Az AI kódoló ágensek ma már nem kísérleti játékszerek, hanem éles fejlesztői eszközök — csak épp felzabálják a keretet. A VB Transform 2026 konferencián a Replit, a Kilo Code és a Symbotic mérnöki vezetői nyíltan elmondták, hogyan kezelik a robbanásszerűen megnövekvő token- és AI-számlákat, miközben a csapataik gyakorlatilag már nem írnak saját kézzel kódot.

A helyzet paradox: minél többet ér az AI-ágens, annál gyorsabban fogy a pénz. Egyetlen mérnök napi tokenszámlája is elérheti a több száz dollárt, ha rossz modellt választ egy rutinfeladathoz. Az alábbi eset azt mutatja meg, mit csinál másképp három olyan cég, amelyik nap mint nap ebből él.

AI kódoló ágensek: miért robban ennyire a költség?

Az alapprobléma egyszerű. Egy modern kódoló-ágens nem egyszer kérdez rá a modellre, hanem al-ágenseket indít, kontextust olvas be, iterál, tesztel — és minden lépés tokenbe kerül. A Kilo Code mérnökei az idejük mindössze 1 százalékában írnak vagy olvasnak saját kézzel kódot; a maradék az ágensek dolga.

„Hacsak nincs valami komolyan elromolva vagy hibakeresés nem zajlik, a mérnökök az idő 99 százalékában már nem olvasnak és nem írnak kódot.” — Emilie Schario, a Kilo Code társalapítója.

Ez a modell tehát működik — csak drága. A gond nem maga a költés, hanem a megtérülés nélküli költés. Ahogy Schario fogalmazott: a probléma az a kiadás, ami mögött nincs semmilyen hozadék. Ez az a mondat, ami köré az egész költségkontroll épül.

Kilo Code: napi 600 dollár és a „cost per pull request”

A Kilo Code egy agentic gateway, ami több mint 500 modellt támogat, és szándékosan szétválasztja a saját szoftverét a mögötte futó modelltől. Ez azért fontos, mert így bármikor válthatnak olcsóbb vagy erősebb modellre anélkül, hogy az eszközt kellene átépíteni.

A cégnél egy „nehéz lábú” mérnök napi tokenszámlája elérte a 600 dollárt. Schario ezért egyetlen metrikára figyel: a pull requestenkénti költségre. Szerinte ez áll a legközelebb ahhoz, hogy ténylegesen mérni lehessen az AI-ágens által termelt értéket.

Ez a szemlélet gyakorlatban is használható: ha tudod, hogy egy adott feladatcsomag (egy PR) mennyibe kerül tokenben, akkor össze tudod hasonlítani azzal, mennyi mérnöki órát váltott ki. A puszta „havi API-számla” ehhez képest vak mutató. Ha te is agenttel dolgozol, érdemes már most elkezdeni mérni, mennyibe kerül egy-egy kész feladat.

Replit: 3x produktivitás, de „human on the loop”

A Replit szerint az AI-ágensek a mérnöki produktivitásukat nagyjából háromszorosára emelték. Amol Jain, a termékmérnökség vezetője egy konkrét esetet is elmondott: egy nehezen reprodukálható hibát egy AI manager-ágens 6 óra alatt oldott meg úgy, hogy előbb al-ágenseket indított a hiba megtalálására, majd újabbakat a javításra.

A Replit filozófiája viszont nem a teljes szabadjára engedés. Jain megfogalmazása szerint a cél az ember a hurok fölött, nem a hurokban — vagyis az ágens dolgozik, az ember felügyel és jóváhagy, nem pedig minden lépésbe belenyúl.

Ehhez a Replit kockázatalapú felülvizsgálatot vezetett be: egy ágens minden pull requesthez kockázati pontszámot rendel. Alacsony kockázatnál a szerző maga mergeli a kódot, egyébként emberi reviewer nézi át. Az ágens-flotta ráadásul saját felhő-VM-eken fut, token-proxykon keresztüli hozzáférés-vezérléssel — ez a biztonsági része a történetnek. Ha a gyakorlati kódoló-eszközök érdekelnek, korábbi tesztünkben három erős AI kódoló asszisztenst hasonlítottunk össze részletesen.

Symbotic: havi költségszintek és a Cursor-sokk

A raktár-automatizálással foglalkozó Symbotic más úton indult. Jared Go, a cég AI- és felhőmérnöke havi költségszinteket (tier) vezetett be alkalmazottanként, plusz egy belső eszközt, amivel a menedzserek látják a pull requesteket és a használati trendeket. Ha valaki tartósan túllépi a szintjét, feljebb vagy lejjebb kerül.

A fordulópont náluk az volt, amikor a sűrűn használt Cursor megszüntette a régi átalánydíjas kedvezményét. Ez egy csapásra láthatóvá tette a valós költséget, és belső hatékonysági felülvizsgálatot indított. Ez jó emlékeztető: a kedvező bevezető árazás nem örök, és a költségmodell bármikor megváltozhat alattad.

Go egy fontos technikai különbséget is kiemelt: a zöldmezős (greenfield) fejlesztés könnyű az ágenseknek, a barnamezős (brownfield), vagyis a meglévő, összetett kódbázison végzett munka viszont a valódi kihívás. Ez magyarázza, miért fogyaszt egy régi, nagy rendszer karbantartása aránytalanul több tokent, mint egy tiszta lapról induló projekt.

