Авторы: Аларит Хуссин, Анна Визингер, Шарлотта Рельеа, Мартин Харриссон и Суман Тареджа, Прахар Диксит, Тао Дюршлаг
Развитие талантов в области программного обеспечения, необходимых компаниям для роста, означает мышление в терминах навыков, а не ролей, чтобы пережить этот период неопределенности в отношении талантов.
Если каждая компания должна быть компанией-разработчиком программного обеспечения, то есть ли у вас организация, которая может это сделать? Ответ на этот вопрос может иметь решающее значение для будущего многих компаний.
Способность конкурировать все больше зависит от того, насколько хорошо организации могут создавать программные продукты и услуги. Уже сейчас почти 70 процентов ведущих экономических компаний, по сравнению с половиной их коллег, используют собственное программное обеспечение, чтобы выделиться среди конкурентов. Одна треть этих ведущих компаний напрямую монетизирует программное обеспечение. Генеративный ИИ (GenAI) предлагает заманчивую возможность увеличить эту возможность ценности, помогая талантам в области программного обеспечения быстрее создавать лучший код.
Многообещающие эксперименты, использующие GenAI для поддержки задач программирования, показывают впечатляющие улучшения производительности. GenAI повысил производительность менеджеров по продукту (PM) на 40 процентов, при этом сократив вдвое время, необходимое для документирования и кодирования. Например, в IBM Software разработчики, использующие GenAI, увидели скачок производительности на 30–40 процентов.
Несмотря на обещания, GenAI едва раскрыл свой полный потенциал. В то время как около 65 процентов респондентов недавнего глобального опроса McKinsey о состоянии ИИ сообщают, что они регулярно используют GenAI, только 13 процентов систематически используют GenAI в разработке программного обеспечения. Наш собственный опыт работы с компаниями показывает, что инструменты GenAI в настоящее время помогают примерно с 10–20 процентами действий разработчика по кодированию.
Масштабирование возможностей GenAI требует от компаний перестройки своего подхода к работе, и критически важным направлением перестройки является развитие необходимых талантов для этих возможностей. Ландшафт GenAI и то, как команды разработчиков программного обеспечения работают с технологией для создания продуктов и услуг, вероятно, стабилизируются в ближайшие два-три года по мере развития технологии и накопления опыта компаниями. Навыки и практики, необходимые для успеха сейчас, могут значительно измениться со временем. До тех пор компаниям придется пройти через неопределенный период изменений и обучения.
Чтобы помочь успешно проложить путь вперед, в этой статье определяются новые навыки, которые потребуются командам разработчиков программного обеспечения, рассматривается, как их эволюция изменит роли и риски, и раскрывается, как компании могут ориентировать свои практики управления талантами на развитие навыков для большей гибкости и реагирования.
Как меняется разработка программного обеспечения
Любое переосмысление инженерного таланта должно начинаться с понимания того, как GenAI повлияет на жизненный цикл разработки продукта (PDLC). Изменения, вероятно, будут значительными и затронут каждую фазу жизненного цикла (приложение). Недавнее исследование McKinsey показывает, что инструменты GenAI оказывают почти в два раза больше положительного влияния на задачи с большим объемом контента (такие как синтез информации, создание контента и мозговой штурм), чем на задачи с небольшим объемом контента (например, визуализация).
Чтобы выделить лишь несколько примеров, мы уже видим, как технологии GenAI справляются с некоторыми простыми задачами, такими как базовое программирование и синтаксис, документирование кода и определенные задачи веб- и графического дизайна. Первоначальный прогресс также достигается с более сложными функциями, включая создание тестовых случаев и бэклогов, разработку идей из рыночных тенденций, автоматизацию сбора журналов и оценку и устранение влияния ошибок.
Со временем GenAI должен быть способен генерировать идеи из автоматически созданных тестов, системных журналов, отзывов пользователей и данных о производительности. GenAI может использовать самостоятельно созданные идеи и идеи для новых функций, чтобы создавать доказательства концепции и прототипы, а также сокращать стоимость тестирования и разблокировать более высокую достоверность проверки (например, множественные гипотезы и A/B-тестирование). Ожидается, что эти разработки значительно сократят время PDLC с месяцев до недель или даже дней, улучшат качество кода и сократят технический долг.
Новые навыки для новой эпохи
В то время как многие руководители понимают на высоком уровне, что для работы с GenAI требуются новые навыки, их понимание того, как эти изменения могут создать ценность, часто расплывчато и недостаточно информировано. Поэтому решения, которые кажутся смелыми на бумаге, например, покупка сотен лицензий на инструменты GenAI для разработчиков, принимаются без четкого понимания потенциальных выгод и при недостаточной подготовке разработчиков. Результат: предсказуемо плохие результаты.
