Perubahan AI dalam Pengembangan Insinyur

Kira-kira setahun yang lalu, salah satu debat paling keras di bidang perangkat lunak berpusat pada masa depan insinyur junior. Argumen tersebut terdengar sederhana: jika AI sudah dapat menangani banyak tugas pengkodean tingkat junior, mengapa perusahaan masih melanjutkan untuk merekrut dan melatih junior? Dan jika perusahaan berhenti mengembangkan bakat junior, dari mana insinyur senior berasal lima tahun kemudian?

Itu adalah pertanyaan serius, dan banyak orang pintar mengambilnya serius.

Pada saat itu, jawabanku adalah bahwa profesi lain sudah menyelesaikan versi masalah ini. Tidak ada yang lulus dari sekolah kedokteran dan langsung melakukan operasi jantung terbuka secara mandiri. Dokter menghabiskan tahun-tahun mengikuti, magang, menyelesaikan residensi, dan berlatih di bawah pengawasan sebelum sistem mempercayai mereka untuk bekerja sendiri.

Polanya sama ada di kepemimpinan eksekutif. Tidak ada yang lulus kuliah dan langsung memimpin perusahaan Fortune 500. Orang-orang mengelola tim yang lebih kecil, kemudian unit bisnis yang lebih besar, dan secara bertahap mengumpulkan penilaian seiring waktu. Jalur menjadi lebih panjang, lebih praktis, dan lebih berbasis magang seiring dengan meningkatnya kompleksitas peran.

Aku masih berpikir bahwa teknik rekayasa bergerak ke arah itu. Namun, selama beberapa bulan terakhir, aku mulai memikirkan masalah ini secara berbeda karena tiga pengalaman yang tidak terkait yang semuanya menunjuk pada kesimpulan yang sama.

Tiga Contoh

Seorang temanku baru-baru ini menghabiskan beberapa bulan mempersiapkan diri untuk ujian bahasa Ceko. Dia dan beberapa rekan kerjanya merekrut tutor manusia dan menginvestasikan uang sungguhan dalam proses tersebut. Dia lulus dengan nyaman. Kebanyakan dari yang lain tidak.

Perbedaan terbesar, menurutnya, adalah bahwa tutor utamanya sebenarnya adalah ChatGPT.

Dia bisa belajar pada pukul 11 malam jika dia mau. Dia bisa mengulangi latihan konjugasi yang sama empat puluh kali tanpa khawatir membuang kesabaran seseorang. Dia bisa berperan dalam situasi yang sangat spesifik, seperti berinteraksi dengan petugas pajak Ceko, dan menyesuaikan sesi dengan tepat untuk apa yang dia kesulitan hari itu.

Tutor manusia itu baik. Mereka hanya tidak bisa menyaingi ketersediaan, pengulangan, dan personalisasi.

Aku melihat sesuatu yang serupa dengan putraku dan fisika. Dia sudah memahami subjek dengan baik, jadi dia tidak menggunakan Claude untuk memberinya jawaban. Dia menggunakannya untuk menantangnya. Dia meminta Claude untuk menghasilkan masalah yang lebih sulit, mendorong asumsinya, menjelaskan mengapa pendekatan itu dekat tapi salah, dan menguji dia secara interaktif.

Perbandingan terdekat yang bisa kupikirkan adalah pengalaman anak-anak pintar yang dulu tahu seorang kakak laki-laki yang mayor di fisika. Kecuali versi ini selalu tersedia, tidak pernah sabar, dan tidak pernah mengatakan “tanyakan nanti”.

Keponakanku, yang masih di sekolah menengah, telah membangun proyek hobi kecil yang dia ingin komersialisasikan. Aku membantunya mengatur agen pengkodean dan mengotomatisasi beberapa alur kerja. Setiap sore pukul lima, saat dia menyelesaikan sekolah, agen memindai basis kode dan meninggalkan saran perbaikan. Sekali seminggu, alur kerja lain berjalan dan melakukan penelitian kompetitif dan menemukan ide baru.

Dia menyukainya.

Pada satu titik dia bergurau, “Jika pengkodean semudah ini, aku akan kehabisan ide.”

Aku mengatakan kepadanya bahwa ide selalu menjadi sumber daya yang langka. Perbedaan sekarang adalah bahwa eksekusi tidak lagi membatasi mereka dengan cara yang sama karena implementasi telah menjadi jauh lebih murah.

Umpan Balik yang Lebih Cepat

Tidak satu pun dari contoh ini benar-benar tentang bahasa Ceko, fisika, atau tinjauan kode.

