Det ursprungliga påståendet var enkelt: vissa utvecklare producerar ungefär tio gånger mer än en genomsnittlig kollega. Oavsett om det förhållandet någonsin var mätbart har AI-verktyg förändrat vad multiplikatorn består av och vem som kan uppnå den.
Varifrån idén kom
Beteckningen 10x fanns i mjukvarumytologin långt innan stora språkmodeller. Den beskrev utvecklare som kombinerade djup kunskap, snabba beslut och förmåga att undvika återvändsgränder. Fördelen var personlig och till stor del kognitiv. En långsam skrivare med rätt mental modell kunde ändå prestera bättre än en snabb skrivare med fel modell.
Bevisen bakom det ursprungliga förhållandet var tunna. Produktivitetsstudier från 1960- och 1980-talen visade stor variation mellan programmerare, men uppskattningarna varierar avsevärt beroende på hur output mättes och vilken uppgift som användes. Siffran tio fastnade för att den var slagkraftig, inte för att den var precis.
Vad som har förändrats
AI-kodningsverktyg, agenter och kodmedvetna assistenter hanterar nu en stor del av det mekaniska arbetet: standardkod, testuppbyggnad, dokumentation, refaktorering och sökning i kodbaser. Det minskar gapet i den nedre änden. En genomsnittlig utvecklare med bra verktyg arbetar snabbare än en genomsnittlig utvecklare utan.
Den praktiska effekten är att rå skrivhastighet och mönsteråterkallelse spelar mindre roll. Det som fortfarande skiljer utvecklare åt är kvaliteten på deras omdöme: att veta vilken output man kan lita på, vilken man ska förkasta och vilket problem som var felaktigt specificerat från början. En AI-native utvecklare är inte bara snabbare på befintliga uppgifter; de omstrukturerar vilka uppgifter som överhuvudtaget behöver göras.
Var multiplikatorn finns i dag
Några kategorier av kompetens har blivit mer värdefulla, inte mindre, i takt med att verktygen förbättrats:
- Specifikationskvalitet. AI-modeller producerar kod i proportion till tydligheten i indata. Utvecklare som kan bryta ned ett vagt krav till en precis, testbar beskrivning får ut mycket mer av sina verktyg än de som inte kan det. Det hänger direkt ihop med kontextstyrning.
- Granskning under press. Genererad kod anländer snabbt och läses flytande. Att upptäcka det subtila logikfelet eller det felaktiga antagandet kräver samma kompetens som alltid, men tillämpas snabbare och oftare. Se hur man granskar AI-genererad kod.
- Systemtänkande. Att generera enskilda funktioner är enkelt. Att bestämma hur komponenter passar ihop, var fellägen finns och vad arkitekturen kommer att kosta att ändra om sex månader är fortfarande en mänsklig uppgift.
- Att veta när man ska sluta. Att bygga för mycket med AI-stöd är ett nytt felmönster. Tio abstraktioner där två hade räckt skapar teknisk skuld och multiplicerar ingens resultat.
Multiplikatorn är nu en fråga på teamnivå
En följd av bättre verktyg är att stor effekt har blivit svårare att knyta till en enskild person. En utvecklare som höjer hela teamets resultat, genom bättre prompter, effektiv granskning av genererad kod eller genom att fånga en modell som med full säkerhet gett fel svar, skapar mer värde än den som bara levererar snabbare på egen hand.
Den äldre versionen av 10x var individuell och i stort sett osynlig. Den nuvarande versionen tenderar att synas i pull request-kvalitet, incidentfrekvens och hur snabbt ett team återhämtar sig från en felbedömning. Den är mer läsbar, vilket är en anledning till att rekrytering med detta i åtanke har blivit mer medveten.
Vad det innebär i praktiken
Om du rekryterar är frågan inte längre vem som kan producera mest kod. Det handlar om vem som utövar bäst omdöme per enhet output. Det inkluderar att veta när en modell har fel, när en spec är ofullständig och när den enkla lösningen är den rätta. Hur man bedömer en utvecklares AI-förmåga beskriver hur den utvärderingen ser ut.
Vad vi testar
Miyagamis urvalsprocess utgår från omdöme. Kandidaterna går igenom två sessioner: en bedömning av grunderna utan AI-verktyg och en AI-native-bedömning med verktygen. De kriterier som bäst visar verklig effekt i dag är riskbaserat omdöme, som ingen av sessionerna hoppar över, och ansvarstagande, som omfattar allt efter merge oavsett om en person eller en agent har skrivit koden. Alla detaljer om båda sessionerna och varje poängsatt kriterium finns under hur vi granskar.
Korta svar
Är idén om 10x-utvecklaren fortfarande trovärdig?
Produktivitetsgapet mellan utvecklare är verkligt och dokumenterat, även om förhållandet tio alltid var ungefärligt. AI-verktyg har förändrat vad som driver gapet: omdöme och systemtänkande spelar nu större roll än hastighet eller mönsteråterkallelse.
Kan AI-verktyg göra vilken utvecklare som helst till en 10x-utvecklare?
Verktygen höjer golvet för alla men eliminerar inte gapet. Utvecklare med starkare omdöme får ut mer av samma verktyg, fångar fler fel i genererad output och fattar bättre arkitektoniska beslut. Gapet kvarstår, men genom andra kompetenser.
Hur identifierar man en 10x-utvecklare i en intervju?
Se hur de hanterar tvetydighet, granskar genererad kod och förklarar avvägningar. Rå kodningshastighet är en svag signal. Strukturerade uppgifter kring ofullständiga specifikationer och granskning av AI-output är mer tillförlitliga. Se how-to-assess-an-engineers-ai-ability för ett praktiskt ramverk.
