100x工程师神话的真相：AI提效不只是找出明星工程师

每个工程团队里都有这么一个人：最先上手编程 Agent，然后开始把其他人远远甩在身后。一旦有一两个工程师以完全不同的规模运作，领导层必然会注意到。而很自然地，他们会想弄清楚是什么让这些人如此特别，以便在整个团队中复制。

但突然之间超越所有人的工程师，并不一定在某种持久的、可辨识的方式上有什么特别之处。这对工程经理和公司管理层意味着什么？"找到特别的人并推广他们的特质"这种方法并不是推动团队 AI 采纳和生产力的最佳或唯一方式。

连续谱，而非角色分配

Vivek Raghunathan，Snowflake 的工程高级副总裁，在最近的 Leaders of Code 节目中借用了强化学习中的一个分类来描述这种现象：探索（explore）与利用（exploit）。

他描述，在一个工程团队中，大约 5% 是无畏的"探索者"：他们迫不及待地想要实验并将 AI 工具推向无人要求他们达到的深度。这些人就是冲进你办公室展示自己刚做的东西的人。另外 95% 是"利用者"：他们对这种探索工作本身没有太大兴趣，只想要一条现成的路。Raghunathan 特别指出这个词并非贬义；它只是描述了一种真实而有用的偏好。（我们会在后文中详细展开。）

组织犯下的错误是把探索者/利用者之分视为非此即彼的二元区分：不是一条连续谱，而是一组固定的角色划分。目标不是把人分成"特别的"和"不太特别的"，而是推动人们在光谱上移动。Raghunathan 强调，管理层的目标应该是让更多工程师从光谱的中段向上移动，而不是去公司外部发现和招聘可能已经在那里的人。

为什么显而易见的做法行不通

你未必能提前识别出探索者。发帖说获得 100 倍收益的人，并不一定是在 Agent 出现之前最资深或最出色的工程师。Raghunathan 说，被 AI 放大的特质是好奇心、适应性和学习意愿，而非之前的资历或声誉。任何旨在识别最优秀工程师、让他们优先获得 AI 培训的方案，从一开始就瞄错了人群。

只为利用者设计会封住天花板。如果你的整个 AI 战略就是给每个人一条现成的路然后就完事了，你会提高下限（这确实有价值！），但你永远不会知道你们公司的前沿实际上是什么样的，因为没有人被给予探索的空间。

只为探索者设计无法规模化。另一种失败同样常见：管理层对少数做出卓越成绩的人感到兴奋，围绕他们构建整个 AI 叙事，而团队中其他 95% 的人安静地继续用稍微快一点的速度做同样的工作。几个令人眼花缭乱的案例研究无法改变一个组织真正的产出。

把这当作招聘问题而非运动问题。如果你正在想，"我就去招更多这 5% 的人"，Raghunathan 直言不讳地警告你，你无法像内部一样可靠地从外部识别这些人。真正的杠杆是慎重地将已在职的人员推向光谱的上端。

这里真正需要管理的是什么

让探索者自我识别，并在他们这样做时认真对待。Raghunathan 描述这些工程师很容易被发现。他们是不请自来、坚称某事很紧急、迫不及待要演示周末做的东西的人。经理们应该把探索者发现的东西当作值得挖掘和传播的原材料，而不是仅仅表扬他们然后继续。

建立一个缩小差距的机制，而不仅仅是观察它。一旦你能说出探索者们在做什么不同的事，工作就变成了缩小光谱中段与顶端之间的距离。你通过结构化的学习时间，围绕 AI 工具建立实践社区，以及直接的指导来实现这一点。人们不会通过潜移默化来学习。

衡量在光谱上的移动，而不仅仅是异常值的存在。少数几个 100 倍的故事是一个好故事，但不是好指标。更实用的问题是：本季度有多少人向前迈进了一步？六个月前处于起点的那些人，现在还有多少仍然卡在那里？

给利用者真正的信任，因为他们正在优化的东西。那 95% 不是需要解决的问题；他们是正确地将完成实际工作置于探索性尝试之上的大多数人。目标不是把他们变成探索者。相反，是确保他们依赖的那条现成的路不断变得更好更快，因为有人在为他们进行探索。

值得深思的问题

让我们回到突然以不同规模运作的那一两个工程师。诱惑是把这些有潜力的样本放到显微镜下，理解并复制是什么特殊品质让他们与众不同。但这种策略是一条死路，因为你很难预测哪些工程师会脱颖而出成为探索者。管理层的工作是建立一个能不断发现下一个探索者的系统，把他们的发现转化为可传授的知识，并推动组织其余的人在光谱上向上移动——而不是等待奇迹再次发生。

Leaders of Code 是 Stack Overflow Podcast 的一个栏目。如需推荐话题或嘉宾，请发送邮件至 podcast@stackoverflow.com。