Modell-routing: miért nem kell mindenhez a frontier modell

A három cég közös tanulsága egyetlen mondatban összefoglalható, ahogy a Replit Amol Jainja mondta: a legtöbb feladathoz nem kell a frontier modell. A gyakorlatban ez modell-routingot jelent: a drága, legerősebb modellt csak a projekt architektúrájának megtervezéséhez használják, a hátralévő implementációt pedig olcsóbb, gyakran nyílt súlyú modellre bízzák.

Miért számít ez? Egy jó példa a Replit saját házán belülről: egy support-oldali munkatárs túlköltekezett, mert egy egyszerű automatizálást a legdrágább, GPT 5.5 Pro Max modellen futtatott. A feladat nem indokolta a frontier modellt — ez a klasszikus, könnyen elkövethető hiba, ami észrevétlenül égeti a keretet.

A modell-routing ereje pont itt van: ha az olcsó modell 80 százalékban elvégzi a munkát, és csak a nehéz 20 százalékhoz hívod a drágát, a számlád töredékére csökkenhet ugyanazzal a végeredménnyel.

Mit jelent ez a kisebb csapatoknak és a szabadúszóknak?

Könnyű azt gondolni, hogy ez csak a nagy cégek gondja — pedig épp fordítva van. Egy egyfős fejlesztő vagy egy pár fős csapat sokkal érzékenyebb egy váratlan, több száz dolláros havi számlára, mint egy jól finanszírozott vállalat. A napi 600 dolláros tokenszámla vállalati keretben elfér, egy szabadúszónál viszont csődközeli.

A jó hír, hogy a három cég tapasztalata skálázható lefelé is. A „feladatonkénti költség” mérése nem igényel drága eszközt — a legtöbb ágens felülete kiírja, mennyi tokent használt egy futás. A modell-routing pedig még egyszerűbb: egyszerűen ne a legdrágább modellt állítsd be alapértelmezettnek egy egyszerű refaktoráláshoz vagy dokumentáció-íráshoz.

A brownfield-tanulság is számít itt: ha egy régi, kusza kódbázison dolgozol, számíts arra, hogy az ágens többször köröz, több kontextust olvas, és aránytalanul többe kerül. Ilyenkor néha olcsóbb és gyorsabb egy jól irányzott emberi beavatkozás, mint hagyni, hogy az ágens vakon iteráljon.

5 gyakorlati lépés a kódoló-ágens költségek kordában tartására

1. Mérj feladat-szinten, ne havi számlán: vezesd be a „pull requestenkénti költség” vagy „feladatonkénti költség” metrikát, hogy lásd, mi termel valódi értéket.
2. Használj modell-routingot: a frontier modellt csak tervezéshez és a nehéz részekhez hívd, a rutinmunkát bízd olcsóbb vagy nyílt súlyú modellre.
3. Állíts be alapértelmezett modellt: ne engedd, hogy mindenki reflexből a legdrágábbat válassza egy egyszerű automatizáláshoz — a Replit esete pont erről szól.
4. Tedd láthatóvá a költést: a Symbotic-féle havi szintek és a használati dashboard nélkül senki nem tudja, ki és mire égeti a tokent.
5. Vezess be kockázatalapú felülvizsgálatot: az alacsony kockázatú PR-ek automatikus mergelése időt spórol, a magas kockázatúak pedig emberi szemet kapnak — ez a „human on the loop” elv.

Kinek melyik megközelítés való?

A Kilo Code gateway-modellje azoknak szól, akik sok különböző modellt akarnak egy helyről, rugalmasan váltogatva — a több mint 500 modell és a modell-független architektúra pont ezt adja. Aki fél a beszállítói bezártságtól, itt jár jól.

A Replit az end-to-end ágensélményt kínálja saját felhő-infrastruktúrával és beépített biztonsági kontrollal — csapatoknak, akik nem akarnak külön ágens-infrát építeni. A Symbotic megközelítése inkább szervezeti minta, mint termék: bármelyik nagyobb csapat átveheti a költségszintek és a láthatósági dashboard logikáját, függetlenül attól, milyen eszközt használ.

A közös nevező: mindhárom cég abból indul ki, hogy az AI-ágens megéri az árát — de csak akkor, ha a költést mérik és irányítják. Kipróbálni egyébként bárki kipróbálhatja: a Replit, a Kilo Code és a Cursor is elérhető önállóan, ingyenes vagy belépő szintű csomaggal.

A token-számla lett az új teljesítménymutató

A VB Transform 2026 tanulsága nem az, hogy az AI-ágensek túl drágák — hanem hogy a költségük mostantól elsőrangú mérnöki metrika, akárcsak a sebesség vagy a hibaszám. Aki nem méri, mennyibe kerül egy kész feladat, az vakon repül.

A következő időszakban valószínűleg minden komolyabb fejlesztőcsapat bevezet valamilyen „cost per PR” jellegű mutatót, és a modell-routing alapértelmezetté válik. Az AI-ágens nem lett olcsóbb — csak megtanuljuk okosabban használni.

Kapcsolódó elemzésünkben megnézzük, megéri-e a 100-200 dolláros AI-előfizetés 2026-ban. További AI-eszközös tesztekért és költség-elemzésekért iratkozz fel az AI Hírek hírlevelére.