总结 / tl;dr
在软件开发中使用 AI 不是为了更快地编写更多代码；而是为了构建更好的软件。作为领导者，你需要定义"更好"的含义，并帮助团队实现这一目标。将 AI 视为需要指导的初级团队成员。培训团队成员不要过度依赖 AI；这可能导致技能退化。强调"信任但验证"作为 AI 生成代码的准则。领导者应该提升自己和团队的技能以应对这一时刻。
虽然 AI 提供了前所未有的机会来提高生产力和简化工作流程，但认识到其局限性和人类专业知识不断演变的角色至关重要。软件开发的困难部分——理解需求、设计可维护的系统、处理边缘情况、确保安全性和性能——仍然牢牢掌握在人类判断的领域。
技术领导力的演变角色：
与软件工程的其他部分类似，技术领导力正在经历转型。领导者必须定义"为什么"，而 AI 可以协助（更多的）"如何做"。这需要：
提升团队技能： 指导工程师有效使用 GenAI（提示工程、输出验证）现在是核心领导责任。明确 AI 在代码生成和工作流程中的使用位置、方式和时机。
战略指导： 领导者必须制定 AI 集成的愿景，使其与业务目标保持一致，并确保伦理和价值考虑至关重要。
伦理与监督： 建立护栏以确保 AI 驱动的代码安全、无偏见并遵守最佳实践。在审查中保持人类参与。
在我的团队中，我们让各级管理者/总监/副总裁和技术负责人在理解、应用和构建方面提升技能，并指导 IC（个人贡献者）做同样的事情。我倾向于建议只有在实际构建 AI 功能或直接与模型团队合作时，才需要了解训练/模型专业化。
"70% 问题"的现实：
AI 工具通常在任务的初始阶段表现出色，有效处理大约 70%（例如，生成样板代码）。然而，剩余的 30% ——处理边缘情况、优化性能和整合特定领域逻辑——仍然需要人类专业知识。这突出了以下重要性：
以成长心态对待 AI 编码（保持怀疑是可以的）： 将 AI 作为生产力放大器，同时积极学习其解决方案的基本原理和权衡。将 AI 视为合作伙伴而非拐杖，并定期挑战自己独立解决问题。
投资核心技能： 磨练系统设计、边缘情况思考、测试和调试等基本技能对于长期职业发展仍然至关重要。代码质量和清晰度应该是个人使命。
利用经验（高级开发者）： 用有效的提示引导 AI，并仔细审查其输出。在负责任的 AI 集成中发挥带头作用，设定标准并促进知识共享。利用节省的时间处理更雄心勃勃的项目并指导初级同事。
专注于理解（初级开发者）： 努力理解和改进 AI 生成的代码。通过严格的测试和反复检查建立彻底性的声誉。从每个错误和反馈中学习，发展 AI 无法复制的技能。
保持适应性： 持续更新你的技能集和工具集，以跟上不断发展的 AI 格局。扎实的基础和协作态度将确保你保持适应性。
对领导者的启示： 避免过度炒作 AI——它不会突然取代 90% 的工程工作。 相反，专注于培训团队通过批判性思维和软件开发原则的坚实基础来弥合"70% 差距"。
知识悖论：
有趣的是，AI 目前对有经验的开发者比初学者更有益。这是因为 AI 通常表现得像一个热情但缺乏经验的初级开发者——能够快速生成代码，但需要持续的监督和纠正。
高级开发者： 利用 AI 加速现有知识，快速原型化想法，生成基本实现以供改进，探索替代方法，并自动化日常任务。
初级开发者： 面临接受错误解决方案、忽视关键考虑因素、难以调试 AI 生成的代码以及构建他们不完全理解的脆弱系统的风险。
领导者的关键要点：
拥抱"信任但验证"： 对所有 AI 生成的代码实施强有力的审查流程，确保人类监督和理解。
专注于技能提升： 投资培训计划，使工程师具备有效使用和验证 AI 输出的技能。
保持核心技能： 强调基本软件开发原则的持久重要性，并鼓励持续学习。
调整领导实践： 从直接代码监控转向战略指导，专注于确保正确的 AI 使用和输出质量。
解决"70% 问题"： 培训团队识别和解决需要人类专业知识的最后关键 30% 的任务。
认识"知识悖论"： 根据初级和高级工程师的不同需求定制 AI 采用策略和指导方法。
培养负责任的 AI 使用文化： 建立明确的指导方针，说明何时以及如何使用 AI，强调伦理考虑和代码质量。
衡量超越速度的影响： 跟踪反映长期代码质量、可维护性和知识保留的指标，而不仅仅是交付速度。
以身作则： 领导者也必须使用 AI 工具，以亲身了解其能力和局限性。
AI 是软件开发中的变革力量，为生产力和创新带来显著收益的潜力。但这其中有很多细微差别，我们将在本书的其余部分深入探讨，从适当的介绍开始。