Плохой менеджер Артём Арюткин
Канал про IT менеджмент Авито - СРО платформы разработки, Ex- Яндекс СРО, платформы для разработки, ex-Дир-р по тех. разв-ю в Сбере: данные, AI, рек.системы. Ex-head of PMO СБОЛ Автор:Арюткин Артём РКН https://www.gosuslugi.ru/snet/6763fd618e552d6
Show more📈 Analytical overview of Telegram channel Плохой менеджер Артём Арюткин
Channel Плохой менеджер Артём Арюткин (@badtechproject) in the Russian language segment is an active participant. Currently, the community unites 13 680 subscribers, ranking 9 296 in the Technologies & Applications category and 48 209 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 13 680 subscribers.
According to the latest data from 09 July, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -153 over the last 30 days and by -8 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 20.00%. Within the first 24 hours after publication, content typically collects 9.32% reactions from the total number of subscribers.
- Post reach: On average, each post receives 2 736 views. Within the first day, a publication typically gains 1 275 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 82.
- Thematic interests: Content is focused on key topics such as архитектура, llm, finops, факс, контекст.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“Канал про IT менеджмент
Авито - СРО платформы разработки,
Ex- Яндекс СРО, платформы для разработки,
ex-Дир-р по тех. разв-ю в Сбере: данные, AI, рек.системы.
Ex-head of PMO СБОЛ
Автор:Арюткин Артём
РКН https://www.gosuslugi.ru/snet/6763fd618e55...”
Thanks to the high frequency of updates (latest data received on 10 July, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Technologies & Applications category.
если что-то пошло не так в инциденте, то в первую очередь виноват дизайн процесса, а не человек, допустивший ошибку. И что даже самые умные люди допускают «глупые» ошибки.Можно ли спорить с этой мыслью? Да чего нет то, спорьте, с чем хотите, честное слово! Но что важно, со временем я утвердился в мысли, что в принципе так оно и есть. Процессом нельзя заменить крутых и умных ребят, уж поверьте, но процесс может им помочь. Он может им помочь выкинуть лишний контекст из головы и подскажет, какие важные вещи проговорить в слух в важные моменты их работы. Я не устаю повторять, что ключевая проблема провала - неумение людей говорить и слушать. И самое важное, наше неумение понять, что реально важно в данный момент для всех и выровнять контекст. Так вот, тема с чек-листами Гаванде - это попытка решить эту задачу в условиях жесткого прессинга во время проведения операции врачами и т.п. На каждое важное повторяющееся событие, у вас должен быть небольшой чек-лист из 5-9 пунктов. Чек-лист (7 пунктов) перед операцией: 1. Все участники представились и назвали свою роль. 2. Подтверждена личность пациента и тип операции. 3. Подтверждена сторона операции (лево / право). 4. Есть ли аллергии или особые риски? 5. Готовы ли инструменты и кровь (если нужна)? 6. Антибиотик введён (если требуется). 7. Есть ли у кого-то опасения прямо сейчас? Обратите внимание: в этом чек-листе нет ни одного «умного» пункта. Почти всё врачи и так знают. Его задача - не знание, а синхронизация. Чек-листы Гаванде - это не про инструкции, а про то, чтобы в критический момент заставить команду проговорить важное вслух. И если вы думаете все еще, что это супер очевидно, то вот вам история Чек-листы, которые спасают жизни
Атул и его команда три месяца следили за четырьмя операционными и собрали неутешительные данные. Из 400 000 отслеживаемых ими пациентов 400 получили послеоперационные осложнения, а 56 из них умерли. Общий уровень хирургических осложнений колебался от 6 до 21%. Чтобы сократить число хирургических осложнений, врачи под эгидой ВОЗ создали чек-лист из 19 пунктов. Его разослали в восемь больниц для пилотного запуска и начали активно внедрять в 2008 году. Атул предоставил пилотным больницам собранные им данные, чтобы наглядно показать, о чём идёт речь. Через несколько месяцев появились первые результаты: послеоперационные осложнения встречались на 36% реже, а смертельные случаи — на 47%. Число инфекций сократилось вдвое, число повторных операций — на четверть.
