Összeháromszorozta a kódolási munkát az AI-ügynökökkel a General Motors

A General Motors (GM) önvezető járművekkel foglalkozó részlegénél a szoftvermérnökök idejük mindössze 15%-át töltik kódrással. A fennmaradó 85%-ot mesterséges intelligencia (AI) által vezérelt ügynökök végzik, amelyek olyan feladatokat látnak el, mint a járműadatok elemzése, problémák rangsorolása, kísérletek futtatása és javítások tesztelése — közölte Rashed Haq, a GM önvezető járművekért felelős alelnöke a VB Transform 2026 konferencián. A GM szerint ez a megközelítés megháromszorozta a lekódolt változtatások (pull request) számát, felgyorsította a kiadásokat és kevesebb hibát eredményezett a fejlesztési folyamat későbbi szakaszaiban. (VentureBeat)

Haq elmondta, hogy a GM a teljes mérnöki munkafolyamatokat alakította át az AI-ügynökök köré, nem csupán egy AI-kódolási asszisztenst adott a fejlesztők kezébe. „Ha valakinek csak egy chatbotot adsz, ami tud kódolni, akkor is rengeteg hatékonyságbeli hiányosság marad a folyamatban” — fogalmazott az alelnök. A kódszerkesztőn kívüli idő felgyorsítása vált fontossá.

Kapcsolódó: az AI-ügynökök megbízhatósága

Munkafolyamat-transzformáció

A GM megosztotta önvezető fejlesztési munkáját több hurokra: szoftverfejlesztés és tesztelés szimulációban, járművek tesztelése közutakon, valamint a járművek monitorozása az ügyfelekhez kerülés után. Ezután minden hurokban azonosították a leghosszabb szűk keresztmetszetet, automatizálták azt, és megismételték a folyamatot. A mérnökök korábbi kutatások szerint is idejük jelentős részét töltik karbantartással és hibakereséssel: egy 2019-es Microsoft-felmérés szerint a fejlesztők átlagosan napi 96 percet kódolnak jó napokon, és 66 percet rossz napokon, ami egy nyolcórás munkanap 20%-át, illetve 14%-át jelenti.

Kapcsolódó: LLM-ügynökök Kaggle-győzelme

Adatok és eszközök az ügynököknek

Az ügynökök hozzáférést kaptak a GM belső eszközeihez és petabájtnyi vállalati adatokhoz egyedi Model Context Protocol (MCP) szervereken keresztül. Létrehoztak verzióvezérelt „képességeket” (skills) is, amelyek utasításokat adnak az ügynököknek a feladatok elvégzéséhez. Az egyik legértékesebb alkalmazás a közutakon futó járművekből gyűjtött telemetriai adatok elemzése. Az ügynökök képesek elemezni ezeket az adatokat, kezdeti problémadiagnózist végezni, és kiadni a mérnököknek kivizsgálásra váró feladatokat. Az MCP-kapcsolatokon keresztül képesek hívni a WebViz, a GM járműtelemetriát megjelenítő rendszerének alapvető eszközeit is, nem csupán az ember által látott grafikus felületet használva.

Kapcsolódó: adatcsővezetékek építése AI-val

Emberi felügyelet és felelősség

Az ügynökök által generált kimenetnek emberileg olvashatónak kell lennie. Egy ügynök azonosíthat egy potenciális problémát, megtalálhatja az érintett alkatrészt, kereshet hasonló esetek után a történelmi adatokban, és példákat szolgáltathat a következtetései alátámasztására. A GM az ügynökök engedélyeit a használó mérnök engedélyeihez igazítja. „Ha egy mérnök elvégezné ezt a feladatot, és hozzáférésre lenne szüksége ezekhez a dolgokhoz, akkor az ügynökének is hozzáférésre van szüksége ezekhez” — mondta Haq. „A mérnök továbbra is felelős az ügynök kimenetéért.” A vállalat háttérben futó ügynököket is használ gépi tanulási kísérletek párhuzamos futtatására.

Kapcsolódó: Anthropic Claude Code funkciója

Háromszoros sebesség, kevesebb hiba

A GM belső ügynökplatformját termékként kezelte, és négy bevetett mérnököt rendelt a fejlesztőcsapatok közvetlen támogatására. Segítettek a munkatársaknak azonosítani a hasznos munkafolyamatokat, elterjeszteni a sikeres gyakorlatokat és bevezetni az eszközöket. Haq szerint a lekódolt változtatások számának növekedése több mint a kódmennyiség emelkedését jelenti. „Az új funkciók kiadásának sebessége nőtt” — mondta, miközben a kiadások „kevesebb tesztelési hibát, kevesebb bugot” és más problémát eredményeztek. Az emberek továbbra is felelősek a kritikus ellenőrzőpontokon. A GM strukturált és strukturálatlan teszteket, valamint teljesítményméréseket állított fel a szélesebb munkafolyamat felgyorsítása előtt. A mérnökök áttekintik ezeket a méréseket, és meghatározzák, hogy az egyes tesztek továbbra is elérik-e a céljukat, mielőtt a munka a gyártás felé haladna. A GM eredetileg szerényebb termelékenységnövekedésre számított. „Azt hiszem, az egyetlen meglepetésünk a volt, hogy mennyi mindent tudtunk csinálni” — mondta Haq a VB Transform 2026 konferencián.

Kapcsolódó: a Siemens AI automatizálása