この動画では、AI時代における技術職の動向と将来性について詳細に解説している。AIによる実行コストの低下、品質・セキュリティ問題の増加、コンピュート費用の爆発的増加、人間とAIの境界における課題という4つの主要な動向を分析し、これらがプロダクトマネージャーからエンジニア、データサイエンティストまで15の主要技術職にどのような影響を与えるかを具体的に説明している。また、将来的に出現する可能性のある新しい職種についても言及し、AIとの協働時代におけるキャリア戦略を提示している。
AIと仕事について考えてみたい
ワイはAIと仕事について話したいんや。これはワイが一番よく聞かれる質問なんや。「ネイト、うちの仕事はどうなるんや？」ってな。そしてそれぞれの仕事は全部違うし、ユニークなもんなんや。せやから、その詳細レベルまで踏み込んでいくつもりや。
せやけど、その前に動向について話したいんや。大きな動向は何で、どんな風に変化してるんやろか？
実行コストの低下
最初に取り上げたいのは、おそらく皆さんも馴染みのあるやつやろう。なぜなら、これは見出しを飾るようなものやからな。それは実行コストが安くなってるっちゅう考えや。
せやから、PMとして「プロンプトエンジニアリングをして2倍の仕事をこなせるようになれ」っちゅう期待があったら、どうや？それは実行コストが安くなってるっちゅうことや。
エンジニアリングの観点から「Cursorを使って2倍のコードを出荷できる」っちゅう期待があったら、それがええかどうかは分からんけど、それも実行コストが安くなってるっちゅうことや。
カスタマーサクセスが「AIがカスタマーサクセスの多くを担当してくれるから、他のことができる」っちゅう期待があったら、それも同じテーマ、実行コストが安くなってるっちゅうことや。
これについては、皆さんもその見出しを読んだことがあるやろうから、既定事実として考えよう。
実行コストの低下が品質とセキュリティの悪夢を生み出す
せやから、動向その2は何やろか？これが面白いところで、動向その1と対立するもんなんや。動向その2は「実行コストが安くなることで品質とセキュリティの悪夢が生まれ、それが仕事を創出する」っちゅうことや。
ワイの知ってるエンジニアの中には、バイブコードされたものに触るのを嫌がる人がおる。バイブコードがあまりにも汚いからや。他のエンジニアは「汚くても大丈夫や。どうせゼロから書き直すから」って言う。ええ考えやな。
要点は、バイブコーディングには新しいセキュリティと品質の課題があるっちゅうことや。AI全般を見渡しても、これは事実や。レッドチーミング、プロンプトインジェクション、公開Webサイトに対してAIを前面に出すときのあらゆる種類のセキュリティ懸念など、AIセキュリティには課題がある。
もしデータのチャンキングが悪かったら（前回話したことやが）、追跡が非常に困難なハルシネーションの問題が出てくる。もしLLMを特定の回答範囲内でしか答えないようにヘッジできなかったら、何かとんでもないことを聞かれたり、インジェクションを試されたりしても応答しないようにできなかったら、もしそれができなかったら、大きな問題に陥ってしまう。
これは簡単な2つの例に過ぎん。社内でもAIを誤用してセキュリティの悪夢を作り出してる例がたくさんある。社内の例で一つ面白いのを挙げてみよう。
営業は時々、営業コールの前にChatGPTを使って、SlackやPowerPointなどをChatGPTに入力して理解しようとすることがある。
彼らがやらんのは、いつもは注意深くプロンプトを作らんから、時々ハルシネーションされたプレゼンに行き着いてしまうことや。これは非常に悪いことで、会社がAIによって作り出されたものにコミットしてしまうからや。こういう動向はいつでも見られる。
せやから、これら2つの競合する動向があって、我々はその中間に挟まれてる。実行がより速くなる一方で、その速度が巨大な品質とセキュリティの悪夢を生み出してる。
コンピュート費用の爆発
でも、まだ終わってない。他に2つの動向を取り上げたい。その3、コンピュート費用が絶対的に爆発してる。そして、コンピュート費用が爆発すると、その爆発するコンピュートと一緒に下流の仕事の森全体が生まれるっちゅうことや。これはもっと直接的なもんや。
GPUがこれだけあれば、下流の役割がある。例えば、チューニング費用を削減できるようになることは、みんながAIにこれだけお金を使ってるから、非常に儲かるビジネスなんや。
