De afgelopen decennia hebben overheden en anderen miljarden besteed aan het leren programmeren van mensen. Men dacht dat het een van de weinige beroepen was die veilig zouden zijn in een veranderende wereld, maar het blijkt dat het schrijven en manipuleren van code een van de activiteiten is waarvoor AI-modellen het best geschikt zijn. Techbedrijven hebben de afgelopen jaren meer dan 1 miljoen werknemers ontslagen, en Microsoft bood vorige week nog 60.000 vrijwillige vertrekregelingen aan. Het is een angstaanjagend en volledig desoriënterend moment voor mensen in de software-industrie.
Ongeveer een maand geleden schreef ik een interne memo waarin ik het AI-adoptiepad uiteenzette dat Proton moet volgen om concurrerend en veilig te blijven, en wat wij als organisatie tot nu toe hebben nagelaten en moeten corrigeren om deze onvermijdelijke overgang tot een succes te maken. Het lijdt weinig twijfel dat organisaties die niet snel genoeg transformeren uiteindelijk hun teams en degenen die op hen vertrouwen, teleurstellen.
De memo diende ook een ander doel: mijn collega’s ervan overtuigen dat wij geen passieve actoren in deze verandering zijn, dat het bedrijf hun talenten en expertise nodig heeft om haar te bewerkstelligen, en dat deze overgang kansen biedt aan wie ervoor kiest zich erop voor te bereiden en eraan deel te nemen.
De memo is geen diepgaand engineeringdocument. Er wordt niet ingegaan op de specifieke details van beveiliging, betrouwbaarheid of infrastructuur. In plaats daarvan wijst de memo de richting aan waarin onze hele industrie zich beweegt.
De volledige memo vindt u hieronder.
Download een PDF van het AI-manifest(nieuw venster)
AI @ Proton, engineeringmanifest
Het zou niemand bij Proton moeten verbazen, en zeker niet in engineering, dat software-engineering dit jaar onherroepelijk is veranderd, zo niet eerder. LLM’s en de bijbehorende hulpmiddelen kunnen inmiddels zo goed code schrijven dat een senior engineer bij Proton mij een paar dagen geleden zei, en ik citeer: “Niemand schrijft nog code in {business unit name}.” Net als het uit het hoofd leren van telefoonnummers in de 20e eeuw of het paardrijden in de 19e eeuw, is het met de hand schrijven van goede code een kernvaardigheid waarvan de tijd is verstreken.
Dat is over het algemeen fantastisch. Veel van het schrijven van code was en is tijdrovend saai werk, althans in productie en op schaal. Documentatie en testen zijn beide noodzakelijke zaken die weinigen graag doen en die historisch gezien vaak zijn verwaarloosd, met slechte communicatie, inefficiëntie en betrouwbaarheidsproblemen tot gevolg. Boilerplate is het toppunt van de sleur van software-engineering, en het is misschien wel iets waar een mens zich nooit meer zorgen over hoeft te maken. Modellen kunnen nu architecturen en systeemontwerpen aanbevelen en voorstellen die, hoewel vaak imperfect, zinvol bijdragen aan discussie, besluitvorming en leren.
Buiten Proton neemt de AI-revolutie de wereld stormenderhand in. Veel daarvan is leeg en oppervlakkig, cosmetische campagnes die er vooral op gericht zijn als innovatief te worden gezien in plaats van werkelijk innovatief te zijn. Maar veel ervan is zeer reëel, en de investeringen die die bedrijven (inclusief onze concurrenten) nu doen, zullen de zakelijke omgeving bepalen waarin wij in de toekomst opereren. Dit gaat niet om het najagen van trends – we blijven hier achter, en het is een existentiële bedreiging voor het succes van de missie zelf.
Waarom voelt het bij Proton dan niet alsof de revolutie is aangebroken? Waarom is de productiviteit niet enorm toegenomen als iedereen al voortdurend LLM’s gebruikt? Ik denk dat het op drie dingen neerkomt, die we allemaal zullen moeten corrigeren als we succesvol willen zijn in het nieuwe tijdperk dat vandaag al is aangebroken, en niet pas onderweg is.
De eerste is een verandering in engineeringcultuur en de mentaliteit van engineers. Uw baan is fundamenteel veranderd. Het is niet langer code schrijven, en LLM’s zijn er niet om u te helpen sneller betere code te schrijven. Uw taak is om het LLM te helpen sneller betere code te schrijven. Elke engineer is nu teamleider en manager, en degenen die direct aan u rapporteren, zijn de modellen en agenten die u gebruikt. Hen rechtstreeks begeleiden en corrigeren wanneer ze fout zitten, hoort daar zeker bij. Maar een team van twee mensen die altijd samen aan pair programming deden, zou geen echt team zijn, en dat geldt ook voor een team waarin niemand werkte wanneer de teamleider in een vergadering zat. AI moet autonoom en continu kunnen werken met steeds minder toezicht van mensen. Uw taak is om problemen te identificeren die het LLM niet zelf kan oplossen, en om het niet alleen te helpen ze deze keer op te lossen, maar ze de volgende keer beter te kunnen oplossen, niet alleen voor u maar voor iedereen: contextbestanden op repositoryniveau, gedeelde skills en prompts, en de gewoonte om ervoor te zorgen dat herhaalde fouten leiden tot een onderzoek en een oplossing. Uw taak is om de grenzen op te zoeken van wat het LLM autonoom kan doen, in te springen voor zaken die het niet kan, en altijd na te denken over hoe u de status quo kunt verbeteren.
