Kuusi agenttia, yksi ongelma
OpenAI päivitti Codex-koodaustyökalunsa tukemaan aliagenttirakennetta, jossa yksittäinen koodaustehtävä voidaan jakaa usealle erikoistuneelle agentille. Oletusarvoisesti Codex pyörittää jopa kuutta rinnakkaista säiettä, joista jokainen toimii omassa konteksti-ikkunassaan.
Käytännössä tämä tarkoittaa, että kun kehittäjä pyytää Codexia esimerkiksi refaktoroimaan autentikointijärjestelmän, yksi agentti voi tutkia koodipohjaa, toinen tarkistaa tietoturvariskit, kolmas ajaa testejä ja neljäs dokumentoi muutokset. Agentit eivät käynnisty automaattisesti, vaan kehittäjän on pyydettävä niitä erikseen luonnollisella kielellä – esimerkiksi komennolla "käynnistä kaksi agenttia" tai "delegoi tämä työ rinnakkain".
Miljoonan kehittäjän kuukausittain käyttämä Codex on OpenAI:n lippulaivatuote koodausagenttien markkinoilla, ja aliagenttiominaisuus on suora vastaus kilpailijoiden vastaaviin ratkaisuihin.
Miksi yksi agentti ei riitä?
Perinteisessä yksiagenttimallissa kaikki välivaiheet kuormittavat samaa konteksti-ikkunaa: lokien läpikäynti, testien ajaminen, tiedostojen analysointi ja varsinainen koodin kirjoittaminen kilpailevat samoista resursseista. OpenAI:n dokumentaation mukaan aliagentit ratkaisevat nimenomaan tämän kontekstin saastumisen ongelman. Välityö siirretään pois pääagentin säikeestä, jolloin pääagentti keskittyy vaatimuksiin ja arkkitehtuuripäätöksiin.
Codexissa on kolme esimääriteltyä agenttiroolia: Default-agentti yleiskäyttöön, Worker-agentti muutosten toteuttamiseen ja Explorer-agentti koodipohjan analysointiin. Kehittäjät voivat myös luoda omia agentteja TOML-konfiguraatiotiedostoina, joissa määritellään malliasetukset ja ohjeet tehtäväkohtaisesti. Explorer-agentti voi esimerkiksi käyttää kevyempää ja nopeampaa gpt-5.3-codex-spark-mallia, kun taas Worker-agentti hyödyntää raskaampaa gpt-5.4-mallia tarkempaan koodin tuottamiseen.
Rinnakkaisuudella on hintansa. Jokainen agentti käsittelee ohjeet ja kutsuu työkaluja itsenäisesti, mikä moninkertaistaa token-kulutuksen yksiagenttimalliin verrattuna. OpenAI suositteleekin aliagenteja erityisesti lukuoperaatioihin – koodipohjan tutkimiseen, testien analysointiin ja dokumenttien tiivistämiseen. Samanaikaisista kirjoitusoperaatioista yhtiö varoittaa, koska ne voivat aiheuttaa konflikteja ja ylikirjoituksia.
Claude Code tekee saman eri tavalla
Anthropicin Claude Code tarjoaa vastaavan ominaisuuden Task-agenttien kautta. Claude Code tukee kolmea agenttityyppiä: Explore-agentti on kevyt ja lukuoikeudellinen, Plan-agentti analysoi ja suunnittelee, ja General-purpose-agentti saa täydet työkaluoikeudet. Jokainen saa oman konteksti-ikkunan ja mallinvalinnan, kuten Codexissakin.
Keskeinen ero piilee koordinointimallissa. Claude Coden Agent Teams -ominaisuus mahdollistaa agenttien välisen viestinnän: agentit jakavat tehtävälistan riippuvuuksien hallinnalla ja voivat lähettää viestejä toisilleen kesken työn. Codexin aliagentit sen sijaan työskentelevät eristyksissä omissa konteksteissaan, kuin erillisissä huoneissa, joista tulokset kootaan yhteen vasta lopuksi.
Vertailutesteissä Claude Code käyttää noin nelinkertaisen määrän tokeneita samaan tehtävään verrattuna Codexiin. Suurempi token-kulutus ei kuitenkaan ole pelkkää hukkaa, vaan se korreloi perusteellisempien ja johdonmukaisempien tulosten kanssa. Valinta kahden lähestymistavan välillä riippuu siitä, arvostaako kehittäjä nopeutta ja kustannustehokkuutta vai tarkkuutta ja koordinointia.
Suomalaisissa ohjelmistotaloissa tekoäly koodaa jo päivittäin
Suomessa tekoälyavusteinen koodaus on arkea suurimmissa ohjelmistotaloissa. Eficode, joka työllistää yli 600 asiantuntijaa kymmenessä maassa, on linjannut tekoälyn olevan olennainen osa kaikkia ohjelmistokehitysprosesseja. Yhtiön Suomen-maajohtaja Kalle Lindroos on todennut, ettei tekoäly ole enää pelkkä työkalu vaan integroitu osa kehitysputkea. Eficode tarjoaa asiakkailleen AI Success Roadmap -palvelua, joka auttaa ottamaan tekoälytyökalut käyttöön systemaattisesti.
Vincit puolestaan hyödyntää generatiivista tekoälyä asiakasprojekteissaan, jotka ulottuvat startup-yrityksistä globaaleihin konserneihin. Yhtiö on rekrytoinut aktiivisesti kehittäjiä, joiden osaamisvaatimuksiin kuuluu kokemus tekoälyavusteisista kehitystyökaluista.
Aliagenttirakenne hyödyttää erityisesti tiimejä, jotka työskentelevät laajojen koodikantojen parissa. Kun mikropalveluarkkitehtuurissa pitää päivittää rajapinta, joka vaikuttaa kymmeneen palveluun, rinnakkaiset agentit voivat analysoida jokaisen palvelun vaikutukset samanaikaisesti. Yksittäisen agentin peräkkäinen lähestymistapa saattaisi viedä moninkertaisen ajan ja kadottaa kontekstin matkan varrella.