これを指摘したいのは、あまり語られないからや。多くの場合、人々はAIをほとんどスケールフリーのものとして話す。「AIをやろう」って感じで。でも、AIはスケールするときに無料じゃない。
GPUにお金を使うだけじゃない。モデルをスケールアップし、推論コストをスケールアップし、モデルを提供してるならプロンプトとコンテキストエンジニアリングをスケールアップする能力にお金を使ってる。これらすべてが、コンピュート費用が爆発してるっちゅうことに帰着する。
インフラをどう管理するか？ここには人々があまり語らない新しい役割の森全体がある。
人間とAIの境界危機
動向その4、人間とAIの境界危機。完璧な技術を持っていても、非常に怒ったユーザーを抱える可能性がある。今の課題の一つは、人間とAIがまだ相互作用する規範を持ってないっちゅうことや。そして、両者の間に広範囲な混乱がある。
せやから、その事象の地平線を管理する方法を見つけるためだけの役割が生まれるやろう。実際、人間とAIの境界危機を管理することを中心とした数十億ドル規模のソフトウェアビジネス全体が構築されるやろう。
例えば、誰かが「AIがハルシネーションしてる」って言ったとしよう。彼らにとってはそれは明確に聞こえる。でも、それを剥がしてみると、それを理解してデバッグするには非常に技術的な人が必要なんや。
ハルシネーションとは何を意味するのかを理解せなあかん。それは非常に曖昧な人間の用語やからな。それは望ましくない応答なんか？応答がないことなんか？部分的な応答なんか？過度に完全な応答なんか？誰かが気づいて、それが報告される唯一の理由である応答なんか？でも、もっと複雑な例が15個ぐらいある。
人間からのその一つの発言だけで、境界危機の緊張が明らかになる。繰り返すけど、そういう問題があるところには仕事がある。これがこの4つの動向すべてについて指摘したいことや。
これらの動向はすべて問題を生み出す。人々は問題を解決することで給料をもらう。
せやから、AIにおける仕事がどこにあるかを探したいなら、それは問題が向かってる場所にある。
テック業界トップ15職種への影響
ここから、これら4つの動向から出発しよう。人間とAIの境界危機、インフラの爆発、速度が品質の悪夢を生み出すことによる信頼不足、そして最後に自動化とその速度。これが4つの動向や。
テック業界のトップ15の職種にとってこれは何を意味するんやろか？
プロダクトマネージャー
1番目、特別やからじゃなくて、ワイがよくやってたから言うんやが、プロダクトマネージャーや。PMにとってこれは何を意味するんやろか？
PMは自動化と信頼危機のど真ん中にいる。PMは同時に、エージェントを管理する能力を拡大する必要があって、より技術的になる必要がある。同時に、信頼をスケールする方法を見つけることで、これまで以上に価値を持つようになった。
せやから、もしあなたがPMで、組織がバイブコードを通じて生み出してるすべてのアイデアを取って、それをフィルタリングする方法を見つけられて、エンジニアリングチームとAIモデルについて話すときに視点を持てるほど技術的になれて、「これが前進の道や。これは信頼を生み出すものや」って言えて、さらにそれ以上に重要なこととして、本番で品質の高いモデルを提供できるなら、それは価値について語ってることになる。
ちなみに、これはPMとMBAに関する昔からの議論をさらに浮き彫りにしてる。MBAはこういうことを学んでない。AIでハードスキルを学ぶ必要があるなら、それを学ぶ唯一の方法は、今すぐ自分でAIを構築するか、仕事で学ぶかしかない。
本当に他に方法がないんや。学問は追いついてない。
でも指摘したいのは、みんながPMとして構築しろって言うやろう。それは学べる。おそらくそうすべきや。でも人々が言ってないこと、そしてワイが探してることは、混乱の中で信頼を得る能力や。
PMという役割は、常に混乱を管理して信頼を得ることやった。AI自体が混乱の創造者である今、AIでそれをどうやってもっとうまくできるんやろか？AIがその混乱を倍増させてるから、組織の混乱の中で信頼を得る機会がさらに増えてる。
そこに本当に魅力的なPMの活動があるのに、誰もそれについて話してない。
プログラム・プロジェクトマネージャー
役割その2、プログラムマネージャーとプロジェクトマネージャー。彼らと話すとき、彼らは非常に神経質になってる。AIが彼らよりもうまく文書でプログラム全体を計画できるんじゃないかと心配してる。AIがSlackメッセージを書ける。AIがメールの更新を書ける。彼らがやってた個々の作業すべてを、AIができる。AIエージェントがカレンダーの会議をスケジューリングできる、やろ？プログラムマネージャーはどこに行くんや？
