Top Tweets for #AINativeCompanyDig

アンドリュー・エンが「AIエンジニアリングのスキルマップ」を公開しました。求人票1万件超の分析と数十件の専門家インタ��ューから、いま開発者が何を学ぶべきかを4つに整理したものです。北米ではRT 3,535に対してブックマークが47,299。拡散の13倍の数だけ「保存」されていて、誰かに教えたい情報というより、自分のキャリアのために読み返したい情報として受け取られています。 前提の整理がまず面白い。AIエンジニアリングという職種が新しくできるのではなく、かつてのクラウドがそうだったように、すべての開発者が身につける共通スキルになる、という位置づけです。 中身は4カテゴリ。 AIアプリの構築とデプロイ。LLM、コンテキストエンジニアリング、RAG、エージェント型ワークフロー。核心は、出力が予測できないシステムを評価 (evals) とエラー分析のループで統計的に制御することに置かれています。 ソフトウェア工学の基礎。基礎力はむしろ前提として残る側です。セキュリティ、プライバシー、コスト、スケーラビリティのトレードオフを判断する力。 コーディングエージェントの使いこなし。コンテキストの渡し方、出力を検証する仕組みの組み方。「書かせること」自体が独立したスキルとして一枠を与えられたのが今回の特徴です。 Shaping the build。曖昧な要望を明確な仕様に落とす力で、プロダクトセンス、ビジネス文脈の理解、MVPをいつ出すかの判断まで含みます。コードを書く手前の工程が、マップの4分の1を占めました。 横串には「進化が速すぎるので、学び続ける姿勢そのものが必須スキル」という一項。 通して眺めると、4つのうちモデルの賢さそのものに賭けているものはひとつもありません。仕様を決める、検証の仕組みを作る、トレードオフを判断する。モデルが賢くなるほど、人間側に残る仕事は設計とマネジメントに寄っていきます。2022年から作り方は大きく変わったのに、何を学ぶかの共通認識はありませんでした。この地図はその空白を埋めに来ていて、実際「context engineering」「evals」という語彙はこの数日で一気に共通言語になりつつあります。書き換わる途中のエンジニアリングの定義の、いまの断面図です。 https://t.co/d9MqilVScM

Anthropicが「AIネイティブなエンジニア組織の作り方」を自社の実例として公開していた。 面白かったのは計画の立て方を変えたこと。先に詳細なロードマップを固めるのをやめて、まず作って、社内で使って、フィードバックで次を決める進め方に寄せている。AIで試作が速くなったぶん、「考えてから作る」より「作って確か���る」ほうが速い領域が増えた。 人の役割も変わっていて、人間は法務・セキュリティ・プロダクトの判断に集中し、文体やバグ・テストはAIに寄せる。何を人がやるべきかの線引きが、組織の設計そのものになってきている。 https://t.co/OLcyEBPtpL