Tankeledere
Fremveksten av AI-orkestreringsingeniørarbeid

Viktige punkterEn OpenAI-team på tre personer leverte én million linjer via Codex uten å skrive noe…
Vis mer
- En OpenAI-team på tre personer leverte én million linjer via Codex uten å skrive noe kode manuelt.
- AI-orkestreringsingeniørfaget smelter sammen DevOps-arkitektur og AI-ekspertise i én sentralisert rolle.
- Organisasjoner som sentraliserer agentarbeidsflyter, vil oppnå dobbel gjennomstrømning, mens andre stagnerer ved autofullføring.
10x-ingeniøren har vært en Silicon Valley-myte i tiår. Det ensomme geniet, med hodetelefoner på, produserer elegant kode i overmenneskelig hastighet. Vi har diskutert om de eksisterer, argumentert om hvordan man rekrutterer dem, og i stillhet mislikt alle som hevdet å være en av dem.
Men noe interessant skjedde på veien til en fremtid der AI kommer først: 10x-ingeniøren ble virkelig. De ser bare ikke ut som vi forestilte oss.
OpenAI delte nylig hvordan et team på tre personer brukte Codex til å levere 1 500 pull-forespørsler og omtrent en million linjer med kode, uten å skrive en enkelt linje manuelt. Tre ingeniører, og null håndskrevet kode. Et produkt i produksjon brukt av hundrevis av interne brukere.
Dette er ikke 10x; det er nærmere 100x. Og ferdigheten som gjorde det mulig var ikke å taste raskere eller å kjenne til flere algoritmer. Det var å bygge systemet som gjorde AI-agenter produktive: arbeidsflytene, sikkerhetsmekanismene, verifiseringssløyfene, grensesnittene som agenter kobler seg til, og som mennesker bruker til å gjennomgå arbeidet.
Jeg tror dette er fremveksten av en ny nøkkelrolle i ingeniørorganisasjoner. Jeg ville kalle det AI-orkestreringsingeniørarbeid.
Tre disipliner går inn i en standup
Hvis du ser på hva en AI-Orkestreringsingeniør faktisk gjør, vil du gjenkjenne tre kjente disipliner som er sammenslått til en.
Den mest åpenbare ingrediensen er DevOps. DevOps sentraliserte deployeringspipelinen. Ett team konfigurerte CI/CD-arbeidsflytene som hver enkelt ingeniør brukte når de leverte kode. AI-orkestreringsingeniørarbeid gjør det samme, men for agent-arbeidsflyter. Det definerer hvordan oppgaver blir tildelt agenter, hvordan utdata blir verifisert, hvordan retry og fallback fungerer. Det er den felles infrastrukturen som agenter kjører på.
Så er det arkitektur, som overlapper med DevOps mer enn du ville tro. Arkitekter bestemmer hvilke grensesnitt som er låst, hvilke mønster som er pålagt, hvilke grenser som ikke kan krysses. I en agent-drevet verden betyr dette enda mer. Agenter trenger rene, veldokumenterte kodebaser med klare kontrakter. AI-Orkestreringsingeniøren definerer disse begrensningene, ikke bare for menneskelig lesbarhet, men for agent-forståelse. En rotete repo er ikke bare teknisk gjeld, men en produktivitetsgrense for hver agent som berører den.
Den minst forståtte delen er det AI-spesifikke laget. Prompt-ingeniørarbeid, kontekststyring, modellvalg, agentkonfigurasjon. I dag gjør de fleste ingeniører dette på en spredt, oppgave-til-oppgave-måte. Hver person finner ut sin egen prompt-stil, sitt eget agentoppsett, sin egen workaround. AI-Orkestreringsingeniøren sentraliserer dette. De bygger de felles playbookene, de gjenbrukbare konfigurasjonene, den organisatoriske kunnskapen om hva som fungerer og hva som ikke fungerer over modeller og brukstilfeller.
Separat eksisterer disse tre funksjonene i de fleste ingeniørorganisasjoner i dag. Argumentet er at å kombinere dem i en enkelt, sentral rolle skaper noe kvalitativt annerledes.
Showrunner-metaforen
En filmregissør opererer ikke kameraet, spiller ikke i scenene og klipper ikke sammen filmen. Men hvert enkelt bilde gjenspeiler deres beslutninger.
De velger komposisjonen av bildet, tempoet, tonen. De bestemmer når de skal zoome inn og når de skal trekke ut. De setter opp miljøet (lys, scenografi, skuespillernes plassering og bevegelser) så hver person på settet kan gjøre sitt beste arbeid innenfor en samlet visjon. Mannskapet er individuelt talentfulle, men uten den koordineringen, får du et rot som aldri blir ferdig og levert.
AI-Orkestreringsingeniørarbeid fungerer på samme måte. Agentene er kapable. Modellene er kraftfulle. Men uten noen som designer systemet som koordinerer dem, definerer begrensningene, bygger tilbakemeldingssløyfene, strukturerer arbeidsflytene, får du hva vi alle har erfart: inkonsistente utdata, bortkastet beregning, agenter som arbeider mot hverandre, og ingeniører som tilbringer mer tid på å fikse AI-generert kode enn de ville ha tilbrakt på å skrive den selv.
Regissøren gjør en film større enn summen av delene. AI-Orkestreringsingeniøren gjør det samme for agent-flåten.
Hvorfor de fleste organisasjoner underinvesterer
Her er hva jeg ser over hele industrien: selskaper investerer tungt i AI-verktøy og langt fra nok i systemene rundt dem.