プログラムマネージャーが本当に何をしてるか知ってるか？彼らは時間と予算とリソースに対して結果を出すことに責任を持ってる。その責任のポイントをLLMは取らない。
せやから、そうや、AIツールでガントチャートを作れるから、おそらくもっとうまく実行できるプログラムマネージャーになりたいか？確かにそうしたい。AIがどう動くかに十分流暢で、リソースを整理してAIプロジェクトを効果的に管理できるプログラムマネージャーになりたいか？爆発的に増えてるからな。100％そうしたい。
でも、プログラムマネージャーと一緒に仕事したことがある人として、その役割の心臓部は責任や。それはどこにも行かない。
優秀なプログラムマネージャーは、責任が役割の鼓動する心臓やと知ってて、それに固執する。責任は流行遅れになることはない。特にAIのインフラ費用が爆発してる中では、責任を持つ人がまだ必要や。
AIスペースにはこれまで以上に多くのお金が注がれてる。リソースの使用に対してチームに責任を持たせることができる人が必要なんや。
カスタマーサクセス
ルールその3、カスタマーサクセス。これはいつも黒旗を立てられるやつやな。サム・アルトマンがこれについて「これはただ消え去る。完全になくなる」って話すような。なんでやろう。本当になんでやろう。
ワイが知ってる絶対的に優秀なカスタマーサクセスの人たちの成功は、チケットに答える能力に依存してない。関係を維持する能力に依存してる。それは人間のことや。LLMに関係を維持してもらうことはできない。
せやから、ワイの賭けは、実際にはカスタマーサクセスは残って、カスタマーリレーションシップマネジメントに傾倒していくっちゅうことや。それがどこに向かってると思ってる。顧客のために社内で積極的に提唱できるカスタマーリレーションシップの人、あのやっかいなPMと話せる人、拡張収益について営業と話せる人。
それはAIで自動化しようって話してることじゃない。AIで自動化しようって話してるのはチケットの部分や。うん、素晴らしい。その部分はやらせとけ。役割の鼓動する心臓は関係にある。それが直接顧客の生涯価値を延ばすからや。
ソフトウェアエンジニア
役割その4、ソフトウェアエンジニア。
おい、ワイは人を見てる、率直に言って、大学を出たばかりの人たちが、もう誰もコンピューターサイエンスを勉強すべきじゃない、エンジニアリングから逃げるべきやって主張してる。今エンジニアリングから逃げたらあかん。
エンジニアリングのやり方を変える必要があるかもしれんけど、この役割、ソフトウェアエンジニアという役割は、ワイのテックキャリアの中で数え切れないほど進化してきた。テック業界で70年ほど活動してきた役割の歴史は言うまでもなく。
ソフトウェアエンジニアリングは定義上、コンピュート対応の役割で、進化し続けるやろう。せやから、もちろんAI時代に進化する。それはそこから離れる理由じゃない。
バイブコードされた作業をすべてクリーンアップする必要がある人がどれだけいるか知ってるか？セキュリティホール、品質問題を抱えた膨大な量のコードが生成されてる。
これは、ワイが指摘した動向に戻る。より速く進めるという事実が、大規模な速度と品質の問題を生み出してるっちゅうことや。今、AIによって、場合によってはプロトタイプを外に出したいなら気にしなくてもええ。アイデアを始めたいなら、借金は借金じゃない。資産や。より速く進むのに役立つ。それは分かる。
同時に、本番デプロイするなら、うまく構築せなあかん。
優秀なエンジニアの鼓動する心臓がどこにあるか知ってるか？耐久性のある技術システム、特にスケールするものを設計する方法を理解してる人や。そうや、プロトタイピング側により傾倒できるエンジニアもいるし、それは素晴らしい。週末に何かをコーディングして、どう動くかを示すことができる人もいる。
そこには tremendous な価値がある。特に実際のデータでそれができるなら。PMが手渡してくるこれらのプロトタイピングのアイデアの多くは、実際のデータを持ってないからや。
せやから、実際のデータで何かをノックし、週末でノックアップして、「ああ、これはトレーサー弾や。問題ない」って言えるなら、そして人々がそれを使って感動するなら、ワイが知ってる優秀なエンジニアはそれをする。
流行遅れになることのないスキルや。1億台のボックスに本番デプロイできるなら、流行遅れになることのないスキルや。
