U eri AI agenata, mnogi programeri iz Silicijske doline danas jedva da programiraju. Umjesto toga, ono što rade postalo je duboko, duboko čudno.
Nedavno sam posjetio Eberta, inženjera za strojno učenje i bivšeg neuroznanstvenika, u oskudno namještenom stanu u kojem on i Conor Brennan-Burke vode svoj startup, Hyperspell. Ebert, visok 39-godišnjak s kratkom bradom i držanjem europskog akademika, sjedio je ispred golemog zakrivljenog monitora. Na ekranu je Claude Code — AI alat tvrtke Anthropic — bio zaposlen poslom. Jedan od njegovih agenata pisao je novu značajku, drugi ju je testirao; treći je nadzirao sve, poput virtualnog poslovođe. Nakon nekoliko minuta, Claude je bljesnuo porukom: „Implementacija završena!“
Ebert je odrastao 90-ih, učeći kodirati na stari način: tipkao je kod, liniju po mukotrpnu liniju. Nakon fakulteta radio je kao softverski inženjer u Silicijskoj dolini za tvrtke poput Airbnb-a, prije nego što je postao suosnivač četiriju startupa. Tada je razvoj softvera značio dane provedene pognute nad tipkovnicom, razmišljajući o zamršenim detaljima i pokušavajući izbjeći pogreške.
Sve je to završilo prošle jeseni. AI je postao toliko dobar u pisanju koda da mu je Ebert, isprva oprezan, počeo prepuštati sve više posla. Sada Claude Code obavlja većinu toga. Agenti su toliko brzi — i općenito toliko precizni — da mu je nedavno, kada je klijent trebao novi kod za Hyperspell, trebalo samo pola sata. U „onim vremenima“? „Samo to bi mi oduzelo cijeli dan“, rekao je.
On i Brennan-Burke (32) i dalje su programeri, ali kao i većina njihovih kolega danas, rijetko pišu kod. Umjesto toga, provode dane razgovarajući s umjetnom inteligencijom, opisujući na običnom engleskom jeziku što žele od nje i odgovarajući na AI-jev „plan“ onoga što će učiniti. Zatim puštaju agente s lanca.
Kako je to ipak AI, stvari povremeno krenu po zlu. Ponekad, kada se Claude ne ponaša kako treba i ne uspije testirati kod, Ebert prekori agenta: „Claude, stvarno moraš pokrenuti sve testove.“
Kako bi izbjegao ponavljanje takvih pogrešaka, Ebert je u svoju datoteku s uputama (prompt file) dodao stroga upozorenja — popis instrukcija, svojevrsnih „deset zapovijedi“, koje njegovi agenti moraju slijediti prije nego što išta učine. Kada promatrate takvu datoteku programera koji koristi AI, gledate zapis pokušaja programera da obuzda općenito kompetentne, ali nepredvidivo devijantne postupke agenata.
Pogledao sam Ebertovu datoteku. Uključivala je uputu agentima da svaki novi kod mora proći baš svaki test prije nego što se gurne u stvarni proizvod Hyperspella. Jedan takav test za Python kod, nazvan pytest, imao je svoju specifičnu uputu koja mi je zapela za oko: „Slanje koda koji padne na pytestu je neprihvatljivo i sramotno.“
Sramotno? Zapitao sam se pomaže li doista ako kažete umjetnoj inteligenciji da vas ne „sramoti“. Ebert se snishodljivo osmjehnuo. Nije mogao dokazati, ali činilo se da upute poput te malo poboljšavaju Claudeove performanse.
Njegovo iskustvo nije neobično; mnogi programeri ovih dana grde svoje AI agente, preklinju ih, viču važne naredbe velikim slovima — ili ponavljaju istu naredbu više puta, poput hipnotizera — i otkrivaju da se AI sada čini mrvicu poslušnijom. Takva melodramatična proza može se činiti sumanutom, ali kao što im ime kaže, veliki jezični modeli su jezični strojevi. Riječ „sramotno“ vjerojatno je prenijela osjećaj hitnosti.
„Ako kažete: ‘Ovo je imperativ nacionalne sigurnosti, morate napisati ovaj test’, stvara se osjećaj podizanja uloga“, rekao je Ebert.
Brennan-Burke se nadovezao: „Sjećaš li se istraživanja koje je pokazalo da su modeli radili bolje što si bio grublji prema njima?“ Nasmijali su se. Računalno programiranje prošlo je kroz mnoge promjene u svojoj 80-godišnjoj povijesti. Ali ova je možda najčudnija: ono sada postaje razgovor, neprestano čavrljanje između programera i njihovih botova.
