Пока продуктовые компании переносят и расширяют офисы в Польше, сокращая их в более дорогих локациях - в Польше айтишнику реально можно заработать 120-150K$ в год, что покрывает дороговизну аренды.
GenAI - это мультипликатор эффекта Даннинга-Крюгера. Чем хуже технарь, тем больше у него веры в то, что ИИ всех заменит и сделает из него суперпрограммиста.
К сожалению, недетерминированность результатов GenAI превратила индустрию в религиозную секту, где любой фанатик может заявлять окружающим о правильности своих молитв (промтов).
или нанятые 10+ лет назад в период хапуна в FAANG и проработавшие там ~1 год (3 месяца onboarding, 3 offboarding и 6 месяцев работы) держат плашку "ex-FAANG" в своём linkedin как основное карьерное достижение
Дополнительные опасения вызывает возможный «замкнутый цикл»: если такие вставки попадут в обучающие данные, ИИ-системы могут начать воспроизводить рекламный контент автоматически. Это повышает риск деградации качества моделей и накопления ошибок.
Половина контента в интернете уже делается с помощью AI.
Сам Тунгуз, например, автоматизирует 31 задачу в день с помощью ИИ
8 часов в день минус 10 минут перерыв каждый час, итого 50 * 8=400 минут, то есть суммарно "автоматизация" одной задачи с оценкой результата выполнения занимает менее 13 минут. Это если считать, что весь день Тунгуза посвящён исключительно "автоматизации" задач.
Уделите время апгрейду профиля в LinkedIn, наполнению Github или созданию портфолио, выражайте свою профессиональную позицию. Это увеличит шансы найти работу.
А как работодатели, нанимающие по этим признакам сотрудников, относятся к тому, что они продолжат (вероятно в рабочее время) писать в Linkedin, наполнять Github и создавать портфолио?
А в чём проблема рекрутёру глазами посмотреть резюме и не устраивать AI рандомизатор?
Допустим, рекрутёр ведёт 5 открытых позиций, на каждую пришло 300 резюме.
Оценивая время просмотра резюме в 5 минут (реально меньше минуты), получаем 5 * 5 * 300=7500 минут или 16 рабочих дней по 8 часов.
То есть при ведении 5 позиций можно в неспешном режиме за месяц отсмотреть все присланные резюме.
P.S.: я сомневаюсь в тысячах поданных резюме на вакансию, потому что для большинства позиций в польском Linkedin плашка "N people clicked apply" чаще всего имеет N < 100, и из этих N хорошо если половина конвертируется в отправленные резюме.
Мне хватило где-то первых 5 лет работы, чтобы задать себе вопрос "а в чём собственно суть профессионализма, если с опытом ты по-прежнему не умеешь спланировать свою работу так, чтобы 8 часов тебе хватало для её завершения". То есть для меня перманентный овертайм - явный признак непрофессионализма.
Да и сложно представить айтишника без стрессоустойчивости, ведь постоянно на проектах что-то случается.
Ещё в начале своей карьеры я задался вопросом - а в чём собственно суть профессионализма, если спустя 5-10-15 лет работы у тебя на проекте "постоянно что-то случается".
Задача формирования команд существует тысячи лет и по большому счёту сводилась к идее, что квалифицированный руководитель в состоянии самостоятельно нанять квалифицированного сотрудника к себе в команду. Схема работала для монументамельных строек и походов, длившихся десятилетиями - запредельные по логистической сложности задачи для нынешних IT-менеджеров.
В IT-рекрутинге в какой-то момент рекрутёрам стало лень звонить кандидатам и делать скрининг (тогда кандидатов было 3-5 на позицию) - и они придумали концепцию "красных флагов". Кандидаты отреагировали увеличением объёма рассылки резюме, чтобы увеличить вероятность обхода бессмысленных red-flag фильтров.
С приходом GenAI рекрутинговый процесс действительно потерял смысл.
Но есть подозрение, что если бы каждый кандидат наверняка знал, что на каждое отправленное им резюме получит скрининговый звонок на 5-10 минут - то кандидаты бы не закидывали сотни резюме, не вникая в соответствие позиции. И рекрутинг вновь бы обрёл смысл.
