Salesforce: 15 ezer mérnökre skálázták az agentikus kódolást

Gyorsuló mérőszámok nagyvállalati környezetben

A Salesforce beszámolója szerint az agentikus kódolás bevezetése olyan környezetben zajlott, ahol a vállalat 40 milliárd dolláros üzletet működtet, és több százezer ügyfelet szolgál ki. A cég hangsúlyozza, hogy itt minden éles környezetbe kerülő telepítés bevételt és bizalmat érint, ezért a skálázás más kihívást jelentett, mint egy új, elszigetelt mellékprojekten.

A vállalat által közölt számok alapján 2026 júliusában az egy fejlesztőre jutó lezárt munkatételek száma éves összevetésben 90,5 százalékkal nőtt. Az egy fejlesztőre jutó beolvasztott pull requestek száma 88,1 százalékkal emelkedett. Az Effective Output nevű, a Stanford University közreműködésével fejlesztett, gépi tanuláson alapuló produktivitási pontszám 200,3 százalékkal lett magasabb.

A Salesforce magyarázata szerint az Effective Output minden commitot pontoz, miután egy gépi tanulási modell automatikusan úgy vizsgálja a kódot, ahogyan azt senior mérnökökből álló panel tenné. A cél a cég szerint az, hogy a rendszer a minőséget, az összetettséget és a ráfordítást is figyelembe vegye, vagyis ne pusztán a kód mennyiségét mérje.

Kísérleti programból vállalati szintű bevezetés

A Salesforce nem egyszerre kapcsolta be az új működést 15 ezer mérnöknél. A folyamat egy 30 napos pilottal indult márciusban, nagyjából 44 csapat részvételével, 10 különböző product cloud területén. A kísérletben több mint 200 mérnök vett részt.

A vállalat szerint a résztvevőket úgy választották ki, hogy lefedjék a Salesforce rendszereinek összetettségét. A pilotban voltak új kódbázisok és mélyen összekapcsolt régi rendszerek, gyors tempóban dolgozó csapatok és karbantartási feladatokat végző csoportok, korai AI-használók és szkeptikus mérnökök is. A felhasználási esetek az innovációtól a migráción át a folyamatos karbantartásig terjedtek.

A pilot célja a Salesforce szerint nem az volt, hogy bebizonyítsa a Claude Code működését, mivel ma már további eszközök is választhatók. A fő kérdés az volt, hogy az ilyen megoldások megbízhatók-e a vállalat ténylegesen épített és üzemeltetett, éles, üzletkritikus, nagyvállalati rendszereiben.

A 30 napos időszak a súrlódási pontok feltárásáról is szólt: a munkafolyamatokban, az emberi szokásokban és azokban a keresztfunkcionális függőségekben, amelyeket a gyorsuló fejlesztési ciklus láthatóvá tett. A pilot után a Salesforce gyorsított: az enablementet az Anthropic részvételével futtatta, a vezetők pedig minden megbeszélésen megerősítették az elvárást. A tudás terjesztésére bajnoki, vagyis champions struktúrát használtak, hogy a tanulás oldalirányban is terjedjen a csapatok között.

Saját eszközök és közös érettségi nyelv

A Salesforce szerint a bevezetést segítette az a mérnöki kultúra, amelyben ha hiányzik egy képesség, a csapatok megépítik, majd megosztják. A vállalat példaként említi, hogy az agentikus munkafolyamatok skálázásakor a mérnököknek olyan megoldásra volt szükségük, amellyel ügynökflottákat kezelhetnek: követhetik az előrehaladást, pályán tarthatják az autonóm munkameneteket, és folyamatos felügyelet nélkül észlelhetnek problémákat.

A beszámoló szerint a piacon nem volt pontosan erre alkalmas megoldás, ezért mérnökök egy csoportja saját orkestrációs réteget épített, majd azt az egész szervezetben terjesztette. A vállalat szerint ez nem külön programból vagy központi előírásból indult, hanem a belső működési kultúrából.

A skálázáshoz a Salesforce létrehozta az Agent Coding Maturity Curve nevű érettségi modellt is. Ez kilenc szakaszt ír le az alapvető kódgenerálástól a teljesen megbízható autonóm működésig. A cél az volt, hogy a mérnöki szervezet egésze a 6. szintre és azon túlra jusson, ahol az egyéni hatékonyságnövekedés már mérhető ügyféloldali eredményekhez kapcsolódik.

A vállalat szerint a bináris használati mutatók csak azt jelzik, kinek van hozzáférése az eszközhöz. Azt nem mutatják meg, hogy valaki egy függvény megírására használja az AI-t, vagy autonóm ügynököt irányít egy több szolgáltatást érintő migrációban. Az érettségi görbe a menedzserek beszélgetéseit is átalakította: a kérdés nem egyszerűen az, hogy használ-e valaki AI-t, hanem az, hol tart a görbén, és mi vinné a következő szintre.

A tokenköltség is mérnöki fegyelem lett

A Salesforce az agentikus kódolás skálázása során a tokenoptimalizálást mérnöki fegyelemként kezelte. A vállalat egyik fő felismerése az volt, hogy a túl sok kontextus nemcsak a költségvetést terheli, hanem a minőséget is ronthatja.

A cég szerint könnyű azt feltételezni, hogy minél több információt kap egy modell, annál jobb döntéseket hoz. A gyakorlatban viszont egy pont után az ellenkezőjét tapasztalták. A felesleges tokeneknek három költsége van: pénzügyi, mert olyan tokenekért fizetnek, amelyek nem adnak értéket, késleltetési, mert a nagyobb kontextusablak feldolgozása több időt igényel, és pontossági, mert a hosszabb bemenet gyengítheti a modell fókuszát.

A Salesforce szerint azok a mérnökök, akik jól megtanulták kezelni a kontextust, nemcsak kevesebbet költöttek, hanem gyorsabban jobb eredményeket kaptak. A vállalat hat területben gondolkodik a kontextus fegyelmezett kezelésénél, ezek közül a forrás a kontextushigiéniát, a skillkönyvtárakat és a modellválasztást említi. A kontextushigiénia része például annak eldöntése, mikor kell törölni, tömöríteni vagy elágaztatni egy munkamenetet, és a kontextust munkamemóriaként, nem pedig teljes átiratként kezelni.

Mit jelent ez a mérnököknek és a piacnak?

A Salesforce példája azt mutatja, hogy az agentikus kódolás nagyvállalati bevezetése nem áll meg az eszközök kiosztásánál. A vállalat szerint a lényeg az üzemi modellben van: kísérleti programmal kell bizalmat építeni, közös nyelvet kell adni az érettség méréséhez, és fel kell tárni azokat a folyamatbeli akadályokat, amelyeket a gyorsabb fejlesztési ciklus felszínre hoz.

A felhasználók és ügyfelek szempontjából a forrás alapján az a fontos, hogy a Salesforce az agentikus kódolást éles, ügyfeleket kiszolgáló rendszerek mellett skálázta, ahol a telepítések bevételt és bizalmat érintenek. A vállalat állítása szerint a cél vállalati szintű átalakulás volt, olyan új képességekkel, amelyek korábban nem voltak elérhetők az üzlet és az ügyfelek számára.