ПРОДЖЕКТ, получите рекордную скидку 70% + второй курс в подарок — и сделайте прорыв уже в предстоящем году.
Реклама ООО «Эдюсон», ИНН 7729779476, erid:2W5zFHRkS2CНу вы же сами работаете в корпорациях, не мне вам рассказывать)))2) Коммиты и PR - плохая метрика. Бум output, но линия качества - вниз. Можно удвоить количество строк кода, не трогая полезность ни на йоту. 3) Greenfield-эффект. На игрушечных проектах LLM выглядит богом. А в реальной компании 90% задач - это старый код, грязь, зависимости и боль. Ну и куча требований безопасности, надежности. 4) Опросы? «Кажется, я стал продуктивнее» ≠ «стал». Самооценка - круто для well-being, но не для метрик.
Это ваще супер важная штука, когда регулярно занимаешься DevEx понимаешь, что есть большая разница между реальной производительностью и тем, как она ощущается. По сути, тут совпадает с ощущением многозадачности, как у менеджера: весь день делал кучу вещей, вроде, молодец, но есть ли результат?2. Как Стэнфорд это мерил? 1) Подключили настоящие git-репы компаний. Не игрушки, а живой корпоративный код. Контекст команд - сохранён. 2) Собрали пул архитекторов и заставили их руками ставить оценки. 10–15 экспертов на качество, сложность, поддерживаемость. И оценки очень хорошо коррелировали - то есть разметка надёжная. 3) Натренировали ML-модель, чтобы она воспроизводила экспертную оценку. С высокой корреляцией. То есть дальше можно масштабировать без сумасшедшей стоимости ревью. 4) Классифицировали типы изменений: - добавление фичи - удаление - рефакторинг - rework (переделка свежего кода) ← важный индикатор «кажется, ИИ ошибся, давайте исправим». 5) Прогнали всё ретроспективно за 2019–2025. От COVID до появления LLM - чёткое сравнение «до» и «после». 3. Что показало исследование? Здесь многие ахнут 1) Сырой прирост кода: +30–40%. Но туда же входит и мусор. 2) Реальная продуктивность: +15–20%. После вычета багфиксов и rework. И это среднее - иногда намного хуже. 3) На сложных задачах: почти ноль. И огромная дисперсия. Иногда AI даже замедляет. 4) Картинка в начаое поста хорошо иллюстрирует это: сложность × зрелость проекта 5) Язык имеет значение. Популярные - выиграли. Эзотерика - страдает, потому что моделей просто не на чем было учить. 6) Размер репозитория работает против вас. Рост выгоды падает логарифмически. Причины: шум, coupling, ограничения контекста. Чем больше кодовая база - тем хуже LLM понимает, «что тут вообще происходит».
Тут ожидаемый эффект, конечно)4. Че делать то, со всем этим? 1) Определите сложность типовых задач и зрелость своего проекта. Если у вас legacy-монолит - чудес не будет. 2) Используйте популярные технологии. LLM по ним лучше обучены → подсказки лучше. 3) На больших старых системах начинайте с пилота. Маленький модуль, короткий эксперимент. «Из коробки» Cursor или Copilot может не давать прироста. 4) Следите за долей rework. Если вдруг резко вырос объём кода - это не рост продуктивности, а рост переделок.
Мы, кстати, часто такое обсуждаем а ребятами, потому что рост объема кода, это, конечно, скорее вред.5) Комбинируйте количественные сигналы git с качественным ревью. Не сводите всё к «команда довольна/недовольна». А вот тут по ссылочке можно найти презу. А у вас в компании как с AI в разработке? 🔥 - активные эксперименты и уже многое в проде 🦄 - пробуем тестируем, но не активно и не верим 💊 - мы явно на другом уровне
