Инженеры Amazon, NVIDIA, Meta и Oracle рассказали, как AI меняет их работу — и где человек все еще незаменим

Отабек Бобомурадов, город — Прага, Software Engineer в Oracle, LinkedIn

ИИ сильно изменил то, как мы работаем. С одной стороны, многие задачи стали более автоматизированным, потому что теперь мы активно используем AI-агентов для их выполнения. При этом ответственность за конечный результат по-прежнему остается на человеке.

Я передаю задачу AI-агенту, а затем проверяю результат и буквально прохожусь по каждой строке кода. Если вижу, что что-то нужно заменить или сделать иначе, я оспариваю решение AI и вместе с ним ищу правильный вариант.

С другой стороны, проблема в том, что самостоятельного решения задач стало меньше. AI уже может заниматься даже архитектурными решениями и действовать на уровне senior-инженера. В результате инженеры реже сталкиваются с теми сложными задачами, которые раньше помогали им развиваться.

Через несколько месяцев работы в таком режиме я понял, что мне самому нужно больше бросать себе вызов. Иначе работа постепенно превращается в рутину: передал задачу AI, проверил результат, создал PR и обсудил его с коллегами.

Еще одно изменение — рост ожиданий со стороны менеджмента. Если раньше на задачу могли дать пять дней, то теперь из-за возможностей AI дедлайн может составлять один-два дня. Для кого-то это дополнительное давление, но это уже новая реальность.

В крупных технологических компаниях, например в Oracle, для каждого изменения в production необходимо создавать специальный CM ticket. Раньше его подготовка могла занимать несколько часов, а сейчас AI может сделать это за несколько минут и даже пройти необходимую первоначальную проверку. Для меня это одно из главных преимуществ, поскольку такая рутинная работа автоматизируется.

Также я активно использую AI для повседневных задач: написания профессиональных писем, корректировки сообщений, подготовки описаний для PR. Иногда использую его, чтобы лучше разобраться в архитектуре проекта и получить дополнительные знания о его структуре и принципах работы.

Несмотря на развитие AI, нам по-прежнему нужны человеческие знания и опыт. Человек остается ответственным за конечный результат, а AI — это инструмент, который помогает ускорить процесс.

AI не всегда дает правильный результат. Иногда он уверенно предлагает ошибочное решение. Кроме того, senior-инженеры и архитекторы пока принимают более качественные архитектурные решения, потому что лучше понимают конкретный проект, его принципы, цели и этапы.

Поэтому на данный момент я не думаю, что AI может полностью заменить разработчиков. Скорее, он делает разработку быстрее и проще, но окончательные решения по-прежнему остаются за людьми.

Мухридин Ибрагимов, город — Сеул, Senior Software Engineer в Instagram, LinkedIn

За последний год ИИ стал практическим помощником в моей работе в NVIDIA. Я разрабатываю инструменты для 2D- и 3D-разметки и визуализации, которые используются в разработке NVIDIA DRIVE. Эти инструменты связаны с графикой, пространственными данными, сложными пользовательскими взаимодействиями и большими кодовыми базами, охватывающими frontend, backend и инфраструктуру.

Особенно полезным ИИ оказался при переходе в новую для меня область проекта. Он помогает быстрее разобраться в незнакомом коде, проследить потоки данных и рендеринга, исследовать визуальные и производственные проблемы, а также связать между собой разные части системы. Сейчас я использую ИИ для изучения кода, подготовки черновых реализаций, написания тестов, анализа логов, документации и сравнения технических подходов.

При этом я по-прежнему опираюсь на собственный опыт в области компьютерной графики, чтобы оценивать корректность геометрии, преобразований координат и производительности рендеринга, а также удобство 2D- и 3D-взаимодействий для специалистов, занимающихся разметкой данных.

ИИ ускоряет обучение и разработку, но инженерные решения, качество визуализации, проверка результатов, безопасность и конечная ответственность по-прежнему остаются на мне.

Даулет Алмагамбетов, город — Лондон, Software Engineer в Meta, Instagram 

За последний год я смог разогнать свои инженерные цели до следующего уровня. Находил bottlenecks в проектах, где много денег уходило на GPU, и в итоге сэкономил компании $1,2 миллиона. Запускал сразу несколько экспериментов на разные сегменты пользователей, что позволяло быстро итерировать новые решения в подходе move fast, break things. Трекинг проектов, дедлайнов и контекста сильно упростился с помощью концепции Second Brain. Она хорошо синергирует с ИИ-агентами, такими как Claude и Codex: в модель сразу можно загрузить нужный контекст.

Хотя все это звучит круто, ИИ делает много чего: пишет код намного быстрее, а местами и качественнее. В Meta с приходом ИИ engineering excellence и кодовая база сильно улучшились, а большая часть монотонной работы автоматизировалась. Только есть одно но: это практически никак не повлияло на бизнес-метрики. Ты вроде везде стал чуть быстрее, и по принципу атомных привычек должен был выйти на новый уровень, но этого не случилось.

Роль и чутье человека все еще востребованы, а модели пока плохо транслируют бизнес-требования в работающее решение. Думаю, это sweet spot, где человек остается особенно важен. Концептуально модели становятся умнее благодаря fine-tuning, но бизнес — это среда, где все быстро меняется: приходят новые требования и меняются правила игры. Заранее предсказать их и сделать под них fine-tuning становится практически невозможной задачей.

Яшар Ахмадов, город — Люксембург, Senior Data Scientist в Amazon, LinkedIn 

За последний год ИИ стал для меня довольно способным помощником в программировании, но пока не чем-то большим. Я использую его для написания шаблонного кода, рефакторинга, создания тестов, отладки, документации, а также для быстрого изучения незнакомых библиотек или подходов. Задачи, на которые раньше уходил целый день, теперь занимают несколько минут. ИИ сильно помогает перейти от пустой страницы к рабочему первому варианту.

При этом ему пока не хватает автономности. Если дать ему четко сформулированную задачу, он справляется хорошо. Но если дать сложную многоэтапную проблему с большим количеством взаимосвязанных ограничений, он может потерять нить, сделать уверенные, но ошибочные предположения или создать что-то, что выглядит правильно, но ломается в нестандартных случаях. Поэтому человеку по-прежнему нужно правильно сформулировать проблему, разбить ее на части и оценить, действительно ли результат корректен.

Именно здесь знания в конкретной предметной области остаются незаменимыми. Я разрабатываю программное обеспечение для моделирования и оптимизации цепочек поставок, и ни одна модель не сможет определить, соответствует ли симуляция работы склада реальным операционным процессам или является ли результат оптимизации разумным, а не просто математически корректным. Такая оценка появляется благодаря годам работы с реальными системами, и ИИ ее не заменяет.

Я бы также с осторожностью относился к «вайб-кодингу». Он отлично подходит для прототипов, демо и проверки идеи за один день. Но такой подход не масштабируется. Без продуманной архитектуры, тестирования и человека, который понимает, что именно делает код, в итоге можно получить систему, которую никто не сможет нормально поддерживать или которой нельзя будет доверять.

Поэтому я считаю, что ИИ значительно повышает продуктивность опытных специалистов, но делает экспертизу еще более ценной, а не менее.