Думаю, тут как раз ничего для человека не поменалось. Задачей инженера всегда было создание ценности для бизнеса. Код всегда был просто одним из инструментов. Сейчас этот инструмент стал в 25 раз дешевле. Круто, значит теперь один инженер может создать кратно больше ценности — решать такие проблемы, которые до сих пор было решать нерентабельно.

Ну а если человек своим конечным продуктом считал сам код и это воспринимал как ценность саму по себе (а не решение проблем бизнеса), то да, его труд обесценился. Но это не про Software Engineers, это про Coders.

Тут ключ генерить (нужно просто иметь акканут Google, без привязок карт и т.п.): https://aistudio.google.com/api-keys

Тут посмотреть, для каких моделей есть Free Tier: https://ai.google.dev/gemini-api/docs/pricing

Лимиты примерно следующие: 250К входных токенов в минуту, 20 запросов в день

Умение быстро учиться. Осваивать новые навыки и смежные области знаний.

Promt-Engineering умер, едва родившись. Потом был Context-Engineering, разные виды RAG-ов и MCP, на смену которым приходит Sandboxed Code Execution и Skills, и т.д.

Все очень быстро меняется.

Думаю, что время гипер-специализации труда в ИТ, подходит к концу.

Наступает эра T-shaped инженеров. Глубоко разбираться в одной области, и при этом иметь знанаия/навыки на базовом уровне в смежных областях.

ИИ сильно девальвировал техническую компетенцию. Чтобы получить результат, уже не нужно тратить месяцы на освоение новой специализации.

Но важно понимать как всё работает. Чтобы уметь корректно, поставить задачу, оценить предложенные варианты и принять решение, проконтролировать результат и вовремя понять, а не фигню ли я делаю.

Например, вам не обязательно быть ML-инженером и знать кучу библиотек и фреймворков. Агент поможет обучить модель. Но важно понимать какие бывают классы ML-задач, какие модели для чего используются, как правильно организовать обучающий, тестовый и валидационный датасеты, какими метриками оценивать прогресс и почему именно ими и т.п.

Вам не обязательно быть DevOps, агент настроит вам CI/CD, деплой и скейлинг в облаке. Но важно понимать как хороший CI/CD пайплайн должен выглядеть, базовые приципы architecture-as-code, как работает контейнеризация, какие сервисы в Azure/AWS/GCP для каких задач и в каком случае нужно применять, в чем их ограничения и как они тарифицируются.

Вам не обязательно быть QA-инженером, но нужно понимать что такое TDD, как автоматизировать тестирование, как организовать Observability и Eval ИИ-агентов.

Вам не обязательно быть бизнес-аналитиком, но вы долны уметь прочитать стратег-план компании, понять коммиты топ-менеджеров, нарисовать цепочку создания ценности организации, замапить ее на оргструктуру, разобраться в регламентах и бизнес-процессах, найти узкие места, выявить ключевых стейкхолдеров, понять их KPI, провести кастдев-интервью, оформить Value Proposition Canvas и т.д.

Просто чтобы не делать изначально провальные проекты, а находить и решать те пролемы, которые создадут максимум ценности.

Вам не обязательно быть менеджером. Но нужно уметь выявлять ключевых стейкхолдеров, понимать необходимый им бизнес-результат, личные выгоды и персональные риски от него, управлять их ожиданиями. Если вы хотите, чтобы вашим дашбордом, агентом (или чем-то там ещё) люди пользовались, а не саботировали при внедрении.

И так далее.

28.01 месяц как я в новом статусе. Решил параллельно делится опытом и наблюдениями со стороны родительства.

Мнение редакции:
Я думаю что ai-продукты будут съедены большими корпами, которые уже сами по себе закрывают кучу кейсов.

Также в уже существующие продукты повсеместно встраивается ai расширения, что в свою очередь тоже давит на появление новых решений.

И конечный юзер просто будет платить 100$ в одну контору вместо кучи платных ии приложений.

Обесцениваются технические навыки (обработка данных, создание отчетов/дашбордов) - это заменяют уже понемногу агенты.

На этом фоне растёт в цене агентность.

То есть возможность:

— проактивно выбирать правильную цель из всего спектра возможностей,

— ставить себе задачи в рамках этой цели,

— устранять препятствия (получать нужные одобрения, например),

— проактивно получать обратную связь от мира.

Думаю, это ключевой навык, который сейчас отличает человека от LLM.

Есть аналитики, которые ведут себя как LLM, вы наверняка таких видели.

Они сидят и ждут, пока в них запромптят задачу руководители или коллеги из бизнес-подразделений.

Потом отрабатывают эту задачу, выкидывают обратно результат (отчет, дашборд, аналитическую записку) и снова переходят в режим ожидания замечаний.

Нет смысла соревноваться с LLM в компетенции, опыте, знаниях, технических навыках — проиграете. Не сегодня так завтра.

Надо делать ставку на агентность и навыки менеджмента.

Управлять пачкой агентов — это всё равно что управлять небольшим отделом из джунов.

Проще всего адаптироваться тимлидам или менеджерам — они привыкли нарезать большую цель на задачи и промптить их в биологические LLM.

Теперь этому навыку нужно учиться всем 🙂