Én stemme, ti lanes: en dag med diktering

To barn, tre oppstartsselskaper, én stemme fortalte opphavshistorien: parallelle startup-lanes med mye på spill, et barn nummer to under seks måneder, og et tastatur som stille hadde blitt det ene feilpunktet for alt sammen. Det innlegget forklarte hvorfor Keebye finnes. Folk fortsatte å stille et mer praktisk spørsmål: hvordan ser en dag faktisk ut?

Så dette er den dagen. Ikke en typisk dag, for noe slikt finnes ikke, men en ekte form som gjentar seg. Jeg kommer bevisst til å unngå tall. Jeg har aldri målt en prosentvis forbedring, og jeg ville ikke stolt på en om jeg hadde. Det jeg kan beskrive, er hvor stemmekanalen brukes, hvor den ikke brukes, og hva som endret seg i teksturen i arbeidet.

En merknad om «ti lanes». Det er ikke skryt. En lane er alt som beveger seg videre på én setning fra meg: en kodeagent midt i en oppgave, en kodegjennomgang noen venter på, en Slack-tråd, en e-post til en investors advokat, et dokumentutkast. På en travel dag er det faktisk omtrent så mange åpne. De fleste ligger stille i et gitt øyeblikk. Problemet er at de som våkner, gjør det etter sin egen timeplan, ikke min.

Tidlig morgen: én arm, tre agenter

Dagen begynner før huset gjør det, noe som betyr at den begynner med en baby på den ene armen. Det er i denne timen stemmen gikk fra bekvemmelighet til nødvendighet.

Tre agent-lanes kjører allerede fra kvelden før, hver i sin terminal, hver i sitt repository. Det første jeg gjør, er å lese hva de gjorde. Lesing trenger øyne, ikke hender, så babyen har det fint. Det andre er å omdirigere dem som gikk sidelengs, og det var der tastaturet pleide å tape.

Nå: klikk i terminalen, hold høyre Command, si omdirigeringen, slipp. «Migrasjonen er grei, men du døpte om tabellen i modellen og ikke i seed-skriptet. Fiks seed-en og kjør testene på nytt.» Teksten lander i prompten. Enter. Neste lane.

Jeg har en liten vane som tok tid å lære: snakk i hele setninger. Agenter gjør det bedre med dem, og diktering produserer dem naturlig fordi det er slik folk snakker. Den telegrafiske stilen jeg pleide å skrive («fiks seed, kjør testene»), var et tastaturartefakt, ikke en preferanse.

Denne timen avslører også den ene særegenheten ved første diktering som er verdt å kjenne til. Mikrofonen varmes opp etter den første dikteringen i økten og holder deretter en 500 ms pre-roll. Det aller første tastetrykket om morgenen kan betale en oppstartskostnad for strømmen og kutte et ord hvis jeg begynner å snakke for tidlig. Jeg har lært meg å ta en liten pause. Hvorfor dikteringsapper spiser det første ordet ditt forklarer mekanikken; kortversjonen er at det er et problem for hele kategorien med en delvis, ikke en ferdig, løsning.

Midt på formiddagen: gjennomgangs-lanen

To av oppstartsselskapene jeg jobber med, har kodegjennomganger som venter på meg de fleste morgener. Gjennomgang er det best tenkelige bruksområdet for diktering: det er lesing med korte prosautbrudd innimellom, og prosaen er rettet til et menneske.

Jeg leser diffen i en nettleserfane. Når noe trenger en kommentar, klikker jeg i feltet, holder, snakker, slipper. Den egendefinerte ordboken bærer prosjektets identifikatorer, så reconnectBackoff kommer ut som reconnectBackoff og ikke som tre engelske ord. Oppryddingen er regelbasert som standard: fyllord og gjentatte ord forsvinner, formuleringen min blir. Jeg holder den valgfrie LLM-poleringen av for gjennomgangskommentarer, fordi trofasthetsvakten bak den er en heuristikk mot alvorlig tokentap, oppblåsing eller gjentakelse, ikke en garanti for at en nektelse overlevde — og i en gjennomgang endrer et snudd «ikke» konklusjonen.

Ett av disse teamene går gjennom kode på rumensk. Keebyes 25-språksmotor håndterer det på enheten; jeg låser språket i menylinjen, og neste ytring dekodes som rumensk, engelske identifikatorer inkludert. Dikter kodegjennomganger på ditt eget språk har detaljene, inkludert den ærlige lista over hvilke språk som dekkes og hvilke ikke.

Sen formiddag: de menneskelige lanene

Ikke alle lanes er en agent. Rundt nå trenger Slack-trådene og e-postene som eldet over natten, svar, og det var her dagen stille pleide å miste timer. Ikke fordi svarene var vanskelige, men fordi hvert svar betød å forlate en lane, og å komme tilbake til en lane koster.

