Hol tart a magyar szoftverfejlesztés AI-native átalakulása? Mennyit ír már a gép, mit vett át az agent, ki ellenőrzi, és mennyi fedezet van mögötte. Fejlesztők és mérnöki vezetők válaszai alapján.
Önkéntes, önbevallásos minta — nem reprezentatív a magyar fejlesztői populációra.
Forrás: online kérdőív. Minden arány a válaszadókra vonatkozik. Az adatok önbevallásosak, a minta nem reprezentatív.
A minta nem a fejlesztői átlagot mutatja, hanem azt a réteget, amelyik már ma úgy dolgozik, ahogy a többség valószínűleg egy-két éven belül. Ebben a rétegben az AI-használat kérdése eldőlt — a nyitott kérdés az, hogy mi van alatta.
egymásba ágyazott feltételek · minden lépés az előző szűkítése · a minta %-a
Minden sor tartalmazza az összes fölötte lévő feltételt is. A legalsó sor tehát azokat jelenti, akik napi szinten használnak AI-t, naponta delegálnak autonóm agentnek, és a kódjuk több mint fele AI-generált.
Mindegyik állítás a lenti fejezetek valamelyikéből származik, és mindegyikhez tartozik ábra. A számok önbevalláson alapulnak.
Ennyien adnak ki napi szinten end-to-end feladatot autonóm agentnek — nem asszisztensként használják az AI-t, hanem munkatársként. A teljes láncot (napi használat + napi agent-delegálás + 50%+ AI-kód) a minta 31%-a teljesíti.
Ennyien mondják, hogy a production kódjuk több mint fele AI-generált, emberi módosítás nélkül vagy minimálissal; 29% a 71%+ sávban van. Ez önbevallás, nem repository-mérés — de a nagyságrend így is beszédes.
A tech lead / architect csoport delegál naponta a legnagyobb arányban, a senior fejlesztőknél 46% — a junioroknál viszont csak 12%. Az agent-delegálás tapasztalatot és ítélőképességet igényel, nem váltja ki.
A review-teher nem a legmélyebb AI-használóknál a legnagyobb: a csúcs az asszisztens-használó és az agent-kísérletező csoport (mindkettő 3,11/5), a legalacsonyabb pedig épp az ai-native csoportnál (2,49/5). A középmezőny fizeti a tanulási görbe árát.
Az AI-native-ok közül ennyien mondják, hogy nincs akadály a szélesebb használat előtt. Az asszisztens-használóknál viszont még 46% a minőséget és megbízhatóságot jelöli fő blokkolónak.
A két index közti rangkorreláció gyakorlatilag nulla (ρ=0,16), az AI-kódarány és a governance-index között pedig ρ=0,02. Aki mélyen használja az AI-t, nem dolgozik szabályozottabb környezetben — csak gyorsabban.
Az adoptációs mutatók átlaga 57%, a mögöttük álló governance-mutatóké 38%. A cégek 75%-a aktívan ösztönzi az AI-t, működő policy viszont csak 43%-nál van.
Ennyien mondják, hogy előfordul szenzitív adat (forráskód, kulcs, séma) publikus LLM-be juttatása. Az AI-native csoportban a rendszeres szivárgás a leggyakoribb: 15% — vagyis a legmélyebb használat jár a legnagyobb kitettséggel.
Az LLM-integrációt fejlesztők közül ennyiennek nincs dedikált prompt-injection tesztje; mindössze 10% red-teamel release előtt.
Az AI-native-ok már AI-alapú architektúrát akarnak tanulni, az asszisztens-használók a prompt engineeringet (39%), a kívülállók pedig az AI biztonságot és etikát (54%). A képzési kínálatnak szintenként kell szólnia.
A „mennyire használ AI-t” kérdésre nincs egy válasz. A minta négy jól elkülönülő csoportra bomlik aszerint, hogy milyen mélyen engedik be az AI-t a munkafolyamatba — és ez a besorolás szinte minden más kérdésnél is megjósolja a választ.
