A specifikáció-probléma nem új keletű – az AI csak láthatóvá tette

Van egy kínos igazság az AI-alapú fejlesztésben, ami eddig rejtve maradt: a igazi akadály soha sem a kódolás volt. Hanem az, hogy eldöntsük, mit is kell kódolni.

Fred Brooks már 1986-ban leírta ezt a No Silver Bullet-ben. Megfigyelte, hogy a nagy programozási újítások – objektumorientált tervezés, időmegosztás, strukturált programozás – csak szerény előrelépést hoztak. Ezek az accidental complexity-t kezelték (a kódolás kusza részleteit), nem az essential complexity-t (a gondolkodás nehézségét). A szoftverfejlesztés lényege mindig a specifikáció: stakeholderek összehangolása, kompromisszumok eldöntése, követelmények pontosítása egy még nem létező rendszerhez.

Most átadtuk a kódgenerálást az AI-nak, és sokan azt hiszik, a spec-probléma is eltűnik. Hát nem.

Miért nem egyenlő a "részletes leírás" a "természetes nyelvi spec"-cel

Sok mai eszköz – AI-s PRD-generátoroktól a spec-ellenőrzőkig – azt feltételezi: ha az AI jó kérdéseket tesz fel, a hézagok maguktól betöltődnek.

Ez azt gondolja, a természetes nyelv elég pontos a formális rendszerekhez. Teljesen félre van vezetve.

A formális nyelvek just azért születtek, mert a hétköznapi beszéd kétértelmű. Írhatsz gyönyörű product spec-et – gördülékeny, történetmesélős, mindenki bólint –, de az AI-nak kellő technikai pontosság nélkül nem tud megbízható kódot gyártani. "A dashboard 2 mp alatt töltődjön" és "P95 latency <2000ms a dashboardra, 99%-os sapka 5000ms" között nem stiláris különbség van. Ez specifikáció.

Homályos spec-ből AI nem varázsol tisztaságot. Két végkifejlet jön:

1. A kétértelműség furcsa kódban bukkan fel. Funkcionális, de építészetileg gyenge cucc születik, aztán sprintenként refaktorálsz.

2. Az AI csendben kitölti a lyukakat. Training data alapján dolgozik – ezernyi hasonló projekt mintája –, és biztosan szállít feltételezéseket, amiket te sosem mondtál ki.

Semelyik sem győzelem.

Hol működik az agentic coding (és hol nem)

Őszintén: agentic fejlesztés zseniális szűk területeken. Landing page-ek, CRUD appok, boilerplate integrációk, sima e-kereskedelem – ezek konvergálnak. Rengeteg hasonló példa van a training data-ban. Az AI nem újragondol, csak mintailleszt.

Ez értékes. Egy founder 10-szeresére gyorsíthatja magát. Kis csapat hetek helyett órák alatt ver ki admin tool-okat. Ez valódi termelékenység.

De itt a csavar: ez a siker a kristálytiszta spec-ből fakad, nem ellenére annak. A terület annyira ismert, hogy a spec szinte kimondatlanul is érthető.

Minden másra – egyedi business logika, új integrációk, jövőbiztos architektúra – még mindig emberek gondolkodnak. Az AI felgyorsítja az írást. A gondolkodást nem. Nem utasít el semmit "jobb ötlet van" alapon; csak azt hajtja végre, amit megmondasz.

Ahogy egy fejlesztő fogalmazott: "Az AI kódot ír, de nem tagadja meg, hacsak nem magyarázod el előtte, miért lenne X jobb először." Ez product thinking kódruhában. Pótolhatatlan.

Az igazi szűk keresztmetszet: emberi átadás súrlódása

Ha a spec a nehéz, és AI nem oldja meg, mi igen?

Egyszerű válasz: csökkentsd az emberi kommunikáció súrlódását.

Ha product manager átad egy brief-et, és a dev egy hét clarifying meetinget tölt edge case-ekkel, kompromisszumokkal, az spec-probléma. Ha designer mockup-ja ütközik kimondatlan backend korlátokkal, spec-probléma. Ha AI asszumpciói eltérnek a business követelményektől, spec-probléma.

Megoldás nem okosabb agent vagy jobb validátor. Hanem pontosság kényszerítése emberek között, mielőtt az AI futna.

Ez azt jelenti:

• Spec elsőrangú dokumentum. Nem opcionális papír, hanem szerződés a kódgeneráláshoz.
• Kompromisszumok explicit leírása. Miért eventual consistency strong helyett? Miért ez a data model? Írd le.
• Formális eszközök kulcspontokon. SQL schema, API contract, performance budget – ezeknél nincs hely kétértelműségnek.
• Korai AI feedback. Generálj kis kód-slice-et a spec-hez, finomítsd a hézagok alapján.

Mit jelents ez a te workflow-odnak

Production rendszert építesz AI-val? Nem arról van szó, "ne használd". Hanem: fektess még többet spec-be, ne kevesebbet.

Ellentmondásosnak tűnik a "gyorsuljunk" korban. De rossz spec-pel gyorsulva rossz célba érsz hamarabb. Azok a csapatok nyernek agentic-kel, akik előre megcsinálják a nehéz gondolkodást, és AI-t execution multiplikátorként használják.

Startupoknak, kis csapatoknak: előnyöd nem a kódgenerálás. Hanem a spec tisztasága. Ha pontosan megfogalmazod a business logikát, hogy AI megbízhatóan implementálja, már megütötted a nehezet. A kódírás most könnyű.

A lényeg

Brooksnak 1986-ban igaza volt, és 2025-ben is. A szoftver lényeges nehézsége nem a felépítés, hanem a megértés. AI nem változtatott ezen – csak hangosabban kiabálja a különbséget homályos gondolat és pontos kód között.

A következő productivity hullám nem jobb agentekből jön. Hanem csapatokból, akik spec gyakorlatukat acélosítják, követelmény-mérnökséget fődiszciplínává teszik, és AI-t tisztaság erősítőnek használják, nem homálytakarónak.

Ez a valódi lehetőség AI és szoftverfejlesztés metszéspontján. És ehhez kell az, amit agent nem tud: mélyen gondolkodni afelől, mit akarsz tényleg építeni.