VB Transform 2026 konferencián Anirban Kundu, az Instacart műszaki igazgatója (CTO) azt vetette fel: mi lenne, ha a mérnökök ma végzett munkájának jelentős részét valójában gépeknek kellene elvégezniük? Kundu szerint a fejlesztőcsapatok túl sok időt töltenek kimerítő, ismétlődő, nagy volumenű feladatokkal, amelyeket AI-ügynököknek kellene elnyelniük, hogy az emberek az ítélőképességet, a szándékot és a kivételek kezelését igénylő problémákra fókuszálhassanak.
Kódolási gyakorlatok változása
Az Instacartnál — Kundu elmondása szerint — az építők 97%-a ma már egyáltalán nem olvas kódot rendszeresen. Az AI generálja a kódot és kezeli a boilerplate-et, különösen az újabb projektek esetében, ahol a kódot hetente vagy gyakran újragenerálják. "A múltban a taktikai szint a kód létrehozása volt" — mondta Kundu. "A legkisebb taktikai szint a jövőben az lesz, hogy hogyan navigálsz az AI rendszer körül, hogy megkapd, amit akarsz."
Ennek egyik előnye, hogy az Instacart kevésbé tart a technikai adósságtól: az inaktív részek egyszerűen kiesnek, majd újraépülnek, hasonlóan ahhoz, ahogy korábban assembly vagy objektumkódot építettek.
Miért nem teljesen automatizált minden?
Nem minden esetben lehetséges a teljes automatizálás: az Instacartnál körülbelül 3% marad emberi figyelmet igénylő területre. Ide tartoznak a legacy rendszerek, a megfelelőségi (compliance) követelmények, a késleltetésérzékeny munkafolyamatok, illetve nagy mennyiségű inaktív vagy félig aktív kód. Ezeknél a helyzeteknél továbbra is emberi hozzáértés és óvatosság szükséges.
A cég lassan kisimítja ezeket a részeket egy Atoms nevű projekten keresztül: a monolitikus rendszereket lebontják, majd tisztább, modulárisabb felépítésben építik vissza, egyre inkább RPC-alapú architektúrákra váltva.
Értékelések és az "intent model" szükségessége
Mivel az AI generálja a kód nagy részét, a hagyományos kódátvizsgálatok relevanciája csökken: a szintaxis és a sorok nagyrészt helyesek lesznek. Ezért Kundu szerint a cél egy "intent model" felé való elmozdulás — azaz a fejlesztők megtanítása arra, hogyan tegyenek fel helyes kérdéseket különböző modelleknek szándék szempontjából.
Az értékelések függetlenül futnak: az Instacart havonta körülbelül 7 000 automatikus értékelést hajt végre, és a rendszer több mint 8 000 valós idejű fejlesztői lekérdezésre válaszol nagyjából 99,9%-os pontossággal.
Agentikus SRE és a Blueberry példa
Az Instacart egy olyan agentikus site reliability engineering (SRE) rendszert épített, amelyet nem általános kiesési adatokra, hanem a cég saját többéves incidens- és gyökérok-elemzéseire tanítottak. A modell így az Instacart specifikus módjaira lett trenírozva, hogy a rendszer hogyan szokott idővel meghibásodni, és hogyan diagnosztizálták és javították ezeket az emberek.
Ennek eredményeként a gyártási problémák észlelésének és mérséklésének pontossága nagyjából 60%-ról több mint 90%-ra ugrott.
Kundu példaként említette a Blueberry belső eszközt: az AI SRE kolléga körülbelül 200 Slack-csatornát figyel, jeleket monitoroz és mintákat keres emberi beszélgetések és riasztások között. Egy incidensnél egy EBS kötet által támogatott adatbázis-shard rövid ideig "zikákat" (hiccup) produkált; a csapat nem azonnal gyanakodott AWS-lemezes problémára és kétségbeesetten próbálták kideríteni a viselkedés okát. Körülbelül 20 perc után Blueberry posztolt a Slackre, megjelölte a konkrét blippet és összekapcsolta egy úgynevezett "roulette" feature-flag-szerű rendszer nem megfelelő működésével. A rendszer felismerte a problémát és a csapat megoldotta az incidenst. Kundu szerint az emberi intuíció ilyenkor visszafoghatná a hibakeresés sebességét.
Kundu úgy fogalmazott, hogy az emberek hajlamosak az ismert mintákhoz visszatérni, majd debuggolni — ezt nevezte a "first brain–second brain" jelenségnek — míg az agentikus SRE átfogóbb tud lenni abban, hogy mindent áttekintsen és eldöntse, mi számít és mi nem.
Az mérnök szerepének újradefiniálása
A jövőben a mérnökök legkisebb taktikai munkája az AI rendszerek körüli navigálás lesz: értékelési folyamatok tervezése és felügyelete; több, egyidejű kísérlet és feature koordinálása; korlátok kezelése (például korlátozott tesztforgalom); döntés arról, mikor kell eszkalálni; és szélső esetek azonosítása.
A domain szakértelmet is újragondolják: ahelyett, hogy módosítások egyetlen "tulajdonos" csapaton keresztül torlódnának, az Instacart a domain-ismeretet definíciókba és specifikációkba ágyazza, amelyeket bármely csapat használhat. "Eddig abban a világban éltünk, hogy ez a csoport vagy ez a mérnöki csapat az, aki hozzáfér a kódhoz és módosíthatja" — mondta Kundu. "Most arra törekszünk, hogy a kód teljesen demokratizált legyen a csoportok között."
A Kundu által vázolt átmenet azt sugallja, hogy az AI-ügynökök elterjedése átalakíthatja a mérnöki munkát: a hangsúly az automatizálható, ismétlődő feladatokról az emberi ítélőképességet, tervezést és rendszerfelügyeletet igénylő munkákra tolódik.
