Under de senaste decennierna har regeringar och andra spenderat miljarder på att lära människor koda. Man trodde att det var ett av få yrken som skulle vara säkert i en föränderlig värld, men det visar sig att skriva och manipulera kod är en av de aktiviteter som AI-modeller är allra bäst lämpade för. Teknikföretag har sagt upp över 1 miljon anställda de senaste åren, och Microsoft erbjöd 60 000 avgångsvederlag så sent som förra veckan. Det är en skrämmande och djupt desorienterande tid för människor i mjukvarubranschen.
För ungefär en månad sedan skrev jag ett internt PM där jag i detalj beskrev den sökväg för AI-införande som Proton måste följa för att förbli konkurrenskraftigt och säkert, och vad vi hittills har missat som organisation och som vi måste rätta till för att denna oundvikliga omställning ska bli en framgång. Det råder föga tvekan om att organisationer som inte transformerar tillräckligt snabbt till slut kommer att svika sina team och dem som är beroende av dem.
Promemorian hade också ett annat syfte: att övertyga mina kollegor om att vi inte är passiva aktörer i denna förändring, att företaget behöver deras talanger och expertis för att genomföra den, och att denna omställning erbjuder möjligheter för dem som väljer att förbereda sig för den och engagera sig i den.
Promemorian är inte ett djupgående ingenjörsdokument. Den går inte in på detaljerna kring säkerhet, tillförlitlighet eller infrastruktur. I stället pekar den ut färdriktningen för vår bransch som helhet.
Hela promemorian finns nedan.
Ladda ner en PDF av AI-manifestet(nytt fönster)
AI @ Proton, ingenjörsmanifest
Det borde inte förvåna någon på Proton, minst av allt inom ingenjörsarbetet, att mjukvaruutveckling har förändrats oåterkalleligt i år, om inte tidigare. LLM:er och tillhörande verktyg har fått förmågan att skriva kod i en sådan utsträckning att en senioringenjör på Proton för några dagar sedan sade till mig, och jag citerar: ”Ingen skriver kod i {business unit name} längre.” Precis som att memorera telefonnummer på 1900-talet eller rida på 1800-talet är konsten att skriva bra kod manuellt en kärnkompetens vars tid har passerat.
Det är i allmänhet en fantastisk sak. Mycket av kodskrivandet var och är tidskrävande slit, åtminstone i produktion och i stor skala. Dokumentation och testning är båda nödvändiga saker som få gillar att göra och som historiskt ofta har försummats till priset av dålig kommunikation, ineffektivitet och bristande tillförlitlighet. Boilerplate är själva sinnebilden av mjukvaruutvecklingens malande, och det kanske aldrig mer behöver vara något en människa bekymrar sig över. Modeller kan nu råda och föreslå arkitekturer och systemdesigner som, även om de ofta är ofullkomliga, bidrar meningsfullt till diskussion, beslutsfattande och utbildning.
Utanför Proton tar AI-revolutionen världen med storm. Mycket av det är fluff och ytligt, kosmetiska kampanjer som mer är till för att ses som innovativa än för att verkligen vara innovativa. Men mycket av det är mycket verkligt, och de investeringar som dessa företag (inklusive våra konkurrenter) gör nu kommer att avgöra vilket affärsklimat vi verkar i framtiden. Det handlar inte om att jaga trender. Vi blir lämnade efter här, och det är ett existentiellt hot mot själva uppdragets framgång.
Så varför känns det inte på Proton som att revolutionen har kommit? Varför har produktiviteten inte ökat dramatiskt om alla redan använder LLM:er hela tiden? Jag tror att det beror på tre saker, och vi måste åtgärda alla om vi ska lyckas i den nya era som redan är här i dag, inte är på väg.
Den första är en förändring av ingenjörskulturen och ingenjörsmentaliteten. Ditt jobb har förändrats i grunden. Det är inte längre att skriva kod, och LLM:er är inte här för att hjälpa dig skriva bättre kod snabbare. Ditt jobb är att hjälpa LLM:en att skriva bättre kod snabbare. Varje ingenjör är nu en teamledare, en chef, och dina direktrapporterande medarbetare är de modeller och agenter du använder. Att vägleda dem direkt och rätta dem när de har fel är en del av det, helt klart. Men ett team på två personer som alltid programmerade i par tillsammans skulle inte vara mycket till team, och inte heller ett team där ingen arbetade när teamledaren var i ett möte. AI behöver kunna arbeta självständigt och kontinuerligt med allt mindre mänsklig övervakning. Ditt jobb är att identifiera problem som LLM:en inte kan lösa på egen hand och hjälpa den att inte bara lösa dem den här gången utan att kunna lösa dem bättre nästa gång, inte bara för dig utan för alla: kontextfiler på repositorienivå, delade färdigheter och prompter, och vanan att säkerställa att upprepade misslyckanden leder till en utredning och en åtgärd. Ditt jobb är att tänja gränserna för vad LLM:en kan göra självständigt, kliva in för det som den inte klarar, och alltid tänka på hur du kan förbättra status quo.
