Jon Friskics, Autore Tecnico Principale, Pluralsight – Serie di Interviste

Jon Friskics, Autore Tecnico Principale, Pluralsight, è un educatore esperto e leader dei contenuti specializzato nello sviluppo software e nelle esperienze di apprendimento focalizzate sull’AI. Nel suo ruolo attuale, crea corsi video guidati da esperti e laboratori pratici che coprono tecnologie come Claude, Node.js, TypeScript, Tailwind CSS e Python, costruendo su una lunga carriera all’interno dell’azienda che comprende autorizzazione senior, architettura dell’apprendimento e leadership nella formazione e nella strategia del curriculum. In precedenza, ha svolto un ruolo chiave nella definizione di sistemi di apprendimento scalabili e multimediali e ha guidato migliaia di creatori di contenuti tecnici con pratiche di progettazione didattica basate sull’evidenza, mentre all’inizio della sua carriera ha guidato la strategia dei contenuti a Code School e ha insegnato una vasta gamma di argomenti tecnici all’Università della Florida Centrale, stabilendo una solida base sia nell’istruzione che nello sviluppo del mondo reale.

Pluralsight è una piattaforma leader nello sviluppo delle competenze tecnologiche che fornisce corsi online, laboratori pratici e valutazioni delle competenze per aiutare individui e organizzazioni a costruire competenze in aree come lo sviluppo software, l’AI, il cloud computing e la sicurezza informatica. Fondata nel 2004, l’azienda si è evoluta in un’ecosistema di apprendimento completo utilizzato da imprese e professionisti di tutto il mondo, combinando contenuti creati da esperti con insight per colmare le lacune delle competenze e accelerare lo sviluppo della forza lavoro in un’economia sempre più guidata dalla tecnologia.

La tua carriera copre la progettazione di curricoli interattivi, sistemi di apprendimento tecnico su larga scala e istruzione avanzata sugli strumenti AI. Come ha influenzato questo background la tua prospettiva sul perché il giudizio ingegneristico forte sia ancora importante in un’era di coding assistito dall’AI?

La mia esperienza mi ha mostrato che il giudizio ingegneristico forte è più che scrivere codice. È comprendere i sistemi e le conseguenze a lungo termine. L’AI può automatizzare compiti e creare un framework che porta a soluzioni, ma non sempre comprende l’impatto delle decisioni sugli utenti o sui sistemi in modi prevedibili. Il giudizio umano garantisce che l’AI sia utilizzata per aumentare la produttività in modo sicuro, il giudizio ingegneristico è più prezioso che mai, guidando i team a sfruttare l’AI in modo efficace mantenendo la qualità e l’affidabilità.

Pluralsight ha sempre concentrato la sua attenzione sulla chiusura delle lacune delle competenze tecniche. Come vedi evolversi questa missione ora che le competenze di collaborazione con l’AI devono stare accanto ai fondamenti tradizionali dello sviluppo software?

La missione di Pluralsight è quella di dotare gli apprendisti delle competenze tecniche fondamentali di cui hanno bisogno per avere successo. Mentre l’AI diventa un collaboratore nei compiti di sviluppo, quei fondamenti rimangono essenziali, ma i team devono anche capire come lavorare con l’AI in modo responsabile e validare i suoi output. Anche se l’AI può generare codice, non sostituisce la necessità di competenze di coding, e può migliorarle sovrapponendo la comprensione del flusso di lavoro e il pensiero sistemico alle competenze esistenti. Pluralsight aiuta gli apprendisti a costruire su competenze fondamentali esistenti e a mantenere il pensiero strategico attraverso soluzioni di apprendimento che includono corsi on-demand, laboratori pratici e workshop guidati da esperti umani che si evolvono insieme all’innovazione tecnologica.

Quali competenze architettoniche, di deploy e di gestione dei rischi ritieni siano più a rischio se gli sviluppatori diventano eccessivamente dipendenti dal codice generato dall’AI?

Gli sviluppatori che si affidano troppo alla generazione di codice AI e accettano i suoi output senza prendersi il tempo di capire cosa è stato generato potrebbero indebolire le loro capacità strategiche come il pensiero architettonico e la valutazione dei rischi nel tempo. Comprendere come le componenti interagiscono e progettare per l’affidabilità sono capacità che si imparano attraverso l’esperienza in molte situazioni diverse. Ciò significa che una dipendenza eccessiva dall’AI potrebbe non solo portare a vulnerabilità nascoste e instabilità del sistema, ma anche indebolire le capacità di risoluzione dei problemi dei sviluppatori nel lungo termine, permettendo a quei problemi di rimanere inosservati o irrisolti fino a quando non è troppo tardi.

Mentre gli strumenti di coding autonomi guadagnano popolarità, dove vedi la maggiore disconnessione tra ciò che questi strumenti promettono e ciò che gli ingegneri sono effettivamente preparati a validare o supervisionare?