IT в целом - это индустрия неопытной молодёжи из-за экспоненциального роста сотрудников. И выходит, что голоса неопытных людей в IT всегда массовее и громче. Отсутствие опыта даёт уверенность, что все самые лучшие изобретения в IT случились с момента начала их профессиональной деятельности. И мы видим гордые описания в linkedin уровня "architect with 6 years of experience". Но деды с перфокартами в 1966 посадили на Луну станцию, а их современники со Scrum, google и мощными Macbook в 2023 - нет.
если вы более 10 лет в компании, и все, с кем вы начинали, давно уже в лидах, а вы «просто кодите», как и 3-5 лет назад (а ещё хуже — все 10+ лет на том же проекте) — то да, для рекрутеров вы ходячий red flag
В больших компаниях для разработчиков считается нормой остановиться в карьере на позиции senior и работать так до выхода на пенсию. Немногие хотят переходить на уровень Staff и Principal, потому что эти роли подразумевают новые, нетехнические обязанности. Более того, в таких компаниях зоопарк технологий (от древних до новых), поддерживающих критические части бизнеса, поэтому опыт 10-15+ является обязательным для senior позиции - т.к. энергичные "сеньоры 5+" даже с GenAI не осилят работать с этим зоопарком.
Рекрутёрам желаю не симулировать работу, выдумая "красные флаги" гаданием на кофейной гуще, а научиться отбирать кандидатов без угадайки, основанной на GenAI-сгенерированном резюме.
Если GenAI действительно позволяет писать production-ready код, то за последние 2 года мы должны были увидеть бум новых приложений, созданных с помощью GenAI. На каждую статью "я сделал за 8 часов то, что команда из 10 человек делала бы год" приходился бы завершённый результат разработки.
Какие новые (не примитивные) приложения появились за последние 2 года?
Заметили ли вы значительные улучшения (производительность, функционал и пр.) в существующих продуктах за последние 2 года?
У меня пока создаётся ощущение, что пользу от GenAI измеряют в-основном количеством публикаций (зачастую проплаченных создателями моделей) о чудесах производительности.
Из моего опыта кодирование ни ни одном проекте не было bottleneck и занимало менее 30% времени разработчика. LLM может ускорить эти 30% раза в 2-3 и дать суммарный рост производительности в 15-20%.
Остальное - понимание контекста, анализ и декомпозиция требований, определение что и как делать, как релизить и деплоить, коммуникация и синхронизация между командами. Эти 70% очень тяжело ускорить за счёт LLM, так как скорость конвертации разговоров в промты по сути равна скорости разговоров.
Разработчики верят, что если попросить LLM нагенерить 100% покрытие куска кода (увеличив кодовую базу фичи в 4-5 раз), то количество сгенерированных "зелёных" тестов как-то уменьшит количество реальных багов в нём.
Компании возвращают людей в офисы, потому что отрасль значительно тупее в целом, чем кажется.
Начали политику RTO Google, Microsoft и Apple, остальные за ними повторили.
Также как и с наймом - на собеседованиях у менеджеров в bigtech спрашивают о стратегиях развития сотрудников, методиках оценки производительности, планировании проектов и т.д и т.п.. В реальности всё заканчивается такими "сложными" стратегиями как овертаймы и массовые лейофы для решения задач "успеть в срок" и "улучшить финансовые показатели компании".
Т.к. результаты, выдаваемые GenAI, заведомо не имеют 100% достоверности, то увеличение производительности от его использования ограничено производительностью review сгенерированного кода. То есть GenAI может сделать из middle разработчика более производительного middle, но не senior. Исходя из этого - меня пугает тенденция вкидывать все деньги в AI вместо обучения инженеров фундаментальным вещам.
"Рутинные задачи" никогда не являлись ограничителем успеха проекта - популярность дешёвых локаций типа Индии обусловлена именно этим. А вот описание контекста и решение "нерутинных" задач настолько нетривиально, что даже за описание контекста для GenAI никто браться не хочет.
Пример нерутинной инженерной задачи: слабо понимающий предметную область недавно нанятый product owner нагенерил с помощью GenAI фичу, состояющую на 90% из воды и зачитал её команде инженеров. Команда инженеров пожала плечами и имеет 2 опции:
принять фичу как есть и что-то выяснять на ходу
отправить фичу на доработку, начав бесконечный цикл "моя твоя не понимать", который закончится эскалацией в отношении инженерной команды от Product. Которая в свою очередь завершится переходом к опции "принять фичу как есть".
