Airbnb का AI कोड शिफ्ट: इंजीनियर और मैनेजरों की भूमिका कैसे बदल रही है

Airbnb में AI का इस्तेमाल software development से बाहर भी दिखता है। The Motley Fool द्वारा प्रकाशित 2025 की चौथी तिमाही के earnings-call transcript के अनुसार, कंपनी के proprietary AI support agent ने North America में support issues का एक-तिहाई resolve किया और करीब 30% support tickets संभाले; कंपनी इसे globally और voice में expand करने की योजना भी रखती है । उसी transcript में Airbnb ने broader AI-native experience का जिक्र किया, जो guests को trip plan करने में मदद करेगा और कंपनी को scale पर ज्यादा efficiently operate करने में सहायक होगा ।

इंजीनियरों के लिए: सिर्फ coder नहीं, systems reviewer

जब AI implementation work का बड़ा हिस्सा draft कर सकता है, तो engineer अप्रासंगिक नहीं होता। उसका काम और ज्यादा supervisory, architectural और product-focused हो जाता है।

नई engineering strength का मतलब सिर्फ कितनी lines लिखीं नहीं रहेगा। ज्यादा अहम यह होगा कि engineer:

• Problem को साफ़ frame करे। AI tools तभी बेहतर काम करते हैं जब goal, constraints, expected behavior और context साफ़ हों।
• System context दे। Generated code को existing codebase, data assumptions, ownership boundaries और product requirements में fit होना पड़ता है।
• Output को ध्यान से review करे। Code चल गया, इतना काफी नहीं। क्या यह सही tradeoff है? क्या यह safe है? क्या इसे ship किया जाना चाहिए?
• Edge cases test करे। तेज़ draft testing, debugging और failure-mode thinking की जगह नहीं लेता।
• Architecture की रक्षा करे। ज्यादा generated code का मतलब maintain करने के लिए ज्यादा code भी हो सकता है; इसलिए boundaries, dependencies और simplicity और जरूरी हो जाते हैं।
• Production outcome own करे। Reliability, maintainability और user impact की accountability अभी भी human team पर रहती है।

सीधी बात: raw code volume value का कमजोर signal बन सकता है। फर्क judgment से पड़ेगा—AI से क्या बनवाना है, क्या reject करना है, क्या refactor करना है और क्या बिल्कुल नहीं बनाना है।

Review अब high-value skill क्यों बनेगा

AI-assisted coding first draft को सस्ता और तेज़ बना सकती है। इससे उस व्यक्ति की value बढ़ती है जो useful draft और fragile code के बीच फर्क समझ सके।

मजबूत engineer वह नहीं होगा जो model को prompt देकर result accept कर ले। ज्यादा मजबूत profile editor, systems designer और operator के मिश्रण जैसी होगी: जो generated code को reliable software में बदल सके। इसमें देखना होगा कि implementation product intent से मेल खाता है या नहीं, कोई hidden assumption तो नहीं टूट रही, architecture में fit बैठता है या नहीं और कोई दूसरी team इसे बाद में maintain कर पाएगी या नहीं।

यही वजह है कि AI senior engineering judgment को कम नहीं, कई मामलों में ज्यादा महत्वपूर्ण बना सकता है। अगर teams code तेजी से बना सकती हैं, तो bottleneck अक्सर यह तय करने पर आ जाता है कि कौन-सा code बनने और बने रहने लायक है।

मैनेजरों के लिए: सिर्फ status tracking काफी नहीं

चेस्की की managers पर टिप्पणी, coding वाले 60% आंकड़े जितनी ही महत्वपूर्ण है। Airbnb की reported expectation यह है कि managers काम के इतने करीब रहें कि वे code या AI coding tools को खुद समझ और इस्तेमाल कर सकें । People Matters की ‘pure people managers’ वाली रिपोर्ट भी इसी दिशा की ओर इशारा करती है: ऐसे leadership roles जो केवल coordination layer बनकर रह जाते हैं, AI-heavy workflows में दबाव में आ सकते हैं ।