Ritkán vagy egyáltalán nem nyúl AI-hoz
legfeljebb havi néhány alkalommal használ AI-t
Heti/napi AI, de a kód az ő kezében marad
legalább hetente használ AI-t, de agentnek nem ad ki feladatot (vagy csak kísérletezik)
Heti szinten delegál kisebb taskokat
heti szinten ad ki kisebb taskokat autonóm agentnek
Az agent a workflow szerves része
napi szinten delegál end-to-end feladatot autonóm agentnek
A besorolás szabályalapú, nem statisztikai klaszterezés: két kérdésből dől el (milyen gyakran használ AI-t, és milyen mélyen delegál autonóm agentnek), így bárki be tudja lőni, hova esne. A tengely a használat mélysége — nem képesség, nem szenioritás és nem teljesítmény.
a válaszadók %-a
Ugyanaz a tíz mutató mind a négy csoportra. Az árnyalat oszloponként normált: a sötétebb cella az adott mutató legmagasabb értéke a négy csoport közül.
soronként egy csoport · oszloponként egy mutató · %-ok és 1–5 skálák
Kívülálló: legfeljebb havonta néhányszor használ AI-t. Asszisztens-használó: legalább heti használat, de agentnek nem ad ki feladatot (vagy csak kísérletezik). Agent-kísérletező: heti szinten ad ki kisebb taskokat. AI-native: napi szinten delegál end-to-end feladatot. A besorolás csak a q01 és q03 válaszokból következik — az AI-kódarány, a review-teher és a governance-mutatók nem részei a definíciónak, ezért a profiltáblában érdemi információt hordoznak.
A csoportok mérete eltérő, a kisebbeknél a százalékok zajosabbak. A besorolás önbevalláson alapul: azt méri, minek látja valaki a saját munkamódját.
Az autonóm agent — ami maga elemzi a repót, megírja a változtatást és nyitja a PR-t — a mintában már nem demó. 69% nyúlt hozzá, 39% naponta használja. De hogy ki lép be, azt élesen szelektálja a szerepkör.
soronként 100% · szerepkör × agent-autonómia (q12b × q03)
A kis szerepkör-cellák (junior, eng. manager) a trendet mutatják, a pontos %-ot ne.
soronként 100% · cégtípus × agent-autonómia (q12 × q03)
Nem ugyanazok az eszközök futnak a négy csoportnál. A chat-asszisztens a belépő szint jellemzője; ahogy nő a delegálás mélysége, átveszi a helyét a terminál- és repo-szintű agent.
a csoport hány %-a használja az adott eszközt · több válasz lehetséges
a sor eszközét használók hány %-a használja az oszlopét is
Olvasd soronként. A mátrix nem szimmetrikus: az „A-ból B” nem ugyanaz, mint a „B-ből A”, mert egy népszerű eszköz sok kisebb mellé bekerül, fordítva ritkábban.
A kérdés a production kód arányára vonatkozott, emberi módosítás nélkül vagy minimálissal. 48% mondja, hogy ez több mint a fele, 29% pedig a 71%+ sávba sorolja magát. Ez becslés, nem mérés — de a szegmensek közti különbség így is beszédes.
AI-kódarány (q05) · a válaszadók megoszlása
soronként 100% · archetípus × AI-kódarány (q05)
soronként 100% · cégtípus × AI-kódarány (q12 × q05)
Először a jól körülhatárolt, olcsón ellenőrizhető munka ment át: boilerplate, tesztek, dokumentáció. A mély kontextust igénylő feladatok — legacy refaktor, bug-izolálás — csak a magasabb érettségi szinteken nyílnak meg.
átvett munkafázisok (q04) · max. 2 válasz · a válaszadók %-a
a csoport hány %-a jelölte · több válasz lehetséges
A q04 többválaszos (max. 2 jelölés), ezért az arányok összege meghaladja a 100%-ot; a nevező mindig a csoport létszáma. A q05 önbevallott sávbecslés, nem repository-elemzés.