Dit is niet de dood van expertise. Het LLM is snel. U bent langzaam, maar u draagt een leven lang ervaring, beoordelingsvermogen en begrip met u mee. U bent ook (hopelijk) veel minder vatbaar voor hallucinatie en voor misleiding door slechte of kwaadwillende invoer, en u legt verantwoording af aan uzelf, uw teamgenoten en Proton op een manier die een model nooit zal kunnen. Samen kunt u veel meer en veel sneller doen dan u of het model alleen kan.
Het is ook niet de dood van goede engineeringpraktijken. Onderhoudbaarheid en snelheid zijn beter bij goed ontworpen codebases. Documentatie en tests blijven cruciaal. Dat gezegd hebbende, moeten we openstaan voor veranderingen in best practices naarmate kosten en mogelijkheden veranderen. Testen is hier een goed voorbeeld van. De oude best practice zegt dat te veel tests (vooral end-to-endtests) een slechte afweging zijn in een wereld waarin het schrijven en onderhouden van tests duur is. Als het schrijven en onderhouden van tests goedkoop wordt, zal de plek waar we die grens trekken waarschijnlijk ook veranderen.
De tweede reden dat we niet volledig profijt hebben kunnen trekken van de AI-revolutie, is dat we bijna volledig zijn blijven steken in fase 1 – LLM’s gebruiken om taken binnen bestaande workflows te versnellen. Maar code schrijven is niet het enige onderdeel van de softwareontwikkelingscyclus, en wat gebeurt er als u een knelpunt wegneemt? Er komt een ander voor in de plaats. Misschien is het de snelheid en capaciteit van de CI. Misschien zijn het ontwerp, goedkeuringen, specificaties en codereviews (ja, we moeten en zullen op een punt komen waarop het meeste menselijke codereview zal eindigen). Misschien verandert de workflow niet veel, maar stellen LLM’s ons eindelijk in staat te investeren in automatisering die voorheen te duur was. Als we niet holistisch naar al onze processen kijken en knelpunten meedogenloos wegnemen, zullen we ons volledige potentieel niet bereiken. Vaak betekent het wegnemen van deze knelpunten niet alleen het optimaliseren van delen van onze bestaande workflows, maar ook het volledig herwerken en heroverwegen ervan. Dit is fase 2, en we moeten daar nu komen.
De derde reden is een probleem van collectieve actie. LLM’s effectief gebruiken om code te schrijven is iets wat een individuele engineer voor zichzelf kan doen. Het herbouwen of optimaliseren van het CI-proces voor een heel team, een bedrijfsonderdeel of een bedrijf is een veel zwaardere opgave, en brengt opportuniteitskosten en afwegingen met zich mee. Niet onmogelijk, en veel mensen bij Proton hebben op eigen houtje geweldige dingen gedaan, waarvan sommige zich ver hebben verspreid. Maar om het bedrijf als geheel om te vormen, zijn inspanningen op het gebied van organisatie en middelen nodig waarin we simpelweg nog niet hebben geïnvesteerd. Wat de discussie over de softwareontwikkelingscyclus in de vorige alinea betreft: in veel gevallen weten we niet eens waar de knelpunten zitten, omdat we niet hebben geïnvesteerd in de tools die nodig zijn om dat uit te zoeken. Enige voorzichtigheid was in het verleden misschien gerechtvaardigd – het kostte tijd om uit te zoeken hoe we deze nieuwe tools het beste konden gebruiken, en we zullen blijven stimuleren dat er wordt geëxperimenteerd. Maar het is hoog tijd dat we ons als organisatie verbinden aan de transformatie die dit moment vereist.
Dus wat betekent dit voor u als engineer? Welnu, uw handelingsvermogen en verantwoordelijkheden zijn beide uitgebreid. Niet alleen bent u verantwoordelijk voor het gedaan krijgen van het werk, u bent nu ook eigenaar van hoe het wordt gedaan, en daarom verantwoordelijk voor continue optimalisatie en maximale automatisering (en voor het delen van die verbeteringen met uw collega’s – succes bij Proton is een teamsport). Het is ook uw verantwoordelijkheid om noodzakelijke verbeteringen die u niet zelf kunt doorvoeren, te signaleren en escaleren. Proton zal van zijn kant de kritieke investeringen organiseren en er middelen voor vrijmaken die nodig zijn om fase 2 door te komen en het potentieel van de AI-revolutie volledig te benutten.
De kern is dat we ons in een nieuwe wereld bevinden. “Programmeren” is dood. Engineering is dat niet, en expertise ook niet. Uw oude baan is verdwenen. Uw nieuwe baan als bouwer stelt u in staat meer te doen en meer impact te hebben dan ooit, als u de kans grijpt. En Proton zal u daarvoor klaarstomen; over die inspanningen hoort u de komende dagen en weken meer. Het tijdperk van experimenteren gaat door, maar het is nu tijd om te handelen. De toekomst is hier – laten we haar de onze maken.
Omslagafbeelding door: Bernard Leonardo
Instagram: @dranreboel
Website: https://dranreboel.myportfolio.com/work






