Przez ostatnie kilkadziesiąt lat rządy i inne podmioty wydawały miliardy na nauczanie ludzi programowania. Uważano, że to jeden z niewielu zawodów, który będzie bezpieczny w zmieniającym się świecie, ale jak się okazuje, pisanie i manipulowanie kodem to jedne z działań, do których modele AI nadają się najlepiej. Firmy technologiczne zwolniły ponad milion pracowników w ciągu ostatnich kilku lat, a Microsoft w zeszłym tygodniu zaproponował 60 tys. dobrowolnych odejść. To przerażający i całkowicie dezorientujący moment dla osób z branży oprogramowania.
Około miesiąca temu napisałem wewnętrzną notatkę, w której szczegółowo opisałem ścieżkę wdrażania AI, którą Proton musi podążać, aby pozostać konkurencyjnym i bezpiecznym, oraz co do tej pory umknęło nam jako organizacji i co musimy naprawić, aby ta nieunikniona transformacja zakończyła się sukcesem. Nie ma wątpliwości, że organizacje, którym nie uda się wystarczająco szybko zmienić, ostatecznie zawiodą swoje zespoły i tych, którzy na nich polegają.
Notatka miała też inny cel: przekonać moich współpracowników, że nie jesteśmy biernymi uczestnikami tej zmiany, że firma potrzebuje ich talentów i wiedzy, aby ją przeprowadzić, oraz że ta transformacja stwarza szanse tym, którzy zdecydują się na przygotowanie do niej i zaangażowanie w nią.
Notatka nie jest szczegółowym dokumentem inżynierskim. Nie zagłębia się w szczegóły bezpieczeństwa, niezawodności ani infrastruktury. Wskazuje raczej kierunek, w którym zmierza cała nasza branża.
Pełna treść notatki znajduje się poniżej.
Pobierz PDF manifestu AI(nowe okno)
AI w Protonie, manifest inżynierski
Nikogo w Protonie nie powinno to dziwić, a już najmniej w dziale inżynierii, że inżynieria oprogramowania nieodwracalnie zmieniła się w tym roku, jeśli nie wcześniej. Modele LLM i powiązane z nimi narzędzia osiągnęły zdolność pisania kodu do tego stopnia, że kilka dni temu starszy inżynier Protona powiedział mi – cytuję – „Nikt już nie pisze kodu w {business unit name}”. Podobnie jak zapamiętywanie numerów telefonów w XX wieku czy jazda konna w XIX wieku, ręczne pisanie świetnego kodu to kluczowa umiejętność, której czas przeminął.
To ogólnie fantastyczna rzecz. W dużej mierze pisanie kodu było i jest czasochłonną i mozolną pracą, przynajmniej w produkcji i na dużą skalę. Dokumentacja i testowanie to konieczne elementy, które niewielu lubi wykonywać, a historycznie często były zaniedbywane, co prowadziło do słabej komunikacji, nieefektywności i problemów z niezawodnością. Kod szablonowy to uosobienie mozołu inżynierii oprogramowania i może już nigdy nie być czymś, czym człowiek musi się martwić. Modele potrafią teraz doradzać i proponować architektury i projekty systemów, które choć często niedoskonałe, wnoszą istotny wkład w dyskusję, podejmowanie decyzji i edukację.
Poza Protonem rewolucja AI podbija świat. Wiele z tego to puste, powierzchowne, kosmetyczne kampanie, które mają raczej sprawiać wrażenie innowacyjnych, niż naprawdę takie być. Ale znaczna jej część jest bardzo realna, a inwestycje, które te firmy (w tym nasi konkurenci) podejmują teraz, określą środowisko biznesowe, w którym będziemy działać w przyszłości. Nie chodzi o gonienie za trendami — zostajemy tutaj w tyle i jest to egzystencjalne zagrożenie dla powodzenia samej misji.
Dlaczego więc w Protonie nie czuć, że rewolucja już nadeszła? Dlaczego produktywność nie wzrosła dramatycznie, skoro wszyscy już cały czas korzystają z modeli LLM? Uważam, że sprowadza się to do trzech rzeczy, które będziemy musieli poprawić, jeśli mamy odnieść sukces w nowej erze, która już tu jest, a nie dopiero nadchodzi.
Pierwsza z nich to zmiana kultury inżynierskiej i mentalności inżynierów. Twoja praca fundamentalnie się zmieniła. Nie polega już na pisaniu kodu, a modele LLM nie są po to, by pomagać ci pisać lepszy kod szybciej. Twoja praca polega na pomaganiu modelowi LLM pisać lepszy kod szybciej. Każdy inżynier jest teraz liderem zespołu, menedżerem, a twoimi bezpośrednimi podwładnymi są modele i agenci, których używasz. Kierowanie nimi bezpośrednio i poprawianie ich, gdy się mylą, z pewnością jest tego częścią. Ale zespół dwóch osób, które zawsze programowały w parach, nie byłby zbyt dobrym zespołem, podobnie jak zespół, w którym nikt nie pracował, gdy lider zespołu był na spotkaniu. AI musi być w stanie pracować autonomicznie i nieprzerwanie przy coraz mniejszym nadzorze człowieka. Twoja praca polega na identyfikowaniu problemów, których model LLM nie potrafi rozwiązać samodzielnie, i pomaganiu modelom nie tylko w rozwiązaniu ich tym razem, ale w lepszym radzeniu sobie z nimi następnym razem — nie tylko tobie, ale wszystkim: pliki kontekstu na poziomie repozytorium, udostępniane umiejętności i prompty oraz nawyk zapewniania, że powtarzające się błędy uruchamiają analizę i poprawkę. Twoja praca polega na przesuwaniu granic tego, co model LLM potrafi zrobić autonomicznie, wkraczaniu w sprawy, których nie potrafi, i ciągłym zastanawianiu się, jak poprawić obecny stan rzeczy.
