How Software Engineering is Changing with AI - Erran Berger, LinkedIn

• LinkedIn 正在用 Claude CLI 对全体工程师进行"AI 原生"改造：过去两周内举办了 10 场全天沉浸式培训，每位工程师必须在培训结束前通过 Claude CLI 实际交付一个功能。这不是试点，而是全面转型——"this is what engineering looks like"。

• 全栈自有基础设施是 LinkedIn 的 AI 护城河：1.3 billion members + 100 million companies 的经济图谱，加上自有数据中心、自部署 GPU、自 fine-tune 模型——从产品愿景到裸金属的端到端优化能力，使其能构建"few other companies can develop"的体验。

• "Full-stack builder"正在取代职能分工：LinkedIn 正在试验新的工作模式——一个人从 idea 到 launch 走完全程（用户研究、分析、product spec、设计、工程），不再依赖跨职能 handoff。但专业 judgment 和 craft 仍不可替代。

• Agent 生成代码的质量问题已经浮出水面：非工程师使用 agentic tools 生成 PR，throughput 暴增，但"when you dig in, it's not actually generating fully shippable code"——human in the loop 的 judgment 仍是关键。

• LinkedIn 正在为 agent-first 世界铺基础设施：所有能力终将通过 MCP 暴露，通过 A2A 与外部 agent 通信——类比 10 年前的 mobile-first 转型："even at single digit % of mobile engagement, we knew we needed to completely reorient the company"。

贯穿主线：Erran 的每一个观点都回到同一个信念——工具在变、流程在变、组织在变，但工程的本质（系统思维 + problem solving + craft/judgment）永远不变。AI 把 productivity floor 拉高了，但 ceiling 仍由人类 taste 和 judgment 定义。

核心论点：LinkedIn 没有在"试用" AI 工具，而是在强制全面转型——每个工程师都必须通过 Claude CLI 实际交付。

• 过去 2 周内举办了 10 场全天沉浸式培训（daylong sessions）
• 培训目标：让每位工程师在结束前通过 Claude CLI 实际 ship 一个功能
• Erran 的判断："at least right now, as best as we can tell, this is what engineering looks like"
• 培训后期望工程师改变日常工作方式（"changing the way that they work"）
• 随着采纳和生产力扩展，将重新构想整个软件工程的工作方式

"We're getting every single engineer on the team set up with Claude CLI. And they exit the day having shipped something through Claude CLI because we believe this is what engineering looks like." —— Erran Berger

核心论点：LinkedIn 的差异化不仅在数据，更在于从产品愿景到数据中心裸金属的全栈端到端控制——这在 2026 年的创业环境中已极为罕见。

• 数据资产：1.3 billion members + 100 million companies 的 economic graph + 平台知识内容
• 基础设施：自有数据中心、自部署 GPU、自 fine-tune 模型
• 产品示例：hiring assistant、AI-powered job search——从产品愿景到裸金属全链路优化
• Erran 的观察：今天的创业公司不会考虑自己跑硬件（"not even a thing you consider"），这既是优势也限制了选择
• 核心优势：data 与 models 在同一位置运行，无需受限于 context engineering 或外部 compute 约束

核心论点：AI 工具使历史上需要 5-6 个职能角色串行完成的工作，现在可以由一个人从头到尾独立完成——这是 LinkedIn 正在实验的新组织范式。

• 历史模式：user researcher → designer → analyst → PM → engineer → 每步 handoff → 速度慢
• 新模式："full-stack building"——一个人掌握 idea → user research → analysis → spec → design → build → launch
• AI 的赋能：可以做设计（Level up/Replit）、做数据分析（agents）、写 spec、写代码
• 但 Erran 强调：能做 ≠ 做得好——一个工程师用 AI 做的设计不一定"fit and be coherent with the rest of the product experience"
• 仍需要专家把关 craft 和 judgment——"there will always be a place for the specialization"
• LinkedIn 正在试验新的团队构建方式，"providing individuals with tools and greater agency"

核心论点：AI 工具让非工程师也能生成 PR，throughput 暴增——但仔细检查后代码并不能直接上线，human judgment 依然是质量关。

• LinkedIn 已有大量非工程师在用 agentic tools 生成 PR
• 表面看代码质量"seems fine"，但专家审查后"not actually generating fully shippable code on its own"
• 原因可能是：context 不够、模型局限性
• Erran 的判断：human in the loop judgment 在变（具体如何做在变），但其重要性没变
• 关键洞察：这正是"productivity floor 上升但 ceiling 仍需人类"的具体体现

"While we're seeing the throughput of these PRs go way up... when you dig in, it's not actually generating fully shippable code on its own that we could just let pass through." —— Erran Berger

核心论点：LinkedIn 正在经历的 AI 转型与 10 年前的 mobile-first 转型结构相同——即使当前 agent 使用率还很低，也必须现在就为 agent-first 世界铺设基础设施。

• Erran 亲历了 LinkedIn 的 mobile transformation：当时移动端 engagement 还在 single digit %，但已要求所有 product spec 和 design 都 mobile-first
• 现在的类比："How does this feature work in an agent-first world?"——每个产品都必须问这个问题
• 基础设施方向：
• 所有 LinkedIn 能力最终通过 MCP 暴露为 skills
• LinkedIn agents 与外部 agents 通过 A2A 通信
• 需要建 platform 让各团队不必单独思考"如何暴露我的 slice"
• 同时承认：much of humanity 还在用传统 UI，agentic UX 和 traditional UX 需要互补共存

"We need to make sure that all of our capabilities at some point in some way are exposed through MCP and we need to make sure that we have agents on our side that communicate with agents on the outside world via A2A." —— Erran Berger

核心论点：AI 工具使用能力已是 table stakes——真正区分顶尖工程师的是 problem solving + 系统思维 + elegant simple solutions。

• LinkedIn 面试已进化：评估候选人使用 AI coding tools 的能力是"key part of the evaluation process"
• Erran 对工程师的建议：不要绑定一个工具，每 3-6 个月工具会变——"Do not get married to one particular way of doing things"
• 顶尖 1% 的差异化：面对复杂系统能 reason about the entire space，给出 elegant + simple + performant + secure 的方案
• productivity floor 上升意味着：过去靠效率拉开差距的空间消失了，craft 和 judgment 成为唯一差异化

核心论点：对非技术人来说，"学 AI"不是学建模型——是学用 AI 工具让自己更高效。

• Erran 的比喻：搜索引擎一直是 AI 产品，大家一直在"用 AI"但没意识到
• 现在 Copilot / Gemini / Claude 就是下一代工具——学会用它们就是"learn AI"
• 不需要每个人都去当 AI engineer 建 frontier models
• 未来每个职业都会被 AI 工具影响——包括 trades（技工）