L’apprendimento continuo è essenziale per gli ingegneri mentre lavorano con strumenti di sviluppo assistiti dall’AI e sistemi di coding autonomi. Gli strumenti di coding autonomi promettono velocità e accuratezza nella generazione di codice funzionale, ma mancano della comprensione delle interazioni dei sistemi, della sicurezza e dell’impatto aziendale, e ciò significa che devi fornire quel contesto mancante. La disconnessione si trova nell’assumere che l’output dell’AI sia completo o corretto in assenza di supervisione umana. Quando i passaggi di convalida vengono saltati o affrettati, i team rischiano di introdurre errori costosi, vulnerabilità di sicurezza o incoerenze architettoniche. Ciò rafforza la necessità per gli ingegneri di aggiornare costantemente le loro competenze in modo da poter gestire e validare efficacemente il lavoro generato dall’AI.

Come le aziende dovrebbero ripensare le loro strategie di formazione per garantire che gli sviluppatori sappiano quando fidarsi delle suggerimenti dell’AI e quando rallentare e applicare una revisione più approfondita?

La formazione dovrebbe enfatizzare la conoscenza di quando l’output dell’AI è affidabile rispetto a quando è necessaria una revisione più approfondita, inclusi test di scenario e convalida delle prompt. Questo approccio rafforza il giudizio accanto alle competenze di coding, garantendo che gli ingegneri possano fidarsi dell’AI in modo selettivo piuttosto che affidarsi eccessivamente al codice generato. I programmi di formazione e sviluppo che forniscono esperienze di apprendimento strutturate e pratiche permettono agli sviluppatori di sperimentare con flussi di lavoro assistiti dall’AI per vedere come il codice generato si comporta all’interno di applicazioni complete ed esercitare quel giudizio in un ambiente di prova. Facendo affidamento sia sull’istruzione guidata da esperti che su esercizi pratici, gli ingegneri possono rafforzare meglio le capacità di pensiero critico necessarie per valutare in modo responsabile gli output generati dall’AI.

In ambienti di prodotto in rapida evoluzione, come possono i leader ingegneristici prevenire che gli shortcut generati dall’AI introducano debito tecnico a lungo termine o vulnerabilità di sicurezza?

I leader devono applicare framework di governance e valutazione dei rischi per il codice generato dall’AI. Stabilire forti confini e verificare gli output potrebbe aiutare a prevenire debito tecnico a lungo termine e vulnerabilità di sicurezza. Suggerirei anche un’educazione degli sviluppatori focalizzata su pratiche di coding sicure e consapevolezza architettonica per garantire che gli ingegneri comprendano i compromessi dietro le suggerimenti generati dall’AI. Esercizi di revisione pratici e formazione basata su scenari possono aiutare a ridurre la probabilità che gli shortcut si accumulino in rischi nascosti per il sistema.

Quali framework pratici o sistemi di protezione raccomandi alle organizzazioni di adottare per mantenere la codifica AI come una collaborazione piuttosto che una responsabilità?

Gli strumenti che funzionano meglio per questo sono nuovi protocolli di revisione, tracciamento del controllo versione e sperimentazione AI in sandbox. Sfruttare metriche, framework di osservabilità e valutazioni aiuterà i team a tracciare la qualità dell’output e rafforzare la collaborazione responsabile per garantire che l’AI sia un partner nella produttività piuttosto che una responsabilità. È anche prezioso per le organizzazioni esplorare flussi di lavoro assistiti dall’AI per comprendere le capacità e i limiti di questi strumenti per le esigenze uniche dei loro team. Queste pratiche aiuteranno i team a sviluppare il giudizio necessario per integrare efficacemente le suggerimenti dell’AI senza compromettere la qualità del codice o la stabilità del sistema.

Guardando avanti, cosa distingue gli sviluppatori che prospereranno in un futuro aumentato dall’AI da quelli che potrebbero lottare per adattarsi?

Gli sviluppatori che eccellono in un futuro aumentato dall’AI combineranno competenze fondamentali solide con giudizio, adattabilità e pensiero sistemico. Comprendono quando fidarsi dell’AI, quando intervenire per guidarla e ridirigerla, e come gli output si inseriscono nel sistema più ampio. Quelli che lottano potrebbero affidarsi troppo all’automazione, mancare di esperienza con casi limite o non validare i risultati, rischiando errori per la loro organizzazione e perdendo le preziose opportunità di apprendimento che rafforzano l’esperienza di uno sviluppatore nel corso di una carriera rigorosa. L’apprendimento continuo e la sperimentazione pratica con flussi di lavoro assistiti dall’AI aiuteranno gli sviluppatori a migliorare queste competenze in un minor tempo e a rimanere efficaci mentre gli strumenti di coding AI evolvono.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Pluralsight.