A kiindulás

A S.W.I.F.T.-nél egy E-form optimalizáció és API-konszolidáció után minden release-hez új technikai dokumentációt kellett kiadnunk. A hagyományos ciklus 3–4 hetet evett meg release-enként: a fejlesztők megírták, a termék átnézte, az audit átnézte, jött a kör – és kezdtük elölről.

Nem a leírás maga volt a szűk keresztmetszet. Hanem hogy három különböző érdekcsoport – mérnök, termékmenedzser, auditor – mindegyike más fókusszal olvasta ugyanazt a szöveget. Minden iteráció egy újabb szempont becsatornázásáról szólt.

Az AI-megoldás, amit beépítettünk

Egy AI-támogatott dokumentációs pipeline-t építettem Claude Code CLI és Model Context Protocol (MCP) alapokon – ugyanaz az agentic stack, amit nap mint nap használok. A folyamat:

  • Forráskód beolvasása: a Claude Code a GitHub MCP-n keresztül elérte a megváltozott kódszakaszokat.
  • API-specifikáció beolvasása: a Context7 MCP behúzta az aktuális API-design dokumentumokat.
  • Keresztreferencia: a Claude összevetette a kód- és spec-változásokat, és kiemelte mindazt, ami audit szempontból releváns.
  • Három célközönségre szabott kimenet: ugyanaz a tartalom – mérnöki mélységben, termékfókusszal, és audit-traceability formában.

A governance ezen belül van, nem mellette

Egy szabályozott környezetben az EU AI Act nem opció, hanem belépőjegy. Ezért minden kimenet háromféle védőhálón futott át:

  • Provenance: minden dokumentációs állítás vissza volt vezetve a forráskód- vagy spec-sorra, amiből származott.
  • Hallucináció-szűrő: strukturált kimenet (JSON schema + Pydantic validáció), ami nem engedte ki azt a leírást, ami nem létező kódútra hivatkozott.
  • Human-in-the-loop: az AI fogalmazott, az ember jóváhagyott – soha nem fordítva.

Az eredmények

  • 60% időmegtakarítás – a ciklus 3–4 hétről 1 hét alá rövidült release-enként.
  • Nulla rework-kör – mérnök, termék és audit első körben aláírta a vázlatokat.
  • Auditálható nyom – minden dokumentum-sor visszakereshető a forrásig.
  • A dokumentáció referenciává vált, nem maradt többé „majd valamikor" feladat.

Miért fontos ez a magyar KKV-knak is

A tanulság nem az, hogy a Claude vagy az MCP varázsmegoldás. A tanulság az, hogy az éles AI ugyanazt a fegyelmet igényli, mint az éles kód: verziózott bemenetek, strukturált kimenet, visszakövethetőség, emberi jóváhagyás.

Egy Tier-1 banknál ez compliance-kérdés. Egy magyar KKV-nál ez azt a különbséget jelenti, hogy egy AI-bevezetés tényleg időt spórol – vagy csak látványosnak tűnik a demón, aztán senki nem meri élesben használni.

Mi volt a stack

  • Agentic AI: Claude Code CLI, Anthropic SDK, Model Context Protocol
  • MCP-szerverek: GitHub (kódhozzáférés), Context7 (élő API-dokumentáció), Tavily (kutatás)
  • Validáció: JSON schema, Pydantic strukturált kimenet
  • Governance-keret: EU AI Act megfeleltetés, ISO/IEC 42001 igazítás
„A módszertan és a governance az első – az eszköz csak utána jön. A 14 év alatt 1,1 millió eurónyi dokumentált megtakarítás ugyanezzel a logikával született, akár Lean Six Sigma, SAP, PEGA vagy ma már Claude Code volt a kar."