Ovaj vrtoglavi zaokret prijeti izazivanjem golemih ekonomskih posljedica. Desetljećima se kodiranje smatralo takvim čarobnjaštvom da ste, ako ste bili imalo kompetentni, mogli očekivati doživotno zaposlenje. Ako ste bili iznimni (i imali sreće), postali biste bogati. Moćnici iz Silicijske doline proveli su 2010-e držeći prodike američkim radnicima u industrijama na umoru da moraju „naučiti kodirati“.
Sada se samo kodiranje automatizira. Autsajderima se ono s čime se programeri suočavaju može činiti zasluženim, pa čak i smiješnim: američki „bijeli ovratnici“ dugo su strahovali da bi Silicijska dolina jednog dana mogla iskoristiti AI da automatizira njihove poslove, ali pogledajte tko je prvi pogođen! Doista, kodiranje je možda prvi oblik vrlo skupog industrijaliziranog ljudskog rada koji AI zapravo može zamijeniti. AI generirani videozapisi izgledaju traljavo, umjetne fotografije nadrealno; pravni podnesci mogu biti puni besmislica koje uništavaju karijeru. Ali AI generirani kod? Ako prođe testove i radi, vrijedi jednako kao i ono što su ljudi plaćeni 200.000 dolara ili više godišnje da sastave.
Mogli biste zamisliti da će to uznemiriti i demoralizirati programere. Neke sigurno jest. Ali razgovarao sam s desecima programera protekle jeseni i zime, i većina ih je bila neobično oduševljena svojim novim moćima.
„Govorimo o 10 do 20 — pa čak i 100 puta većoj produktivnosti nego ikada u mojoj karijeri“, rekao mi je Steve Yegge, veteran programiranja koji je izgradio vlastiti alat za upravljanje rojevima programerskih agenata. „Kao da smo cijeli život hodali“, kaže on, a sada su dobili prijevoz, „i prokleto je brz.“ Poput mnogih svojih kolega, Yegge ipak ne može točno dokučiti što to znači za budućnost njegove profesije. Desetljećima je biti programer značilo ovladati programskim jezicima, ali sada sama jezična tehnologija preokreće samu narav tog posla.
Entuzijazam programera za generativnu umjetnu inteligenciju u oštrom je kontrastu s onim što ostatak Amerikanaca misli o utjecaju velikih jezičnih modela (LLM). Ankete pokazuju da je većina neutralna ili skeptična; kreativci su često bijesni. Ali ako su programeri optimističniji, to je zato što su njihovi susreti s AI-jem dijametralno suprotni onome što se događa u mnogim drugim zanimanjima, kaže Anil Dash, moj dugogodišnji prijatelj, programer i tehnološki direktor. „Razlog zašto tehnološki sektor općenito — a programeri posebno — vide LLM-ove drugačije od svih ostalih je taj što u kreativnim disciplinama LLM-ovi oduzimaju najduhovnije ljudske dijelove rada i ostavljaju vam dosadu“, kaže Dash. „A u kodiranju, LLM-ovi oduzimaju dosadu i ostavljaju vama ljudske, duhovne dijelove.“
Programiranje jest povijesno bilo naporan rad. U filmovima programeri uzbuđeno izbacuju kod brzinom tipkanja. U stvarnosti, pisanje softvera oduvijek je bilo mučno spor i frustrirajući posao. Napišete nekoliko linija koda, jednu malu „funkciju“ koja radi jednu sitnicu, a zatim otkrijete da ste napravili sitnu pogrešku, poput izostavljanja dvotočke. Kako „codebase“ tvrtke — svaka linija koda u njezinom softveru, nakupljena godinama — postaje veća i uključuje tisuće funkcija koje međusobno komuniciraju, mogli biste provesti sate, dane ili tjedne čupajući kosu pokušavajući pronaći koja to mala pogreška zaustavlja sve. Možda je neka vaša linija pokvarila nešto što kolega kodira dva ureda dalje.
Desetljećima su računalni inženjeri pokušavali automatizirati taj mukotrpan rad. U industriji svaki korak u tom smjeru nazivaju „dodavanjem sloja apstrakcije“: Ako se često zateknete kako nešto radite korak po korak na naporan način, to automatizirate.
