Yapay Zeka Çağında Mühendislerin Terfi Etmesinde Artık Sadece Teknik Mükemmelliğin Yeterli Olmamasının Nedenleri

Yapay zekâ, çalışma şeklimizde ve teknik ekipler içinde otomasyonun neleri kapsadığı konusunda büyük bir değişim yarattı. Benim işimde de bu durum kendini gösteriyor. SombraBu değişimin sadece ekiplerin nasıl performans gösterdiğini değil, kariyer gelişiminde neyin ödüllendirildiğini de değiştirdiğini gördüm. Uzun bir süre boyunca, teknoloji sektöründeki büyüme yolu oldukça doğrusaldı: yeni beceriler öğrenir, teknik olarak sürekli gelişir, zor problemleri çözen biri olur, itibarınızı ve güveninizi inşa eder ve ardından kariyer basamaklarında yükselirdiniz.

Ancak bu döngü artık kırılmaya başlıyor. Yapay zeka birçok görevi devralıyor, iş süreçlerini hızlandırıyor ve maliyetleri düşürüyor. Bu, teknik becerilerin artık önemli olmadığı anlamına gelmiyor, ancak muhakeme, sonuç odaklı düşünme ve karar verme gerektiren görevleri daha önemli hale getiriyor.

Bu, mühendislikten kurucu ortak ve CTO'luğa uzanan yolculuğumda bizzat deneyimlediğim değişimdir. SombraMühendislik kariyerimin beşinci yılında, ekiplerin güvendiği türden bir uzman haline gelmiştim. Zor teknik sorunları çözebilen, karmaşık işlerin sorumluluğunu üstlenebilen ve projeler kritik anlarda güven duyulan bir işveren tipiydim. Ama bir şeyler eksikti ve kendimi sıkışmış hissediyordum.

Kariyerimde bir zirveye ulaştığımı ve daha ileri gidemeyeceğimi düşünüyordum. Teknik becerilerim en üst seviyedeydi, ancak bu bir sonraki büyüme aşaması farklı bir şey gerektiriyordu: iş dünyası düşüncesi.
Sadece bir şey inşa etmeyi bilmekle ilerleyemezdim, öncelikle neyin inşa edilmeye değer olduğunu öğrenmem gerekiyordu.

Bu tür sınırlamalar sektör genelinde giderek daha yaygın hale geliyor.

Piyasa, birçok mühendisin fark ettiğinden daha hızlı değişiyor.

Dünya Ekonomik Forumu raporları İşverenlerin %40'ının, yapay zekanın görevleri otomatikleştirebileceği durumlarda iş gücünü azaltmayı beklediği belirtilirken, Anthropic'in yazılım geliştirme üzerine yaptığı araştırmalar, yapay zekanın tekrarlanabilir geliştirme işlerini daha fazla üstlenmesiyle birlikte, daha fazla mühendisin üst düzey tasarım ve karar verme süreçlerine yönelmesinin muhtemel olduğunu öne sürüyor.

Elbette, teknik yeteneklere olan talep hala çok yüksek. Yanlış anlamayın, teknik beceriler mesleğin temelini oluşturmaya devam ediyor, ancak genel eğilim, sadece işi başarıyla yürütmenin yükselmek için yeterli olduğu pozisyonların azalması yönünde. Sorunları çerçeveleyebilen, kısıtlamalar altında önceliklendirme yapabilen ve teknik çalışmaları iş değeriyle ilişkilendirebilen kişilere büyük bir talep var.

Yapmam gereken geçiş buydu. En büyük gelişimim sadece teknik değil, bağlamsal da oldu.

Mühendislik alanını terk etmedim, aksine genişlettim ve etrafındaki soruları yeniden şekillendirdim.

Kariyer gelişimimi "daha fazla kod", "daha fazla karmaşıklık" veya "daha zor teknik sorumluluk" açısından ölçmeyi bıraktım ve bunun yerine mimari, iş etkisi ve karar kalitesine odaklandım.