Az „AI-generált kód aránya” a riport legpuhább mutatója: nincs közös definíciója annak, mi számít „minimális módosításnak”, és a becslés felfelé is, lefelé is torzulhat. A szegmensek közti különbséget érdemes olvasni, nem az abszolút szintet.
Kézenfekvő feltevés, hogy minél több az AI-kód, annál nagyobb az ellenőrzés terhe. Az adat nem ezt mutatja: a teher a középmezőnyben tetőzik, és épp a legmélyebb használóknál a legalacsonyabb.
review-teher (q06) átlaga · 1: nem több · 5: sok extra idő
review-teher (q06) · a teljes minta
review-teher (q06) átlaga az AI-kódarány (q05) sávjai szerint · a „nincs rálátás” kihagyva
Ebből nem következik, hogy az AI-kód könnyebben review-zható. Legalább három magyarázat fér az adatra: (1) aki sokat használ, gyakorlottabban szűri a gépi hibákat; (2) aki nehéznek találta, abbahagyta vagy vissza sem lépett — vagyis a magas terhet érzők a kevés-AI sávokban maradtak; (3) aki nagyon mélyen delegál, esetleg kevesebbet ellenőriz, és ezt éli meg kisebb teherként. A kérdőív a szubjektív terhet mérte, nem a review minőségét vagy a hibák számát — a harmadik magyarázat kockázatát az adat nem zárja ki.
soronként 100% · archetípus × fő akadály (q11)
A cégek nem fékeznek: 75% aktívan ösztönzi az AI-használatot (átlag 4,30/5). A szabályzat, a képzés és a technikai fedezet viszont nem tartott lépést — és a kettő között nincs is érdemi kapcsolat.
a minta %-a · felül a használat mélysége, alul a mögötte álló feltételek
Két 0–100-as index egymással szemben: mennyire mélyen használják az AI-t, és mennyire van mögötte szabályzat, képzés és biztonsági felkészültség. Ha a kettő együtt mozogna, a pontok átlóban állnának. Nem állnak.
cégtípusonként · a pont mérete a szegmens létszáma · a szaggatott vonal a minta átlaga
céges támogatás (q07) · 1: tiltja · 5: aktívan ösztönzi
AI-policy (q08) · a szabályzat státusza
kapott képzés (q13) · formális képzés
átlagos céges támogatás (q07, 1–5) csoportonként
AI-érettség = használati gyakoriság (35%) + agent-autonómia (35%) + AI-kódarány (30%), mind 0–1-re skálázva, majd 0–100-ra. Governance-érettség = AI-policy státusza (40%) + kapott képzés (30%) + LLM-biztonsági felkészültség (30%). Ahol egy komponens nem értelmezhető (pl. „egyedül dolgozom”, vagy „nem fejlesztünk LLM-integrációt”), ott nem nullázunk és nem imputálunk átlagot, hanem a maradék komponensekre normáljuk a súlyokat.
FenntartásAz indexek súlyozása döntés kérdése, nem levezetett igazság — más súlyokkal a szintek eltolódnának. A pontok egymáshoz viszonyított helyzete és a korreláció hiánya viszont robusztus: nem a súlyokon múlik, hogy a startup és a nagyvállalat ellentétes irányba tér el az átlagtól.
Két külön kockázat fut egymás mellett: a kifelé menő adat (mi kerül be a promptba) és a befelé jövő támadás (mi történik, ha az LLM-integrációt valaki manipulálja). Egyikben sincs jó helyzetben a minta.
shadow AI (q09) · forráskód / kulcs / séma szivárgása
soronként 100% · archetípus × shadow AI (q09)
soronként 100% · AI-policy × shadow AI (q08 × q09)
A minta 76%-a fejleszt LLM-integrációt. Náluk a prompt injection és a RAG-mérgezés nem elméleti kérdés, hanem termékkockázat.
csak az LLM-integrációt fejlesztők
soronként 100% · cégtípus × LLM-biztonsági felkészültség (q12 × q14) · a teljes minta
Egyetlen 0–100-as pontszám öt tényezőből, egyenlő súllyal: shadow AI, hiányzó szabályzat, kizárólag publikus felhő, gyenge LLM-biztonsági felkészültség, képzéshiány. Magasabb = kockázatosabb. A színes szeletek megmutatják, melyik tényező hajtja a pontszámot. A szám nem abszolút mérce, hanem a cégtípusok összevetésére való.