Важным ролям на предприятии — от специалистов по данным и дизайнеров опыта до киберэкспертов и агентов по обслуживанию клиентов — необходимо будет освоить ряд новых навыков. Компании, надеющиеся работать как компании-разработчики программного обеспечения, также должны будут уделять особое внимание двум ключевым ролям: инженеру и менеджеру по продукту.
Инженеры
Навыки, которые инженерам необходимо развивать, скорее всего, будут относиться к трем областям:
- Обзор. Значительная часть кода, сгенерированного текущим поколением инструментов GenAI, нуждается в некоторой корректировке. На одном уровне это требует от разработчиков перехода от исполнителя к рецензенту, что не так просто, как кажется. Некоторые опытные кодеры не являются хорошими рецензентами. Хорошие рецензенты должны уметь оценивать совместимость кода с существующими репозиториями и архитектурами кода, например, и понимать, что требуется, чтобы другая команда могла легко поддерживать код — навыки, которые часто есть у более опытных инженеров, но которые необходимо развивать более младшим коллегам. Разработчикам нужно будет не просто обнаруживать дубликаты или очевидные ошибки, но и обеспечивать высокое качество кода, развивая передовые навыки криминалистики для выявления и устранения проблем. Еще более сложной будет «обучение» инструментов GenAI, которые должны учиться на работе, чтобы стать лучше. Это потребует от инженеров понимания того, как давать обратную связь инструментам, и определения того, какие виды задач предоставляют наилучшую возможность для обучения данного инструмента.
- Подключение. Интеграция возможностей нескольких агентов ИИ может повысить скорость решения проблем и качество решения. Некоторые организации уже интегрируют GenAI с прикладными вариантами использования ИИ, например, используют прикладные системы ИИ для анализа производительности контента, созданного GenAI, путем выявления закономерностей в вовлеченности пользователей, которые затем возвращаются в модель. Например, биотехнологическая компания Recursion разработала новую платформу GenAI, которая позволяет ученым получать доступ к нескольким моделям машинного обучения, которые могут обрабатывать большие объемы собственных наборов биологических и химических данных. Критический навык, который должны развивать инженеры, — это то, как выбирать и объединять приложения и модели GenAI (например, как одна модель может быть хороша для обеспечения контроля качества для другой конкретной модели).
- Проектирование. Поскольку технология ИИ поколения берет на себя все больше базовых задач кодирования, инженеры могут разрабатывать новый набор более ценных «навыков восходящего потока», таких как написание пользовательских историй, разработка фреймворков кода (например, библиотек кода, программ поддержки), понимание бизнес-результатов и прогнозирование намерений пользователя. Коммуникация — это критически важный новый навык, который необходим для того, чтобы инженеры могли более эффективно взаимодействовать с командами, руководителями, коллегами и клиентами.
Менеджеры по продуктам
Для менеджеров по продуктам их не менее сложный сдвиг навыков будет сосредоточен на следующих областях:
- Использование технологий Gen AI. Как и инженерам-программистам, менеджерам продуктов необходимо будет развивать новые навыки для эффективной работы с технологиями Gen AI. Одна организация, занимающаяся аппаратным и программным обеспечением, фактически оценила навыки своих технических сотрудников и обнаружила, что менеджерам продуктов необходимо столько же повышения квалификации в области AI, сколько и для любой другой роли. Например, по мере того, как Gen AI становится лучше в создании прототипов, менеджерам продуктов необходимо будет владеть инструментами с с небольшой необходимостью программирования и без кода, а также итеративными подсказками для работы с моделями для уточнения результатов. Менеджерам продуктов также необходимо будет овладеть пониманием и разработкой «агентных» фреймворков — больших языковых моделей (LLM), которые работают вместе для выполнения задачи. Это потребует от менеджеров продуктов разработки планов работы с этими LLM с учетом уникальных соображений, таких как затраты, возникающие при выполнении моделями выводов.
- Принятие и доверие. Учитывая значительные опасения относительно доверия — либо недоверие к GenAI, либо чрезмерное доверие — стандартных программ внедрения (например, базового обучения использованию нового инструмента) недостаточно. PM должны развивать сильные навыки эмпатии, чтобы выявлять неявные и явные барьеры для доверия (например, недоверие ответам, которые дают решения GenAI) и устранять их. Значительные опасения относительно риска означают, что PM необходимо будет работать с экспертами по рискам, чтобы гарантировать включение правильных проверок и мер на каждом этапе PDLC.
Новые и объединяющиеся роли с большим контролем руководства
Новые навыки, необходимые для использования GenAI, повлияют на то, как и что люди делают на своей работе, поднимая важные вопросы о том, как роли должны адаптироваться и какой контроль должен обеспечивать руководство.