せやから、エンジニアリングに入る場合の課題は、AIと一緒に働く方法が進化してるかもしれんことを認識する必要があるが、それらの基本は優秀なエンジニアリングと一緒に変わってないっちゅうことや。
そして、AIがコードを書けるという事実に混乱させられたらあかん。技術システムがどう組み立てられるかを学ばなあかん。それが実際にキャリアリーダーシップへの道やからや。
多くのシニアエンジニアは、AIに過度に依存して基本を理解しないジュニアエンジニアが入ってくることを非常に心配してる。せやから、実際にここでリスクを指摘したいなら、仕事がないということじゃない。
仕事に適格な人がいないということや。人々が誇大宣伝を期待して読んで、AIが彼らのためにコードを書いてくれると信じてるからや。真実じゃない。
経営幹部・リーダーシップ
経営幹部・リーダーシップ。マネージャーたちはもっと心配すべきやろか？特にシニアマネージャーとディレクターについて話したい。ワイはそれらの椅子に座ったことがある。それらの椅子はリスクにある。
そして、それを骨身に感じてる人を知ってる。そして、君らはある意味正しい。この動向を見してみ。どれもシニアマネージャーやディレクターに有利に働かない。
より速く実行できるなら、それはコアの仕事が実行じゃないシニアマネージャーやディレクターには実際には役立たない。
速度、信頼、品質の問題があるなら、それも実際には役立たない。どうせ君が届けなあかんのやから。
ミドルマネージャーは基本的に情報のボトルネックや。企業の歴史の大部分で、彼らの全仕事は情報をフィルタリングすることやった。でも、どうや？LLMはすでに情報のフィルタリングが本当にうまい。
せやから、人々はCEOが本当にAIであるべきやって冗談を言う。ワイは、リスクにあるのはもっとミドルマネージャーやと思う。AIエージェントになるということじゃない。それは信じてない。
Project VendでClaudeがミドルマネージャーやってるっちゅうあの捨て台詞があるのは知ってる。それがワイの話してる未来じゃない。その役割が制限されて、ある程度危険にさらされてるっちゅうことの方が可能性が高いと思う。
まだディレクターはいるやろう。まだシニアマネージャーはいるやろう。彼らのスパンははるかに大きくなるやろう。彼らはもっとストレスを感じるやろう。すべての情報フローをラダーアップするのを助けるためにAIツールにより依存するようになるやろう。そして、彼らは主に戦略的な責任のポイントとして存在するやろう。
せやから、会社が戦略を実行してるなら、責任を持つ誰かに大きな部分を手渡したい。それがディレクターや。AIエージェントじゃなくて、ディレクターに手渡すんや。
せやから、それに備えたいなら、PMやプログラムマネージャーのようなもんや。責任を得るのがうまくなれ。「この戦略を取って、VPやSVPからほとんど指示を受けずに、持ってる人とリソースでそれに足をつけることができる。ただ行ってやる」って言えるようになれ。それがディレクターであることの心臓部や。
それがうまいなら、チームのためのAI文化を構築するのがうまいなら、おそらく大丈夫やろう。でも、その役割が成長することを期待したらあかん。そこにはもっとたくさんのディレクターはいないやろう。動向がこの件に関する仕事の成長に有利じゃないからや。
データサイエンティスト
その6、データサイエンティスト。
これは本当に興味深いもんで、この需要が急上昇してる。人々は、今AIの研究科学者がいるからデータサイエンティストがうまくいってないんじゃないか、もしかしたらデータサイエンティストは外に出されてるんじゃないかって心配してる。実際にはそういう風に働いてない。
人々がAI時代にデータを準備するためのデータサイエンス関連のニーズをこれだけ持ってるからや。
ある意味、これはAI時代において最も恵まれた役割の一つや。結局のところ、世界にはAIのために準備されなあかんデータがこれだけあって、企業レベルでデータセットなどにモデルを適合させるためにされなあかんカスタム作業がこれだけある。
データサイエンティストは決して退屈することがない。そして、その役割の心臓部は設計や。創造的な役割や。人々はそれが創造的じゃないと思ってるけど、創造的や。ワイはデータサイエンティストと一緒に仕事したことがある。本当に思慮深い役割や。自動化しやすい役割じゃないし、品質が重要な役割や。
これらすべてが、データサイエンスへの需要の増加というこの傾向が持続することを強く示してる。
ワイはデータサイエンスについてかなり強気や。
DevOps・機械学習オペレーション
