„Építs egy ügyfélkiszolgáló rendszert a webshopomhoz!” – a laikusok számára gyakorlatilag ezt jelenti az OpenAI és a Tesla korábbi vezető fejlesztője, Andrej Karpathy által tavaly megalkotott vibe coding kifejezés, azaz amikor egy nagy nyelvi modellen alapuló chatbotot szövegesen instruálnak, a gép pedig lefordítja azt programnyelvre. A hozzá nem értők egyenesen azt várják tőle, hogy akár több ezer sornyi, tökéletesen működő kódot hozzon létre egy menetben. Nagy a csodálkozás, amikor kiderül, hogy a ránézésre gyönyörű és összetett program mindössze egy üres váz, amit az AI nem képes valódi tartalommal megtölteni. Egy Reddit-felhasználó például nemrég arról számolt be, hogy mindenféle programozói tudás nélkül sikerült az AI segítségével felhúznia egy látványos szolgáltatást, weboldallal, beléptető­rendszerrel és látszólag mindenféle alapfunkcióval.

A probléma – azaz hogy a program kétségbeejtő hibákat követ el – akkor derült ki, amikor megjelentek az első fizető felhasználók. Egy online fizetést lehetővé tevő integráció például tesztüzemben még működött, de élesben, több ezer felhasználónál a legváratlanabb esetekben hasalt el. A háttérben valódi fizetések pattantak vissza láthatatlanul, az AI ugyanis nem készítette fel a rendszert a különböző bankkártyás hibákra, és nem segített annak kiderítésében sem, hogy miért bukik el egy tranzakció. Adatbázis-kezelésnél hasonló bajok jöttek elő, az AI pedig teljesen félrevitte a hibakezelést azáltal, hogy csupán finomhangolásokat javasolt, miközben a valódi probléma az volt, hogy az adatlekérdezési logikát és az adatbázis-struktúrát rosszul tervezte meg. A kaput az tette be, amikor kiderült: vannak olyan esetek, amikor az egyik felhasználó látja a másik adatait, a számlázási rendszer pedig teljesen véletlenszerűen generált számlázási eseményeket.

A fejét vibe codingra adó laikus végül kénytelen volt beleásni magát az adatbázis-kezelésbe, a fizetési rendszerek logikájába és a felhasználói állapotok kezelésébe – a másik eset az lett volna, hogy igénybe veszi egy szoftverfejlesztő segítségét, ami pedig nem olcsó mulatság. A végső tanulság az volt számára, hogy nem elég „AI-jal fejleszteni”, hanem meg kell tanulni annak felügyelőjévé válni. Vagyis nem szabad vakon elfogadni a generált kódot, hanem meg kell érteni, hogy mikor megbízható, és mikor hordoz olyan kockázatot, ami éles környezetben akár óriási károkat okozhat.

Más a helyzet a valódi programozókkal, akik értik is, mit dob ki a gép. A chatbotok képességei rohamtempóban javulnak, és sok fejlesztő lelkendezve számol be arról, hogy ami eddig napokat, heteket vett igénybe, azt az AI segítségével órák alatt meg tudta csinálni. A fenti példához képest nagy különbség azonban, hogy ők arra használják, amire való: tízezer sornyi logikusnak tűnő, de valójában használhatatlan kód helyett apró részleteket íratnak csak meg vele, ugyanúgy, mint amikor még kézzel írták a programokat. Egy 2025 végén megjelent kutatás szerint a szenior fejlesztők átlagosan csak 2,1 lépést adtak ki egyszerre az AI-ügynöknek, és a szerzők szerint az eredményes használat alapja a világos kontextus, az explicit utasítás és az aktív felügyelet volt.