Varför teknisk excellens ensam inte längre leder till befordran för ingenjörer i AI-eran

AI har orsakat en stor förändring i hur vi arbetar och vad som automatiseras inom tekniska team. I mitt arbete på Sombra har jag sett att denna förändring inte bara påverkar hur team levererar, utan också vad som belönas i karriärutveckling. Under en lång tid var karriärvägen inom tech ganska linjär: du lärde dig nya färdigheter, blev bättre tekniskt, blev någon som löste svåra problem, byggde din ryktbarhet och förtroende, och sedan tjänade du din väg uppåt i karriärstegen.

Men denna cykel börjar nu brytas. AI tar över många uppgifter, accelererar arbetet och sänker kostnaderna. Detta betyder inte att tekniska färdigheter inte längre är viktiga, men det gör uppgifter som kräver omdöme, resultatbaserat tänkande och beslutsfattande viktigare.

Denna förändring upplevde jag själv på min resa från ingenjör till medgrundare och CTO på Sombra. Fem år in i min ingenjörskarriär hade jag blivit den typen av specialist som team litar på. Jag var den typen av arbetsgivare som kunde lösa svåra tekniska problem, ta ansvar för komplexa arbeten och vara pålitlig när projekt var i brand. Men något saknades, och jag kände mig fast.

Det såg ut som om jag hade nått min karriärtak och inte kunde gå längre. Min tekniska färdighet var på topp, men denna nästa tillväxtfas krävde något annat – affärstänkande. Jag kunde inte gå vidare med att bara veta hur man bygger något, jag behövde lära mig vad som var värt att bygga från första början.

Den typen av tak är på väg att bli mer vanligt inom hela branschen.

Marknaden förändras snabbare än många ingenjörer inser

Världsekonomiskt forum rapporterar att 40% av arbetsgivarna förväntar sig att minska arbetsstyrkan där AI kan automatisera uppgifter, medan Anthropics forskning om programvaruutveckling tyder på att allt eftersom AI tar på sig mer återkommande utvecklingsarbete, kan fler ingenjörer tryckas mot högre nivådesign och beslutsfattande.

Självklart finns det fortfarande en enorm efterfrågan på teknisk talang. Jag menar inte att tekniska hårda färdigheter inte längre är kärnan i yrket, men den bredare trenden är att det finns färre roller där endast utförande är tillräckligt för att gå uppåt. Det finns en hög efterfrågan på personer som kan formulera problem, prioritera under begränsningar och koppla tekniskt arbete till affärsnytta.

Det var den övergången jag var tvungen att göra. Min största uppgradering var inte bara teknisk, den var kontextuell.

Jag slutade mäta min karriärtillväxt i termer av “mer kod”, “mer komplexitet” eller “svårare tekniskt ägande” och skiftade till arkitektur, affärsnytta och besluts kvalitet istället.

Jag slutade lämna ingenjörskapet bakom mig, jag utvidgade det och omformulerade frågorna runt det.

Fem förändringar som förändrade hur jag arbetade

Detta kan låta abstrakt, så jag kommer att bryta ner det i 5 praktiska förändringar som hjälpte mig utveckla ett affärstänkande.

Den första förändringen var att lära sig affären direkt istället för att få den andra handen genom biljetter.

Många ingenjörer arbetar från nedströms signaler. Vi får krav, men inte samtalet som formade dem. Vi ser inte de avvägningar bakom våra uppgifter, inte heller de strategiska skälen till att dessa uppgifter existerar.

Så jag började lära mig affären direkt. Jag började delta i fler försäljnings- och supportanrop, lyssna på deras samtal uppmärksamt och fokusera mer på intressentdiskussioner. Med tiden slutade jag se mitt arbete som en serie isolerade leveranser.

Jag kom till en insikt: en tekniskt elegant lösning som kommer för sent, kostar för mycket eller löser fel problem är inte strategiskt arbete. Det är bara dyrt rätt.

Den andra förändringen var att lära sig affärsspråket utan att behandla det som något som är reserverat för chefer.

Jag började lära mig alla de termer som många ingenjörer aldrig uttryckligen lär sig: ROI, kostnad för försening, möjlighetskostnad, riskexponering, marginal och sekvensering. Detta är helt enkelt oundvikligt om du siktar på seniora eller C-nivåpositioner.

Detta påverkar tekniskt omdöme, eftersom många specialister är bra på att lösa problem, men de kan inte prioritera och utvärdera dem enligt affärsmålen.

