Δεν γράφεις κώδικα — διευθύνεις μια “ομάδα AI”

Οι περισσότεροι χρησιμοποιούν το Coding Agent σαν να είναι ακόμα Technical Lead: ελέγχουν προσωπικά τη σχεδίαση του συστήματος, διαβάζουν κάθε γραμμή κώδικα, τίποτα δεν γίνεται commit χωρίς το δικό τους οκ. Η ποιότητα όντως εγγυημένη. Το τίμημα; Είσαι το μεγαλύτερο bottleneck της γραμμής παραγωγής. Κάθε απόφαση σε περιμένει, κάθε λεπτομέρεια περνά από σένα, και η παραγωγικότητα του Agent κλειδώνεται στον χρόνο και την προσοχή σου.

Οι ανεξάρτητοι developers που βγάζουν πραγματικά λεφτά έχουν κάνει μια κρίσιμη αλλαγή ρόλου: από TL σε EM. Σε απλά ελληνικά: ο TL κοιτάει κάθε γραμμή κώδικα, ο EM κοιτάει μόνο αν το αποτέλεσμα δουλεύει. Ο TL ρωτάει “είναι σωστός αυτός ο κώδικας;”, ο EM ρωτάει “πέρασε το feature το acceptance test;”. Φαίνεται μικρή διαφορά, αλλά στην πράξη μετατρέπει την παραγωγή σου από “ένας άνθρωπος” σε “μια ομάδα”.

Γιατί τώρα μπορείς να αφήσεις το τιμόνι: τα μοντέλα πέρασαν το κατώφλι

Προϋπόθεση για να αφήσεις τον έλεγχο είναι η ποιότητα του κώδικα. Φέτος αυτή η προϋπόθεση ισχύει: στα κύρια δημόσια benchmarks, τα κορυφαία μοντέλα γράφουν σωστό κώδικα σε ποσοστό πάνω από 80%, με συντριπτικό προβάδισμα έναντι της προηγούμενης γενιάς (οι μεθοδολογίες διαφέρουν ανά αξιολόγηση — κοίτα μόνος σου τα τελευταία δεδομένα στο Artificial Analysis και στο SWE-Bench, μην εμπιστεύεσαι μεταφορές δεύτερου χεριού, ούτε τη δική μου).

Τι σημαίνει αυτό; Ότι ο κώδικας του AI, με μια βασική επαλήθευση, δεν θα ξεφύγει πολύ. Το οριακό όφελος του line-by-line review έχει πέσει τόσο που δεν συμφέρει. Αν συνεχίζεις ως TL, ξοδεύεις τον πιο ακριβό σου χρόνο στον φθηνότερο έλεγχο ποιότητας. Η αγορά δεν πληρώνει για την “ανασφάλειά” σου — πληρώνει για το παραδοτέο.

Μονοπάτι 1: “επιβεβαίωση σχεδίου + στόχος” αντί για μικροδιαχείριση

Πώς γίνεται στην πράξη; Πρώτο βήμα: αλλάζεις τη ροή εργασίας. Μόλις ξεκαθαρίσεις τι feature θέλεις, περνάς μαζί με τον Agent το τεχνικό σχέδιο. Μόλις το εγκρίνεις, του δίνεις τον στόχο μαζί με το σχέδιο και τον αφήνεις να εκτελέσει — κώδικας, αυτοματοποιημένα tests, όλα δικά του. Εσύ κάνεις ένα μόνο πράγμα: acceptance του feature, όχι review του κώδικα.

Ορίστε ένα template prompt που αντιγράφεται αυτούσιο:

1
2
3
4

Θέλω να φτιάξω [περιγραφή feature].
Περιορισμοί: [τεχνολογίες/πλατφόρμα/συμβατότητα].
Πρώτα δώσε μου τεχνικό σχέδιο: 1) διαχωρισμό modules, 2) ροή δεδομένων, 3) πιθανές παγίδες.
Μόλις το εγκρίνω, γράψε τον κώδικα. Τρέξε τα tests μόνος σου και επικόλλησε τα αποτελέσματα.