Mereka adalah contoh dari umpan balik yang sangat personal yang menjadi terus-menerus tersedia.

Secara historis, insinyur junior belajar sebagian melalui pengulangan dan sebagian melalui kedekatan dengan orang berpengalaman. Anda menulis kode, menunggu tinjauan, mendapatkan umpan balik ketika seorang senior akhirnya memiliki bandwidth, dan secara bertahap membangun penilaian selama bertahun-tahun kesalahan yang terkumpul.

AI mengubah loop umpan balik itu sendiri.

Seorang insinyur junior dengan asisten AI yang dikonfigurasi dengan benar sekarang mendapatkan banyak hal yang sebelumnya bergantung pada ketersediaan senior. Tinjauan kode segera. Penjelasan tentang mengapa pilihan desain dapat menciptakan masalah nanti. Referensi ke pola serupa di tempat lain di basis kode. Penolakan ketika mencapai implementasi yang paling jelas bukan yang terbaik.

Yang paling penting, umpan balik itu tiba saat insinyur masih berada di dalam masalah bukan dua hari kemudian setelah konteks telah memudar.

Itu penting karena transisi dari junior ke senior selalu didorong sebagian besar oleh penilaian. Penilaian sebagian besar adalah pengenalan pola yang dibangun melalui paparan berulang ke kesalahan, kompromi, dan kasus tepi. Semakin cepat seseorang dapat melewati loop umpan balik tersebut dengan bijak, semakin cepat penilaian berkembang.

Bottleneck bandwidth sebelumnya berada di senior insinyur. Sekarang semakin banyak berada di pembelajar.

Jaring Pengaman yang Lebih Baik

Ada pergeseran lain di sini yang sama pentingnya.

Seorang insinyur junior yang bekerja dengan sistem tinjauan AI yang kuat jauh lebih tidak mungkin merusak sistem produksi secara tidak sengaja.

Banyak kesalahan klasik sekarang ditandai segera: kredensial yang dikodekan, pengecualian yang ditelan, kueri yang tidak aman, masalah keamanan, masalah arsitektur yang jelas, ketergantungan yang tidak tepat. Permintaan tarik yang buruk semakin banyak ditangkap sebelum mereka meninggalkan laptop.

Itu mengubah lantai untuk pekerjaan junior.

Secara historis, sebagian besar waktu insinyur senior dihabiskan untuk melindungi organisasi dari kesalahan yang dapat dicegah. Lapisan tinjauan AI semakin menyerap sebagian dari beban itu, yang memungkinkan junior untuk beroperasi lebih mandiri lebih awal dari yang mereka bisa sebelumnya.

Itu tidak menghilangkan kebutuhan akan bimbingan atau pengawasan. Itu mengubah di mana bimbingan menjadi paling berharga.

Gap yang Melebar

Versi optimis dari masa depan ini sangat bergantung pada bagaimana insinyur individu menggunakan sistem.

Seseorang yang memperlakukan AI terutama sebagai jalan pintas untuk berpikir akan kemungkinan besar menghasilkan lebih banyak kode sambil belajar sangat sedikit. Sepuluh tahun yang lalu, orang yang sama akan menyalin solusi dari Stack Overflow tanpa memahaminya. Mekanisme itu berubah. Perilaku yang mendasarinya tidak.

AI tidak pernah akan menyelesaikan pasivitas intelektual.

Hasil yang lebih menarik terjadi ketika insinyur secara aktif berinteraksi dengan umpan balik yang mereka terima. Jika seseorang membaca tinjauan dengan hati-hati, menolaknya terkadang, mengajukan pertanyaan lanjutan, menguji alternatif, dan terkadang menemukan bahwa model itu sendiri salah, mereka membangun penilaian jauh lebih cepat daripada generasi sebelumnya bisa.

Upaya kognitif tidak menghilang. Itu bergeser lebih awal ke dalam loop dan menjadi lebih murah untuk diulangi.

Itu kemungkinan akan melebarkan kesenjangan antara insinyur yang sangat terlibat dan yang tidak terlibat.

Perubahan produktivitas paling penting biasanya bekerja dengan cara itu. Membaca melebarkan kesenjangan antara populasi yang melek huruf dan yang tidak melek huruf. Internet melebarkan kesenjangan antara orang yang penasaran dan yang pasif. AI tampaknya akan melanjutkan pola yang sama.

Penilaian Produk yang Lebih Penting

Pertanyaan yang lebih menarik tidak lagi tentang apakah insinyur junior menghilang. Itu tentang apa yang insinyur junior semakin kontribusikan ketika implementasi itu sendiri menjadi lebih mudah.