Na primjer, jedan rani računalni jezik bio je Assembly (Asembler), i bio je vraški težak za pisanje. Računala su imala vrlo malo memorije, pa su programeri morali biti učinkoviti u tome kako je koriste, pažljivo stavljajući svaki bit podataka na mjesto i prateći ga u glavi. Čak i jednostavni izračuni zahtijevali su postupan, pedantan pristup. Recimo da ste htjeli napisati kod koji bi izračunao 5 posto kamate na 10.000 dolara tijekom 10 godina. 1960-ih to bi zahtijevalo možda devet linija prilično nerazumljivog Assembly koda: „VAL, FLDECML 10000.0“ za postavljanje početnog iznosa, „CLA VAL“ za učitavanje iznosa u procesor, „FAD ZERO“ da kažete računalu da radite s decimalnim brojevima i tako dalje.
Do 80-ih i 90-ih, kako su računala postajala moćnija, inženjeri su uspjeli stvoriti jezike koji su sami preuzeli upravljanje memorijom i pretvorili uobičajene zahtjeve u jednostavne naredbe. U Pythonu, programer može taj isti izračun izvesti vrlo jednostavno: kamata = 10000 * (1.05 ** 10). Ta jedna linija kaže računalu da pomnoži 10.000 s kamatnom stopom kroz 10 godina i pohrani rezultat. Programeri više ne moraju razmišljati o tome gdje se točno podaci pohranjuju u memoriji računala; Python to radi za njih. To je, drugim riječima, sloj apstrakcije iznad svih onih zamršenih poslova s memorijom. Pisanje na tom jeziku postalo je užitak.
Tijekom 2000-ih i 2010-ih, programeri su apstrahirali sve više i više „prljavog“ posla. Kad god bi naišli na naporan zadatak, napisali bi kod koji ga automatizira i često ga učinili otvorenim (open source) za druge. Evo primjera: kao hobist programer, ponekad želim automatski „izvući“ (scrape) tekst s web stranice. Nikada sam nisam napisao kod za to; samo koristim Beautiful Soup, besplatno dostupan paket s tisućama linija Python koda koji upravlja svom tom složenošću. Ne moram čak ni razumjeti kako Beautiful Soup radi. On mi samo daje jednostavne naredbe koje — fiju — dohvaćaju i analiziraju tekst za mene. Značajna količina softvera proizvodi se upravo na taj način: programeri spajaju velike gomile koda koji je netko drugi napisao.
S umjetnom inteligencijom, međutim, programeri se uspinju na još višu razinu apstrakcije. Oni opisuju, običnim jezikom, što bi program trebao raditi, a agenti prevode tu ideju — tu ljudsku namjeru — u kod. Pisanje softvera više ne znači mentalno žongliranje s nijansama jezika poput Pythona, JavaScripta ili Rusta. Programiranje više ne uključuje kvarenje algoritma i pokušaj otkrivanja gdje leži pogreška. I taj je dio apstrahiran.
Što je onda točno ostalo? Ili, kako je to rekao Boris Cherny, voditelj Claude Codea, kada smo se sreli u sjedištu Anthropica u siječnju: „Što je izračun — što je kodiranje?“ Zatim je dodao: „Vrlo brzo se može doći do filozofskih pitanja.“
Njegov odgovor odražavao je ono što sam čuo od gotovo svakog programera s kojim sam razgovarao: programer je sada više poput arhitekta nego građevinskog radnika. Programeri koji koriste AI fokusiraju se na cjelokupni oblik softvera, na to kako njegove značajke i aspekti funkcioniraju zajedno. Budući da agenti mogu proizvesti funkcionalan kod tako brzo, njihovi ljudski nadzornici mogu eksperimentirati, isprobavati stvari da vide što radi, a odbacivati ono što ne radi. Nekoliko programera reklo mi je da se osjećaju pomalo kao Steve Jobs, koji je slavno tjerao svoje osoblje da štanca prototipove kako bi ih on mogao pregledati mnoštvo i odlučiti što mu se čini ispravnim. Rad programera sada je više prosuđivanje nego stvaranje.
Sam Cherny prošao je kroz sve slojeve apstrakcije: kao tinejdžer u Kaliforniji sam je naučio nešto Assemblyja kako bi napisao program koji automatski rješava zadaću iz matematike na njegovom kalkulatoru. Danas jednostavno izvadi telefon i diktira Claudeu što želi da AI agent učini; u svojevrsnoj petlji, 100 posto Chernyjevih doprinosa Claudeovom kodu sada piše isključivo Claude.
Dok smo razgovarali, njegov telefon je stajao na stolu ispred nas, a na kraju sata pokazao mi je ekran: 10 Claudeovih agenata podešavalo je bazu koda. „Nisam napisao ni jednu liniju rukom, a ja sam kao najproduktivniji programer u timu“, rekao je. „To je izvanzemaljska inteligencija s kojom učimo raditi.“
Za većinu programera koje sam sreo, učenje rada s AI-jem znači učenje razgovora s AI-jem. To mi se učinilo kao neočekivani paradoks ovog novog doba, jer je tradicionalno programiranje bilo utočište za introverte koji su radije što manje razgovarali s drugima na poslu. Ali sada se cijeli njihov posao sastoji od stalnog čavrljanja s tim izvanzemaljskim oblikom života.
