Chelsea Troy, a Mozilla gépi tanulás üzemeltetési (MLOps) mérnöke és a University of Chicago oktatója azt állítja, hogy az iparág rosszul méri az AI-alapú fejlesztői termelékenységet. A Generative AI in the Real World podcastben Ben Lorica vendégeként Troy azt fogalmazta meg: a valódi lehetőség nem pusztán több kód gyorsabb kiszállítása, hanem az, hogy végre meglegyen a kapacitás a korábban elmaradt kísérletek, tesztek és szimulációk lefuttatására.
Ki használja és miért számít az agentikus kódolás?
Troy három különböző szerepben dolgozik: MLOps mérnökként a Mozilla-nál, kurzusokat tanít a University of Chicago-ban, és anyagokat fejleszt az O’Reilly számára az agentikus kódolási készségekről. Mindhárom közegben fontos számára az eszközök működésének ismerete, mert tanácsot kell adnia kollégáknak és hallgatóknak arról, hogyan integrálják ezeket a munkahelyen.
Mozilla-nál jelenleg is vizsgálják, hogy az agentikus eszközök mennyire illeszkednek szervezeti értékekhez és munkafolyamatokhoz. Azokban a helyzetekben, ahol Troy a legtöbb tapasztalatot és árnyalt nézőpontot fejlesztette ki, a hallgatóival végzett munka adta: mesterképzésben részt vevő számítástechnikai hallgatók navigálnak az első munkahelyük és a karrierkezdet követelményei között egy olyan világban, ahol ezek az eszközök rendelkezésre állnak.
Tanítás: a szintaxis helyett a miértek
Troy elmondása szerint 2025 és 2026 között jelentős fejlődés zajlott a kifejezetten programozási célú agentikus eszközökben. Ennek következtében a Python-oktatását is újratervezte: kevesebb hangsúlyt helyez a szintaxis memorizálására, és több figyelmet fordít arra, hogy miért épül a Python úgy, ahogy, milyen nyelvi tervezési kompromisszumok vezettek a jelenlegi formához, és mely feladatokra a legalkalmasabb.
A Python jó tananyag azért is, mert a nyílt fejlesztés és a részletes változtatási dokumentáció miatt kiváló esettanulmány arra, hogyan nőhet és tartható fenn komplex, széles körben használt kódbázis. Troy szerint ez segít a hallgatóknak megérteni a nyelv tervezési döntéseit és a szoftverkarbantartás mechanikáját.
Interjúk és toborzás: a múltból örökölt kérdések
Troy történeti perspektívával világít rá, hogy sok interjúkérdés — például egy láncolt lista kézi implementálása — eredetileg pragmatikus igényből származott, amikor a fejlesztőknek tényleg gyakran kellett alacsony szinten megoldásokat írniuk. Ahogy a nyelvek és környezetek fejlődtek, ezek a kérdések elveszítették eredeti pragmatikus indokukat, de az interjúk nem mindig követték a változást.
A jelenlegi változásokat Troy két szempontból szemléli: mint interjútervező (Mozilla-nál magasabb szintű IC pozíciókra készít interjúkat) és mint hallgatói tanácsadó. Senior vagy staff szintű pozíciók esetén már gyakoribb, hogy az interjúk a döntéshozatalt, a rendszerszintű kompromisszumok értékelését vizsgálják, nem pedig soroknyi kézzel írt kódot. Troy szerint az ilyen, döntéshozatalt értékelő technikai szűrők relevánsabbak lehetnek a jelenlegi környezetben.
Belépőszintű állások, bizonytalanság és a "kihagyható" juniorok mítosza
Troy szerint ma nehezebb belépőszintű fejlesztőként elhelyezkedni, részben azért, mert vállalatok kísérleteznek a toborzási modellekkel: egyes cégek azt vizsgálják, hogy csökkenthetik-e a juniorok felvételét úgy, hogy több munkát delegálnak agentikus eszközökre és tapasztalt mérnökökre. Troy várakozása szerint hosszabb távon a cégek rá fognak jönni, hogy a tehetségbe való befektetés továbbra is fontos, de jelenleg ez a néhány éves kísérleti periódus növeli a hallgatók bizonytalanságát.
Menedzserek "visszakódolása" és karrierutak
Beszél arról is, hogy néhány menedzser izgatott az agentikus eszközök miatt, mert úgy érzik, visszanyerhetik a kézműves hozzájárulás lehetőségét anélkül, hogy minden nap kódolnának. Troy szerint ez alkalmat adhat újfajta karrierutak megfontolására, ahol az emberek váltogatják az egyéni hozzájárulást és a vezetői szerepeket, ahelyett, hogy egyszer véglegesen átlépnének a menedzsmentbe.
Mennyiség helyett kísérletezés és minőség
Troy kritikus a jelenlegi termelékenységi narratívákkal szemben, amelyek a lezárt jegyek számát, a gyorsabb szállítást vagy a megnövekedett kódmennyiséget tekintik fő céloknak. Tapasztalata szerint a csapatok igazi korlátja gyakran az, hogy nincs elég kapacitás kísérletek és összehasonlító tesztek elvégzésére, ezért döntéseket találgatás alapján hoznak. Az agentikus eszközök lehetőséget teremtenek arra, hogy több alternatívát próbáljanak ki és adatvezérelt módon válasszanak.
Adatvizualizáció mint kísérleti terület
Troy sokat kísérletezik adatvizualizációval: oktatásban és a modellek teljesítményének megjelenítésében a jobb vizualizációk segíthetnek az értelmezésben és a döntéshozatalban. Mivel nem feltétlenül jártas frontend fejlesztésben, agentikus eszközöket használ HTML/CSS generálására, majd finomhangolja az eredményt. Ez lerövidíti a létrehozás idejét és megengedi, hogy több tervet próbáljon ki, ami jó példa arra, hogyan növelheti a kísérletezési kapacitást az AI.
Metrikaváltás: a tokenfogyasztásról a tokenhatékonyságra
Troy előretekintve azt reméli, hogy a következő két évben a hangsúly elmozdul a „tokenek fogyasztása” mint produktivitási mutató alól a „tokenhatékonyság” mint készségmérő felé. A jelenlegi, tokenfogyasztáson alapuló leaderboardok és ösztönzők kevésbé fenntarthatók, ahogy a használat költsége nőhet. Jobb metrika lenne az, amely a hatékony és célzott eszközhasználatot díjazza.
Záró gondolatok: több évnyi kísérleti lehetőség
Összefoglalva, Troy optimista abban, hogy az agentikus kódolás növeli majd a fejlesztők eszköztárát és időt ad a valódi kísérletezésre, ami végső soron jobb, adatvezérelt döntésekhez vezet. Ugyanakkor hangsúlyozza a jelenlegi átmeneti bizonytalanságokat a belépőszintű toborzásban és az interjúk gyakorlatában, valamint a szükségességét annak, hogy a szervezetek befektessenek olyan platformokba és munkafolyamatokba, amelyek lehetővé teszik a kísérletek sorozatos lefuttatását és mérését.
Ez a cikk Ben Lorica és Chelsea Troy beszélgetésén alapul a Generative AI in the Real World podcastból. A teljes beszélgetés részletesen tárgyalja az oktatás, toborzás és mérőszámok változását az agentikus kódolás térnyerésével.