DevOpsまたは機械学習オペレーション。需要が爆発してる。特に機械学習オペレーションで。
人々は機械学習パイプラインとオペレーションの実装方法を知らない。DevOpsの人として、開発者が効果的にソフトウェアをデプロイするのを助ける方法から、AIエンジニアが効果的にモデルをデプロイして維持するのを助ける方法に移れるなら、それは実際には新しい混乱パターンからの自動化のようなもんやが、それが君がしてることやろ？
DevOpsで根本的にしてることは、開発者という猫の群れを取って、それをきれいな本番パイプラインに入れる方法を見つけることや。
非常に似たように、今はMLエンジニアやAIエンジニアという猫の群れがあって、それらを効果的なデプロイパイプラインに誘導して、本番でモデルを効果的に管理せなあかん。
DevOpsにいるなら、あるいは今は機械学習オペレーションと呼ぶかもしれんが、美しいのは人間の問題を解決してるっちゅうことや。そして、話したように、エンジニアは流行遅れにならない。せやから、それらの人間の問題を解決するのにまだ必要とされるやろう。
そうや、君を助けるAIツールがあるやろうが、この心臓部は良いソフトウェアを構築する複雑な作業を本番価値に合わせることを助けてる。
せやから、いつデプロイするんや？なぜデプロイするんや？どう修正するんや？修正はどんな感じや？どうやって安全にデプロイするんや？異なる環境はどんな感じや？などなど。
ツールについては、君がワイより詳しい。心臓部は、顧客に価値を届けるようにすべてを整合させることと、エンジニアの問題を解決してソフトウェア構築に集中できるようにすることや。それらは君が解決してる人間の問題で、流行遅れにならない。
UX・人間AI相互作用デザイン
その8、UX、人間AI相互作用デザイン。人間AIの境界の問題について話したことを覚えてるか？それは本当や。ワイがいつも見てることや。
現在のAIインターフェースは深く不完全で、多くの混乱を生み出してる。実行がより速くなるにつれて、UIクラフトがより価値あるものになってることを理解する必要がある。安いものがより商品化されてるからや。
せやから、本当に本当に洗練されたUIを持ってるなら、インターネットの海がうまく作られてないバイブコードされたもののたくさんになるから、それはもっと目立つやろう。
今日、昨日出たばかりの例を挙げてみよう。Perplexityは UX相互作用で本当にええ仕事をしてる。彼らが今日ローンチしたもの、昨日ローンチしたもので、ワイが本当に本当にクールやと思うものがある。
彼らは、研究タスクの最中に思考の連鎖を読みながら、AIにメッセージを渡す能力をローンチした。ワイの知る限り、まだ誰もこれをやらせてくれない。
それは素晴らしい。ユーザーとしてそこに座ってプロンプトを打って、それから「ああ、何を忘れたんや、これを言うのを忘れた」って思うことが何回あったか、やろ？「これを追加せなあかん」って。それからそこに座って、それは研究プロンプトや。待たなあかん。もうそんなことはない。今、Perplexityでは、AIにメモを渡すだけで修正してくれる。
それはAIやが、同時にUX、人間相互作用デザインでもある。人間とAIの境界問題の一部を解決してる。我々が作った間違いを修正することの方が、自分の作業をチェックすることよりも人間が得意やという古い真実を認識してるからや。
優秀なメールシステムがしばしば送信の遅延と取り消しボタンを提供するのはそのためや。送信後に本能的に作業をチェックすることを知ってるからや。それがUXデザインや。
せやから、人間とAIの相互作用をデザインしてるなら、君の世界はどんどん豊かになってる。AIシステムを使う人間のためにデザインしてるなら、それは同じ種類の問題や。違う名前で呼んでるだけやろ？今使ってるシステムのすべてが急速にAI対応になってるからや。
そして、それが人々が「いや、AIのためにデザインしてない」って言うときに、ワイが「でも本当に？」って思う理由や。ほとんどすべてが tremendous な速度でAIを得てるからや。
そして、今君にとって真実じゃなくても、おそらく真実になるやろう。君の取締役会がすぐに君にそれをするように求めるから。この傾向は信じられないほど浸透してる。
せやから、これはUXがAI体験を得に行かなあかんケースじゃないと思う。AI体験は大部分、君のところにやってくるから。人々が君にこれをするように求めるやろう。
そして君にとっての課題は、人間とAIのデザインについて深く考えて、相互作用を通じてどう信頼を構築するかを見つけることや。