Iako su opisivanje i razgovor sada veliki dio posla programera, taj razgovor i dalje ostaje prilično složen i visoko tehnički. Amater to ne može raditi. Ne možete samo reći agentu: „Izgradi mi kod za uspješan startup.“ Agenti najbolje rade kada ih se traži da izvode jedan po jedan korak; tražite li previše, mogu se pogubiti. Aayush Naik, čiji startup u San Franciscu koristi Claude Code, kaže da je zabluda misliti da će vaš AI agent generirati cijeli projekt odjednom, u trenutku „Velikog praska“. Da, možete ga natjerati da napiše 5.000 linija koda — ali onda, kaže on, „testirate ga i ništa ne radi“. Tu je, kažu svi programeri, i dalje potrebna njihova stručnost: poznavanje načina na koji bi velika baza koda trebala biti strukturirana, kako dizajnirati sustav da bude pouzdan i kako shvatiti je li agent površan.
S obzirom na sklonost AI-ja haluciniranju, moglo bi se činiti nepromišljenim dopustiti agentima da guraju kod u stvarni svijet. Ali programeri ističu da kodiranje ima jedinstvenu kvalitetu: oni mogu privezati svoje AI-je uz stvarnost jer mogu zahtijevati od agenata da testiraju kod kako bi vidjeli radi li ispravno. „Osjećam da je programerima lako“, kaže Simon Willison, tehnološki poduzetnik i utjecajni bloger o programiranju pomoću AI-ja. „Ako ste odvjetnik, gotovi ste, zar ne?“ Ne postoji način da se automatski provjeri pravni podnesak koji je napisala umjetna inteligencija na halucinacije — osim suočavanja s potpunim poniženjem na sudu.
Kada sam posjetio Dimu Yanovskog u njegovom malom stanu u San Franciscu, i on je užurbano čavrljao s Claudeom. On je 25-godišnji programer u Proxu, tvrtki koja koristi AI za pomoć e-trgovinama. Osnovao ju je prošle godine sa svojim prijateljem iz djetinjstva Gregoryjem Makodzebom. Obojica su odrasli u Ukrajini, gdje su se njihove obitelji bavile logistikom.
Dok je diktirao naredbe Claudeu, brojni agenti bili su zaposleni na njegovom prijenosnom računalu. U jednom trenutku, jedan od njih počeo je halucinirati, inzistirajući da postoji tablica podataka koja očito nije postojala. „Što?“ rekao je Yanovsky, mršteći se na ekran. Istipkao je prijekoran odgovor: „tko ti je rekao da će postojati ta tablica? nisam kreirao tu tablicu.“
Claude je odgovorio veselim tonom: „U pravu si! Ne bih trebao pretpostavljati da tablice postoje.“ I počeo je ponovno raditi.
Čak i uz ovo povremeno vraćanje unatrag, Claude kodira toliko brže od Yanovskog da mu je teško odrediti brojčano koliko je brži. „Možda 20 puta?“ ponudio je. Ono što je nekad trajalo tjednima, sada traje sate. Svaki osnivač startupa u Silicijskoj dolini kojeg poznaje doživljava isto. Ako želite brzo izgraditi tvrtku, nitko to više ne radi ručno.
Činjenica da AI može tako drastično povećati produktivnost programera postala je jedna od glavnih tema u struci. I sam sam to primijetio: baš prošli tjedan trebao mi je web alat za sređivanje neurednih transkripata i iskoristio sam AI da ga napravim za otprilike 10 minuta. Samom bi mi trebalo sat vremena, vjerojatno i duže.
Ali softverski startupi — ili pojedinci poput mene koji „vibe-kodiraju“ vlastite male aplikacije — poseban su slučaj. Oni uključuju ono što se u industriji naziva „greenfield“ kodiranje (gradnja na zelenoj livadi), gdje nema postojećih linija koda s kojima se treba nositi. Cijela nova baza koda stvara se od nule.