Çalışma şeklimi değiştiren beş vardiya

Bu soyut gelebilir, bu yüzden adım adım açıklayacağım. İş zihniyetini geliştirmeme yardımcı olan 5 pratik değişim.

İlk vardiya, biletler aracılığıyla dolaylı olarak bilgi edinmek yerine, işi doğrudan öğrenmekle geçti.

Birçok mühendis, gelen sinyallerden yola çıkarak çalışır. Gereksinimleri alırız, ancak bu gereksinimleri şekillendiren konuşmayı duymayız. Görevlerimizin ardındaki ödünleşmeleri veya bu görevlerin var olma nedenlerini stratejik olarak göremeyiz.

Böylece işin iç yüzünü doğrudan öğrenmeye başladım. Daha fazla satış ve destek görüşmesine katılmaya, konuşmaları dikkatle dinlemeye ve paydaşların tartışmalarına daha fazla önem vermeye başladım. Zamanla, işimi birbirinden bağımsız teslimatlar dizisi olarak görmeyi bıraktım.

Şunu fark ettim: Teknik olarak kusursuz ama çok geç gelen, çok pahalıya mal olan veya yanlış sorunu çözen bir çözüm stratejik bir çalışma değildir. Bu sadece pahalı bir doğruluk arayışıdır.

İkinci aşama ise, iş dünyasının dilini sadece yöneticilere özgü bir şey olarak görmeden öğrenmekti.

Mühendislerin hiçbir zaman açıkça öğrenmediği şu terimleri öğrenmeye başladım: Yatırım getirisi (ROI), gecikme maliyeti, fırsat maliyeti, risk maruziyeti, kar marjı ve sıralama. Kıdemli veya C-seviye pozisyonları hedefliyorsanız bu kaçınılmaz bir durum.

Bu durum teknik muhakemeyi etkiler, çünkü birçok uzman sorun çözmede çok iyidir, ancak sorunları iş hedeflerine göre önceliklendiremez ve değerlendiremez.

Benim için bu dili öğrenmek, iletişim şeklimi ve daha da önemlisi, çözümleri değerlendirme biçimimi değiştirdi. İşin kendisi teknik kaldı, ancak ardındaki mantık daha geniş bir boyut kazandı.

Bu, yapay zeka çağında önemli bir ayrımdır. Yapay zeka, ekiplerin işleri yürütmesine giderek daha fazla yardımcı olabilir, ancak karar verme yetkisini hâlâ elinde tutamaz. Bu yetki insanlara aittir.

Bir diğer büyük zihniyet değişikliği ise kod yazmadan önce başarıyı tanımlamak oldu.

Zaman içinde, uygulamaya başlamadan önce kendime bir dizi soru sordum:

• Bu durum kullanıcı veya işletme için tam olarak neyi değiştiriyor?
• Hangi ölçüt değiştirilmeli?
• Bunun önemli olduğunu kim nasıl anlayacak?

Bu sorular kodlamaya başlamadan önce işleri yoluna koymama gerçekten yardımcı oldu. Ayrıca beni yaygın bir hatadan da kurtardı: etkiyi belirlemeden önce teslimata aşırı yatırım yapmak.

Ölçümün bu kadar önemli olmasının nedenlerinden biri de budur. DORA'nın yazılımı teslimat araştırması Bu durum, ekiplerin yazılımı güvenli, hızlı ve verimli bir şekilde nasıl teslim ettiğini ölçmenin değerini göstermiştir. Ancak pratikte, yüksek performanslı teknik liderler genellikle bir adım daha ileri giderler: teslimat metriklerini ürün sonuçlarına ve iş sonuçlarına bağlarlar.

Başka bir deyişle, sevkiyat bitiş çizgisi değildir. Elbette, sonuçları teslimata göre tahmin ederiz, ancak birini daha geniş bir liderlik pozisyonuna taşıyan şey genellikle başarıyı önceden tanımlayabilme yeteneğidir.

Dördüncü vardiya, aşırıya kaçmadan önce varsayımları test etmekti.