Новые и объединяющиеся роли
Поскольку GenAI помогает людям быть более продуктивными, возникает соблазн думать, что команды разработчиков программного обеспечения станут меньше. Это может оказаться правдой, но также может иметь смысл поддерживать или расширять команды, чтобы выполнять больше работы. Слишком часто разговоры сосредоточены на том, какие роли есть или отсутствуют, в то время как реальность, вероятно, будет более тонкой и запутанной. Мы можем ожидать, что роли поглотят новые обязанности, например, инженеры-программисты будут использовать инструменты GenAI для выполнения мероприятий по тестированию, и некоторые роли объединятся с другими. Например, роль менеджера по продукту и разработчика может в конечном итоге объединиться в роль разработчика продукта, в которой один высокопроизводительный человек может использовать набор инструментов GenAI для создания макетов, разработки требований и генерации кода на основе этих требований. Учитывая непроверенную и непредсказуемую природу GenAI в краткосрочной перспективе, потребуются новые роли, например, та, которая фокусируется на безопасности ИИ и ответственности за данные, а также проверяет и утверждает код. Другие области значительного масштаба, которые могут потребовать новых ролей, могут включать выбор и управление LLM, обучение и управление агентами GenAI, ответственность третьих лиц за модель и возможности операций LLM (LLMOps) для контроля за эффективностью модели с течением времени. Мы ожидаем, что изменения в ландшафте технических навыков ускорятся, требуя от HR и технических команд стать гораздо более отзывчивыми в определении (и переопределении) того, как навыки объединяются в роли.
Строгий надзор
Определение того, какие навыки важны для бизнеса и его стратегии, является давней обязанностью руководства. Однако уникальные неопределенности и возможности, связанные с GenAI, требуют особого внимания руководства. Две области выделяются как особенно важные:
- Стандартизация. По мере того, как группы и отдельные лица развертывают пилотные проекты GenAI, появляется распространение инструментов, платформ и архитектур. Вместо этого компании должны сосредоточиться на едином наборе стандартизированных возможностей и разработать согласованность в отношении типов необходимых навыков. Руководству необходимо будет стандартизировать инструменты, модели, процессы и подходы GenAI и определить, например, лучше ли лицензировать возможность, создавать ее или сотрудничать с поставщиком (в значительной степени в зависимости от того, какие навыки доступны в бизнесе).
- Риск. Постоянные опасения по поводу рисков, связанных с GenAI, требуют от руководства разработки четких руководящих принципов и ожиданий для сотрудников. Хотя нельзя ожидать, что талантливые разработчики программного обеспечения станут глубокими экспертами по рискам, можно ожидать, что они разовьют базовые навыки, такие как понимание того, какие виды рисков существуют, выработают привычку интегрировать меры безопасности в свой код и будут знать, как использовать новые инструменты тестирования (например, SonarQube, Checkmarx или Coverty). Некоторые организации также вводят стимулы для пользователей на передовой, чтобы они понимали возможности, риски и границы GenAI, и даже делают определенные виды обучения обязательными. Поскольку проблемы риска и соответствия, вероятно, будут меняться так же быстро, как и сам GenAI, руководство должно инвестировать в инструменты для автоматического тестирования кода на соответствие назначенным политикам (то есть политики как кода).
Трансформация управления талантами, построенного вокруг навыков
Текущие подходы к управлению талантами, как правило, сосредоточены на том, как интегрировать GenAI в существующие программы. Это не будет работать долго. Высокоструктурированная природа HR-систем в современных компаниях — жестко очерченные роли с четко определенными компетенциями, давно известные карьерные пути, фиксированные уровни компенсации и формальные пути обучения — уже с трудом поспевает за изменениями, вызванными цифровыми возможностями. Это не идет ни в какое сравнение с более изменчивой и непредсказуемой динамикой GenAI.
Руководители HR, работающие с генеральными директорами и технологическим руководством, должны вместо этого трансформировать то, как они находят и развивают таланты, уделяя особое внимание двум областям: стратегическому планированию рабочей силы и возможностям ученичества.
Основание стратегического планирования рабочей силы на потребностях и навыках бизнеса
Трансформация талантов начинается с того, что руководители HR разрабатывают стратегический план рабочей силы, который строится вокруг навыков. Компании часто сосредотачиваются на ролях при планировании рабочей силы, но этого недостаточно. Например, определение потребности в должности инженера-программиста или старшего инженера по данным бесполезно, если инструменты искусственного интеллекта берут на себя задачи, а не роли.
Руководители HR-отделов не могут делать это в вакууме. Им необходимо работать с лидерами в бизнесе, чтобы понять цели, такие как инновации, клиентский опыт и производительность, чтобы помочь сосредоточить усилия по талантам. Имея это в руках, они могут наметить будущие потребности в талантах.