Ingeniører får tilgang til Copilot, Claude, Codex. De eksperimenterer individuelt. Noen blir avanserte brukere. De fleste når plateauet på “fancy autocomplete”-stadiet. De 20% produktivitetsgevinstene som studier hele tiden rapporterer? Det er symptomet på innføring av verktøy uten systemnivå-tenkning.
Organisasjonene som bryter gjennom, de som rapporterer 2x eller større gjennomstrømming, har noe til felles. De har sentralisert orkestreringsarbeidet. Noen (eller et team) eier agent-arbeidsflytene, repository-forberedelsen, verifiseringsinfrastrukturen, den felles konteksten som hver enkelt agent kan aksessere.
Hvordan rollen faktisk ser ut
En AI-Orkestreringsingeniørs dag-til-dag-arbeid kan inkludere:
- Design av agent-arbeidsflyter: definere hvordan en funksjonsforespørsel blir en spesifikasjon, blir en plan, blir parallelle agent-oppgaver, blir til gjennomgått og sammenslått kode.
- Bygging av verifiseringsinfrastruktur: automatiserte tester, lint-regler, sikkerhetsskanninger og evalueringssystemer som agenter må bestå før deres arbeid blir slått sammen.
- Vedlikehold av repository-helse for agent-forbruk: dokumentasjon, klare grensesnitt, avhengighetsstyring og kodebase-forenkling, alt optimalisert for agent-forståelse, ikke bare menneskelig lesbarhet.
- Sentralisering av prompt- og kontekst-strategier: felles system-prompts, henting-pipelines, modell-rutingsbeslutninger og konfigurasjonsmaler som hele teamet bruker.
- Overvåking og forbedring av agent-ytelse: sporing av suksessrater, feilmoduser, kostnad per oppgave og tid frem til sammenslåing av kode over agent-flåten, og deretter justering av systemet basert på data.
Denne personen sitter i skjæringspunktet mellom plattform-ingeniørarbeid, programvare-arkitektur og AI-ekspertise. De skriver ikke funksjoner. De bygger systemet som gjør funksjonslevering rask, pålitelig og skalerbar.
Det historiske mønsteret
I de tidlige dagene av skytjenester var deployering hver enkelt ingeniørs sideoppdrag. Hvert team hadde sine egne skript, sine egne server-konfigurasjoner, sine egne måter å få kode inn i produksjon på. DevOps oppstod for å sentralisere dette arbeidet, og plattform-ingeniørarbeid utviklet seg til å bygge det inn i felles, selvbetjent infrastruktur.
AI følger samme utviklingsløp. Nå er agent-bruk hver enkelt ingeniørs sideoppdrag. Hver person har sin egen prompt-stil, sine egne verktøy-preferanser, sin egen mentale modell for når AI hjelper og når det ikke gjør. Organisasjonene som sentraliserer dette, som behandler det som infrastruktur i stedet for individuell eksperimentering, vil trekke foran på samme måte som organisasjoner med modne DevOps-praksiser overgikk de uten.
Forskjellen er hastighet. DevOps-overgangen tok et tiår. Denne overgangen kan ta bare noen kvartaler, selv om jeg innrømmer at denne forutsigelsen antar at organisasjoner gjenkjenner mønsteret raskere enn de vanligvis gjør.
Veien fremover
Hvis du er en ingeniørleder, her er hva jeg ville foreslå, selv om resultatene dine vil variere avhengig av hvor langt ditt team allerede er.
- Identifiser hvem som allerede gjør dette arbeidet uoffisielt. Hvert selskap har noen som har funnet ut agent-arbeidsflytene, som andre ingeniører går til for råd om prompting eller verktøyoppsett. Den personen er din proto-AI-Orkestreringsingeniør.
- Gjør det eksplisitt. Gi funksjonen et navn, et mandat og ressurser. La det ikke forbli et sideprosjekt knyttet til noens «egentlige» jobb.
- Start med å gjøre kodearkivet klart. Før du investerer i sofistikerte agent-arbeidsflyter, sikre deg at din kodebase er noe agenter faktisk kan navigere. Rent grensesnitt, god dokumentasjon, omfattende tester, forenklet arkitektur.
- Sentraliser hva som fungerer. Når noen oppdager en prompt-strategi eller arbeidsflyt-mønster som dramatisk forbedrer agent-utdata, dokumenter det. Gjør det til standard for hele teamet, ikke stamme-kunnskap låst i en persons hode.
- Mål på systemnivå. Spor ikke bare individuell verktøybruk. Spor hvor mange oppgaver agenter fullfører fra ende til ende, hvordan gjennomgangs- og omarbeidingsratene ser ut, og hvor flaskehalsene er.
Den nye 10x
Myten om 10x-ingeniøren handlet alltid om individuelle heltebedrifter. En person, overgående alle andre gjennom rent talent og koffein.
Realiteten om 10x-ingeniøren i AI-æraen handler om systemtenkning. Personen som gjør hver enkelt annen ingeniør (og hver enkelt agent) mer produktiv ved å bygge riktig infrastruktur, riktige arbeidsflyter, riktige begrensninger.
De skriver ikke 10 ganger så mye kode. De bygger systemet som skriver det.
Jeg er ikke sikker på at denne rollen vil krystallisere nøyaktig som jeg har beskrevet den her. Men jeg er ganske sikker på at organisasjonene som finner ut orkestreringslaget (uansett hva de ender opp med å kalle det) vil være de som faktisk realiserer produktivitetsgevinstene alle andre bare snakker om.












