Ang Founder ng Claude Code, si Boris Cherny, ay nagbahagi ng 7 Mahahalagang Pagpapasya tungkol sa AI sa Konperensya ng Sequoia

I-organize: A Ying

Ang pagbabahagi ni Boris Cherny, ang tagapagtatag ng Claude Code, sa Red杉 Conference ay puno ng malalim na impormasyon; maraming pananaw ang unang beses kong marinig nang buo. Talagang may malalim na pag-unawa ang lalaking ito sa AI.

Ibahagi ko ang aking sariling paglalahat.

Para sa malaking bilang ng pangunahing development scenarios, ang pagmanu-manong paggawa ng code ay nagsisimula nang maging isang mababang efisayensiya.

Noong nakaraan, para ipagawa ang isang tampok, ang mga inhinyero ay upo at unang isipin kung paano i-implement, pagkatapos ay isulat ang code isa-isa. Sa prosesong ito, ang pinakamalaking halaga ng mga inhinyero ay: kaya ba nilang isulat, kung gaano kalidad ang kanilang pagsusulat, at kung gaano kabilis sila sumulat.

Hindi na ganito ang paraan ng paggawa ngayon.

Sa parehong pagpapagana, ang ginagawa ng mga inhinyero ay parang: unang ipaliwanag nang malinaw ang pangangailangan, hatiin ang gawain sa ilang bahagi para sa Agent, tukuyin ang pamantayan sa pagpapatotoo, at pagkatapos ay tingnan kung tama ba ang resulta ng Agent; kung hindi tama, ay i-adjust ang prompt at patakbuhin muli.

Ang AI ay kaya nang sagutin ang karamihan sa mga coding task. Bagaman, hindi pa ito 100%, mayroon pa ring malalaking at kumplikadong codebases, mga karaniwang wika, o espesyal na mga kapaligiran kung saan ang kasalukuyang mga modelo ay hindi pa sapat ang pagganap.

Sa kabuuan, ang halaga ng isang inhinyero ay nagbago mula sa pagkakaroon ng kakayahang sumulat ng code patungo sa pagkakaroon ng kakayahang hatiin ang mga gawain, ipaliwanag nang malinaw ang mga layunin, bisuhin ang mga resulta, at pamahalaan ang mga Agent.

Ang pagbabagong ito ay talagang napakatulad ng Industrial Revolution.

Bago ang Industrial Revolution, isang panday ang gumagawa ng lahat ng gawain — mula sa pagpaputol, pagpapakintab, pagpapalabo, hanggang sa pag-aayos. Ang mga panday na may magandang kasanayan, natural na may halaga.

Pagkatapos ay dumating ang assembly line. Bawat manggagawa ay nagtatrabaho lamang sa isang proseso, ngunit ang kabuuang output ay mas mataas ng mga dekada hanggang daan-daang beses kaysa sa panahon ng kamay.

Sa panahong ito, ang mga mahalagang tauhan sa pabrika ay hindi na ang mga manggagawa na nakakagawa nang pinakamahusay sa isang partikular na proseso, kundi ang mga makakapagdisenyo, magmamaneho, at magpapatakbo nang maayos ng assembly line.

Hindi nawala ang mga manggagawa, ngunit nagbago ang papel ng mga manggagawa.

Ang software engineering ay kasalukuyang nakakaranas ng katulad na pagbabago. Ang code mismo ay hindi na nakakakita. Ang pagkakaroon ng kakayahang sumulat ng code ay nagsisimula nang maging pangunahing kasanayan, tulad ng paggamit ng PPT.

Totoo pang kakulangan ay ang kakayahang i-decompose ang malabo na pangangailangan sa malinaw na mga gawain, ang kakayahang piliin ang pinakatamang solusyon mula sa ilang opsyon na ibinigay ng Agent, at ang kakayahang pagsamahin ang isang grupo ng AI upang matapos ang isang gawain.

Sa totoo lang, marami sa mga matatandang inhinyero ang hindi makakatanggap nito sa unang pagkakataon. Ang paggawa ng code mismo ay isa sa mga dahilan kung bakit mahal ng marami ang larangan sa nakalipas na ilang dekada.

Ibigay ito sa isang machine, para sa marami, hindi lang nagbago ang paraan ng paggawa, kundi isang pagbabago sa pagkakakilanlan.

Pero ang trend ay trend.

Ang pag-code ay nagsisimula nang maging isang pangunahing kasanayan, hindi lamang isang propesyonal na kahusayan. Maaaring ihambing ito sa pag-print sa Europa noong ika-15 siglo.