Detta är inte expertisens död. LLM:en är snabb. Du är långsam, men du bär med dig ett liv av erfarenhet, bedömningar och förståelse. Du är också (förhoppningsvis) mycket mindre benägen att hallucinera och att vilseledas av dåliga eller illvilliga indata, och du är ansvarig inför dig själv, dina teamkamrater och Proton på ett sätt som en modell aldrig kan vara. Tillsammans kan ni göra mycket mer, mycket snabbare än någon av er kan göra ensam.
Det är inte heller slutet för goda ingenjörsmetoder. Underhållbarhet och hastighet är bättre i välarkitektoniska kodbaser. Dokumentation och tester förblir avgörande. Med det sagt måste vi vara öppna för att bästa praxis förändras när kostnader och förmågor förändras. Testning är ett bra exempel på detta. Tidigare bästa praxis säger att för många tester (särskilt end-to-end-tester) är en dålig avvägning i en värld där det är dyrt att skriva och underhålla tester. Om det blir billigt att skriva och underhålla tester kommer sannolikt gränsen vi drar att förändras också.
Den andra anledningen till att vi inte har kunnat dra full nytta av AI-revolutionen är att vi nästan helt har fastnat i fas 1: att använda LLM:er för att snabba upp uppgifter som en del av befintliga arbetsflöden. Men att skriva kod är inte den enda delen av mjukvaruutvecklingens livscykel, och vad händer när man eliminerar en flaskhals? En annan tar dess plats. Kanske är det CI:ns hastighet och kapacitet. Kanske är det design, godkännanden, specifikationer och kodgranskningar (ja, vi behöver och kommer att nå en punkt där de flesta mänskliga kodgranskningar upphör). Kanske förändras arbetsflödet inte särskilt mycket, men LLM:er gör att vi äntligen kan investera i automatisering som tidigare var för dyr. Om vi inte ser på alla våra processer holistiskt och skoningslöst eliminerar flaskhalsar kommer vi inte att nå vår fulla potential. Ofta innebär eliminering av dessa flaskhalsar inte bara optimering av delar av våra befintliga arbetsflöden utan att vi omarbetar och tänker om dem helt och hållet. Detta är fas 2, och vi behöver komma dit nu.
Den tredje anledningen är ett kollektivt handlingsproblem. Att använda LLM:er effektivt för att skriva kod är något en enskild ingenjör kan göra på egen hand. Att bygga om eller optimera CI-processen för ett helt team, en affärsenhet eller ett företag är en mycket tyngre uppgift, och det innebär alternativkostnader och avvägningar. Inte omöjligt, och många på Proton har gjort fantastiska saker på egen hand, varav en del har spridit sig långt och brett. Men att ställa om hela företaget kräver både organisation och resurser som vi helt enkelt inte har investerat i ännu. När det gäller diskussionen om mjukvaruutvecklingens livscykel i föregående stycke vet vi i många fall inte ens var flaskhalsarna finns eftersom vi inte har investerat i de verktyg som behövs för att ta reda på det. Viss försiktighet kan ha varit motiverad tidigare. Det tog tid att lista ut hur de nya verktygen bäst används, och vi kommer att fortsätta uppmuntra experimenterande. Men det är hög tid att vi som organisation förbinder oss till den omställning som situationen kräver.
Så vad innebär det här för dig som ingenjör? Jo, ditt handlingsutrymme och dina ansvarsområden har båda utökats. Du är inte bara ansvarig för att arbetet blir gjort, du äger nu också hur det blir gjort och är därför ansvarig för kontinuerlig optimering och maximal automatisering (och för att dela dessa förbättringar med dina kollegor, för framgång på Proton är en lagsport). Det är också ditt ansvar att flagga och eskalera nödvändiga förbättringar som du inte kan genomföra på egen hand. Proton kommer i sin tur att organisera och tilldela resurser till de kritiska investeringar som krävs för att ta sig igenom fas 2 och fullt ut förverkliga potentialen i AI-revolutionen.
Summan av kardemumman är att vi befinner oss i en ny värld. ”Programmering” är död. Ingenjörskonst är inte död, och inte heller expertis. Ditt gamla jobb är borta. Ditt nya jobb som byggare kommer att låta dig göra mer och få större genomslag än någonsin, om du tar chansen. Och Proton kommer att ge dig förutsättningarna för det, insatser som du kommer att höra mer om under de kommande dagarna och veckorna. Experimenterandets era fortsätter, men det är nu det gäller att agera. Framtiden är här. Låt oss göra den till vår.
Omslagsbild av: Bernard Leonardo
Instagram: @dranreboel
Webbplats: https://dranreboel.myportfolio.com/work