Golema većina programera ne radi u takvim kontekstima. Oni su u „brownfield“ okruženju, zaposleni u zrelim tvrtkama gdje je kod napisan godinama (ili desetljećima) ranije i već doseže milijune ili milijarde linija. Brzo dodavanje novih funkcija obično je užasna ideja — mogle bi slučajno doći u sukob s drugim dijelom koda i pokvariti nešto na što se oslanjaju milijuni kupaca. U većini zrelih softverskih tvrtki, programeri su povijesno provodili manji dio svog vremena — ponekad jedva više od sat vremena dnevno — zapravo pišući kod. Ostatak je bio planiranje, usuglašavanje prioriteta i sastanci o napretku.
To je kletva uspjeha i razlog zašto velike, etablirane tvrtke mogu sporije isporučivati nadogradnje od mlađih tvrtki. Prije nego što se novi rad programera objavi, kolege i nadređeni obično ga podvrgavaju „pregledu koda“ (code review), pažljivo pregledavajući njegove linije i rezultate testiranja. Ako želite izraziti koliko AI čini produktivnijima programere u zrelim tvrtkama poput Googlea, to je 10 posto, rekao je Sundar Pichai, glavni izvršni direktor Googlea.
To je skok u „inženjerskoj brzini“ koji je Google zabilježio — koliko brže njegovih više od 100.000 programera može raditi. A tih 10 posto je prosjek unutar tvrtke, rekao mi je Ryan Salva, viši direktor proizvoda u tvrtki. Neki poslovi, poput pisanja jednostavnog testa, sada su desetke puta brži. Velike promjene su sporije. U startupima čije sam osnivače kontaktirao, gotovo 100 posto koda piše AI, ali u Googleu to nije ni 50 posto.
Posjetio sam Salvu u Sunnyvaleu u Kaliforniji kako bih mu virio preko ramena dok mi pokazuje kako su LLM-ovi utkani u radni proces Googlea. Prvih nekoliko godina AI buma, rekao je, to je još uvijek bilo „ono što bih opisao kao ‘čovjek u petlji’“. AI je pomagao, ali nije radio samostalno. Dok je tipkao, Gemini (Googleov LLM) analizirao je dio koda za njega, objašnjavajući je li potpuno testiran ili nije. Kada bi predložio nekoliko novih linija, na njemu je bilo da ih prihvati.
Ali Googleov metabolizam se postupno ubrzava i Gemini piše sve više koda sam. Salva mi je pokazao primjer. Htio je riješiti problem na koji su se Googleovi programeri žalili: ponekad bi se u Geminijevo „sučelje naredbenog retka“ (CLI) prijavljivali s različitih računa, a nije bilo lako vidjeti koji račun trenutno koriste.
Istipkao je zahtjev za Gemini: „Kada radim unutar Gemini CLI-ja, bilo bi lijepo imati naredbu koja korisnicima omogućuje da vide svoj prijavljeni identitet.“ AI je obrađivao zahtjev nekoliko minuta, a zatim rekao Salvi kako ga namjerava ispuniti. Salva je dao odobrenje i Gemini je radio u pozadini. Kada je provjerio nakon 10 minuta, kod je bio napisan i Gemini ga je testirao na pogreške. Tada je Salva shvatio da je AI postao malo previše revan.
„O, Isuse“, rekao je. „Pokrenuo je 8.000 testova“, daleko više nego što je bilo potrebno. Oko 15 minuta kasnije testovi su završili i Salva je isprobao novu funkciju. I gle čuda, kod je radio, ispravno prikazujući njegov prijavljeni račun. „Nije loše“, rekao je. Izrada ovakvog demoa bila je tek prvi mali korak; prije nego što se uključi u Googleovu bazu koda, morao bi proći nekoliko krugova pregleda koda, ponovnog pisanja i testiranja.
„Kao inženjeru, manje mi je stalo do toga da modeli budu jako dobri u davanju ispravnog rezultata iz prve“, rekao je. „Puno mi je važnije da postoje koraci validacije kako bi na kraju dobili savršen ili ispravan odgovor.“
Povećanje od 10 posto u Googleovoj „brzini“ može se činiti razočaravajućim s obzirom na buku oko AI-ja. Ali stvarnost je za njega bila dovoljno impresivna. „Trebali bismo biti oduševljeni kada imamo 10 posto dobitka na učinkovitosti za cijelu tvrtku. To je jebeno nevjerojatno!“
U starim i golemim „brownfield“ tvrtkama, gdje je trud usmjeren na održavanje postojećih sustava, mnogi programeri rade kao digitalni vodoinstalateri, popravljajući curenja koja izbijaju u svako doba. To sam vidio iz prve ruke kada sam se u Seattleu sastao s Davidom Yanacekom, višim inženjerom za AWS Agentic AI. „AWS“ je kratica za Amazon Web Services, digitalnu kralježnicu za milijune tvrtki. Ako se poslužitelj sruši, možda nećete moći gledati Netflix ili pozvati Uber.