UXスペースで考えてもらうために、我々がまだ解決してない別の例を挙げて、それを残そう。責任を取るのが得意じゃないモデルを取って、時間の経過とともにモデルの責任を追跡する相互作用ダイナミクスを構築するにはどうすればいいか？
もしワイがモデルに「それは間違ってる。もうそれをするな」って言ったら、君がLLMに特定の行動方法を指示したことをユーザーに標識して示すことができるか？そして、バックエンドで、AI エンジニアと協力して、それをLLMに思い出させるプロンプトとして渡して、ユーザーからの実際に責任の強化があるから、単純なチャットの体験さえ改善することができるか？
人間とUXの相互作用の周りでそのような100の異なるアイデアを思いつくことができる。それは tremendous で、巨大な機会や。
セキュリティとレッドチーム
その9、セキュリティとレッドチーム。これについてたくさんする必要があるとは思わない。ほぼ毎日新しいAIジェイルブレイクの問題がある。
レッドチーミングとセキュリティ作業は、世界にそういう人たちが十分いない。ジェイルブレイキングで遊び始めることができるなら、攻撃サービスとしてのLLMで遊び始めるなら、潜在的な脆弱性のためのプロンプトを見始めるなら、系統的脆弱性データベースを見始めるなら、セキュリティ問題のためのバイブコードされた作業の断片をレビューし始めるなら、仕事がなくなることは決してないやろう。
それは絶対的に巨大な作業分野や。そして、どうや？セキュリティの人たちがうまくやってることを作ってきたのと同じ本能のセットや。
昔、グレイハットの人たちを知ってた。それをいじって壊そうとする同じ本能や。
まあ、我々には全く新しいインテリジェンス表面があって、それをより安全にするためにジェイルブレイクせなあかんことが分かった。そこには巨大な機会がある。
クラウドAIインフラエンジニア
その10、クラウドAIインフラエンジニア。これはインフラ爆発の部分や。この役割では支出を削減することで自分の給料を稼ぐ。
GPU裁定取引をマスターする方法、GPUへの呼び出しを渡す方法、クラウドインフラ構築をマスターする方法を見つけることができるなら、集合的に言って人類史上最大のインフラ構築を文字通り最適化してる。
AIデータセンターは2030年までにコンピュート資本支出で数兆ドルの軌道に乗ってる。数兆、6、7兆のような、そんな感じ。そこに着くまでにはおそらくもっと高くなるやろう。
より多くのお金を使わなくてもいいようにするために、クラウドAIエンジニアが必要や。
そのレベルでは、仕事をうまくできるエンジニアは、これらのより大きく、より大きなGPUのフリートを扱う方法で、給料の10倍、100倍の価值を生み出す。信じられないほど価値のある職業や。
そして、すでにクラウドのエンジニアやったなら、それに備えてる。
データエンジニアリング
データエンジニアリング、ETLからAIパイプラインに移る方法を見つける。聞いて、「いや、ここで何をするつもりなんや？AIは自動化されたパイプライン構築などを求めてくる」って思うかもしれん。
データサイエンスと同じことやが、どれだけのデータが必要になるか、どれだけのデータ準備が必要になるかを君は理解してないと思う。
もう一度言うが、ワイが見るAIプロジェクトの失敗の大部分は、データ側から来てると思う。
フィーチャーストアガバナンス、ベクターETLの理解、新しいデータタイプをビジネスユースケースにアクセス可能で有用にする方法の理解がうまいなら、そこに価値がある。
extraordinary なデータエンジニアは、常にビジネスの技術的側面と顧客のユースケースの両方を理解することで区別されてきた。
この場合、AIの顧客ユースケース、AIが顧客の期待をどう変えてるか、来てるクエリの種類を理解する。そして、技術的側面がそれをどう可能にするかを理解する。データのベクター化が従来のデータ保存とどう違うかを理解する。同じ仕事や。ただ新しい技術スタックや。
QAとAI品質
QAとAI品質。
これは興味深いもんで、根本的に変革を見てる分野やのに、それについて十分話してる人を知らない。今、我々はローンチ前にソフトウェアをQAすることにエネルギーの大部分を注いでる。
AIでは、本番で常にオンになってる持続的な品質しきい値としてのQAに、はるかに多くのエネルギーをシフトして注ぐ必要がある。なぜか？これらのシステムは確率的応答を生成するからや。
このソフトウェアのすべてを決定論的にテストすることはできない。ある意味、QAの価値は今、ソフトウェアの価値を維持して、時間の経過とともにそれを守ることにある。
