چرا بازار داره کار مهندسهای همهفنحریف رو ارزون میکنه
هوش مصنوعیخلاصهٔ کاملتر
این مقاله یه جمعبندی شخصی از یه مهندسه که از اواخر دههی ۲۰۱۰ تو صنعت بوده و میخواد به مهندسهایی که گیج شدن بگه اوضاع داره کجا میره. حرف اصلیش اینه: مهندسی نرمافزار نمیمیره، ولی داره دوباره قیمتگذاری میشه.
نویسنده میگه مهندس generalist در واقع محصول دوران پول ارزون بود. اون موقع ساختن نرمافزار گرون بود، اتوماسیون کم بود، Kubernetes تازه داشت فراگیر میشد و دیپلوی یعنی SSH زدن به سرور، جابهجا کردن دستی artifact و دیباگ مستقیم روی پروداکشن. VCها هم رشد رو بیشتر از بهرهوری پاداش میدادن، پس استخدام انبوه مهندس سادهترین راه خرج کردن پول بود و «وسعت» پرمیوم داشت — رزومهی اون نسل هم همینه: فهرست بلندی از تکنولوژیها، بدون عمق تو هیچکدوم.
به گفتهی نویسنده، LLMها مهندسی رو حذف نکردن؛ فقط هزینهی پیادهسازی رو فشرده کردن. اولین چیزی که ضربه خورد همون کارهایی بود که از قبل استاندارد شده بودن: اپهای CRUD، یکپارچهسازی API و کد چسبی، کار بکاند فریمورکمحور، اسکفولدینگ فرانتاند و الگوهای معماری آشنا. کاری که قبلاً یه تیم میخواست، حالا با دو نفر بهعلاوهی AI جلو میره.
نتیجهش اینه که اگه ارزش اصلی تو دوختن سیستم از روی فریمورکها و الگوهای شناختهشده باشه، حالا رقیبت شده developerهای AI-assisted، PMهای فنی، فاندرها و تیمهای کوچیکی که با کسری از نیرو به همون خروجی میرسن. نویسنده اضافه میکنه که بخشی از چیزی که «تصحیح AI» به نظر میرسه، در واقع فقط تموم شدن دوران پول ارزونه — این دوتا همزمان دارن اتفاق میافتن و آدم راحت همهچیز رو گردن AI میندازه.
بحرانِ هویت واقعی، به نظر او، مال همون لایهی میانیه: مهندسهای پیادهسازیمحوری که ارزششون شیپ کردن نرمافزار از روی الگوهای معلوم بود و هیچوقت خندق (moat) نداشتن. مهندسهای ارشد و distinguished بالای این ریزش میمونن، چون ارزششون از اول پهنای باند پیادهسازی نبود؛ عمق، قضاوت و مالکیت بود.
هرچی پیادهسازی ارزونتر بشه، تخصص گرونتر میشه — ولی نه هر تخصصی؛ تخصص عمیق تو دامنههایی که درستی، تأخیر، ایمنی یا پیچیدگی عملیاتی حرف اول رو میزنن. اون مهندس جاوای بیستساله ارزشمنده نه چون جاوا بلده، بلکه چون سالها خرابی سیستم توزیعشده رو دیباگ کرده و زیر فشار واقعی پروداکشن trade-off معماری انتخاب کرده. نویسنده اسمش رو میذاره قضاوتِ بهدستآمده از تجربه، نه prompt زدن.
در آخر هشدار میده که «AI engineer» بودن هم خندق نیست: فریمورکهای ایجنت، لایبرریهای ارکستراسیون و wrapperهای نازک دور مدلهای پایه سریعتر از چیزی که بتونن متمایز بشن دارن زیاد میشن. PMها و متخصصهای دامنه هم دارن وارد قلمرو مهندسی میشن، ولی بیشتر تو لایهی پروتوتایپ. پروداکشن هنوز مهندسی میخواد که reliability، مقیاس، امنیت، پرفورمنس و observability رو بفهمه. جملهی آخرش اینه: بیشترین بازده دیگه از «کمی دونستن از همهچیز» نمیاد، از «فوقالعاده خوب بلد بودن یک چیز سخت» میاد.
نکات کلیدی:
- مهندس generalist محصول دوران پول ارزون بود؛ اون دوره تموم شده و همزمان با AI داره اثرش رو نشون میده
- LLMها هزینهی پیادهسازی رو کم کردن؛ کار استاندارد (CRUD، چسبکاری API، اسکفولدینگ) اول از همه ارزون شد
- لایهی میانیِ پیادهسازیمحور بیشترین ضربه رو میخوره چون هیچوقت moat نداشت
- تخصص عمیق تو دامنههای حساس به درستی، تأخیر، ایمنی و پیچیدگی عملیاتی گرونتر میشه
- عنوان «AI engineer» بهتنهایی مزیت رقابتی نیست؛ اون لایه هم شلوغ شده