Stari pager stajao je ispod Yanacekovog monitora. Godinama ga je Amazon koristio da ga budi usred noći; ovih dana dobiva obavijest na pametni telefon. Što god se dogodilo, očekuje se da netko popravi stvar što je prije moguće.
„Održavanje poslužitelja je iritantno“, rekao je Yanacek. „Zapravo to volim! Ali je i iritantno, i traje bez prestanka.“ Njegov tim dugo je gradio automatizacije za ubrzavanje dijagnosticiranja problema. Ali LLM-ovi su ponudili nove, snažne mogućnosti, rekao je, jer AI-jeva tečnost u ljudskom jeziku i programiranju znači da može interpretirati izvješća o pogreškama i pregledati kod. Ponekad može imati rješenje spremno čak i prije nego što se zaposlenik krmeljavih očiju potpuno probudi.
Yanacek je pogledao u ekran i primijetio da je prije 11 minuta jedna demo aplikacija izdala upozorenje o pogrešci — a Amazonov AI je već točno odredio što je pošlo po zlu i napisao kratko izvješće. Agent je otkrio da je promjena koda očito dodala novo polje s vremenskom oznakom, ali neki drugi dio koda nije očekivao da će to polje biti tamo. Rezultat je bila pogreška „neočekivanog polja“.
Yanacek je proučio predloženi popravak AI-ja, kratko razmislio, a zatim pritisnuo „enter“ da ga odobri.
AI-ju je trebalo oko osam minuta da to shvati, rekao mi je. „Dok sam otvorio prijenosno računalo, sve je spremno.“ Jedan klijent mu je nedavno rekao da je Amazonov AI agent popravio problem za samo 15 minuta; kada se sličan problem dogodio mjesecima prije, cijelom timu inženjera trebalo je osam sati da ga riješe.
U drugim sektorima Amazona, inženjeri rade na reviziji dijelova starog koda (ponekad starog desetljećima) kako bi ga učinili učinkovitijim. To je posao koji je ključan, ali pedantan i osjetljiv, poput izvođenja transplantacije srca.
I ove digitalne renovacije su se ubrzale. McLaren Stanley, inženjer u Amazonu, nedavno je modernizirao dio koda koji je osobno napisao godinama ranije. Izrada originalne verzije trajala je mjesec dana; ovaj put, uz pomoć Amazonovog internog AI-ja, završio je posao za jedno prijepodne. Jedna od ključnih prednosti AI-ja, rekao mi je Stanley, jest to što olakšava isprobavanje novih ideja. „Stvari koje sam oduvijek želio učiniti sada traju samo šest minuta razgovora i naredbu ‘Idi to učini’“, kaže on.
Pišem o programerima desetljećima i oni su uvijek s oduševljenjem pričali o uzbuđenju oživljavanja stroja putem tajanstvenih naredbi. Naravno, posao bi mogao biti neopisivo frustrirajući, zahtijevajući sate ili čak tjedne za pronalaženje jedne greške. Ali taj mukotrpni rad izoštravao je radost. Kada bi stvari konačno proradile, nalet zadovoljstva bio je opojan.
Zato sam bio iznenađen koliko mi je programera reklo da su sretni što više ne pišu kod ručno. Većina je rekla da i dalje osjećaju uzbuđenje zbog uspjeha, čak i kad AI piše linije koda. „Volim programiranje. Volim biti ‘u zoni’. Volim razmišljati o velikim stvarima. To je kreativni čin“, kaže Kent Beck, dugogodišnji guru softverske industrije koji kodira od 1972. Prije deset godina uglavnom je prestao pisati softver; bio je frustriran najnovijim jezicima i alatima. Ali LLM-ovi su ga ponovno pokrenuli i sada izbacuje više projekata nego ikad. Čak i činjenica da AI-jev rezultat može biti nepredvidiv „izaziva ovisnost, na način automata za kockanje“.
Nekoliko programera reklo je da žale za krajem ručne izrade svog rada. „Vjerujem da to može biti zabavno i ispunjavajuće, a to što računalo radi umjesto vas lišava vas toga“, rekao mi je jedan inženjer iz Applea. (Tražio je da ostane neimenovan kako ne bi upao u probleme zbog kritiziranja Appleovog prihvaćanja AI-ja.) Nastavio je: „Nisam to radio da bih zaradio puno novca. Radio sam to jer je to moja strast. Ne želim tu strast prepustiti drugome.“ Također brine da AI atomizira radnu snagu. U prošlosti, ako bi programeri zapeli, tražili bi savjet od kolega; danas samo pitaju agente. Ali samo nekoliko ljudi u Appleu otvoreno dijeli njegove mračne poglede, rekao je.