Για το acceptance, μια checklist κρατάει την ποιότητα χωρίς να ανοίξεις κώδικα:

• Τρέχεις χειροκίνητα τη βασική ροή — κανένα σφάλμα στο κύριο μονοπάτι
• Δοκιμάζεις ένα-ένα τα ακραία σενάρια (κενό input, τεράστιο input, χωρίς δίκτυο)
• Όλα τα αυτοματοποιημένα tests που έγραψε ο Agent περνούν
• Σε bug δεν ανοίγεις κώδικα: περιγράφεις το φαινόμενο στον Agent, αυτός αναπαράγει, διορθώνει, προσθέτει test — εσύ ξανακάνεις acceptance

Η ουσία είναι ότι μετακινείς το σημείο επαλήθευσης νωρίτερα. Ως TL επαληθεύεις σε επίπεδο κώδικα — πανάκριβο. Ως EM επαληθεύεις σε επίπεδο λειτουργίας — λίγα κλικ, λίγα λεπτά. Σε όλο τον κύκλο, ο χρόνος σου πάει σε δύο μόνο πράγματα: να σκεφτείς τι θέλεις, και να επιβεβαιώσεις ότι έγινε σωστά.

Μονοπάτι 2: η επιλογή τεχνολογίας από “τι ξέρω” σε “τι ταιριάζει”

Η αλλαγή ρόλου έχει ένα κρυφό μπόνους: η επιλογή stack δεν δεσμεύεται πια από τα όρια των δικών σου γνώσεων. Με νοοτροπία TL διαλέγεις υποσυνείδητα ό,τι ξέρεις, γιατί αν χαλάσει θα το φτιάξεις. Με νοοτροπία EM κρίνεις μόνο τι ταιριάζει στο project — τα υπόλοιπα τα αναλαμβάνει ο Agent.

Ένας ανεξάρτητος developer περιέγραψε τέτοια πορεία (σύμφωνα με την αρχική ανάρτηση, χωρίς ανεξάρτητη επιβεβαίωση): σε app μετάφρασης υποτίτλων ξεκίνησε με Electron επειδή ήξερε frontend, δεν ικανοποιήθηκε από την απόδοση, και πήγε κατευθείαν σε Swift + AppKit — stack που δεν ήξερε — με το AI να τον καθοδηγεί χωρίς κολλήματα. Στο επόμενο cross-platform προϊόν διάλεξε Rust, που δεν είχε γράψει ποτέ. Αν ισχύει η ιστορία το κρίνεις εσύ, αλλά η λογική της είναι ελέγξιμη: απόψε κάνε το πείραμα — διάλεξε ένα stack που δεν ξέρεις και ζήτα από τον Agent ένα εργαλείο 100 γραμμών. Δες αν σε κολλήσει κάπου. Απλά: τα όρια των γνώσεών σου δεν είναι πια δικαιολογία. Το stack επιλέγεται με κριτήριο το βέλτιστο.

Μονοπάτι 3: η ταχύτητα επανάληψης γίνεται τάφρος — και ο λογαριασμός

Μόλις το σύστημα κυλήσει, ο χρόνος παράδοσης πέφτει από εβδομάδες σε μέρες. Ο πελάτης ζητάει το πρωί, το απόγευμα βλέπει εκδοχή έτοιμη για acceptance. Ο ανταγωνισμός κάνει μια αλλαγή την εβδομάδα, εσύ μια τη μέρα. Στο eBay, στο Lemon8 και στο Upwork πολλοί πουλάνε AI development, αλλά οι περισσότεροι είναι ακόμα στο στάδιο “το AI με βοηθάει να γράφω”. Με το μοντέλο EM παίζεις σε άλλη κατηγορία.

