Egy 2026 májusi McKinsey-kutatás 334 termék- és mérnöki vezetőt kérdezett meg, és azt találta, hogy az AI hatása a szoftverfejlesztésre erősen szóródik. Csak a vezető pozícióban (director és fölött) lévők 25 százaléka számolt be arról, hogy a csapataik több mint negyedében kétszeres vagy nagyobb termelékenységnövekedés következett be; ugyanakkor 30 százalék jelezte, hogy a csapat teljesítménye csökkent. A kutatás kiegészíti a McKinsey 2025 novemberi alapkutatását az AI szoftverfejlesztési alkalmazásáról.
A tanulmány szerzői — köztük Charlotte Relyea, Gautam Lunawat, Janaki Palaniappan, Martin Harrysson, Matt Linderman és Prakhar Dixit, Albert Savitzky és Vasu Tekriwal közreműködésével — azt állítják, hogy a technológia önmagában nem magyarázza a különbséget. A sikeres szervezeteknél a versenyelőnyt az jelenti, hogyan alakítják át az egész PDLC-t (product development life cycle): a folyamatokat, a szerepeket, az ellenőrzési mechanizmusokat és a változáskezelést az ügynökalapú munkamódhoz.
A felmérés és a lehetséges gazdasági haszon
A 334 válaszadó közül 173-an voltak director szintűek vagy magasabbak; a mintába Afrika, Ázsia, Európa, Latin-Amerika és Észak-Amerika szereplői és több iparág tartozott be (technológia, média és távközlés; pénzügy és biztosítás; fogyasztói termékek és kiskereskedelem; egészségügy és élettudományok; gyártás, logisztika, szállítás). A fejlesztők körében végzett alanalízis szerint a mérnökök felső 20 százaléka átlagosan 55 százalékos AI-vezérelt termelékenységnövekedést jeleztek, miközben az átlagos gyorsulás körülbelül 3 százalék volt.
McKinsey számításai szerint, ha a világ körülbelül 30 millió mérnöke (források: JetBrains, Statista, SlashData) a jelenlegiek felső ötödéhez tudna felzárkózni — ami konzervatív feltételezés abban a világban, ahol egyes csapatok már kétszeres vagy nagyobb hozamot érnek el —, akkor az új, realizálható érték nagyságrendileg egy közepes méretű gazdaság GDP-jével vetekedne (körülbelül 0,8 billió dollár, feltételezve mintegy 85 000 dolláros átlagos teljes költséget egy mérnökre nézve). Ez még nem veszi számításba, hogy az AI-termelékenység kihat a nem mérnöki szerepekre a PDLC során.
Négy közös jellemző a kiemelkedő teljesítményt nyújtó szervezeteknél
A felmérésre és piaci tapasztalatokra építve a sikeres vállalatoknál négy téma ismétlődik: 1) végeredmény-központú, end-to-end folyamatok újratervezése az AI beépítésével, 2) csapat- és szerepátalakítás, amely a humán ítélkezésre és a termékcélra fókuszál, 3) verifikációs, kontroll- és mérési rendszerek kialakítása, amelyek lépést tartanak az új munkatempóval, és 4) intenzív, gyakorlatorientált átképzés és coaching.
A válaszadók szerint a munkafolyamatok újratervezése az egyik legfontosabb tényező volt azoknál, akik csapatuk legalább egy részében kétszeres produktivitásnövekedést tapasztaltak. A top-acceleratorok 93 százaléka építette be az AI-t a munkafolyamataiba. Azoknál a szervezeteknél, amelyek előbb áttervezték a folyamatokat, majd beépítették az AI-t, több mint kétszer olyan valószínű volt, hogy 20 százaléknál nagyobb termelékenységi javulást érnek el, mint azoknál, akik csak ráhúzták az AI-t a meglévő munkamódokra.
Miért fontos az end-to-end átépítés?
Az ügynökök (agents) önállóan, 24/7 dolgoznak, ami lehetővé teszi az aszinkron munkavégzést: a „night shift” alatt előrehalad a munka, a nappal emberi felülvizsgálat és magasabb rendű döntések történnek. Ez alapvetően eltér a hagyományos, lineáris, scrum-szerű átadási láncoktól; egyszerűen gyorsítani a meglévő ciklusokon ritkán hoz átütő eredményt. A vezetőknek újra kell gondolniuk a munkaszervezést az aszinkron, ügynökalapú végrehajtás köré.