इसका मतलब यह नहीं कि हर engineering manager को team का सबसे तेज़ individual contributor बनना पड़ेगा। लेकिन technical fluency से बचना मुश्किल होगा। AI-heavy teams में managers को यह समझना होगा कि:

• AI tools क्या कर सकते हैं और क्या नहीं;
• estimates, designs और generated code में weak assumptions कहां हैं;
• technical tradeoffs को सिर्फ status update की तरह नहीं, वास्तविक engineering decision की तरह कैसे evaluate करना है;
• reviews, tests, security और reliability के quality gates कैसे तय करने हैं;
• team को manual coding effort से नहीं, shipped value और system health से कैसे judge करना है।

Manager की भूमिका में hiring, coaching, prioritization और team health अब भी शामिल रहेंगे। फर्क यह है कि Airbnb जैसी दिशा में बढ़ती कंपनियों में ये जिम्मेदारियां hands-on technical understanding के साथ चलेंगी।

सबसे ज्यादा दबाव किन roles पर है

Risky category ‘software engineer’ या ‘manager’ नहीं है। Risky role वह है जो routine output तक सीमित हो गया हो।

ज्यादा दबाव उन लोगों पर आएगा जो मुख्य रूप से:

• system को समझे बिना code लिखते हैं;
• AI-generated output को careful review के बिना accept कर लेते हैं;
• impact को product value के बजाय task volume से मापते हैं;
• technical substance समझे बिना केवल coordination करते हैं;
• उन tools को सीखने से बचते हैं जो team workflow का हिस्सा बन रहे हैं।

तुलनात्मक रूप से सुरक्षित profile वह है जिसे technical operator कहा जा सकता है: AI से speed बढ़ाने वाला, लेकिन quality, architecture और outcome की जिम्मेदारी लेने वाला।

अभी engineers और managers क्या करें

Engineers के लिए practical step यह नहीं है कि AI को ignore करें या आंख बंद करके trust करें। बेहतर रास्ता है AI-assisted delivery में अच्छे होना—clear specifications लिखना, ज्यादा context देना, diffs को ध्यान से review करना, test coverage बढ़ाना और architecture, reliability, security तथा product sense में invest करना।

Managers के लिए जरूरी है कि craft से दूरी न बने। Tools का इस्तेमाल इतना करें कि उनकी strengths और limits समझ में आएं। Design और review conversations में शामिल रहें। Quality standards साफ़ करें। Teams को इस बात पर reward करें कि उन्होंने durable product outcome दिया या नहीं, न कि इस पर कि कितना code हाथ से type किया गया।

जरूरी caveat: Airbnb signal है, industry benchmark नहीं

Airbnb का करीब 60% वाला reported figure Airbnb-specific data point है; इसे इस बात का प्रमाण नहीं मानना चाहिए कि हर software organization उसी स्तर की AI adoption पर पहुंच चुकी है ।

चेस्की का broader view भी acceleration और patience, दोनों को साथ रखता है। 2024 में उन्होंने कहा था कि AI दुनिया को बहुत लोगों की कल्पना से ज्यादा बदलेगा, लेकिन इसमें बहुत लोगों की उम्मीद से ज्यादा समय भी लगेगा । इस बदलाव को समझने का यही सही frame है: AI software work को गहराई से reshape कर सकता है, पर transition uneven रहेगा।

निचोड़ यह है कि AI केवल engineers या managers को replace करने की कहानी नहीं है। यह उनके contribution की unit बदल रहा है। Engineers को machine-generated work के बेहतर directors और reviewers बनना होगा। Managers को इतनी technical fluency रखनी होगी कि वे AI रोज़ इस्तेमाल करने वाली teams को lead कर सकें। Airbnb के उदाहरण में टिकाऊ बढ़त manual production से हटकर judgment, ownership और AI output को reliable product में बदलने की क्षमता में जाती दिखती है ।