Bago ang pagkakalikha ng printing press, lamang ang 10% ng populasyon sa Europa ang nakakabasa at nakasusulat. Madalas silang hinirang ng mga maharlikang hindi nakakabasa upang maging espesyal na tagapagbasa at tagasulat para sa kanila.

Pagkatapos ay dumating ang pag-print. Sa loob ng 50 taon, ang bilang ng mga aklat na inilabas sa Europa ay higit sa kabuuan ng mga aklat na inilabas sa nakaraang isang libong taon, at bumaba ang presyo ng mga aklat ng halos 100 beses. Pagkatapos ng ilang mga daan taon upang matiyak ang mga kasunod na pagbabago (tulad ng pag-unlad ng sistema ng edukasyon at ekonomikong istruktura), tumaas ang global na antas ng pagkakabasa hanggang sa kasalukuyang 70%.

Naniniwala si Boris na ang epekto ng AI sa software ay isang pinabilis na rebolusyon ng pagpapress. Ang software ay magiging buong-demokratisado sa loob ng ilang dekada, maging isang bagay na kayang kontrolin ng sinuman.

Sa huli, ang paggawa ng software ay magiging natural tulad ng pagpapadala ng text message.

Pagkatapos mabawasan ng AI ang hadlang sa pagsulat ng code, ang tunay na nagpapakita ng kakayahan ng isang tao ay ang kanyang pakiramdam sa produkto, at ang tunay na pag-unawa sa isang partikular na larangan.

Halimbawa. Dalawang tao ang naglalayong gumawa ng isang produkto para sa mga doktor. Isa ay isang engineer na mabilis mag-code, at isa pa ay may karanasan sa pitong taon sa departamento ng impormasyon sa ospital.

Sa nakaraan, mas mataas ang posibilidad na gawin ng mga inhinyero ang isang bagay, dahil kayang isagawa nila ang ideya.

Ngayon, ang balik-balik na sitwasyon. Sino man ay makakapag-realize ng isang ideya. Sa panahong ito, mas halaga ang taong talagang nauunawaan ang araw-araw na flow ng ospital. Dahil alam niya kong anong mga function ang talagang gagamitin ng mga doktor, at kong anong mga bagay ay tila maganda lang sa teorya.

Ibig sabihin, pagkatapos ipahintulot ng AI ang pagpapalawig ng mga hadlang sa pagganap, ang pagkakaiba sa pagpapasya ay ginawang mas malaki.

Direktang binago nito ang kahulugan ng generalist.

Noong nakaraan, sinasabi natin ang generalist, karaniwang tumutukoy sa isang engineer na kayang sumulat ng iOS, Web, at backend. Ang ganitong generalist, sa puso nito, ay isang full-stack sa loob ng engineering.

Ang hinaharap na generalist ay isang interdisciplinary full-stack.

May mga tao na nagkakaroon ng kaalaman sa produkto, disenyo, at inhinyeriya. May mga tao na nagkakaroon ng kaalaman sa produkto, agham ng data, at inhinyeriya. Ang kombinasyong ito ay dati'y halos imposible, dahil ang bawat isa ay nangangailangan ng mahabang panahon ng espesyalisadong pagsasanay.

Ngayon, pinababa ng AI ang bawat hadlang sa pagpapatupad, kaya isang tao ay maaaring mag-angkop sa ilang larangan at panatilihin pa rin ang propesyonal na kedaliman.

Ganito ang team ni Claude Code. Ang engineering manager, PM, designer, data scientist, finance, at user research—lahat ay sumusulat ng code.

Ang mga designer ay maaari nang i-run ang kanilang sariling interactive prototype para ipakita sa kanilang team, at hindi na lang maghintay ng mga larawan para sa pagpapatupad ng mga engineer.

Maaari ng mga tagapamahala ng pondo na gumawa ng sariling kasangkapan sa pagsusuri upang jalurin ang mga kumplikadong modelo sa pondo ng kumpanya, nang hindi na kailangang maghintay sa pagkakasunod-sunod para sa BI. Nagsimula na ang mga kasamahan sa pag-aaral ng gumagamit na jalurin ang kanilang sariling data, at kinuha ang mga gawain na dati ay nangangailangan ng tulong mula sa team ng data.

Ang propesyon ng bawat isa ay patuloy na malalim. Ngunit sa tulong ng AI, ang pag-write ng code ay naging karaniwang wika ng lahat.

Sa nakaraang sampung taon, may ilang konsensyo sa SaaS industry na halos itinuturing na mga aksiyoma.

