Jakie nowe bariery stoją przed młodymi ludźmi po tym, jak AI nauczyło się pisać kod?

TL;DR
· Przedsiębiorca zajmujący się AI twierdzi, że pisanie kodu przez inteligentne systemy zmienia hierarchię umiejętności zawodowych wśród młodych ludzi.
· Zadania, które można ocenić, są bardziej odpowiednie dla modeli, a ludzie muszą nauczyć się oceniać problemy, przydzielać czas i narzędzia.
· Zyski finansowe nie są jedynym celem; relacje, reputacja i jakość dostarczanych wyników będą miały kluczowe znaczenie.

Przedsiębiorca, który według własnych słów pracował w firmach takich jak Scale AI, DeepMind, OpenAI i Google, a obecnie angażuje się w startupy związane z inteligentnymi systemami, napisał nową poradę zawodową dla młodych ludzi w długim artykule w języku angielskim. Tło tej sytuacji jest takie, że narzędzia do kodowania AI przeszły od uzupełniania kodu do bardziej zaawansowanych inteligentnych systemów inżynieryjnych. Kiedy OpenAI w 2025 roku zaprezentowało Codex, stwierdzono, że może on równolegle przetwarzać zadania takie jak pisanie funkcji, naprawianie błędów czy składanie PR, ale nadal wymaga ludzkiej weryfikacji i przeglądu kodu. Pytanie brzmi: gdy standardowe odpowiedzi, przeciętny kod i zadania do oceny stają się coraz tańsze, gdzie młodzi ludzie powinni spędzać swój czas?
Kluczowym przesłaniem tego artykułu nie jest to, że programiści zostaną zastąpieni, ale że standardy wczesnej selekcji zawodowej się zmieniają. Szkoły i tradycyjne rozmowy kwalifikacyjne koncentrują się na zadaniach, które są jasno zdefiniowane, mają jednoznaczne odpowiedzi i mogą być oceniane, a to właśnie w tych obszarach modele rozwijają się najszybciej. W przyszłości to, co będzie bardziej rozróżniające, to umiejętność dostrzegania ważnych problemów, wybierania wartościowych środowisk, budowania wiarygodnej reputacji oraz doskonalenia średnich wyników generowanych przez inteligentne systemy do poziomu, który można dostarczyć.
Oferty pieniężne nie są już jedyną odpowiedzią; czas i reputacja stają się bardziej cenne ====================
Według autora, w środowisku startupów AI kapitał i narzędzia są łatwiejsze do zdobycia niż kiedykolwiek wcześniej, ale czas wysokiej jakości, silne relacje i wiarygodna reputacja wciąż są rzadkie.
Wyjaśnia to na podstawie własnych doświadczeń. Przed dołączeniem do Scale AI, twierdzi, że otrzymał oferty na stanowiska w dziedzinie kwantyfikacji, które oferowały wyższe wynagrodzenie, ale ostatecznie wybrał Scale, ponieważ tam była silniejsza społeczność, szerszy zakres produktów i więcej możliwości kontaktu z najnowszymi problemami. Zgodnie z jego wspomnieniami, to właśnie dzięki Scale miał kontakt z dostawcami dużych modeli i zdobył szansę na pracę w DeepMind i OpenAI, a także poznał grupę współpracowników, z którymi później założył własny startup.
Te doświadczenia nie mogą być prosto uogólnione na wszystkich, ale ich przesłanie jest jasne: wczesne wybory zawodowe nie powinny koncentrować się tylko na natychmiastowych zyskach. Szczególnie po tym, jak AI obniżyło próg wejścia w budowanie oprogramowania, szybkie stworzenie małego narzędzia, które przynosi zyski, nie jest już rzadkością; długoterminowe zyski często pochodzą z trudniejszych problemów, silniejszych grup i bardziej wiarygodnych sygnałów dotyczących doświadczenia.
Młodzi ludzie powinni pytać nie „które możliwości natychmiast przynoszą więcej pieniędzy”, ale czy warto zainwestować czas w dany projekt, czy można pracować z wybitnymi osobami, czy ich dobra praca będzie widoczna dla wiarygodnych osób oraz czy stanie się ona podstawą do kolejnych możliwości.
Wartość inżyniera zmienia się z „rozwiązywania problemów” na „znajdowanie problemów” ====================
Gdy inteligentne systemy są w stanie rozwiązywać coraz więcej wyraźnych problemów, wartość inżyniera nie polega już tylko na tym, czy potrafi rozwiązać problem, ale na tym, czy potrafi wybrać odpowiednie problemy.
