Miért kell még mindig ember a mesterséges intelligencia által írt kódhoz?

Az ígéret egyszerű: az AI megírja az alapkódot, betartja a legjobb gyakorlatokat, és mi hamarabb szállítunk. A Google Modern Web Guidance nevű kezdeményezése pont erre készült – arra, hogy az AI-alapú fejlesztőeszközök megbízható irányelveket kapjanak a hozzáférhető, gyors és biztonságos weboldalak építéséhez.

A gyakorlatban azonban ez még nem működik zökkenőmentesen.

A hozzáférhetőségi probléma

Egy MVP akkor életképes, ha a hozzáférhetőséget már az első naptól kezdve beépítjük. Ez nem utólagos finomhangolás, hanem az egész rendszer alapja.

A Google bemutatóján egy egyszerű kérés szerepelt: készítsünk statisztikákat mutató harmonika komponenst, ami szépen animálódik. Az eredmény azonban nem működött Firefoxban, és a WCAG AA szabványnak sem felelt meg. Pedig a Modern Web Guidance kifejezetten ígérte a „progresszív továbbfejlesztést” és a „baseline-tudatos integrációt”.

Ez nem egyszeri hiba. Az LLM-ek működéséből adódik.

A nemdeterminisztikus működés

A Google dokumentációjában egy apró megjegyzés figyelmeztet:

„Az LLM-ek nemdeterminisztikusak. Még ha mindent jól csinálunk is, nincs garancia arra, hogy a modell bármely adott promptnál felhasználja az irányelveket.”

Ez alapvetően más, mint egy linter vagy típusellenőrző. Azok kikényszerítik a szabályokat. Az LLM csak javasol. Még ha az adat meg is van a tanítóanyagban, nincs biztosíték arra, hogy elő is hívja és helyesen alkalmazza.

A hiányos mintázatok hatása

A Modern Web Guidance induláskor nem fedett le minden gyakori komponenst. Például a toast értesítésekhez nem készült külön útmutató. Így amikor valaki ilyen elemet kér, az AI csak általános tanácsokra támaszkodhat – és ezek gyakran nem elég specifikusak a hozzáférhetőségi követelményekhez.

Minél szétszórtabb az irányelvek rendszere, annál kisebb az esélye, hogy az LLM helyesen összerakja őket. Az accordion, a modal és a toast esetében is ugyanazokra a részletes szabályokra lenne szükség – egy helyen, redundánsan.

Mit jelent ez a gyakorlatban

Ha ma AI-val generált kódot használunk éles környezetben, számolnunk kell azzal, hogy:

• Az LLM íróasszisztens, nem minőségellenőr. Minden sort át kell nézni.
• A hozzáférhetőségi követelmények (WCAG AA) nem alku tárgyát képezik.
• A böngészőközi működést mindig tesztelni kell – az automatikus „baseline-támogatás” önmagában nem elég.
• A biztonság és a teljesítmény is emberi felülvizsgálatot igényel.

Hogyan tovább?

Ez nem jelenti azt, hogy az AI-alapú fejlesztés zsákutca. Inkább azt, hogy:

1. Az AI kimenetét ugyanolyan szigorúan kell kezelni, mint egy kolléga által írt kódot.
2. Érdemes visszacsatolási hurkokat építeni – ha a modell hibázik, jelezzük vissza, hogy tanulhasson belőle.
3. A keretrendszereknek világosan kell kommunikálniuk a nemdeterminisztikus működést.
4. Az automatikus tesztelés (axe, WAVE, Lighthouse) legyen része a CI/CD folyamatnak, függetlenül attól, ki írta a kódot.

A NameOceannál hiszünk az AI erejében a vázlatkészítésben és az ismétlődő feladatok csökkentésében. Ugyanakkor tudjuk, hogy a szabványoknak való megfelelés és a felhasználói élmény végső felelőssége továbbra is emberi döntés.

Az AI-korszakban nem az a legfontosabb készség, hogy tudjunk kódot írni. Hanem az, hogy felismerjük, hol hibás a generált kód, és képesek legyünk azt kijavítani. Ez a rész még mindig embert igényel.