För mig förändrade lärandet av det språket hur jag kommunicerade och, viktigare, hur jag bedömde lösningar. Arbetet i sig förblev tekniskt, men logiken bakom det blev bredare.

Det är en viktig distinktion i AI-eran. AI kan alltmer hjälpa team att utföra, men det kan fortfarande inte äga beslutsfattandet. Den lagern tillhör människor.

En annan stor förändring var att definiera framgång innan man skrev kod.

Över tiden, innan jag började implementeringen, ställde jag mig en serie frågor:

• Vad exakt förändrar det för användaren eller affären?
• Vilken mätning bör flytta?
• Hur kommer någon att veta att det betydde något?

Dessa frågor hjälpte verkligen till att reda ut saker innan jag började koda. De hjälpte mig också att undvika ett vanligt misslyckande: att investera kraftigt i leverans innan man har enats om påverkan.

Det är en av anledningarna till att mätning är så viktig. Doras programvaruleveransforskning har visat värdet av att mäta hur team levererar programvara på ett säkert, snabbt och effektivt sätt. Men i praktiken går högpresterande tekniska ledare vanligtvis ett steg längre: de kopplar leveransmätningar till produktresultat och affärsresultat.

I andra ord är leverans inte mållinjen. Visst, vi uppskattar resultat baserat på leverans, men det är ofta förmågan att definiera framgång i förväg som flyttar någon till bredare ledarskap.

Den fjärde förändringen var att testa antaganden innan man bygger för mycket.

Starka ingenjörer bygger ofta för mycket, guidade av den vanliga missuppfattningen att AI gör byggande billigare och att mer ingenjörskap automatiskt innebär bättre kvalitet.

Högpresterande tekniska personer är ofta tränade att tänka i termer av robusta lösningar, eftersom vi alla vill bygga saker på rätt sätt. Det är en utmärkt egenskap att utveckla, men det blir ofta dyrt när man åtar sig en fullständig lösning innan man validerar antaganden.
Det är därför en av mina mest praktiska förändringar var att tvinga en paus innan byggandet och definiera mina antaganden. När antagandet är explicit och tydligt, förändras arbetet.

Målet är inte längre att bevisa hur sofistikerad lösningen kan vara. Målet är att lära sig snabbt, billigt och tydligt nog för att bestämma vad som förtjänar djupare investering.

En sista förändring som verkligen hjälpte var att skriva korta beslutsanteckningar innan koding.

Detta kan vara den mest praktiska vanan av alla. Och jag menar inte att tvinga fram ett annat dokument — bara en kort och strukturerad anteckning för att visualisera ditt tänkande: vilka alternativ finns, vilka risker är viktiga, vad är den förväntade påverkan, vad är den rekommenderade åtgärden och var är samförstånd fortfarande behövs.

Det förbättrade inte bara kommunikationen, det avslöjade svag resonemang tidigt och hjälpte till att förtydliga

antaganden (se föregående förändring). Dessutom skapade det en post om varför ett beslut togs, vilket blir särskilt värdefullt när man granskar resultaten. Denna lilla åtgärd kan förändra hur beslut ramas, kommuniceras och ägs.

I praktiken sker många befordringar för att en person kan minska osäkerhet för andra, inte för att de är den mest tekniskt briljanta personen i rummet.

Varför nästa nivå handlar om bättre beslut

Detta är det större misstag som många människor gör när de talar om AI och tekniska karriärer. De rammar in berättelsen som om valet är mellan teknisk djup och ledarskap, eller mellan ingenjörskap och management.

Teknisk färdighet är fortfarande viktig. I många fall är den till och med viktigare eftersom människor behöver tillräcklig djup för att bedöma vad AI-system gör, var de misslyckas och vad som bör eller inte bör lita på. Men teknisk excellens på egen hand är mindre differentierad när mer utförande kan accelereras av verktyg. Detta är exakt vad vi ser varje dag på Sombra: den snabbaste karriärtillväxten kommer när ingenjörer parar teknisk djup med affärstänkande.

Det betyder inte att varje stark ingenjör bör bli chef. Men det betyder att vägen uppåt förändras. Nästa nivå handlar mindre om att bevisa att någon kan göra den svåraste uppgiften själv och mer om att bevisa att de kan hjälpa ett team och ett företag att fatta bättre beslut.

Jag träffade inte en vägg för att jag saknade intelligens eller disciplin. Jag träffade en vägg för att nästa nivå krävde en bredare vy. När det förändrades, förändrades min vy också.