Это сотрудничество имеет решающее значение для разработки инвентаря навыков, который предоставляет компаниям фактическую базу, позволяющую им оценивать, какие навыки у них есть, какие им нужны и какие из них могут охватить инструменты искусственного интеллекта. Эта классификация навыков должна использовать четкий и последовательный язык (чтобы ее можно было применять по всему предприятию), фиксировать уровни знаний и быть организованной вокруг иерархий для более легкой организации информации.
Однако, чтобы быть полезной, компании должны относиться к навыкам как к данным, а не как к документу. Добавляя навыки с соответствующими тегами (например, уровни знаний) в базу данных, компании могут использовать ИИ и LLM для определения взаимосвязей и связей между навыками для переподготовки, расставлять приоритеты в отношении навыков для развития, включать планирование рабочей силы для определения конкретных потребностей в навыках по программе или команде и разрабатывать индивидуальные программы обучения.
Одним из примеров является компания в области естественных наук, которая работает над использованием инструмента вывода навыков ИИ для создания комплексного представления навыков своего цифрового таланта. Инструмент сканирует вакансии, описания ролей, данные HR о ролях, профили LinkedIn и другие внутренние платформы (например, Jira, репозитории кода), чтобы разработать представление о том, какие навыки необходимы для данных ролей. Затем соответствующий отдельный сотрудник может просмотреть и подтвердить, есть ли у него эти навыки и умения. После подтверждения эти навыки добавляются не только в профили отдельных лиц, но и в базу данных навыков компании для будущих оценок.
Чтобы этот подход к стратегическому планированию рабочей силы был эффективным, компании должны постоянно измерять прогресс в сопоставлении с выявленными пробелами в навыках и пересматривать стратегию, чтобы определить, появились ли другие потребности, особенно по мере появления новых инструментов и возможностей ИИ. HR-командам придется работать с руководителями инженерных отделов, чтобы оценить инструменты и понять, какие навыки они могут заменить, и какое новое обучение необходимо.
Создание возможностей ученичества как части более широкой программы развития талантов
Не существует единого пути к победе в поиске и удержании талантов, необходимых компании. Наш опыт показывает, что компаниям необходимо внедрять ряд стратегий развития талантов, от более клиентоориентированных методов найма до индивидуальных программ обучения. Но поскольку GenAI развивается быстро и нет ясности в том, какие навыки потребуются, повышение квалификации должно быть на первом месте. Среди проблем при разработке программ повышения квалификации — отсутствие систематизированных лучших практик и потенциальное сопротивление работников обучению новым навыкам. В то время как инженер, например, может быть заинтересован в том, чтобы стать более опытным в программировании, необходимость изучать различные виды навыков, такие как эффективное общение или разработка пользовательских историй, может показаться менее важной или даже угрожающей.
По этой причине компании должны уделять особое внимание моделям ученичества, которые, как правило, игнорируются как часть репертуара повышения квалификации бизнеса. Ученичество предлагает практическое обучение для демистификации изменений и ролевого моделирования, чтобы продемонстрировать сложные для обучения навыки, такие как мышление решения проблем и как использовать здравый смысл при оценке пригодности кода. Но для того, чтобы ученичество было эффективным, старшие эксперты должны быть активными участниками, а не просто ставить галочки. У них есть авторитет и часто институциональные знания, которые могут быть полезны, например, управление рисками, характерными для компании. Экспертам нужно будет программировать и проверять код с младшими коллегами, следить за ними во время работы и организовывать ознакомительные визиты, чтобы они могли узнать, как команды работают с GenAI. Они также могут выступать в качестве наставников для обучения новым навыкам, таким как то, как разбивать проблемы, достигать бизнес-целей, понимать потребности и болевые точки конечного пользователя и задавать соответствующие вопросы.
Чтобы обеспечить успех программ ученичества, компании должны создавать стимулы, делая ученичество частью оценки производительности и предоставляя достаточно времени для участия. Одна аудиокомпания, по сути, сделала ученичество явной частью своей программы обучения. Она провела учебный лагерь, охватывающий навыки GenAI, для примерно дюжины лучших инженеров, которые добровольно согласились принять участие в программе. В обмен на это обучение участники должны были обучать других. Каждый согласился провести трех-четырехдневный учебный лагерь для десяти-пятнадцати инженеров, за которым последуют две сессии в неделю в течение трех месяцев, на которых любой желающий сможет задавать вопросы и делиться собственными знаниями.
Хотя возможности GenAI со временем станут более стабильными и проверенными, в краткосрочной перспективе компаниям придется преодолевать большую неопределенность. Сосредоточившись на навыках и адаптируя свои подходы к управлению талантами, а также будучи достаточно гибкими, чтобы учиться и адаптироваться, компании могут превратить свои проблемы с талантами в конкурентные преимущества.