AI mění způsob, jakým inženýři vyvíjejí

Před rokem a půl se jedna z nejhlučnějších debat v softwarovém průmyslu týkala budoucnosti juniorů. Argument zněl jednoduše: pokud umí AI již zvládnout mnoho junior-level úkolů, proč bychom měli dále najímat a školit juniory?

Byla to vážná otázka a mnoho chytrých lidí ji bralo vážně.

V té době byla moje odpověď taková, že jiné profese již vyřešily podobné problémy. Nikdo neabsolvoval lékařskou fakultu a okamžitě neprováděl samostatné operace. Lékaři stráví roky stínováním, stážemi, rezidenčními programy a praxí pod dohledem, než systém důvěřuje, že mohou pracovat samostatně.

Stejný vzorec existuje v oblasti vedení. Nikdo neabsolvoval vysokou školu a okamžitě nevedl společnost z žebříčku Fortune 500. Lidé řídí menší týmy, poté větší obchodní jednotky, a postupně získávají úsudek s rostoucí složitostí role.

Stále si myslím, že inženýrství se pohybuje tímto směrem. Ale v posledních měsících jsem začal uvažovat o problému jinak kvůli třem nesouvisejícím zkušenostem, které všechny směřovaly k stejnému závěru.

Tři příklady

Můj přítel nedávno strávil měsíce přípravou na zkoušku z češtiny. On a několik jeho vrstevníků najali lidské učitele a investovali skutečné peníze do procesu. On prošel pohodlně. Většina ostatních ne.

Největší rozdíl, podle něj, spočíval v tom, že jeho primární učitel byl vlastně ChatGPT.

Mohl studovat v 23:00, pokud chtěl. Mohl opakovat stejný cvičení 40krát bez obav z plýtvání někoho času. Mohl simulovat vysoce specifické situace, jako interakci s českým daňovým úřadem, a přizpůsobit sezení přesně tomu, s čím měl problémy ten den.

Lidští učitelé byli dobří. Prostě nemohli konkurovat dostupnosti, opakování a personalizaci.

Vidím něco podobného u mého syna a fyziky. On již dobře rozumí předmětu, takže nepoužívá Claude k získání odpovědí. Používá ho k tomu, aby ho vyzval. Žádá ho, aby generoval složitější úkoly, aby zpochybnil jeho předpoklady, aby vysvětlil, proč určitý přístup byl blízký, ale nakonec špatný, a aby ho interaktivně zkoušel.

Nejbližší srovnání, které si mohu představit, je zkušenost chytrých dětí, které dříve znaly staršího sourozence, který studoval fyziku. Kromě toho tato verze je vždy dostupná, nikdy netrpělivá a nikdy neříká „zeptej se mě později“.

Můj synovec, který je stále na střední škole, staví malý koníček, který nakonec chce komercializovat. Pomohl jsem mu nastavit kódovací agenta a automatizovat beberapa pracovních postupů. Každý den v 17:00, zatímco dokončuje školu, agent skenuje jeho kód a zanechává mu navrhovaná vylepšení. Jednou týdně jiný pracovní postup běží konkurenční výzkum a přináší nové nápady.

Miloval to.

V jednom okamžiku si udělal legraci, „Pokud je programování tak snadné, brzy dojde nápadů“.

Řekl jsem mu, že nápady byly vždy vzácným zdrojem. Rozdíl spočívá v tom, že realizace již není omezena stejným způsobem, protože implementace se stala dramaticky levnější.

Rychlejší zpětné vazby

Žádný z těchto příkladů není vlastně o češtině, fyzice nebo kódové kontrole.

Jsou to příklady vysoce personalizované zpětné vazby, která se stává neustále dostupnou.

Historicky se junioři učí částečně prostřednictvím opakování a částečně prostřednictvím blízkosti zkušených lidí. Psal kód, čekal na recenzi, dostal zpětnou vazbu, až když senior měl kapacitu, a postupně budovat úsudek za roky nahromaděných chyb.

AI mění zpětnou vazbu sama o sobě.

Junior inženýr s řádně nakonfigurovaným AI asistentem nyní získává mnoho věcí, které dříve závisely na seniorovi. Okamžitá kódová kontrola. Vysvětlivky, proč určitý designový výběr může později způsobit problémy. Reference na podobné vzory jinde v kódu. Zpětná vazba, když sahá po nejzjevnější implementaci místo lepší.

To nejpodstatnější je, že zpětná vazba přichází, zatímco inženýr je stále uvnitř problému, a notwo dní poté, co kontext zmizel.

To záleží, protože přechod od juniora k seniorovi byl vždycky poháněn převážně úsudkem. Úsudek je většinou rozpoznávání vzorů vytvořených prostřednictvím opakovaného vystavení chybám, kompromisům a okrajovým případům. Čím rychleji někdo může projít tyto zpětné vazby uvážlivě, tím rychleji se úsudek vyvíjí.

Bottleneck dříve spočíval u senior inženýrů. Nyní se stále více nachází u učícího se.

Bezpečnostní síť se zlepšuje

Existuje zde další posun, který má stejně velký význam.

Junior inženýr pracující se silnými AI kontrolními systémy je podstatně méně pravděpodobné, že náhodou poškodí produkční systém.

Mnoho klasických chyb je nyní okamžitě označeno: hardcodované přihlašovací údaje, polknuté výjimky, nebezpečné dotazy, bezpečnostní problémy, zjevné architektonické problémy, špatně načtené závislosti. Špatné pull requesty jsou stále častěji chyceny, než opustí laptop.

To mění podlahu pro junior práci.