Ας μιλήσουμε με νούμερα (συντηρητικές εκτιμήσεις — προσάρμοσέ τες στη δική σου τιμή):

• Τυπική παραγγελία “μικρό εργαλείο/mini app”: €130 ανά project
• Μοντέλο TL: 5 μέρες ανά παραγγελία, 4 παραγγελίες τον μήνα σε πλήρη φόρτο → €520/μήνα
• Μοντέλο EM: σχέδιο + acceptance 1,5 μέρα, όσο ο Agent εκτελεί παίρνεις παράλληλα την επόμενη — πραγματική δέσμευση 2 μέρες, 8-10 παραγγελίες τον μήνα → €1.000-1.300/μήνα
• Κόστη: συνδρομή AI στο ταβάνι €20/μήνα, ποσοστό επαναδιόρθωσης ~10% με την checklist, μισή μέρα buffer ανά παραγγελία

Δηλαδή, στον ίδιο μήνα η διαφορά ξεπερνά τα €500, και στο μοντέλο EM το bottleneck σου είναι ο όγκος παραγγελιών, όχι η ταχύτητα των χεριών σου. Γράψε στη σελίδα σου “παράδοση λειτουργικής έκδοσης σε 48 ώρες” — αυτό είναι διαφοροποίηση που δεν αντιγράφεται.

Το μόνο πραγματικό bottleneck: να ξέρεις τι θέλεις

Το μοντέλο έχει και έναν αληθινό περιορισμό: όταν πρέπει να σχεδιάσεις μια νέα μεγάλη έκδοση ή μια νέα κατεύθυνση προϊόντος, ο άνθρωπος ξαναγίνεται bottleneck. Όσο δυνατός κι αν είναι ο Agent, εκτελεί μόνο στόχους που έχεις σκεφτεί εσύ. Αν δεν ξέρεις τι θέλεις, δεν θα παράγει ούτε μια χρήσιμη γραμμή.

Άρα το μοντέλο EM απαιτεί περισσότερα από τον άνθρωπο — όχι σε τεχνικό βάθος, αλλά σε product κρίση. Πρέπει να ξοδεύεις χρόνο να μελετάς τι ψάχνουν οι πελάτες στο Amazon και στο eBay, για τι παραπονιούνται τα posts στο Pinterest, ποιο tool content σπάει στο TikTok. Όλος ο χρόνος που γλιτώνεις από το code review πάει στο “να σκεφτώ τι φτιάχνω”. Εκεί είναι η θέση του ανθρώπου σε αυτό το μοντέλο.

Ξεκίνα σήμερα: τρία βήματα για την αλλαγή ρόλου

Αν δεν έχεις πάρει ακόμα παραγγελία, μην ονειρεύεσαι διπλασιασμό παραγωγικότητας. Η είσοδος χαμηλού ρίσκου: ανέβασε στο eBay ή σε τοπικό marketplace μια αγγελία “custom AI εργαλεία” στα €30-50, και τρέξε την πρώτη παραγγελία με τα τρία βήματα παρακάτω. Θα βγεις με επαναχρησιμοποιήσιμη ροή εργασίας και αίσθηση πραγματικής τιμολόγησης.

Βήμα ένα: πάρε ένα μικρό project που έχεις ήδη και απαγόρεψε στον εαυτό σου να ανοίξει αρχεία κώδικα. Μόνο σχέδιο, στόχος, acceptance. Καταγράφεις τον χρόνο — αυτό είναι το δικό σου πρωτογενές δεδομένο, πιο πολύτιμο από οποιαδήποτε ξένη case study. Βήμα δύο: κάνε συνήθεια το “σε bug, περιγράφω στον Agent να αναπαράγει και να διορθώσει” — ποτέ δεν βουτάς μόνος σου στον κώδικα. Βήμα τρία: στο επόμενο project διάλεξε επίτηδες ένα stack που δεν ξέρεις αλλά ταιριάζει καλύτερα, και δες αν το AI σε περνάει απέναντι.

Το κατώφλι της ικανότητας του AI στον κώδικα έχει περάσει. Το όφελος μετακινείται από “όσους ξέρουν να γράφουν κώδικα με AI” σε “όσους ξέρουν να διαχειρίζονται ομάδες AI”. Απόψε διάλεξε ένα project και τρέξε τη ροή EM με το template και την checklist παραπάνω.