繰り返すが、それがQAの心臓部で、ソフトウェアの品質を維持することやが、さらにやることがある。時間の経過とともにそれを維持するから、もっと多くのことがある。決定論的ソフトウェアでやってたような、ローンチして忘れるということはできない。
これは大きなマインドセットシフトや。ワイが話すQAの人たちの大部分は、この世界に備えてない。彼らはP0、P1、P2、テストしてローンチすることに慣れてる。そのマインドセットは機能しない。
そして、仕事がそこにないからじゃなくて、ワイが知ってるQAの人たちがそのように考えてないから、ワイは少し心配してる。せやから、これは重要やと思うマインドセットシフトがある分野や。
営業・ソリューションエンジニア
その13、営業とソリューションエンジニア。これらは非常に人気がある。フォワードデプロイドエンジニアは別の言葉や。一部の人はそれが違うって言うが、非常にシンプルで非常に似てる。
これは、AIがこの仕事の強力なイネーブラーであるケースや。顧客に対してパーソナライズされたソリューションを効果的にデモンストレーションする何かを非常に非常に迅速にコーディングできる。
チャレンジは品質の部分もあることや。フォワードデプロイドやソリューションエンジニア、営業エンジニアとして、製品から技術的に実際に何が実行可能かを知って、実際に確実に提供できるもんだけをバイブコードや迅速にコードすることが君の責任や。
そして、君はB2B SaaSの最も興味深いトレンドの一つの最前線にもいる。コードレベルでの速度と実行が良くなってるから、以前は不可能やったやり方でSaaSフレームワークを拡張することが可能になってる。
ワイがプロダクトで育ってきたとき、いつもnoって言うように教えられた。PMはnoって言う、やろ？コーディングがこれだけ高価やったから、ソフトウェアを拡張できなかったから、いつもnoって言うように教えられた。
もうコーディングは高価じゃない。安い。もうコーディングが高価じゃないなら、ソフトウェアをもっと拡張してパーソナライズできるはずで、品質に注意する限り、より多くの営業とソリューションエンジニアを意味する。
せやから、顧客のために提唱してカスタマイゼーションに傾倒したいソリューションエンジニアをワイがたくさん知ってるところや。一緒に働いてるソフトウェアスタックを知って、過度にコミットしないようにしてくれ。
エッジエンジニア
その14、エッジエンジニア。より小さなデバイスにインテリジェンスを入れることができる人。これは全く新しいもんや。
これは今存在しない役割や。ラップトップで実行させて、LLMを小さなデバイスに構築するのが大好きな indie ハッカーが絶対にいる。量子化して電話で動かして、やろ？何でもええから、このビジョンモデルを圧縮させて。
君がその人なら、この役割は君のために存在するやろう。そして、ワイはそれに止まらずにいじり回すことができない人をたくさん知ってる。1990年代と2000年代のUnixいじり屋や、Linuxいじり屋みたいや。ただいじり回すことをやめられない。それはこの種の役割の素晴らしい準備や。
我々はすべてにインテリジェンスが欲しいやろう。
そして、君がそうじゃないと思っても、誰かが君を雇ってそれをするやろう。スマート冷蔵庫とスマートトースターとランドリーを畳むスマートホームロボットとスマート洗濯機とあれやこれやのために誰かが君を雇うやろう。
それらすべてが、フィットして、安全で、デバイス上のオンプレムにフィットする必要がある小さな大型言語モデルを取るやろう。
エッジでインテリジェンスをデプロイする方法を見つけることができる人は、ユースケースについて話す能力があって、自分の仕事だけに興味があるんじゃないなら、仕事があるやろう。役割があるやろう。
ベクターデータベース・検索エンジニア
その15、そして15が最後や。ベクターデータベースと検索エンジニア。
これは爆発してる。これは爆発してる。誰もこれらの人たちを手に入れることができない。RAGと一緒に働いてるなら、君はテック業界で最も価値のある場所の一つにいる。
それが、RAGがどう働くかを理解することが今の就職市場でのチートコードの一つやとワイが過去に指摘した理由や。
RAGと一緒に働くエンジニアなら、君は以前よりもさらに価値がある。信じられない。
今後の動向と新しい役割
オーケー、せやから、我々はこれら15の役割を見てきた。君のキャリアで5年、10年先を見てるなら目を向けるべき、まだ役割タイトルを持たない非常に興味深いものが動向として出てきてることを指摘したい。
