AI írja a kódot. De ki fogja ellenőrizni?

2026.09.10

Az AI-alapú fejlesztőeszközök nagyon rövid idő alatt a mindennapi szoftverfejlesztés részévé váltak. Ma már egyáltalán nem számít különlegesnek, ha egy fejlesztő kódrészleteket, teszteket vagy akár komplett funkciókat generáltat mesterséges intelligenciával.

Ennek az előnye elég egyértelmű: gyorsabban lehet haladni.

A problémák általában ott kezdődnek, amikor a gyorsaságot összekeverjük a minőséggel.

Egy AI által előállított kód ugyanis lehet teljesen működőképes úgy is, hogy közben nehezen karbantartható, biztonsági problémát tartalmaz, vagy egyszerűen nem illeszkedik megfelelően a már meglévő rendszerhez.

És valószínűleg ez lesz az AI-alapú fejlesztés egyik legfontosabb kérdése a következő időszakban.

Nem az, hogy tud-e az AI kódot írni.

Tud.

Hanem az, hogy hogyan ellenőrizzük azt a kódmennyiséget, amelyet egyre gyorsabban állítunk elő.

A működő kód még nem feltétlenül jó kód

Ez természetesen nem új probléma.

A szoftverfejlesztésben mindig is létezett olyan kód, amely működött ugyan, de technikailag nem volt különösebben jó megoldás.

Az AI ebben inkább a probléma méretét változtatja meg.

Egy fejlesztő például megkérheti az AI-t, hogy készítsen egy adatbázis-lekérdezést vagy írjon meg egy API-végpontot. Néhány másodperc múlva ott van a működő megoldás.

Csakhogy attól, hogy a kód lefut és a kívánt eredményt adja, még lehet benne például nem megfelelő inputkezelés, biztonsági sérülékenység vagy szükségtelenül bonyolult megoldás.

Az sem biztos, hogy ugyanazokat a fejlesztési szabályokat követi, amelyeket az adott vállalat vagy fejlesztőcsapat korábban meghatározott.

Ez különösen nagyobb rendszereknél jelent problémát.

Ha néhány száz sor kódról beszélünk, az emberi ellenőrzés még viszonylag könnyen megoldható. Ha viszont egy fejlesztőcsapat naponta több ezer sor AI által előállított vagy módosított kódot használ, egészen más lesz a helyzet.

Ilyenkor könnyen előfordulhat, hogy nem maga a fejlesztés, hanem annak ellenőrzése válik szűk keresztmetszetté.

Az AI technikai adósságot is gyorsabban tud termelni

A technikai adósság sokáig fokozatosan alakult ki egy rendszerben.

Egy gyors megoldás itt, egy ideiglenes javítás ott, néhány duplikált kódrészlet, majd hónapok vagy évek alatt kialakult egy nehezen karbantartható kódbázis.

AI használatával ez a folyamat jelentősen felgyorsulhat.

A generált kódban megjelenhetnek felesleges ismétlések, túl összetett függvények vagy olyan megoldások, amelyek ugyan technikailag helyesek, de hosszabb távon nem szerencsések.

Ezek külön-külön általában nem okoznak látványos problémát.

Egy nagy rendszerben viszont összeadódnak.

És néhány év múlva már nem az lesz a kérdés, hogy mennyivel gyorsabban készült el az adott funkció, hanem az, hogy mennyibe kerül a rendszer további karbantartása.

A biztonság különösen érzékeny terület

Az AI által generált kód esetében talán a biztonság az a terület, ahol a legkevésbé engedhető meg a feltétlen bizalom.

Egy kódrészlet első ránézésre teljesen korrekt lehet, miközben olyan hibát tartalmaz, amely csak speciális körülmények között jelentkezik.

Előfordulhat például hibás bemenetellenőrzés, nem megfelelő jogosultságkezelés vagy olyan adatkezelési megoldás, amely később sérülékenységet eredményezhet.

Ehhez jön még egy emberi tényező is.

Ha egy AI tíz alkalomból kilencszer jó megoldást ad, akkor nagyon könnyen kialakul egyfajta bizalom iránta.