To nie jest śmierć wiedzy eksperckiej. Model LLM jest szybki. Ty działasz wolniej, ale niesiesz ze sobą całe życie doświadczenia, decyzji opartych na osądzie i zrozumienia. Ponadto (miejmy nadzieję) znacznie trudniej wprowadzić cię w błąd lub skłonić do halucynacji złymi lub złośliwymi danymi wejściowymi, i odpowiadasz przed sobą, swoim zespołem i Protonem w sposób, w jaki model nigdy nie będzie mógł.
To także nie jest śmierć dobrych praktyk inżynierskich. Utrzymywalność i tempo są lepsze w dobrze zaprojektowanych bazach kodu. Dokumentacja i testy pozostają kluczowe. Mimo to musimy być otwarci na zmiany najlepszych praktyk wraz ze zmianami kosztów i możliwości. Dobrym przykładem jest testowanie. Stara najlepsza praktyka mówi, że zbyt wiele testów (zwłaszcza end-to-end) to zły kompromis w świecie, w którym pisanie i utrzymywanie testów jest drogie. Jeśli pisanie i utrzymywanie testów stanie się tanie, miejsce, w którym wyznaczamy tę granicę, prawdopodobnie również się zmieni.
Drugi powód, dla którego nie byliśmy w stanie w pełni wykorzystać rewolucji AI, jest taki, że niemal całkowicie utknęliśmy na etapie 1 — używaniu modeli LLM do przyspieszania zadań w ramach istniejących przepływów pracy. Ale pisanie kodu to nie jedyna część cyklu życia oprogramowania, a co się dzieje, gdy wyeliminujesz wąskie gardło? Na jego miejsce pojawia się inne. Może to szybkość i przepustowość CI. Może to projektowanie, zatwierdzenia, specyfikacje i przeglądy kodu (tak, musimy i dojdziemy do momentu, w którym większość ludzkich przeglądów kodu się zakończy). Może przepływ pracy niewiele się zmienia, ale modele LLM pozwalają nam wreszcie zainwestować w automatyzację, która wcześniej była zbyt kosztowna. Jeśli nie spojrzymy na wszystkie nasze procesy holistycznie i bezlitośnie nie wyeliminujemy wąskich gardeł, nie osiągniemy pełnego potencjału. Często eliminacja tych wąskich gardeł będzie wiązać się nie tylko z optymalizacją części istniejących przepływów pracy, ale także z ich całkowitym przerobieniem i przemyśleniem na nowo. To etap 2 i musimy tam dotrzeć już teraz.
Trzeci powód to problem zbiorowego działania. Skuteczne wykorzystywanie modeli LLM do pisania kodu to coś, co pojedynczy inżynier może zrobić sam dla siebie. Odbudowa lub optymalizacja procesu CI dla całego zespołu, jednostki biznesowej lub firmy to znacznie cięższe zadanie i wiąże się z kosztami alternatywnymi oraz kompromisami. Nie jest to niemożliwe, a wiele osób w Protonie zrobiło na własną rękę niesamowite rzeczy, z których część rozprzestrzeniła się szeroko. Jednak przebudowa całej firmy wymaga zarówno organizacji, jak i zasobów, w które po prostu jeszcze nie zainwestowaliśmy. Wracając do omówienia cyklu życia oprogramowania z poprzedniego akapitu, w wielu przypadkach nie wiemy nawet, gdzie są wąskie gardła, ponieważ nie zainwestowaliśmy w niezbędne narzędzia, aby to ustalić. W przeszłości pewna ostrożność mogła być uzasadniona — zajęło trochę czasu ustalenie, jak najlepiej wykorzystać te nowe narzędzia, i nadal będziemy zachęcać do eksperymentowania. Ale czas najwyższy, aby jako organizacja zobowiązać się do transformacji, której wymaga ta chwila.
Co to więc oznacza dla ciebie na stanowisku inżyniera? Cóż, zarówno twoja sprawczość, jak i odpowiedzialność wzrosły. Nie tylko odpowiadasz za to, że praca zostanie wykonana, ale teraz odpowiadasz także za sposób jej wykonania, a zatem za ciągłą optymalizację i maksymalną automatyzację (oraz dzielenie się tymi usprawnieniami z kolegami — sukces w Protonie to sport zespołowy). Twoją odpowiedzialnością jest również zgłaszanie i eskalowanie potrzebnych usprawnień, których nie możesz wdrożyć samodzielnie. Proton ze swojej strony zorganizuje i zapewni zasoby na kluczowe inwestycje wymagane do przejścia przez etap 2 i pełnego wykorzystania potencjału rewolucji AI.
Najważniejsze jest to, że jesteśmy w nowym świecie. „Programowanie” umarło. Inżynieria nie, podobnie jak wiedza ekspercka. Twoja stara praca zniknęła. Twoja nowa praca jako twórcy pozwoli ci robić więcej i mieć większy wpływ niż kiedykolwiek, jeśli wykorzystasz szansę. A Proton przygotuje cię do tego — o tych działaniach usłyszysz więcej w nadchodzących dniach i tygodniach. Era eksperymentowania trwa, ale czas działać już teraz. Przyszłość jest tutaj — zróbmy ją naszą.
Grafika okładkowa: Bernard Leonardo
Instagram: @dranreboel
Strona internetowa: https://dranreboel.myportfolio.com/work