Historicky šla významná část senior inženýrského času do ochrany organizace před preventivními chybami. AI kontrolní vrstvy stále absorbují část této zátěže, což umožňuje juniorům pracovat nezávisleji dříve, než mohli dříve.

To nevyřazuje potřebu mentorství nebo dohledu. Mění, kde se mentorství stává nejvíce cenným.

Propast se rozšiřuje

Optimistická verze této budoucnosti závisí silně na tom, jak jednotlivý inženýr používá systém.

Někdo, kdo zachází s AI primárně jako s zkratkou kolem myšlení, pravděpodobně vygeneruje více kódu, zatímco se naučí velmi málo. Před deseti lety by stejná osoba kopírovala řešení ze Stack Overflow bez pochopení. Mechanismus se změnil. Podkladové chování ne.

AI nikdy nevyřeší intelektuální pasivitu.

Více zajímavý výsledek nastává, když inženýři aktivně interagují se zpětnou vazbou, kterou obdrží. Pokud někdo pečlivě přečte recenzi, zpochybní ji, položí následné otázky, otestuje alternativy a občas zjistí, že model sám byl špatný, buduje úsudek mnohem rychleji než předchozí generace mohli.

Kognitivní úsilí nezmizelo. Posunulo se dříve do smyčky a stalo se levnějším opakovat.

To pravděpodobně rozšiřuje propast mezi vysoce zapojenými inženýry a odpojenými.

Většina důležitých produktivních posunů funguje tímto způsobem. Čtení rozšiřovalo propast mezi gramotnou a negramotnou populací. Internet rozšiřoval propast mezi zvědavými lidmi a pasivními. AI se zdá být pravděpodobně pokračováním stejného vzoru.

Rozhodnutí o produktu má větší význam

Více zajímavá otázka již není, zda junioři zmizí. Je to, co junioři stále více přispívají, když implementace sama se stává snadnější.

Odpověď začíná vypadat překvapivě podobně jako to, co silní senioři již přispívají: kreativita, produktový instinkt, vkus, prioritizace, úsudek a schopnost identifikovat, co by mělo vlastně existovat na prvním místě.

Inženýrské role se stále více pohybují směrem k produktovému myšlení, protože tření implementace pokračuje ve zhroucení. Plumberství má méně významu než pochopení, zda systém, který se buduje, skutečně řeší správný problém.

Navrhování systému stále má význam. Nazývat věci stále má význam. Rozhodnutí o produktu stále má význam. Pochopení uživatelů stále má význam. V některých ohledech se tyto dovednosti stávají ještě důležitějšími, protože organizace mohou nyní testovat nápady mnohem rychleji než dříve.

Inženýr vychovaný s AI od začátku bude pravděpodobně myslet velmi odlišně než někdo, kdo byl vyškolen před patnácti lety.

Budou předpokládat, že iterace jsou levné. Budou rychle prototypovat několik přístupů místo debat o jednom po dobu dní. Budou očekávat mnohem těsnější zpětné vazby mezi uživateli a implementací, protože cena pokusu o věci neustále klesá.

To vytváří jiného druhu inženýra, jednoho, který je tvarován mnohem kratšími cykly mezi nápadem a realizací.

Organizace budou muset přehodnotit nábor, hodnocení, mentorství a povýšení odpovídajícím způsobem. Ale software již prošel podobnými přechody mnohokrát: když přišel web, když přišla mobilita, když cloudová infrastruktura nahradila systémy on-prem.

Každý posun změnil, co dobrý inženýrství vypadalo, bez eliminace potřeby inženýrů samých.

Operační důsledky

Pro juniory je rada není zvláště glamorózní.

Vyberte skutečné projekty. Používejte AI jako stínového recenzenta, zatímco pracujete. Čtěte zpětnou vazbu pečlivě. Nesouhlasí s ní někdy. Kladete následné otázky. Sledujte vzory za chybami, které chytí.

To je jedna z nejrychlejších cest k rozvoji úsudku, mnohem rychlejší než čekání na to, až senior inženýr konečně uvolní čas pro mentorství.

Pro manažery se bottleneck také změní.

Růst juniorů dříve závisel silně na tom, kolik času senior inženýři mohli ušetřit pro koučování. Stále více se größší páka stává navrhováním silných učení prostředí kolem AI použití: recenzní očekávání, eskalační pravidla, promptovací vzory, zábrany a výběr projektu.

Organizace, které tyto systémy strukturují dobře, pravděpodobně vyvinou talent rychleji než předchozí generace.

A pro vedení týmu pravděpodobně dává smysl přestat pohlížet na juniory primárně jako na vyměnitelnou realizační kapacitu. Ve mnoha organizacích se mohou stát jedním z nejlevnějších zdrojů experimentování, energie a kreativní iterace.

Jiná generace inženýrů

Můj přítel se naučil češtinu rychleji, protože účinně nosil personalizovaného učitele v kapse. Můj syn se učí fyziku s úrovní interaktivní zpětné vazby, ke které jsem neměl přístup. Můj synovec nyní dostává noční kódové recenze a tržní výzkum, zatímco spí.

Další generace inženýrů vstoupí do odvětví s kontinuálními koučemi, okamžitými zpětnými vazbami a dramaticky rychlejšími cykly mezi úsilím a zpětnou vazbou.

To nevyřazuje juniora. Mění, jak rychle se vyvíjí a jaké dovednosti mají největší význam po cestě.

Verze role, se kterou mnoho lidí vyrostlo, pravděpodobně mizí. Ale náhrada se může ukázat jako rychlejší učení, lépe koučovaná, experimentálnější a produktově orientovanější než předchozí generace měla kdykoli možnost se stát.