Fiona Chen és James Stratton, a Harvard kutatói 2026. november 14-én frissítették munkaanyagukat arról, mit tesz az AI a szoftverfejlesztő cégekkel. 655 cég 720 542 munkatársának munkanaplóját elemezték, és az eredmény egyszerűen összefoglalható: a kódolóügynökök (AI coding agents) bevezetése után jóval több commit és pull request született, a kész munka viszont jóval kevésbé nőtt. A többlet a code review-ban torlódik fel.
A számok a cikkben hivatkozott nyilvános forrásokból származnak – nem Devertix-eredmények.
Mit mértek
A tanulmány („Artificial Intelligence in the Firm: Bottlenecks in Software Production”) a Jellyfish mérnöki analitikai platform adataira épül: 445 millió munkaesemény a GitHubból, a Jirából és a Google Naptárból, 2021 januárjától 2026 augusztusáig; az AI-eszközök bevezetésének idejét külön adatok mutatják. A szerzők azt használják ki, hogy a cégek különböző időpontokban vezették be az eszközöket, és a korai bevezetőket a későbbiekkel vetik össze.
Két hullámot különítenek el. A kódkiegészítő asszisztensek után egy évvel 20,9%-kal több pull request nyílt, a lezárt Jira-jegyek száma viszont nem változott érdemben (−1,5%, nem szignifikáns). Az önállóan dolgozó kódolóügynökök ehhez képest további 35,7%-kal növelték a megnyitott pull requestek számát. A beolvasztottakét csak 26,0%-kal. A lezárt jegyek 13,7%-os növekedése a szignifikancia határán van, az epiceké (+18,0%) nem szignifikáns.
Hol torlódik
A review-mutatók ugyanebben az időszakban romlottak. Az ügynökök hatására a review kérésétől a jóváhagyásig eltelt idő 56,1%-kal nőtt: átlagosan 3,56 napról közel két nappal lett hosszabb. Ebben a várakozás a review-sorban (+59,9%) és maga az aktív review (+58,5%) is benne van, a változtatásonkénti megjegyzések száma pedig 38,6%-kal nőtt. A review ráadásul a kódot ismerő emberekhez kötődik: a review-k 82,8%-át olyan mérnök végezte, aki korábban már commitolt vagy pull requestet nyitott az adott kódbázisban.
Az AI a review-ba is bekerült, de egyelőre a szélén áll. 2026 júliusáig a cégek 79,1%-a használt valamilyen AI-eszközt a review-ban, a review-megjegyzéseknek mégis csak 23,3%-át írta gép, és a pull requestek 10,8%-a kapott legalább egy gépi megjegyzést. A szerzők szerint a cégek a hibás kód élesítésének magas költsége miatt tarthatják meg az embert a jóváhagyásban.
Amit a számok nem mondanak
Munkaanyagról van szó, szakmai lektoráláson még nem esett át. Az adat egy analitikai szolgáltató ügyfeleitől származik, a minta a szerzők szerint főleg közepes és nagy, beérett cégekből áll, és a bevezetés utáni első 12–16 hónapot fedi le. A szerzők ellenőrizték, hogy nem a jegyek lettek-e nagyobbak, és ennek nem találták jelét. A jegyszám ettől még nem mér mindent: a több teszt vagy a rendbe tett kód kimaradhat belőle.
A fő irány mégis világos. Ha a kódírás olcsóbb lesz, a következő lépés lesz a szűk keresztmetszet. A tanulmány két különböző mérése szerint a mérnökök idejüknek csak 31–41%-át töltik kódírással.
Mit érdemes most megnézni
Véleményünk szerint az ügynökök bevezetését a review-kapacitással együtt kell tervezni, különben a beruházás a sorban áll. Öt kérdés a saját folyamatukról:
- Mérik-e a review-ra várakozás idejét? A kódsorok és a commitok száma most félrevezető mutató; a pull request jóváhagyásig eltelt ideje nem az.
- Mekkorák a pull requestek? A kisebb, egycélú változtatást gyorsabb átnézni, és ezt az ügynöknek is elő lehet írni.
- Mit fog meg a pipeline az ember előtt? Formázás, tesztlefedettség, biztonsági ellenőrzés: ami automatikusan eldönthető, ne vegye el a reviewer idejét.
- Hány ember ismeri az egyes kódrészeket? Ha a review egy-két kollégán múlik, ők lesznek a sebességkorlát.
- Hol segít a gépi review? Előszűrésként igen; a jóváhagyás felelőssége maradjon emberé.
Az automatikusan eldönthető ellenőrzéseket a CI/CD-folyamatba érdemes tenni, hogy a reviewer már csak azt nézze, amihez ember kell. Ha az a kérdés, hogyan illeszkedjen az ügynök a fejlesztési folyamatba és mit mérjenek közben, abban a DevOps-tanácsadás segít; a csapatok közös eszközkészletéhez pedig a platform engineering ad keretet.
Források
- Fiona Chen, James Stratton: Artificial Intelligence in the Firm: Bottlenecks in Software Production (munkaanyag, 2026. november 14.)
- Beri: AI Coding Agents Lift Pull Requests 35.7%, Harvard Study Finds (összefoglaló)
Hol áll meg Önöknél a kód az élesítés előtt?
Megnézzük a pull requestek útját a megnyitástól a beolvasztásig, és megkeressük, melyik lépés fogja vissza a csapatot.