Güçlü mühendisler genellikle yapay zekanın inşaatı daha ucuz hale getirdiği ve daha fazla mühendisliğin otomatik olarak daha iyi kalite anlamına geldiği yanılgısıyla gereğinden fazla tasarım yaparlar.

Yüksek performanslı teknik personel genellikle sağlam çözümler düşünme konusunda eğitilir, çünkü hepimiz işleri doğru şekilde inşa etmek isteriz. Bu geliştirilmesi gereken harika bir özelliktir, ancak varsayımları doğrulamadan tam bir çözüme bağlı kalmak genellikle maliyetli hale gelir.
Bu nedenle, en pratik değişikliklerimden biri, varsayımlarımı oluşturmadan ve tanımlamadan önce bir duraklama yapmaya zorlamak oldu. Varsayım açık ve net hale geldiğinde, çalışma şekil değiştirir.

Amaç artık çözümün ne kadar gelişmiş olduğunu kanıtlamak değil. Amaç, daha derin yatırıma değer olan şeylere karar verebilmek için hızlı, ucuz ve yeterince net bir şekilde öğrenmektir.

Son olarak, kodlamaya başlamadan önce kısa karar notları yazmak da gerçekten işe yaradı.

Bu belki de en pratik alışkanlıktır. Ve yanlış anlamayın, başka bir belge yazmanızı zorlamaya çalışmıyorum; sadece düşüncelerinizi görselleştirmek için kısa ve yapılandırılmış bir not: hangi seçenekler mevcut, hangi riskler önemli, ne tür bir etki bekleniyor, hangi öneri mantıklı ve nerede hâlâ uyum sağlanması gerekiyor.

Bu sadece iletişimi geliştirmekle kalmadı, aynı zamanda zayıf mantık yürütme biçimlerini erken aşamada ortaya çıkardı ve açıklığa kavuşturmaya yardımcı oldu.

Varsayımlar (önceki vardiyaya bakın). Dahası, bir kararın neden alındığına dair bir kayıt oluşturdu ki bu, sonuçları gözden geçirirken özellikle değerli hale gelir. Bu küçük eylem, kararların nasıl çerçevelendiğini, iletildiğini ve sahiplenildiğini değiştirebilir.

Pratikte, birçok terfi, bir kişinin odadaki en teknik açıdan yetenekli kişi olmasından değil, başkaları için belirsizliği azaltabilmesinden kaynaklanır.

Bir sonraki aşamanın daha iyi kararlar almakla ilgili olmasının nedenleri

Yapay zekâ ve teknik kariyerler hakkında konuşurken birçok insanın yaptığı en büyük hata budur. Hikayeyi, seçimin teknik derinlik ve liderlik arasında veya mühendislik ve yönetim arasında olduğu şeklinde kurgularlar.

Teknik beceri hâlâ önemlidir. Birçok durumda, daha da önemlidir çünkü insanların yapay zeka sistemlerinin ne yaptığını, nerede başarısız olduklarını ve neye güvenilip neye güvenilmemesi gerektiğini değerlendirebilecek kadar derin bir bilgiye sahip olmaları gerekir. Ancak, araçlar sayesinde daha fazla uygulama hızlandırılabildiğinde, teknik mükemmellik tek başına daha az farklılaşır. Sombra'da her gün tam olarak buna şahit oluyoruz: Mühendisler teknik derinliği iş düşüncesiyle birleştirdiklerinde en hızlı kariyer gelişimi gerçekleşir.

Bu, her yetenekli mühendisin yönetici olması gerektiği anlamına gelmez. Ancak yükseliş yolunun değiştiği anlamına gelir. Bir sonraki seviye, birinin en zor görevi tek başına yapabileceğini kanıtlamaktan ziyade, bir ekibe ve işletmeye daha iyi kararlar almada yardımcı olabileceğini kanıtlamakla ilgilidir.

Zekâ veya disiplin eksikliğimden dolayı duvara toslamadım. Duvara tosladım çünkü bir sonraki seviye daha geniş bir bakış açısı gerektiriyordu. Bu değişince, benim bakış açım da değişti.