A Sonar esete illusztrálja ezt: a cég három előremutató csapata ügynököket épített be a kutatás, ötletelés, backlog-definíció, kódolás, tesztelés és javítás lépéseibe. Az ügynökök vevői és piaci jelzéseket szintetizáltak, felfedezést Jira-ticketekké alakították, teszteket és kódot generáltak, és hibajelentést tervezetű pull requestig vittek. Ennek hatására a pull-request ciklusidő 3,4-szeresére csökkent, a pull-request átfolyás 2,2-szeresére javult, és az építési tevékenységek 50–80 százalékkal produktívabbá váltak.
Szerepek újradefiniálása: emberek és ügynökök
A folyamatátalakítás mellett a szerepek átalakítása az, ami gyakran a legnagyobb különbséget hozza. Azok a szervezetek, amelyek AI-t vezettek be anélkül, hogy megváltoztatták volna a szerepeket vagy munkamódokat (azaz „adopterek”), csak 27 százalékban váltak top-acceleratorrá; akik csak kísérleteztek („experimenters”), 17 százalékban. Ezzel szemben azok, akik beágyazták az AI-t és átalakították a szerepeket is („transformers”), 40 százalékban értek el ilyen szintű gyorsulást.
Az AI elvégzi az ismétlődő, végrehajtás-központú munkák egy részét (dokumentáció, tesztgenerálás, első draftok), míg az emberek feladatai feljebb tolódnak: termékcél megfogalmazása, trade-offok, kimenetek validálása és a kritikus döntések felülvizsgálata. A felmérés szerint a top-acceleratoroknál a termékmenedzserek 24 százalékkal kevesebb időt töltenek végrehajtási tevékenységekkel, míg a fejlesztők 19 százalékkal kevesebb időt a végrehajtáson — ezzel a stratégiai feladatok aránya relatíve nő.
A csapatok szerkezete is változik: a top-acceleratorok 79 százaléka szerint a squadok mérete csökkent AI bevezetése után; a medián csapatméret körülbelül tízről hét főre zsugorodott. Mintegy 20 százalékuknál a director-szintű válaszadók már 1–4 fős csapatokban dolgoznak. A szerephatárok elmosódnak: a product és design közelebb kerülnek, a tesztelés egy része automatizálódik, a maradó tesztelési feladatokat pedig gyakran a fejlesztők veszik át.
Egyre több szervezet definiál szerepeket nem csak emberekre, hanem ügynökökre is: jogosultságokkal, hatáskörökkel, eskalációs utakkal és elszámoltathatósággal ruházzák fel az ügynököket, és a működés egysége immár vegyes ember–ügynök rendszerré alakul.
Verifikáció, megfigyelhetőség és AI Ops
Az AI gyorsítja a kód- és tartalomgenerálást, de ez növeli az „observability gap” kockázatát: a gyorsabb előállítás könnyen több ellenőrizetlen hibát eredményezhet. A felmérés szerint az időmegtakarítások (átlagosan 11,8 százalék) gyorsabban javulnak, mint a rework csökkenése (átlagosan 6,2 százalék), különösen fejlesztési területen.
Külső kutatások is hasonló aggodalmakra mutatnak: a DORA 2025-ös kutatása az AI-t a szoftverszállítás erősítőjeként írja le; a Veracode 2025-ös jelentése szerint az AI-generált kódminták 45 százaléka nem felelt meg biztonsági ellenőrzésnek; a GitClear pedig duplikált kód növekedését észlelte AI-segédeszközök használata mellett. A Stack Overflow 2025-ös felmérése szerint a fejlesztők többen bizalmatlanok az AI pontosságával, mint akik nagyon megbíznak benne.
A megoldás: ellenőrzés beépítése a munkafolyamatba. A sikeres vállalatok speciális AI-eszközöket és ügynököket használnak tesztek, biztonsági szkennerek generálására, outputok összevetésére a követelményekkel, hiányzó elfogadási kritériumok feltárására és hibaajánlások készítésére. Emellett kockázat–érték alapján triázsálnak: mely problémákat javíthat az ügynök automatikusan, melyeket kell emberi felülvizsgálatra küldeni, és melyek állítsák meg a kiadást.