0–100 · öt faktor egyenlő súllyal
lokális vs. felhő (q10) · adatvédelmi megfontolás
soronként 100% · archetípus × LLM-biztonsági felkészültség (q14)
A kérdés az volt, hol fejlesztenék leginkább az AI-tudásukat. A válaszok szintenként élesen elválnak: a tanulási igény együtt érik a használat mélységével.
tanulási igény (q15) · a teljes minta
soronként 100% · archetípus × tanulási igény (q15)
soronként 100% · szerepkör × tanulási igény (q12b × q15)
A kis létszámú szerepkörök arányai zajosak — irányadók, nem pontos mérőszámok.
Önkéntes kitöltésű, önbevallásos online kérdőív. Nem valószínűségi minta: nem reprezentatív a magyar fejlesztői populációra, és nem is annak szánjuk.
cégtípus (q12) · a válaszadók megoszlása
szerepkör (q12b) · a válaszadók megoszlása
Az arányok szintje felfelé torzít. A kitöltők önként jelentkeztek egy AI-témájú kérdőívre, és a minta a senior, döntéshozói rétegre húz — ezért az abszolút százalékok felső becslésnek tekintendők, nem a teljes fejlesztői populáció értékeinek.
Minden mutató önbevallás. Az „AI-generált kódarány”, a „review-teher” és a shadow AI gyakorisága azt méri, amit a válaszadó gondol vagy vállal. A shadow AI jellemzően alulbevallott.
Az együttjárás nem ok-okozat. A korrelációk irányt mutatnak; keresztmetszeti adatból nem állapítható meg, mi mit okoz.
A kis cellák zajosak. A kis létszámú szegmenseknél a százalékok néhány fős elmozdulásra is érzékenyek — ezeknél a trend olvasható, a pontos érték nem.
Spearman-rangkorreláció · −1 (ellentétes) … 0 (nincs) … +1 (együtt mozog)
A kék együtt mozgást jelent, a piros ellentéteset, a halvány cella azt, hogy nincs érdemi kapcsolat. A 0,2 alatti abszolút értékek gyakorlatilag kapcsolat-hiányt jelentenek.
16 kérdés: használati gyakoriság (q01), eszközök (q02, többválaszos), agent-autonómia (q03), átvett munkafázisok (q04, max. 2), AI-kódarány (q05), review-teher (q06, 1–5), céges támogatás (q07, 1–5), AI-policy (q08), shadow AI (q09), lokális vs. felhő (q10), fő akadály (q11), cégtípus (q12), szerepkör (q12b), képzés (q13), LLM-biztonsági felkészültség (q14), tanulási igény (q15).
Származtatott mutatókArchetípus: szabályalapú besorolás q01 + q03 alapján. AI-érettségi index: q01 (35%) + q03 (35%) + q05 (30%). Governance-index: q08 (40%) + q13 (30%) + q14 (30%). Kockázati index: q09 + q08 + q10 + q14 + q13, egyenlő súllyal, 0–100-ra skálázva. A nem értelmezhető válaszoknál a súlyok a maradék komponensekre normálódnak; a skálaátlagoknál a „nem releváns” válaszok kimaradnak.
Ismételhetőség Minden szám a nyers all.csv-ből, egyetlen szkripttel (compute.py) áll elő; a riport szövegébe ágyazott értékek is ugyanabból a JSON-ból jönnek, kézi átírás nélkül.
A teljes riport nyomtatható, lapozható formában — borítóval, tartalomjegyzékkel és minden ábrával.