Комментарии
Пока продуктовые компании переносят и расширяют офисы в Польше, сокращая их в более дорогих локациях - в Польше айтишнику реально можно заработать 120-150K$ в год, что покрывает дороговизну аренды.
GenAI - это мультипликатор эффекта Даннинга-Крюгера. Чем хуже технарь, тем больше у него веры в то, что ИИ всех заменит и сделает из него суперпрограммиста.
К сожалению, недетерминированность результатов GenAI превратила индустрию в религиозную секту, где любой фанатик может заявлять окружающим о правильности своих молитв (промтов).
Обесценивающе выглядит, когда
аутсорсеры рассказывают о "работе в Google"
или нанятые 10+ лет назад в период хапуна в FAANG и проработавшие там ~1 год (3 месяца onboarding, 3 offboarding и 6 месяцев работы) держат плашку "ex-FAANG" в своём linkedin как основное карьерное достижение
Половина контента в интернете уже делается с помощью AI.
8 часов в день минус 10 минут перерыв каждый час, итого 50 * 8=400 минут, то есть суммарно "автоматизация" одной задачи с оценкой результата выполнения занимает менее 13 минут. Это если считать, что весь день Тунгуза посвящён исключительно "автоматизации" задач.
А как работодатели, нанимающие по этим признакам сотрудников, относятся к тому, что они продолжат (вероятно в рабочее время) писать в Linkedin, наполнять Github и создавать портфолио?
А в чём проблема рекрутёру глазами посмотреть резюме и не устраивать AI рандомизатор?
Допустим, рекрутёр ведёт 5 открытых позиций, на каждую пришло 300 резюме.
Оценивая время просмотра резюме в 5 минут (реально меньше минуты), получаем 5 * 5 * 300=7500 минут или 16 рабочих дней по 8 часов.
То есть при ведении 5 позиций можно в неспешном режиме за месяц отсмотреть все присланные резюме.
P.S.: я сомневаюсь в тысячах поданных резюме на вакансию, потому что для большинства позиций в польском Linkedin плашка "N people clicked apply" чаще всего имеет N < 100, и из этих N хорошо если половина конвертируется в отправленные резюме.
Мне хватило где-то первых 5 лет работы, чтобы задать себе вопрос "а в чём собственно суть профессионализма, если с опытом ты по-прежнему не умеешь спланировать свою работу так, чтобы 8 часов тебе хватало для её завершения". То есть для меня перманентный овертайм - явный признак непрофессионализма.
А вы попробуйте "побегать от работодателя к работодателю" и расскажите нам, легко ли сделать так, чтобы оферы на голову сыпались.
В моём понимании, специалист, регулярно меняющий работодателя, постоянно подтверждает свою квалификацию на рынке труда.
Если компания не может удержать сотрудников конкурентными зарплатами и условиями - это скорее вопрос конкурентоспособности компании, чем сотрудников.
Вот сейчас топ-специалисты по AI скачут по компаниям, получая в каждой семизначные бонусы - а могли бы сидеть и не отсвечивать.
Ещё в начале своей карьеры я задался вопросом - а в чём собственно суть профессионализма, если спустя 5-10-15 лет работы у тебя на проекте "постоянно что-то случается".
Задача формирования команд существует тысячи лет и по большому счёту сводилась к идее, что квалифицированный руководитель в состоянии самостоятельно нанять квалифицированного сотрудника к себе в команду. Схема работала для монументамельных строек и походов, длившихся десятилетиями - запредельные по логистической сложности задачи для нынешних IT-менеджеров.
В IT-рекрутинге в какой-то момент рекрутёрам стало лень звонить кандидатам и делать скрининг (тогда кандидатов было 3-5 на позицию) - и они придумали концепцию "красных флагов". Кандидаты отреагировали увеличением объёма рассылки резюме, чтобы увеличить вероятность обхода бессмысленных red-flag фильтров.
С приходом GenAI рекрутинговый процесс действительно потерял смысл.
Но есть подозрение, что если бы каждый кандидат наверняка знал, что на каждое отправленное им резюме получит скрининговый звонок на 5-10 минут - то кандидаты бы не закидывали сотни резюме, не вникая в соответствие позиции. И рекрутинг вновь бы обрёл смысл.