Ang unang bagay ay ang gastos sa pagpapalit. Pagkatapos gamitin ng isang kumpanya ang iyong sistema, maaaring mag-umpisa nang mag-imbak ng ilang taon o kahit ilang dekada ng data, konfigurasyon, field, at mga ugnayan sa pagsasakop.

Ang paglipat sa isang ibang sistema, kahit anong paraan, ang paglilipat lamang ng mga bagay na ito nang walang pagbabago ay sapat na nagdudulot ng pagod upang hindi na gawin.

Ang pangalawang bagay ay ang workflow lock. Ang araw-araw na pagkilos ng mga empleyado, ang pagtatrabaho sa iba’t ibang departamento, at ang mga punto ng pagpapayag—lahat ay nabubuo palibot sa SaaS na ito.

Ang pagbabago ng sistema ay higit pa sa paglipat ng data; ito ay ang pagpapabagsak at pagbuwa muli ng lahat ng muskulo na nabuo ng kumpanya sa loob ng ilang taon.

Ang dalawang ito, kapag pinagsama, ay bumuo ng pinakamalalim na paligid sa nakaraang SaaS industry. Ngunit matapos magkaroon ng sapat na malakas na modelo, nagbabago ang lohika ng bagay.

Una, tingnan ang gastos sa pagpapalit. Noong nakaraan, upang maglipat mula sa isang SaaS patungo sa isa pa, sapat na ang pagpapares ng mga field at pagpapakopya ng istruktura ng data para sa isang koponan ng inhinyero na magtrabaho nang sobra sa ilang buwan.

Ilagay ngayon ang mga interface at data structure sa parehong gilid sa model, at hayaan itong malutas ang mapping relationship nang sarili nito, isang hakbang sa isang hakbang papunta sa pinakamahusay na solusyon. Ang isang proseso na dati ay kailangan ng ilang buwan, maaaring makapagbigay ng isang gumagana bersyon sa loob ng ilang araw.

Tingnan natin ang ibabaw ng pagkakasara ng workflow—mas interesante. Noong unang panahon, nakakasara ng mga customer ang workflow dahil sa kanyang kumplikado, nakatago, at nakasalalay sa tao.

Ang pagkakasundo sa isip ng mga empleyado tungkol kung sino ang dapat humingi ng pahintulot at kailan matitigil ang bawat hakbang ay hindi direktang maipapalit.

Ngunit ang mga modelo tulad ng Opus 4.7 ay kung ano ang pinakamahusay sa pag-unawa, paghihiwalay, at pagbuhol muli ng isang kumplikadong proseso sa isang bagong kapaligiran. Kahit na ang bersyong binuo muli ay maaaring mas maayos kaysa sa orihinal.

Kaya ang mga parian na itinayo sa pamamagitan ng pagkolekta ng data at proseso ay nagsisimulang maglaho.

Maaaring maging masamang balita para sa mga nagpapatakbo ng SaaS. Ngunit para sa lahat ng mga kliyente na gumagamit ng SaaS at sa mga koponan na naghahanda para sa bagong henerasyon ng SaaS, ito ay isang tunay na pagkakataon.

Maaaring magkaroon ng 10 beses na higit pang mga startup na magdudulot ng malaking pagbabago sa industriya sa susunod na 10 taon kaysa sa nakaraang 10 taon.

Ang dahilan ay hindi komplikado.

Maaari ng maliit na koponan gamitin ang AI upang gumawa ng mga produkto na katumbas o mas mahusay kaysa sa mga malalaking kumpanya. Sa kabaligtaran, ang mga malalaking kumpanya na nais talagang gamitin ang AI ay maaaring maging negatibong asset.

How to say it?

Isang kumpanya na may mahigit sa sampung taon ng kasaysayan, na nagbuo na ng buong hanay ng sariling proseso ng negosyo, pagkakahati-hati ng mga posisyon, mga gawain sa pakikipagtulungan, sistema ng pagsasanay, at pagsusuri ng KPI. Ang mga ito ay nakaraan ay mga aset, mga hadlang.

Ngunit ang tunay na pagpapalalim ng AI ay nangangahulugan na kailangang muliing suriin lahat ito: kailangang muling istrukturan ang mga proseso ng negosyo, kailangang muling pagsanayin ang lahat ng empleyado, at bawat hakbang na iyong gagawin ay magdudulot ng malaking internal na pagtutol, kailangan mong i-coordinate ang N na mga departamento, N na antas ng pagpapayag.

Ang isang startup na may tatlong miyembro ay nag-ayos ng AI bilang default na base mula sa unang araw. Walang nakaraang balakid na dapat alisin, walang gawi na dapat baguhin, at walang kailangang paniwalaan. Ngayon ay pinag-uusapan, bukas ay may Demo, at sa araw na susunod ay maaari nang i-launch para gamitin ng mga user.