Stemmen endret økonomien i et svar. Et Slack-svar på to setninger er ett hurtigtasttrykk, sagt inn i meldingsfeltet mens øynene mine fortsatt er halvveis på terminalen ved siden av. E-poster i investorsonen er lengre, og jeg skriver dem fortsatt med omhu, men førsteutkastet blir nå sagt, deretter redigert. Å si et utkast får formen ned raskt; å redigere det skriftlig er der presisjonen kommer.

Dette er også timen der personvernkravet betyr mest. Det jeg dikterer her, er innsiden av andre folks selskaper: ulanserte produkter, sikkerhetsdiskusjoner, penger. Keebye transkriberer på enheten, virker med Wi-Fi av etter at modellen er lastet ned, holder en historikk med kun tekst lokalt som sletter seg selv etter 30 dager, og sender ingen telemetri. Hvor blir stemmen din av er den lange versjonen av hvorfor det ikke var forhandlingsbart for meg.

Ettermiddag: dypt arbeid, og lanene som våkner

Ettermiddagene er for den lanen som krever ordentlig tenking: et design, en vanskelig feil, et dokument som må bli riktig. Det skrives. Stemmen er en styringskanal, ikke en tenkekanal, og et hardt problem blir ikke lettere av å bli sagt høyt.

Men de andre lanene vet ikke at det er tid for dypt arbeid. En agent blir ferdig og stiller et spørsmål. En som gjennomgår koden, svarer på kommentaren min med et motargument. Før var hvert av disse en avgjørelse: bryte fokus og bytte vindu, eller la det ligge. Nå er de fleste av dem et blikk og en setning. Kast et blikk på agentens spørsmål, klikk inn, si «ja, men hold det gamle endepunktet i live til klienten er ute», klikk tilbake. Vinduet for dypt arbeid holder seg stort sett intakt, fordi avbruddet er noen sekunder med tale i stedet for et fullt kontekstbytte inn i noen andres problem.

Jeg vil være presis på påstanden her. Stemmen gjør ikke avbrudd gratis. Den gjør den mekaniske kostnaden ved å svare liten nok til at det som gjenstår, bare er tanken — som alltid var den egentlige kostnaden.

Kveld: den terminaltunge lanen

Ett av oppstartsselskapene kjører mye av driftsarbeidet sitt over SSH, i tmux, på servere der utklippstavlen ikke finnes som begrep. Det er her dikteringsverktøy vanligvis faller sammen, fordi de fleste av dem setter inn tekst ved å lime inn.

Keebye limer også inn som standard, med terminalbevisst oppdeling for shell. For SSH og tmux slår jeg på den valgfrie skrivemodusen, som injiserer teksten som Unicode-tastetrykk i stedet for å basere seg på en utklippstavle. Den fungerer med ikke-QWERTY-oppsett, noe som betyr noe for det rumenske tastaturet på en av maskinene. Diktering som overlever terminalen dekker oppsettet, og terminalguiden dekker avveiingene.

Keebye nekter også å sette inn tekst i sikre inndatafelt, så når en server ber om en passfrase, gjør hurtigtasten ingenting. Det er innimellom irriterende og helt riktig.

Hva som ikke endret seg

En dag som dette kan leses som om stemmen løste problemet med å ha for mange lanes. Det gjorde den ikke. Den løste én bestemt flaskehals: den fysiske kostnaden ved å levere en setning til den lanen som trengte den. Alt annet er som før.

Tenkingen er fortsatt flaskehalsen for hardt arbeid. Lesing tar fortsatt den tiden den tar. Agenter går fortsatt sidelengs og trenger fortsatt omdirigering, og en mumlet omdirigering gir et mumlet resultat enten den sies eller skrives. Stemmen er et supplement til hendene, ikke en erstatning; jeg skriver mye, bare ikke lenger som det ene nåløyet alle lanes venter bak.

Og appen har kantene til tidlig programvare. Identifikatorer blir hørt feil. Det første ordet på dagen blir noen ganger kuttet. Det finnes ikke noe vokabular for stemmekommandoer, så å navigere mellom vinduer er fortsatt et klikk. Den kjører kun på macOS.

Formen på det hele

Det gamle bildet av en 10x-utvikler var én person som skrev raskere. Bildet som faktisk kom, er én person som dirigerer: flere lanes, noen automatiserte og noen menneskelige, hver av dem ventende på en setning. I den verdenen er ikke skrivehastighet det som gir vektstang. Det er hvor billig du kan levere intensjon til den lanen som trenger den, i hvilken som helst fysisk situasjon du befinner deg i, inkludert med den ene armen full.

Har dagen din den formen, er utviklerguiden det praktiske startpunktet, og veier du dikteringsapper mot hverandre for den, er Keebye-alternativer en ærlig sammenligning som sier hvor hver av dem passer bedre. Prøveperioden er 14 dager og starter ved din første innlogging i skrivebordsappen, så en ekte uke med lanes er akkurat det den er til for.