การเรียนรู้ในพื้นที่ทำงานจริง

หลายปีก่อนผมเขียนเกี่ยวกับการฝึกงานในเยอรมนี ผมออกจากโรงเรียนตอนอายุ 16 และไปทำงานที่บริษัทในเครือ Siemens ซึ่งคนที่น่าสนใจที่สุดนั่งอยู่ที่ชั้นใต้ดินและใช้ Delphi แทน Rosie SQL ที่บริษัทบังคับใช้ (ทั้งสองอย่างแทบจะสูญหายไปตามกาลเวลาและความก้าวหน้า) ผมเรียนรู้การเป็นโปรแกรมเมอร์จากการดูพวกเขา จากการชงกาแฟให้พวกเขา จากการอยู่ใกล้พวกเขานานพอที่วิจารณญาณของพวกเขาจะซึมซับเข้ามาในตัวผม

ผมคิดถึงประสบการณ์นั้นบ่อยมากในช่วงปีที่ผ่านมา เพราะเราสร้างบางอย่างที่ Shopify ที่ทำงานบนหลักการเดียวกัน

เธอชื่อ River River คือ AI agent ที่อยู่ใน Slack ของบริษัทเรา คุณคุยกับเธอแบบเดียวกับที่คุยกับเพื่อนร่วมทีม: โดยการพูดถึง River ในช่อง Slack เธอสามารถอ่านโค้ด รันเทส เขียนโค้ด เปิด pull requests สืบค้น data warehouse ดู production traces และอื่นๆ อีกมาก เราใช้สิ่งนี้ตลอดเวลา

ใน 30 วันที่ผ่านมา พนักงาน Shopify 5,938 คนทำงานกับ River ใน 4,450 ช่อง Slack ที่แตกต่างกัน มันเปิด 1,870 pull requests ในสัปดาห์ที่แล้วเพียงสัปดาห์เดียว ใน monorepo หลักของเรา ประมาณหนึ่งในแปดของ pull requests ที่ถูก merge เข้า codebase ของเราเมื่อสัปดาห์ที่แล้วถูกสร้างโดย River และตรวจสอบโดยเรา

ตอนนี้มี coding agents มากมายในโลก สิ่งที่ทำให้ River พิเศษคือข้อจำกัด: เธอทำงานในที่เปิดเผยเท่านั้น

ข้อจำกัดที่กลายเป็นคุณสมบัติ

ตอนที่เราเริ่มสร้าง River สิ่งที่ชัดเจนคือให้คนใช้เธอแบบส่วนตัว นั่นคือวิธีที่ AI assistants อื่นๆ ทำงาน ChatGPT เป็นหน้าต่างส่วนตัว Claude เป็นหน้าต่างส่วนตัว Cursor อยู่ระหว่างคุณกับ IDE

เราตัดสินใจตรงกันข้าม River อยู่ใน Slack แชทของบริษัทเรา River ไม่ตอบข้อความส่วนตัว เธอปฏิเสธอย่างสุภาพและแนะนำให้สร้างช่องสาธารณะให้คุณและเธอเริ่มทำงาน ผมเองทำงานกับ River ในช่อง #tobi_river และหลายคนก็ทำตามรูปแบบนี้ ทุกการสนทนาจึงค้นหาได้ ทุกคนที่ Shopify สามารถเข้ามาได้ ในช่องของผม มีคนมากกว่า 100 คนที่ตอบสนองต่อเธรด เพิ่มสีสันและบริบท รับช่วงต่อ ช่วยรีวิว เตือนผมว่าผมสนิมมากแค่ไหน และที่สำคัญ เรียนรู้จากการดู

มันแปลกในตอนแรก ผู้คนคุ้นเคยกับพื้นที่ทำงานส่วนตัวกับเครื่องมือของตน การขอความช่วยเหลือรู้สึกแตกต่างเมื่อทั้งบริษัทเห็นคำถาม แต่มีบางอย่างเกิดขึ้นที่เราหวังไว้แต่ไม่ได้คาดการณ์ผลกระทบทั้งหมด:

ผู้คนเริ่มเรียนรู้จากกันและกัน

วิศวกรฝ่ายสนับสนุนใน #help_checkout จะดูวิศวกร backend ในอีกช่องหนึ่งให้ River หาคำสั่ง log ที่ถูกต้อง และวันรุ่งขึ้นเธอก็ทำแบบเดียวกัน พนักงานใหม่จะเลื่อนกลับไปดู #river เพื่อดูว่าคนอาวุโสกำหนดขอบเขตคำขออย่างไรก่อนที่จะส่งคำขอแรกของพวกเขา

เช่นเดียวกับภาษาเยอรมันบ่อยครั้ง มีคำสำหรับสภาพแวดล้อมแบบนี้: Lehrwerkstatt แปลตรงตัว: โรงฝึกสอน พื้นที่ทำงานทั้งหมดคือห้องเรียน คุณเรียนรู้โดยการอยู่ใกล้กับงาน การเป็นผู้เรียนรู้ตลอดเวลาคือหนึ่งในค่านิยมหลักของบริษัท

Shopify ต้องการเป็น Lehrwerkstatt ในระดับใหญ่ และ River ทำให้เราเข้าใกล้อุดมคตินี้มากกว่าที่เคย มันคือ การเรียนรู้แบบออสโมซิส เพราะมันไม่ต้องการหลักสูตร แผนการฝึกอบรม หรือผู้จัดการ มันแค่ต้องการให้งานของทุกคนมองเห็นได้มากที่สุดเท่าที่เป็นไปได้ ทุกคนเรียนรู้จากกันและกัน

ผมตื่นเต้นจริงๆ กับการค้นพบที่ค่อนข้างบังเอิญนี้ และคิดว่าจะแบ่งปัน

ทำไมเรื่องนี้ถึงสำคัญมากขึ้น ไม่ใช่น้อยลง เมื่อมี AI

ความกังวลทั่วไปเกี่ยวกับ AI คือมันจะทำให้คนหยุดคิด ทำไมนักพัฒนารุ่นน้องจะต้องเรียนรู้การดีบักถ้า agent ทำแทนให้? ทำไมพวกเขาจะต้องอ่าน codebase ถ้าแค่ถามได้?