A tizedik esetet viszont ugyanúgy meg kell találni.

Valószínűleg nem az a jó kérdés, hogy ember vagy AI írta-e

Egy idő után ennek talán már nem is lesz különösebb jelentősége.

A fejlesztési folyamat szempontjából sokkal praktikusabb úgy kezelni a kérdést, hogy minden kódnak ugyanazokon a minőségi és biztonsági ellenőrzéseken kell átmennie.

Mindegy, hogy egy senior fejlesztő írta.

Egy junior fejlesztő.

Vagy egy AI-asszisztens.

Ebben a megközelítésben kap igazán nagy szerepet az automatizált kódelemzés.

Mit ad ehhez a SonarQube?

A SonarQube lényege, hogy a forráskód elemzése ne egy alkalmi feladat legyen, hanem a fejlesztési folyamat része.

A rendszer folyamatosan képes vizsgálni többek között a kódminőséggel, karbantarthatósággal és biztonsággal kapcsolatos problémákat.

AI-val támogatott fejlesztésnél ennek szerintem különösen nagy jelentősége van.

Ha nő az előállított kód mennyisége, akkor egyszerűen nem reális minden egyes változtatást kizárólag manuális code review-val ellenőrizni.

Az automatizált ellenőrzés ilyenkor egy első szűrőt jelenthet.

Nem helyettesíti a fejlesztőt vagy a szakmai review-t, de rengeteg olyan problémát képes korábban jelezni, amely egyébként csak később kerülne elő.

A Quality Gate talán még fontosabb lesz, mint korábban

A SonarQube egyik hasznos eleme a Quality Gate.

Ennek segítségével meghatározható, hogy milyen minőségi feltételeknek kell megfelelnie az új kódnak.

Ha ezek nem teljesülnek, a fejlesztési folyamatban ez azonnal láthatóvá válik.

CI/CD környezetben pedig az ellenőrzés közvetlenül beépíthető a build és deployment folyamatába is.

Ez AI-kód esetében különösen jó megközelítés.

Nem kell külön szabályrendszert létrehozni arra, amit AI generált. Ugyanazokat a követelményeket lehet alkalmazni minden módosításra.

Ez hosszabb távon szerintem sokkal fenntarthatóbb, mint megpróbálni különválasztani az ember és a mesterséges intelligencia által készített kódot.

Az AI nem teszi feleslegessé a fejlesztőt

Sőt, bizonyos értelemben inkább felértékeli a jó fejlesztők tudását.

Ha egyre kevesebb időt kell eltölteni magával a kód begépelésével, több hangsúly kerül arra, hogy valaki jól határozza meg a feladatot, értse az architektúrát, felismerje a kockázatokat és el tudja dönteni, hogy egy AI által javasolt megoldás valóban jó-e.

A fejlesztő szerepe emiatt valószínűleg fokozatosan változni fog.

Kevesebb „kódgyártás”, több tervezés, ellenőrzés és technikai döntés.

Gyorsabb fejlesztéshez gyorsabb kontroll is kell

Az AI-kódolás terjedését valószínűleg már nem érdemes megállítani vagy figyelmen kívül hagyni.

A fejlesztők használni fogják, mert valóban rengeteg feladatot gyorsít fel.

A vállalatok számára inkább az lesz a kérdés, hogy milyen kontrollt építenek köré.

Ha az AI többszörösére növeli a fejlesztési sebességet, akkor az ellenőrzési folyamatokat is ehhez kell igazítani.

Az emberi code review továbbra is fontos marad, de önmagában valószínűleg egyre kevésbé lesz elegendő.

Az automatizált kódminőség- és biztonsági ellenőrzés ezért nem az AI alternatívája, hanem sokkal inkább annak természetes párja.

Az AI gyorsabban írja a kódot. A SonarQube pedig segíthet abban, hogy a minőség és a biztonság ne maradjon le a fejlesztési tempó mögött.

Szitár-Net Kft. – SonarSource Silver SVAR Partner

A Szitár-Net Kft. SonarSource Silver minősítésű SVAR partnerként SonarQube licencek, bevezetés és szakmai támogatás területén is segítséget nyújt.