Ang pagkakaiba sa bilis na ito, mayroon na rin ito bago ang AI. Ang mga startup ay may natural na pagkakaiba sa bilis kumpara sa mga malalaking kumpanya. Ngunit pinakalakas ng AI ang pagkakaiba na ito nang maraming beses.

Bakit?

Mas malaki ang leverage na maaaring i-activate ng isang tao sa bawat yunit ng oras habang mas malakas ang AI. Maaaring katumbas ng sampung tao sa nakaraan ang output ng isang maliit na koponan na gumagamit nang tama ng AI ngayon, at maaaring katumbas ng tatlongpu't tatló sa nakaraan bukas.

Ngunit ang bigat ng organisasyon ng mga malalaking kumpanya ay hindi nagiging mas magaan; sa halip, naging mas bigat ito dahil sa kailangan nilang masunod ang AI. Mas malakas ang AI, mas lumalawak ang pagkakaiba sa pagitan ng acceleration ng mga maliit na team at ang drag ng mga malalaking kumpanya.

Ito ang sinasabi ni Boris tungkol sa negatibong asset. Hindi ito tungkol sa kakulangan ng pera, tao, o kagustuhan ng mga malalaking kumpanya; kundi tungkol sa mga muskulo na dati nilang ginamit para kumita, na ngayon ay nakakagat sa daan ng tunay na pagkamit ng halaga ng AI.

Hindi mamamatay ang MCP.

Pagkatapos mag-skill, marami ang nagsasabing hindi na kailangan ang MCP. Ang tagapagtatag ng OpenClaw ay may katulad na pananaw.

Ngunit hindi ganito ang pananaw ni Boris. Naniniwala siya na ang MCP ay magiging software connectivity layer sa panahon ng AI.

Noong nakaraan, ang paraan ng pagkonekta ng software sa internet ay ang API.

Ngunit ang pangunahing problema ng API ay na ito ay para sa mga inhinyero. Upang gamitin ang isang API, kailangan mong basahin ang dokumentasyon, humingi ng Token, sumulat ng code, i-align ang mga field, at penanangani ang mga exception. Sa madaling salita, ang API ay isinulat para sa mga human developer.

Hindi ito tulad ng MCP. Ito ay nagpapahintulot sa mga model na direktang i-connect at gamitin; ang model mismo ang mababasa at i-dispatch, walang kailangang programmer na magbibigay ng pagsasalin sa gitna.

Kaya tinawag ni Boris ang API bilang Human Developer Interface, at ang MCP bilang Model Interface Protocol. Isa ay para sa tao, at isa ay para sa model.

Talagang katulad nito noong unang panahon. Sa panahon ng mobile internet, ang lahat ng serbisyo ay automatic na naging API-based. Sa panahon ng AI, ang lahat ng serbisyo ay automatic na naging MCP-based.

Marami ngayon ang nag-uusap tungkol sa Computer Use, at naniniwala na ang direksyong ito ay maaaring hindi magtatagumpay.

Ang dahilan ay maaaring maipaliwanag nang maayos: sobrang nagpapagastos ng Token, mabagal, at hindi matatag. Parang isang demo na nagpapakita ng kasanayan lamang, at malayo pa sa pagiging praktikal.

Ngunit iba ang antas na nakikita ni Boris.

Ang tunay na pinahahalagahan niya ay na nilutas ng Computer Use ang isa sa pinakamalalaking problema sa pagpapatupad ng AI: sa mundo ng katotohanan, mayroong maraming sistema na walang API o MCP.

Lalo na sa mundo ng mga negosyo.

Pagkatapos mong makapasok sa isang kumpanya, malalaman mo na ang maraming pangunahing sistema ay lubos na lumang. Ang ERP, OA, financial system, internal approval, supply chain backend, at iba pang custom systems. Marami sa kanila ay walang open API, walang dokumentasyon, at walang kakayahang automated. Nandito sila, at araw-araw ay ginagamit ng maraming empleyado nang manual.

Bakit hindi mo direkta ibinibigay ang API sa kanila?

Dahil hindi na kayang gawin. Maaaring wala nang ang mga supplier ng mga sistemang ito. Walang motibasyon at budget ang IT department para i-reconstruct.

Hindi masasakop ng mga ahensya na tumigil para maghintay ng anim na buwan o isang taon. Ang mga sistemang ito ay hindi maghihintay ng isang perpektong API upang iligtas sila.

Sa maikling panahon, ang mga malalaking modelo ay patuloy na magpapabuti ng kanilang kakayahan sa Computer Use.