Programeri koji još uvijek aktivno izbjegavaju AI možda su u manjini, ali njihovo protivljenje je intenzivno. Neki ne vole koliko energije troši treniranje i korištenje modela, a drugi se protive tome što su trenirani na autorskim djelima koje su tehnološke tvrtke opljačkale. Postoji sumnja da će sama brzina AI-ja dovesti do toga da tvrtke završe s planinama loše napisanog koda koji neće dobro funkcionirati. Šefovi bi mogli koristiti agente kao batinu: Nemojte se buniti na poslu — možemo vas zamijeniti botom. I kritičari misle da je užasna ideja da programeri postanu ovisni o AI-ju kojeg proizvodi mala nekolicina tehnoloških divova.
Thomas Ptacek, programer iz Chicaga i suosnivač tvrtke Fly.io, vidio je žestoke borbe između onih koji vole AI i onih rijetkih koji ga mrze, i „to je građanski rat“, rekao mi je. On je u sredini. Misli da se oni koji odbijaju AI zavaravaju kada tvrde da on ne radi dobro. „To je kao da vas netko uvjerava da ne vidite ono što vidite“, kaže on. Oni su u manjini i „možete gledati kako prolaze kroz pet faza tugovanja“.
Nije, međutim, naivni optimist. „LLM-ovi će pobijediti u kodiranju, ali ne znam što će to značiti za nas“, dodaje on. „Ljudi bi mogli biti u pravu oko toga koliko je to loše za profesiju, zar ne?“
To bi svakako moglo značiti loše izglede za posao. Novi diplomanti računarstva posebno su zabrinuti. Tvrtke su nekada zapošljavale mlađe (junior) programere da rade jednostavnije poslove za svoje starije kolege, ali tko će zaposliti početnika kada stariji inženjer može biti još produktivniji s vojskom neumornih duhova koji pišu kod?
Silicijska dolina već je prošla kroz veliki val otpuštanja. Više od 700.000 tehnoloških radnika dobilo je otkaz u posljednje četiri godine (ovaj broj uključuje sve poslove u tehnologiji). Većina promatrača kaže da AI vjerojatno nije bio uzrok tih otpuštanja jer u to vrijeme još nije bio dovoljno dobar. Drugi čimbenici bili su značajniji: kamatne stope su porasle, pa su tvrtke izgubile novac za laki rast. Neki također sumnjaju da su, kada je Elon Musk kupio Twitter i otpustio 80 posto radne snage, direktori u drugim tvrtkama to primijetili i zaključili da im možda ne treba toliko inženjera.
No, postoje dokazi da AI sada nagriza početne poslove programiranja. Prošle godine Erik Brynjolfsson, ekonomist sa Stanforda, i njegovi kolege analizirali su industrije i otkrili da programeri imaju jedan od poslova koji su najviše izloženi AI-ju — a mlađi programeri su najteže pogođeni. Broj poslova za one u dobi od 22 do 25 godina pao je za 16 posto od 2022. godine, dok stariji programeri nisu zabilježili značajan pad.
Gotovo svi tehnološki direktori s kojima sam razgovarao kleli su mi se da ih AI neće spriječiti u zapošljavanju novih talenata. Istina je da AI čini njihove postojeće programere produktivnijima, ali oni uvijek trebaju napraviti više. „Nikada nisam sreo tim u Googleu koji kaže: ‘Znaš što, ponestalo nam je dobrih ideja’“, rekla je Jen Fitzpatrick iz Googlea. „Odgovor je uvijek: ‘Popis stvari koje bismo željeli učiniti je devet milja duži od onoga što možemo izvesti.’“
Nekoliko programera sugeriralo je, zapravo, da bi broj softverskih poslova mogao čak i rasti. Bezbroj malih tvrtki diljem zemlje voljelo bi imati vlastiti softver po mjeri, ali nikada nisu bile dovoljno velike da unajme, recimo, tim od pet programera potreban za njegovu izradu. Ali ako biste mogli unajmiti jednog programera potpomognutog AI-jem da obavi taj isti posao? To je Jevonsov paradoks: kada nešto postane jeftinije, ne zadržimo samo ušteđevinu — nego to radimo još više. Iako bi moglo biti i da ti poslovi neće biti plaćeni kao u prošlosti, jer, naravno, nisu više tako teški. Stjecanje vještina više nije toliki izazov.
