áprilisig tartó adatsorban a javaslatok száma 3,1-szeresére nőtt, az ellenőröké viszont csak 1,5-szeresére. Így egy ellenőrre nagyjából kétszer akkora terhelés jutott.

Az AI által írt módosításoknál az első emberi ellenőrzéstől a beolvasztásig körülbelül 20%-kal több idő telt el, még a javaslat méretét és szerzőjét figyelembe véve is. Közben az írásos emberi visszajelzést kapó javaslatok aránya 39%-ról 21%-ra esett, az ellenőrönkénti, megjegyzés nélküli jóváhagyások száma pedig nagyjából megduplázódott. Ezek egyetlen cég eredményei, nem az egész iparág mérései.

Az AI-cégek saját beszámolói jóval nagyobb kódtermelést mutatnak. Az Anthropic szerint egy tipikus mérnökük 2026 második negyedévében naponta nyolcszor annyi kódot olvasztott be, mint 2024-ben; az OpenAI egyes csapatainál a Symphony feladatkoordináló rendszer első három hetében 500%-kal nőtt a beolvasztott javaslatok száma. Az OpenAI kutatási szervezetében a cég szerint minden emberi munkanapra körülbelül három munkanapnyi ágensmunka jutott — a Semgrep ugyanakkor hangsúlyozza, hogy ezek saját termékeikről beszámoló szállítók állításai.

„Ahogy egyre több kódot mozgatunk a szervezeten belül, az emberi kódellenőrzés új szűk keresztmetszetté vált.”

— Anthropic

A jóváhagyás nem biztonsági garancia

A nagyobb mennyiség mellett a hibák felismerése is kérdés. Egy 2026 júliusi, nyolc modellt vizsgáló teljesítménytesztben minden modell átlagos sérülékenységi aránya meghaladta az 56%-ot a valós kockázati helyzeteket tükröző feladatokban. A teszt azonban régebbi modellverziókat használt, így az eredményt nem lehet minden mai AI-eszközre rávetíteni.

Az emberi ellenőrzés sem tévedhetetlen. Egy 2022-es, az ICSE konferencián bemutatott kontrollált vizsgálatban a fejlesztők két szándékosan elhelyezett biztonsági hibát a szokásos kódellenőrzés során az esetek 3, illetve 21%-ában találtak meg; célzott biztonsági ellenőrzőlistával a legjobb eredmény 61% volt. A Semgrep is jelzi a korlátot: két konkrét sérülékenység egyetlen vizsgálatáról van szó, nem általános hibafelismerési arányról.

A Semgrep az alacsony kockázatú változtatások automatizált ellenőrzése mellett érvel. Az Amp programozóágens mögötti húszfős csapat ennél is tovább ment: nem használ módosítási javaslatokat, hanem közvetlenül a fő kódágba küldi a változtatásokat, és folyamatosan ad ki új verziókat. Az auditorával olyan kontrollokon dolgozott, mint az aláírt kódmentések és az automatizált tesztek; ez egy csapat működési példája, nem bizonyíték arra, hogy mindenhol elhagyható az emberi jóváhagyás.

A GitHub gyorsít, az emberi döntés nem gyorsul vele

A GitHub havi commitjainak — rögzített kódváltoztatásainak — száma 2026 áprilisa és augusztusa között 1,4 milliárdról 2,9 milliárdra nőtt. Szeptemberben már 7,38 milliárdot regisztráltak, több mint az egy évvel korábbi mennyiség ötszörösét. A teljes havi Git-aktivitás 2025 szeptemberének 218,2 milliárd eseményéről 2026 augusztusára 473,3 milliárdra emelkedett.

A kódfeltöltések havi száma éves összevetésben 0,69 milliárdról 3,35 milliárdra, 4,9-szeresére nőtt, a módosítási javaslatok beolvasztása pedig közel négyszeresére. A GitHub Actions automatizált munkafolyamatai szeptemberben 3,26 milliárdszor futottak le, szintén az egy évvel korábbi szám négyszeresét elérve. Ezek a GitHub által közölt adatok a platformon zajló kódkezelési és automatizálási műveletek növekedését mutatják.

A GitHub ezért Azure Blob Storage-ra, vagyis felhős objektumtárolásra és különálló feldolgozóegységekre építve alakítja át Git-infrastruktúráját. Belső teljesítménytesztjeiben az új rendszer akár 35-ször nagyobb írási kapacitást ért el, de a cég nem közölt bevezetési menetrendet, és azt sem mondta meg, kell-e bármit változtatniuk az ügyfeleknek. A teljes felépítésről újabb bejegyzést ígér.

Mitch Ashley, a The Futurum Group alelnöke szerint a gyorsabb kódfeltöltés az ellenőrzéshez tolja át a szűk keresztmetszetet: a kódágak védelmi szabályai és a kötelező jóváhagyások továbbra is emberi tempóban működnek. Gabriel Martinez, a G2i mérnöki vezetője ugyancsak az emberi értékelési kapacitást, nem pedig a kódgenerálás sebességét tartja a fő korlátnak. A gyorsabb infrastruktúra a várakozás egy részét csökkentheti, de a kód helyességéről szóló döntést önmagában nem oldja meg.

» Követett téma: AI · régió: GLOBAL · kulcsszó: programozóágensek, kódellenőrzés