Autor wspomina, że ich zespół przeprojektował sposób przeprowadzania rozmów kwalifikacyjnych. Powód jest taki, że jeśli w rzeczywistej pracy nie ma potrzeby pisania każdej linii kodu ręcznie, to tradycyjne pytania dotyczące algorytmów i projektowania systemów będą miały mniejsze znaczenie w kontekście wydajności w pracy. Znacznie bardziej znaczącym testem jest to, czy kandydat potrafi szybko zrozumieć środowisko, dostrzegać problemy warte rozwiązania, a następnie wykorzystać narzędzia AI i zasoby zewnętrzne do osiągnięcia wyników.
To również nowy podział pracy po wprowadzeniu pisania kodu przez inteligentne systemy. Modele są dobre w realizacji zadań z jasno określonymi celami i wyraźnym feedbackiem, a ludzie muszą ocenić, które problemy są ważne, które ścieżki warto wypróbować oraz ile czasu i kosztów związanych z używaniem modeli należy w to zainwestować.
Dla studentów, możliwość korzystania z AI do wykonywania zadań może przynieść poczucie frustracji. Jednak z perspektywy rekrutacji różnice między różnymi kandydatami nie zniknęły. Nawet jeśli wszyscy mogą uzyskać odpowiedzi za pomocą AI, niektórzy potrzebują wielu prób i wskazówek, podczas gdy inni potrafią współpracować z inteligentnymi systemami, mając intuicję biznesową, techniczne tło i kontekst, co pozwala im szybciej znaleźć właściwy kierunek.
„Umiejętność korzystania z AI” nie polega tylko na rzucaniu problemów na modele. Silniejsze umiejętności obejmują dzielenie problemów na mniejsze części, identyfikowanie brakujących informacji, ocenę, kiedy kontynuować iterację, a kiedy zmienić kierunek oraz weryfikację, czy wyniki rzeczywiście rozwiązują kluczowe problemy biznesowe lub techniczne.
Im łatwiej jest tworzyć oprogramowanie, tym bliżej trzeba być trudniejszych problemów ====================
AI obniżyło próg wejścia w budowanie oprogramowania, a także ułatwiło kopiowanie prostych systemów. Autor posługuje się „gorzko-słodką lekcją” z badań nad uczeniem maszynowym, aby wyjaśnić wybory zawodowe: w dłuższej perspektywie, rozszerzanie ogólnych metod często przynosi lepsze rezultaty niż szczegółowa optymalizacja dla pojedynczego zadania.
W kontekście firm i kariery osobistej oznacza to, że bariery związane z prostym wytwarzaniem produktów będą się zmniejszać. Każdy będzie mógł łatwiej stworzyć system, który wygląda na użyteczny, a prawdziwa trwała wartość skoncentruje się na wystarczająco trudnych i ambitnych problemach.
Podczas wyboru firmy, autor podaje kryteria: czy ta firma stara się rozwiązać najbardziej ambitną wersję danego problemu, czy naprawdę ma szansę na jego rozwiązanie. W przypadku wyboru stanowiska, należy ocenić, czy ta rola pozwoli na bezpośredni kontakt z najnowszymi problemami, które firma stara się rozwiązać.
Wspomina również, że nie można skupiać się tylko na tym, czy wczesne produkty są ładne lub czy demo jest oszałamiające. Z jego subiektywnej oceny, wczesne demo Anthropic wyglądało wówczas jak mniej zaawansowany Slackbot w porównaniu do ChatGPT, ale to nie powstrzymało firmy przed podjęciem zupełnie innej drogi. Wczesne firmy się zmieniają, produkty się zmieniają, a jakość zespołu, przestrzeń rynkowa i trudność problemów mają większy wpływ na długoterminowe wyniki.
Możliwości zawodowe podlegają podobnej logice. Wysokiej jakości możliwości nie zawsze przekładają się na wyniki, ale człowiek musi najpierw znaleźć się w miejscu, gdzie może dostrzegać możliwości. To, czy można tam dotrzeć, wciąż zależy od długoterminowych umiejętności, reputacji oraz tego, czy inni są skłonni informować o możliwościach.
Zwykłe wyniki stają się tańsze, a ostatnie 10% staje się bardziej wartościowe ==================
Gdy prosta wskazówka może sprawić, że inteligentny system wygeneruje wyniki średniej jakości, wartość zwykłych wyników spada, a wartość ostatniego etapu dopracowywania rośnie.