ผมคิดว่าความกังวลนั้นมีจริง แต่กรอบความคิดผิด ความเสี่ยงไม่ใช่ที่ AI ทำงาน ความเสี่ยงคือ AI ทำงานและเราไม่เคยเรียนรู้จากมัน* ถ้าทุกปฏิสัมพันธ์กับ agent เกิดขึ้นในหน้าต่างส่วนตัว คนเดียวที่เรียนรู้อะไรคือคนที่อยู่ที่คีย์บอร์ด คนอื่นๆ ถูกปิดกั้นจากการฝึกงาน

เมื่อคนทำงานร่วมกับ agent ของพวกเขาในที่สาธารณะ สิ่งตรงกันข้ามเกิดขึ้น รูปแบบ prompt ที่ดีที่สุดแพร่กระจาย ความรู้แพร่กระจาย วิธีที่ชาญฉลาดที่นักพัฒนาคนหนึ่งสืบสวนบั๊กสิทธิ์ Slack กลายเป็นแม่แบบสำหรับวิธีที่คนอื่นสืบสวน ทักษะที่ใครบางคนเขียนเพื่อสอน River เกี่ยวกับ data warehouse การชำระเงินของบริษัทถูกใช้ซ้ำโดยอีกสิบสองทีม River เองก็เรียนรู้: ทุกช่องสามารถโหลดโซน ทักษะ และคำแนะนำที่ทีมต้องการล่วงหน้า ซึ่งเขียนโดยคนที่ใกล้ชิดกับงานมากที่สุด River ยังมีความทรงจำที่เรียนรู้และลืมข้อมูลสำคัญเกี่ยวกับบริษัทและวิธีที่ดีที่สุดในการทำงานอยู่ตลอด

agent ไม่ได้แทนที่ผู้ฝึกงาน และไม่ได้แทนที่พี่เลี้ยง agent ทำให้ ทั้งบริษัท เป็นผู้ฝึกงาน เพราะทุกคนคอยดูคนที่มีประสบการณ์มากที่สุดทำงานเคียงข้างมันตลอดเวลา

นี่คือสาเหตุที่อัตราการ merge เพิ่มขึ้นเรื่อยๆ เราไม่ได้ retrain โมเดล เราไม่ได้เปลี่ยนโมเดล การปรับปรุงจาก 36% เป็น 77% ในสองเดือนมาจากคนดู River ทำงาน สังเกตว่ามันติดขัดตรงไหน และเขียนสิ่งที่มันควรรู้ และช่วยทำให้ River เองเป็นเพื่อนร่วมทีมที่ดีขึ้น รสนิยมที่สะสมของแต่ละทีมไหลเข้าสู่ agent agent ดีขึ้นในการเป็น Shopify

บริษัทเคลื่อนที่ด้วยความเร็วของความลับที่ช้าที่สุด

เมื่อผมคิดว่าทำไมเรื่องนี้ถึงสำคัญ มันกลับไปสู่สิ่งที่ผมเชื่อมานาน: ความเร็วขององค์กรถูกกำหนดโดยความเร็วของช่องทางการสื่อสารที่มีแบนด์วิดท์ต่ำที่สุดและจังหวะ การประชุมช้า อีเมลช้า DM ส่วนตัวช้า อาจจะไม่ใช่สำหรับบุคคลที่เกี่ยวข้อง แต่สำหรับองค์กร ข้อมูลและการตัดสินใจที่มาจากสิ่งเหล่านั้นไม่เคยกระจายไปยังส่วนอื่นขององค์กรอย่างเต็มที่โดยไม่ต้องใช้ความพยายามในการสื่อสารเพิ่มเติมมหาศาล

การสนทนาสาธารณะระหว่างมนุษย์หรือกับ agent ที่มีความสามารถไม่ใช่สิ่งเหล่านั้นเลย มันรวดเร็ว ค้นหาได้ สอนได้ และทวีคูณ คนต่อไปที่มีคำถามเดียวกันไม่ต้องถามอีก

ผมไม่คิดว่าอนาคตของการทำงานคือมนุษย์ถูกแทนที่ด้วย agents ผมเขียนบทความในปี 2018 ชื่อบทบาทแห่งความเป็นเลิศของมนุษย์ในอนาคต เกี่ยวกับว่าหมากรุกได้รับความนิยมมากขึ้น ไม่น้อยลง หลังจากคอมพิวเตอร์เรียนรู้ที่จะเล่น บทเรียนเดียวกันใช้ที่นี่ โมเดลที่ถูกต้องไม่ใช่มนุษย์ หรือ เครื่องจักร มันคือผู้ฝึกงานและผู้เชี่ยวชาญ ต่างเฝ้าดูกันเรียนรู้ ต่างเก่งขึ้นบนพื้นที่ทำงาน

นั่นคือสิ่งที่ River เป็น นี่คือ Lehrwerkstatt ของเรา