Központi AI Ops réteg szükséges az identitáskezeléshez, jogosultságokhoz, routinghoz, logoláshoz, eskalációhoz, politikaalkalmazáshoz és költségátláthatósághoz. A felmérés szerint sok szervezetnak van AI Ops képessége, de gyakran alulstaffolt és a csapatok improvizálnak; a nyertesek viszont intenzívebben fektetnek be ebbe, és több mandátummal (ellenőrzési szabványok, agent- és platformteljesítmény-monitorozás stb.) jobb eredményeket érnek el.
Változáskezelés, képzés és mérés
A gyakorlati, beágyazott coaching és hosszabb távú, csapatban végzett együttműködés kulcsfontosságú. A top-acceleratoroknál a beépített coaching körülbelül 30 százalékkal gyakoribb, mint a lassabbaknál. A sikeres programok tapasztalt AI mérnököket és coachokat igazolnak át csapatokhoz, akik együtt alakítják át a munkafolyamatokat és a szokásokat.
A mérés is változik: az egyszerű használati mutatókról (licencek, napi aktív felhasználók, prompt-volumen) a kimeneti szempontra (minőség, piacra jutási idő, biztonság, megbízhatóság, költség, munkavállalói élmény és ügyfélhatás) kell átállni. A top-acceleratorok 86 százaléka követi az eredményorientált metrikákat, míg a lassabbak jellemzően az eszközhasználatot tekintik fő mutatónak.
Gazdasági tervezésben a vezetőknek az AI-költségeket (tokenek, compute, infrastruktúra, AI Ops) is be kell építeniük a költségtervezésbe: néhány esetben ezek elérhetik a meglévő munkaerőköltség 20 százalékát.
Gyakorlati lépések és „progress marker”-ek
A cikk gyakorlati javaslatokat ad, többek között:
-
Válasszák ki a legnagyobb értékkel bíró munkafolyamatokat, és tervezzék újra őket end-to-end. Progress marker: a folyamat újratervezése önfinanszírozóvá válik azáltal, hogy manuális munkafajtákat automatizál.
-
Redefiniálják a szerepeket emberekre és ügynökökre egyaránt. Progress marker: az állásleírások 70 százaléka megváltozott, és a squadok 2–4 fősre zsugorodtak ügynökökkel együttműködve.
-
Emeljék az elvárás szintjét a követelményeknél: legyenek tesztelhető, telemetriához kötött specifikációk. Progress marker: a követelmény átadható egy ügynöknek, és közel szállítható kimenetet ad vissza.
-
Építsenek verifikációt és egy közös AI Ops réteget; tegyék megfigyelhetővé és összehasonlíthatóvá az ügynökmunkát. Progress marker: az ügynökök csapatokon és eszközökön át tudnak dolgozni anélkül, hogy külön egyedi csatornákra lenne szükség, és a vezetők egy vezérlőfelületen látják az aktivitást, költséget és kockázatot.
-
Vezessék az elfogadást, mint változáskezelési programot: beépített coaching, show-and-tell, office hours, ösztönzők és látható vezetői modell. Progress marker: az ember/ügynök csapatok 90 százaléka éjjel-nappal dolgozik váltásos módon, kétnapos sprintek vannak, és 100 százalékban eredménymutatókat követnek.
Összegzés
Az AI jelentősen átalakítja a termék- és szoftverfejlesztést: lerövidíti az utat ügyféljelzés és termékdöntés, követelmény és kód, hiba és javítás, illetve kiadás és mérhető eredmény között. A lehetőség jelentős, és néhány szervezet már aránytalanul nagy értéket realizál azáltal, hogy nem pusztán új eszközöket vezetnek be, hanem AI-központúra tervezik át az egész termékfejlesztési rendszert. Azok a szervezetek, amelyek csupán új eszközöket adnak a régi rutinokhoz, nagy valószínűséggel kevésbé látják majd az AI ígéreteinek gyümölcsét.
A cikk szerzői: Charlotte Relyea (senior partner, McKinsey New York), Martin Harrysson (senior partner, Bay Area), Gautam Lunawat és Janaki Palaniappan (partnerek), Albert Savitzky (associate partner), Vasu Tekriwal (consultant), Matt Linderman (partner, Connecticut) és Prakhar Dixit (partner, Seattle). A szerzők köszönetet mondanak Abdul Wahab Shaikh, Adam Thelwall, Ling Lau, Nandita Bothra és Nicolas de la Flor hozzájárulásáért. A cikk szerkesztője Daniel Eisenberg (executive editor, New York).