エージェントフリートオーケストレーションが一つ。エージェントのフリートをどう管理するか？人々はそれについて話してきた。人々があまり話さないのがその2、シミュレーション経済。どうやってもっと多くのことをシミュレートするか？ワイのデジタルツインビデオでこれについて話した。シミュレーションから行動データを得ることは大きな問題になるやろう。
その3、コンテキストとコンテキストサプライチェーンを理解する。その役割の名前はまだないが、それは大きくなるやろう。
その4、AIモデリングにおける人間的要因をチューニングする方法を見つける。それはほとんど文化的バイアスでAIモデルをデザインしてるようなもんや。人間の選好分布を理解してAIモデルをデザインしてる。
それは人類学と心理学と深い技術的理解のミックスになるやろう。
その5、電力と極めて効率的に働く方法を見つける。ジョブをスケジューリングしてるなら、GPUで効率を最大化するにはどうするか？我々は以前このレベルに達する必要がなかったが、コンピュートでこれだけ大きなcapex支出をしたことがなかった。それは大きな問題になるやろう。
また、AIリスクとコンプライアンスが始まったばかりやということも指摘したい。それは絶対的に massive になるやろう。EU AI法、SEC開示規則、トレーニングデータのGDPR影響。どこにでもあって、もっと大きくなるやろう。
シンセティックデータは我々が話さないもんや。非常に高品質なシンセティックデータを生成するのがうまい人は需要があるやろう。
エッジ推論オプティマイザー、デバイスに物を置くだけじゃなくて、それを推論させる方法、ロボティクスにする方法を見つける人。それはロボティクスと推論のクロスオーバーのようなもんや。大きな問題になるやろう。
AIサイコロジストのアイデアはサイエンスフィクションのように聞こえるが、セキュリティとレッドチーミングに役立つかもしれない。LLMをデバッグするのを助けるためにレッドチームに心理学者がいるのを見るやろう。
そして最後に指摘したいのは、ビジネスプロセスデザイナー。ビジネスプロセスデザイナーがAIを取って、エンドトゥエンドの人間とAIのプロセスループをデザインできるかを見つけるようなもんや。それは大きな問題になるやろう。
我々はAIとうまく働く方法を知らない。ビジネスは複雑や。デザイナーとしてビジネスプロセスをゼロベースで設計できるなら、それはスキルとして非常に価値があるやろう。
すべてをナビゲートする方法
オーケー、これすべてをどうナビゲートするか？最後にこれをまとめるのに役立ついくつかのことを挙げたい。
まず、もし立ち往生してる、圧倒されてるなら、サバイバルレベルを見て。現在の役割で自動化できるタスクをどう特定して、より効果的になるかを見て。
AIパワードのメールフィルターをどう設定するか？人々が話してるすべてのもの、やろ？最初のドラフトにChatGPTを使う。まずサバイバルレベルに到達しろ。
それから適応レベルに到達する。それから、ここでワイが話した種類の役割にどう移るかを見つける。どうやって補完的な技術スキルセットを稼働させるか？どうやってポートフォリオプロジェクトを構築するか？役割が向かってる場所で有能やということをどうやって証明するか？
そして最後に、リードレベルに到達する。最後に、新しいリスク領域がどこにあるか、君の仕事分野で他の人が採用できるフレームワークがどこにあるか、問題を解決するために構築できる新しいツールや他の人に構築してもらえるツールがどこにあるか、業界標準を確立できるところがどこにあるかを理解するレベルに到達する。
このもののいくつかは非常に新しくて、業界標準がないからや。
まとめ
オーケー、これをすべてまとめると、我々は、率直に言ってかなり徹底的に、AI の仕事を駆動する主要な動向について話してきた。考えてもらいたい15の主要な仕事を指摘してきた。それらの仕事でどうやってサバイバルし、適応し、リードするかについて話してきた。そして、今後5年ほどで仕事になる未来の仕事の動向についてさえ話してきた。
これが役に立ったことを願ってる。圧倒したくないが、「うちの仕事はどこに向かってるんや？」という質問に正直に答えるには、この程度の具体性が必要やと信じてる。
せやから、それだけや。これや。AI時代にうちの仕事はどこに向かってるんや？知らせてくれ。
ワイがまだカバーしてない仕事を見つけたら、コメントに入れてくれ。
コメント