IT в целом - это индустрия неопытной молодёжи из-за экспоненциального роста сотрудников. И выходит, что голоса неопытных людей в IT всегда массовее и громче. Отсутствие опыта даёт уверенность, что все самые лучшие изобретения в IT случились с момента начала их профессиональной деятельности. И мы видим гордые описания в linkedin уровня "architect with 6 years of experience". Но деды с перфокартами в 1966 посадили на Луну станцию, а их современники со Scrum, google и мощными Macbook в 2023 - нет.
В больших компаниях для разработчиков считается нормой остановиться в карьере на позиции senior и работать так до выхода на пенсию. Немногие хотят переходить на уровень Staff и Principal, потому что эти роли подразумевают новые, нетехнические обязанности. Более того, в таких компаниях зоопарк технологий (от древних до новых), поддерживающих критические части бизнеса, поэтому опыт 10-15+ является обязательным для senior позиции - т.к. энергичные "сеньоры 5+" даже с GenAI не осилят работать с этим зоопарком.
Рекрутёрам желаю не симулировать работу, выдумая "красные флаги" гаданием на кофейной гуще, а научиться отбирать кандидатов без угадайки, основанной на GenAI-сгенерированном резюме.
Предположим, после вашего совета у половины кандидатов появятся такие надписи на страницах - как вы проверять эти заявления собираетесь?
Посмотрел линкедин профиль Линуса Торвальдса - очень слабо по меркам современных рекрутёров.
Если GenAI действительно позволяет писать production-ready код, то за последние 2 года мы должны были увидеть бум новых приложений, созданных с помощью GenAI. На каждую статью "я сделал за 8 часов то, что команда из 10 человек делала бы год" приходился бы завершённый результат разработки.
Какие новые (не примитивные) приложения появились за последние 2 года?
Заметили ли вы значительные улучшения (производительность, функционал и пр.) в существующих продуктах за последние 2 года?
У меня пока создаётся ощущение, что пользу от GenAI измеряют в-основном количеством публикаций (зачастую проплаченных создателями моделей) о чудесах производительности.
До первой critical security issue.
Из моего опыта кодирование ни ни одном проекте не было bottleneck и занимало менее 30% времени разработчика. LLM может ускорить эти 30% раза в 2-3 и дать суммарный рост производительности в 15-20%.
Остальное - понимание контекста, анализ и декомпозиция требований, определение что и как делать, как релизить и деплоить, коммуникация и синхронизация между командами. Эти 70% очень тяжело ускорить за счёт LLM, так как скорость конвертации разговоров в промты по сути равна скорости разговоров.
Разработчики верят, что если попросить LLM нагенерить 100% покрытие куска кода (увеличив кодовую базу фичи в 4-5 раз), то количество сгенерированных "зелёных" тестов как-то уменьшит количество реальных багов в нём.
Компании возвращают людей в офисы, потому что отрасль значительно тупее в целом, чем кажется.
Начали политику RTO Google, Microsoft и Apple, остальные за ними повторили.
Также как и с наймом - на собеседованиях у менеджеров в bigtech спрашивают о стратегиях развития сотрудников, методиках оценки производительности, планировании проектов и т.д и т.п.. В реальности всё заканчивается такими "сложными" стратегиями как овертаймы и массовые лейофы для решения задач "успеть в срок" и "улучшить финансовые показатели компании".
Это всё, что нужно знать про уровень менеджмента в айтишке, где можно работать на двух работах и менеджер этого может не заметить.
Т.к. результаты, выдаваемые GenAI, заведомо не имеют 100% достоверности, то увеличение производительности от его использования ограничено производительностью review сгенерированного кода. То есть GenAI может сделать из middle разработчика более производительного middle, но не senior. Исходя из этого - меня пугает тенденция вкидывать все деньги в AI вместо обучения инженеров фундаментальным вещам.
"Рутинные задачи" никогда не являлись ограничителем успеха проекта - популярность дешёвых локаций типа Индии обусловлена именно этим. А вот описание контекста и решение "нерутинных" задач настолько нетривиально, что даже за описание контекста для GenAI никто браться не хочет.
Пример нерутинной инженерной задачи: слабо понимающий предметную область недавно нанятый product owner нагенерил с помощью GenAI фичу, состояющую на 90% из воды и зачитал её команде инженеров. Команда инженеров пожала плечами и имеет 2 опции:
принять фичу как есть и что-то выяснять на ходу отправить фичу на доработку, начав бесконечный цикл "моя твоя не понимать", который закончится эскалацией в отношении инженерной команды от Product. Которая в свою очередь завершится переходом к опции "принять фичу как есть".