Mit építettünk, és miért működött

Amikor elindultunk a CHERRISK-en az UNIQA számára, a megbízás valódi zöldmezős volt: örökölt rendszerek nélkül, egy csapattal, amelyik komolyan akarta csinálni, és egy üzlettel, amelyiknek el kellett indítani egy teljesen online biztosítási platformot több piacon. Scala / Play-t választottunk, eseményvezérelt CQRS architektúrát, Kafka-t az esemény-streaminghez, GraphQL / Sangria-t az API réteghez, és GitLab CI/CD-t Docker Swarm-mal a deploymenthez.

Ez a stack tartott. A platform elindult, skálázott, valódi terhelést kezelt, és aktuáriusi és BI munkát is támogatott az ElasticSearch esemény-sourced adatrétegen keresztül. A döntések megalapozottak voltak — és legtöbbjét ma is meghoznánk.

Mi változott azóta: AI a fejlesztési munkafolyamatban

A legnagyobb egyedi változás azóta nem egy framework vagy felhőszolgáltató — hanem az AI kódolási asszisztensek napi szintű fejlesztési eszközként való megjelenése. 2022 vége óta progresszíven integráltuk a ChatGPT-t, Claude-ot, Cursor-t és kapcsolódó eszközöket a szállítás minden fázisába. A termelékenységi delta nem marginális; bizonyos munkaosztályokon — boilerplate, teszt-scaffolding, dokumentáció, adattranszformációs logika — fejlesztőnként napi megspórolt órákat jelent.

Egy CHERRISK léptékű projekten ez rendkívül sokat számít.

Mit csinálnánk másképp ma

1. Karcsúbb kezdeti csapat, gyorsabb felfutás

A nagy zöldmezős projektek korai szakaszában az erőfeszítés jelentős részét a beállítás veszi el: projekt-scaffolding, CI/CD konfiguráció, környezet-standardizálás, az első 80% boilerplate service réteg megírása. AI-asszisztált fejlesztéssel ma két senior fejlesztő ugyanannyi idő alatt azt produkálja, ami korábban négyet vagy ötöt igényelt. Karcsúbban indulnánk, gyorsabban validálnánk a core domain modellt, és csak akkor skálálnánk a csapatot, ha az architektúra bizonyított az élesben.

2. AI-generált tesztlefedettség az első naptól

Egy CQRS/event-sourced rendszer tesztlefedettségének karbantartása nem triviális — realisztikus parancs-fixture-ök, esemény-snapshotok és integrációs forgatókönyvek megírása fárasztó munka, amelyet a delivery-nyomás alatt historikusan deprioritizáltak. Ma AI-t használnánk a teszt-scaffolding első menetének folyamatos generálásához, az lefedettséget becsületesen tartva anélkül, hogy lassítanánk a feature szállítást.

3. Szorosabb visszajelzési hurkok a domain szakértők és a kód között

A biztosítási domain szabályai — árképzés, jogosultság, terméklogika — lassan fordítódnak kóddá, amikor minden fordítás fejlesztői fejeken keresztül kell átmenjen. Megvizsgálnánk az AI használatát arra, hogy az üzleti elemzők és aktuáriusok strukturált logikát tudjanak előállítani, amely közvetlenül táplálkozik a kódbázisba, rövidítve az üzlet-kód hurkot.

4. Managed szolgáltatások agresszívebb használata nem differenciáló infrastruktúrához

Saját Kafka-t futtattunk, saját Ceph objektumtárolót kezeltünk, saját Docker Swarm-ot üzemeltettük. 2026-ban ezeknek a komponenseknek a többségéhez létezik egy managed felhő-ekvivalens. Kevesebb időt töltenénk infrastruktúra-üzemeltetéssel és több időt termékszállítással. A csapat energiája a domain logikára alkalmazva a legértékesebb, nem egy Kafka klaszter egészségben tartásán.

Mit hagynánk pontosan ugyanígy

• Az eseményvezérelt CQRS architektúrát. Egy olyan domainhez, amelyik audit trail-t igényel, aktuáriusi replay-t támogat, és termékszabályokat kell fejleszteni downtime nélkül, ez ma is a helyes döntés.
• Scala / Play-t a core backendhez. A típusrendszer egész hibaosztályokat előz meg. A teljesítmény kiváló. Az AI eszközök meglepően jók lettek Scala kódgenerálásban, ami eltávolítja a nyelv egyik hagyományos súrlódási pontját.
• GitLab CI/CD multi-környezetes pipeline-okkal és quality gate-ekkel. Az automatizált, auditálható szállítás a projekt egyik legnagyobb nyereménye volt. Ezen nem kompromisszálnánk.
• Szoros együttműködés az üzleti csapatokkal. A technológia nem a nehéz része egy biztosítási platformnak. A domain megfelelő mélységű megértése ahhoz, hogy helyesen modellezzük, az. Semmilyen AI eszköz nem helyettesíti ezt.

A végeredmény hasonló projektekhez ma

Ha most indít egy hasonló projektet — komplex, magas helyességet igénylő domain, esemény-sourcelt adatot és multi-piaci skálázhatóságot igénylő — az alapvető architektúra érvényes marad. A különbség a végrehajtáshoz szükséges sebességben és csapatméretben van. Egy kisebb, AI-augmentált senior csapat ma azt tudja szállítani, amihez korábban nagyobb csapat kellett hosszabb futamidőn.

Ha ez relevánsnak hangzik a projektje szempontjából, vegyük fel a kapcsolatot.