Ovo pitanje vještina vodi u nekim uznemirujućim smjerovima. Mnogi programeri u sredini karijere rekli su mi da se osjećaju samouvjereno koristeći AI jer su proveli desetljeća razvijajući snažan osjećaj za to kako izgleda dobar kod. To im omogućuje da objasne agentima točno što žele i da brzo uoče kada agenti izbace nešto traljavo.
Ali što se događa sa sljedećom generacijom? Hoće li oni razviti taj intuitivni osjećaj za kod? Ako je vaš posao sada manje pisanje, a više procjenjivanje, kako će početnici naučiti procjenjivati?
Neki novi programeri rekli su mi da osjećaju kako im vještine slabe. Pia Torain je softverska inženjerka kojoj je tvrtka 2024. rekla da počne koristiti Copilot, alat za pisanje koda. „Shvatila sam da sam nakon samo četiri mjeseca, tijekom kojih sam davala stotine uputa dnevno, počela gubiti sposobnost kodiranja“, kaže ona. Prestala ih je koristiti na neko vrijeme; danas joj AI piše kod, ali ona pažljivo čita rezultat, pazeći da upije kako kod funkcionira. „Ako ga ne koristiš, izgubit ćeš ga“, rekla mi je Torain.
Suosnivačica Point Healtha Rachel Gollub manje je zabrinuta. Ona je programerka već gotovo 40 godina i desetljećima programeri brinu da je zanat osuđen na propast. Kada su se pojavili jezici poput Pythona i JavaScripta, programeri su prestali trebati vještine upravljanja memorijom. Programeri starog kova su jadikovali: Nije to pravo programiranje ako sami ne upravljate memorijom!
Ali mnoštvo velikih, pouzdanih tvrtki — recimo Dropbox — uvelike se oslanjalo na Python i radile su sasvim dobro. Upravljanje memorijom danas je ključno samo u malom dijelu programerskih zadataka. Golema većina softverske industrije je krenula dalje. Gollub očekuje da će se ista tranzicija dogoditi i s AI alatima.
Pisanje koda sada je toliko apstrahirano da bi gotovo svatko mogao otvoriti LLM i opisati aplikaciju. Možda ne složenu. Ali ako im treba neki jednostavan softver za osobnu upotrebu? AI bi ga vjerojatno mogao izraditi.
To je ono što je Maxime Cuisy nedavno učinio. On je voditelj proizvodnje u jednoj tiskari u Parizu. Po obrazovanju je klasični humanist; ne zna ništa o kodiranju. Na poslu je naišao na problem: tvrtka je kupila nove pisače, ali je imala problema s postojećim softverom. Da bi se fotografije ispravno prikazale, morali su ručno podešavati margine. Tvrtka nije dovoljno velika da ima programerski tim koji bi izradio softver za automatizaciju toga. Cuisy je odlučio sam pokušati „vibe-kodirati“ rješenje koristeći ChatGPT.
„Jednostavno sam mu rekao: ‘Trebam aplikaciju koja radi ovo, i ovo je format koji pisač može primiti’“, kaže on. Proveo je nekoliko sati detaljno opisujući kako datoteke treba prilagoditi i do kraja dana ChatGPT je proizveo aplikaciju koja radi. Zaposlenici je koriste za obradu do 2.000 slika odjednom. Njegov šef je sretan. Cuisy nema pojma kako taj kod zapravo radi. Napisan je u Pythonu, koji mu je jednako razumljiv kao starogrčki.
To je kulturna nuspojava toga što programiranje postaje razgovorno: područja programera i običnih ljudi, desetljećima odvojena oceanom tajanstvenog znanja, približavaju se. Ako AI za pisanje koda nastavi napredovati, vjerojatno će biti puno više ljudi u Cuisyjevoj situaciji. Svijet postaje preplavljen s puno više softvera nego ikada prije — kojeg su napisali pojedinci, za pojedince.
Kako će se stvari rasplesti za profesionalne programere, još nije jasno. Ali njihova mješavina ushićenja i tjeskobe može biti uvod za radnike u drugim poljima. Svugdje gdje posao uključuje jezik i informacije, ova nova kombinacija vještina — dijelom retorika, dijelom sistemsko razmišljanje, dijelom skeptičnost prema rezultatu bota — može postati osnova rada „bijelih ovratnika“. Vještine koje su se činile najtežima i najnedostupnijima mogu se pokazati kao one koje je najlakše automatizirati. Društvene i maštovite vještine izbijaju u prvi plan. Proizvodit ćemo manje prvih verzija, a raditi više na prosuđivanju, osjećajući možda nelagodu oko toga koliko još uvijek dobro možemo prosuđivati. Apstrakcija možda dolazi po sve nas.