Jawabannya mulai terlihat mirip dengan apa yang insinyur senior yang kuat kontribusikan: kreativitas, naluri produk, selera, prioritas, penilaian, dan kemampuan untuk mengidentifikasi apa yang sebenarnya harus ada di tempat pertama.

Peran insinyur semakin bergerak menuju pemikiran berorientasi produk karena gesekan implementasi terus runtuh. Pekerjaan pipa lebih tidak penting daripada memahami apakah sistem yang dibangun benar-benar menyelesaikan masalah yang tepat.

Desain sistem masih penting. Menamai hal-hal masih penting. Penilaian produk masih penting. Memahami pengguna masih penting. Dalam beberapa cara, keterampilan tersebut menjadi lebih penting karena organisasi sekarang dapat menguji ide dengan jauh lebih cepat daripada sebelumnya.

Seorang insinyur yang dibesarkan dengan AI dari awal kemungkinan akan berpikir sangat berbeda dari seseorang yang dilatih lima belas tahun yang lalu.

Mereka akan menganggap iterasi itu murah. Mereka akan membuat prototipe pendekatan yang berbeda dengan cepat bukan debat satu pendekatan selama berhari-hari. Mereka akan mengharapkan umpan balik yang jauh lebih ketat antara pengguna dan implementasi karena biaya mencoba hal-hal terus menurun.

Itu menciptakan jenis insinyur yang berbeda, yang dibentuk oleh siklus yang jauh lebih pendek antara ide dan eksekusi.

Organisasi akan perlu memikirkan kembali perekrutan, evaluasi, bimbingan, dan promosi secara sesuai. Tapi perangkat lunak sudah melewati transisi serupa beberapa kali: ketika web tiba, ketika mobile tiba, ketika infrastruktur cloud menggantikan sistem on-prem.

Setiap pergeseran mengubah apa yang terlihat seperti rekayasa yang baik tanpa menghilangkan kebutuhan akan insinyur itu sendiri.

Implikasi Operasional

Untuk insinyur junior, saran tidak terlalu glamor.

Pilih proyek nyata. Gunakan AI sebagai peninjau bayangan saat bekerja. Baca umpan balik dengan hati-hati. Tolaknya terkadang. Tanyakan pertanyaan lanjutan. Lacak pola di balik kesalahan yang ditangkap.

Itu adalah salah satu jalur tercepat untuk mengembangkan penilaian, jauh lebih cepat daripada menunggu insinyur senior sibuk untuk akhirnya memiliki waktu untuk bimbingan.

Untuk manajer, bottleneck juga berubah.

Pertumbuhan junior digunakan untuk sangat bergantung pada seberapa banyak waktu insinyur senior yang bisa disisihkan untuk pelatihan. Sekarang, titik lever yang lebih besar menjadi merancang lingkungan pembelajaran yang kuat di sekitar penggunaan AI: harapan tinjauan, aturan eskalasi, pola pemancingan, penghalang, dan pemilihan proyek.

Organisasi yang merancang sistem tersebut dengan baik kemungkinan akan mengembangkan bakat lebih cepat daripada generasi sebelumnya.

Dan untuk tim kepemimpinan, mungkin masuk akal untuk berhenti memandang insinyur junior terutama sebagai kapasitas eksekusi yang dapat digantikan. Di banyak organisasi, mereka mungkin menjadi salah satu sumber eksperimen, energi, dan iterasi kreatif termurah yang tersedia.

Generasi Insinyur yang Berbeda

Temanku belajar bahasa Ceko lebih cepat karena dia secara efektif membawa tutor pribadi di saku celananya. Putraku belajar fisika dengan tingkat umpan balik interaktif yang tidak pernah aku miliki. Keponakanku sekarang menerima tinjauan kode malam dan penelitian pasar saat dia tidur.

Generasi insinyur berikutnya akan memasuki industri dengan pelatihan terus-menerus, loop umpan balik segera, dan siklus yang jauh lebih cepat antara upaya dan umpan balik.

Itu tidak menghilangkan insinyur junior. Itu mengubah seberapa cepat mereka berkembang dan apa keterampilan yang paling penting di sepanjang jalan.

Versi peran yang banyak orang tumbuh dewasa dengan itu mungkin menghilang. Tapi penggantinya mungkin akan terbukti lebih cepat belajar, lebih terlatih, lebih eksperimental, dan lebih berorientasi produk daripada generasi sebelumnya pernah memiliki kesempatan untuk menjadi.