Artykuł cytuje Alfreda Lina z Sequoia Capital, który stwierdza, że ostatnie 10% często stanowi 90% pracy oraz 90% zysku. W erze AI to stwierdzenie nabiera większej realności. Ponieważ wyniki na poziomie 70% stają się coraz łatwiejsze do uzyskania, to, co naprawdę rozróżnia ludzi, to unikalna perspektywa, dbałość o szczegóły, zdolność do iteracji, jakość architektury, skalowalność i kreatywność.
Pierwsza wersja wyników AI rzadko jest idealna. Prawdziwa praca często odbywa się w kolejnych iteracjach: odkrywanie, co jest nie tak, które obszary wymagają przebudowy, jakie doświadczenia są nieodpowiednie, które przypadki brzegowe nie zostały uwzględnione oraz kiedy należy skorzystać z kolejnej generacji modeli, aby zacząć od nowa.
Te umiejętności można rozwijać poprzez projekty, staże i rzeczywistą pracę. Poświęcenie dodatkowego czasu na dopracowanie, czyszczenie architektury, przemyślenie skalowalności oraz doprowadzenie szczegółów do poziomu, który naprawdę zadowoli użytkowników, pozostawi ślad w pracach i podczas rozmów kwalifikacyjnych.
Tradycyjne umiejętności inżynieryjne nie straciły na znaczeniu. Zmiana polega na tym, że rzadkość samego pisania kodu spadła, a umiejętności oceny, estetyki, zrozumienia systemu i jakości dostarczania stały się droższe. AI pozwala większej liczbie osób osiągnąć średni poziom, a pozostała różnica staje się trudniejsza do nadrobienia.
Próg wejścia w badania został obniżony, ale badania to nie tylko tytuł ==================
Artykuł kończy się dyskusją na temat „jak wejść w badania”. Autor uważa, że AI nie sprawiło, że badania są zarezerwowane tylko dla najlepszych laboratoriów, wręcz przeciwnie, obniżyło próg wejścia dla początkujących.
Współczesne badania oczywiście bardziej polegają na mocy obliczeniowej, ale punkt wyjścia może być bardzo prosty: wykorzystanie istniejących modeli, przekształcenie własnej intuicji w oceny, uczestnictwo w publicznych rankingach optymalizacji, korzystanie z zasobów obliczeniowych oferowanych studentom i badaczom, aby jak najszybciej testować pomysły. Większość pomysłów ostatecznie nie przetrwa próby skali, ale zrozumienie porażki jest częścią budowania umiejętności badawczych.
Badacz to przede wszystkim sposób pracy, a nie tylko stanowisko. Badania w czołowych laboratoriach często łączą ciekawość, testowanie nowych pomysłów, współpracę z infrastrukturą, zrozumienie szczegółów systemu, szybkie debugowanie oraz umiejętność wyjaśnienia wartości wyników, aby zdobyć więcej zasobów. Wiele szkoleń nie musi czekać na uzyskanie tytułu „badacza”.
Porady zawodowe zawarte w tym artykule nie są pesymistyczne. AI sprawiło, że standardowe odpowiedzi, przeciętny kod i zadania do oceny stały się tańsze, a młodzi ludzie mają teraz wcześniejszy dostęp do rzeczywistych problemów. Możliwości wciąż istnieją, ale sposób ich przydzielania się zmienił: kto potrafi dostrzegać ważne problemy, wchodzić w wysokiej jakości środowiska, budować wiarygodną reputację i doprowadzać wyniki do końca, ten łatwiej zdobędzie kolejną szansę.

Niniejsza treść ma charakter wyłącznie informacyjny i nie stanowi porady finansowej, inwestycyjnej, prawnej ani podatkowej. Wszelkie wydarzenia, nagrody, promocje online lub powiązane informacje, o których tu mowa, nie powinny być traktowane jako rekomendacja, zachęta ani zaproszenie do kupna, sprzedaży, wymiany lub innego rodzaju obrotu aktywami kryptograficznymi. Aktywa kryptograficzne charakteryzują się dużą zmiennością i mogą prowadzić do strat. Dostępność usług, produktów i powiązanych wydarzeń WEEX może się różnić w zależności od regionu. Użytkownik jest odpowiedzialny za upewnienie się, że jego udział jest zgodny z obowiązującymi lokalnymi przepisami i regulacjami.