Teamlead Good Reads – ежедневные советы про менеджмент людей и команд
Ir al canal en Telegram
Самые интересные статьи, видео и новости, связанные с управлением людьми, командами, разработкой и продуктами. РКН: https://gosuslugi.ru/snet/67b4386d2a44e21839a0f87f Продуктовая папка: https://t.me/addlist/YvmnHCHUp700Nzky Реклама: @tanyasanovna
Mostrar más
Red:📈 Análisis del canal de Telegram Teamlead Good Reads – ежедневные советы про менеджмент людей и команд
El canal Teamlead Good Reads – ежедневные советы про менеджмент людей и команд (@leadgr) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 28 190 suscriptores, ocupando la posición 2 152 en la categoría Negocios y el puesto 22 814 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 28 190 suscriptores.
Según los últimos datos del 15 septiembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -149, y en las últimas 24 horas de -10, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 18.45%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 10.03% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 5 202 visualizaciones. En el primer día suele acumular 2 828 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 30.
- Intereses temáticos: El contenido se centra en temas clave como стратоплан, менеджмент, архитектура, контекст, llm.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Самые интересные статьи, видео и новости, связанные с управлением людьми, командами, разработкой и продуктами.
РКН: https://gosuslugi.ru/snet/67b4386d2a44e21839a0f87f
Продуктовая папка: https://t.me/addlist/YvmnHCHUp700Nzky
Реклама: @tanyasanovna”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 16 septiembre, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Negocios.
28 190
Suscriptores
-1024 horas
-87 días
-14930 días
Archivo de publicaciones
+4🧠Techlead в эпоху AI: новый взгляд с Podlodka TechLead Crew
AI всё глубже входит в разработку, и всё сильнее меняется сама профессия инженера. Сейчас многие техлиды чувствуют необходимость переработать процессы и сам подход к управлению командами.
Организаторы Podlodka TechLead Crew собрали новый сезон конференции. Речь пойдет о том, как AI меняет разработку, а значит, и роль технического лидера.
💡С 28 сентября по 2 октября участники:
🟠 Разберутся, как действительно внедрить AI в SDLC, а не просто добавить copilot в старые процессы
🟠 Обсудят, как меняется роль техлида, когда AI уже умеет предлагать архитектурные решения и делать ревью кода
🟠 Создадут агентную систему для автоматизации бизнес-процесса на архитектурной кате
🟠 Узнают, как внедрять AI-агентов без потери людей, времени и денег
🟠 Поговорят о сопротивлении изменениям и обучении команд.
Формат — пять дней живых Zoom-сессий, закрытое комьюнити в Telegram и общение со спикерами.
Если хотите понять, как AI меняет подходы к разработке, и что с этим делать техлиду уже сейчас — присоединяйтесь к сезону.
👉 Программа и билеты
Универсальные отказы на интервью
У отказов на интервью есть и другая крайность – универсальные, ничего не значащие ответы, которые вообще не отвечают на вопрос кандидата "почему меня не взяли".
Пара примеров из статьи:
👉У кандидата пустой GitHub? Скажите, что вам не нужен человек, который не увлечен программированием.
👉GitHub с проектами, но звезд нет? Вам не нужен кандидат, который не может писать полезные и востребованные вещи.
👉GitHub со звездами? Вам не нужен человек, который вместо работы будет своими пет-проектами заниматься.
Вот такой тип отказов по надуманным причинам встречается, конечно, в бесконечность раз чаще, чем индивидуальный подробный фидбэк. Поэтому нормальный менеджер должен нащупать свой подход, в котором кандидат не получает бесполезную отписку, но и времени и сил на индивидуальный созвон тратить не придется.
Как быстрее проверять маркетинговые гипотезы с помощью ИИ
Например, в Greeneration почти 3 месяца вручную искали рабочий оффер для нового продукта — мини-цуккини и specialty-картофеля.
Делали разные лендинги, переписывали рассылки, собирали креативы, запускали и сравнивали результаты.
Сейчас тот же цикл, по оценке команды, можно было бы пройти за 1–2 недели, если встроить ИИ не только в генерацию текстов, а в сам процесс тестирования гипотез.
И это, кажется, гораздо более интересный сценарий применения ИИ в маркетинге, чем очередное «напишите 20 вариантов заголовка».
ИИ здесь можно использовать на разных этапах: исследовать аудиторию и собирать гипотезы, быстро собирать варианты креативов, тестировать разные офферы и сравнивать каналы по стоимости заявки или продажи.
21 сентября AI Mindset запускает трёхнедельный практический спринт про маркетинг + ИИ
Участники приходят со своим действующим продуктом и конкретной маркетинговой задачей и вместе с командой выстраивают тот самый цикл:
идея → креатив → канал → сигнал → решение
То есть результатом должна стать не презентация про возможности AI, а реально запущенный тест + данные для решения, что проверять следующим.
Спринт идёт онлайн с 21 сентября по 10 октября.
Вся программа и детали — на сайте: marketing.aimindset.org
Регистрация — через бота: https://t.me/aimindset_lab_bot?start=874
Реклама. ООО «ВИНКАМ», ИНН 5408306756, erid:2SDnjcdN5qu
Как дать фидбэк по итогам собеседования
В чем суть статьи – автор предлагает давать фидбэк по итогам проваленного собеседования не безличным письмом, а на отдельном звонке. У меня к этому довольно двоякое отношение.
С одной стороны, такой звонок, будучи проведен правильно, скорее всего будет воспринят кандидатом очень хорошо, смягчит разочарование от провала и поможет в будущем стать лучше. А оставлять кандидата в таком состоянии, конечно, хорошая идея – кто знает, будет ли он в будущем собеседоваться к вам повторно, или где еще во время своей карьеры вы с ним столкнетесь.
С другой стороны, при хоть сколько-то здоровом потоке кандидатов такие звонки – непозволительная роскошь, отдающая золотыми 2019-2021 годами. Речь даже не про сам звонок, а про подготовку – ведь, чтобы дать действительно полезную обратную связь, нужно вложить кучу сил.
Короче говоря, я бы в такие фоллоу-апы вкладывал время только для исключительных кандидатов.
Вы вообще видели, что сделала команда AvitoTech ко Дню разработчика?!
В честь наступающего праздника вместе со студией FU2RE и 3D-художником Dmitriev Video ребята создали большой портал в прошлое — эмулятор 2006 года будущего разработчика. Внутри — олдскульные игры и викторины, за которые можно лутать баллы и подниматься в рейтинге.
Топ-3 игроков 15 сентября получат суперпак настоящих разрабов, внутри которого салфетка на монитор из коллаборации с Elnik, плед, сумка и плюшевый талисман — кот Б/У. Так что времени сыграть ещё много!
P. S. Сыграть в эмулятор и побороться за призы можно до 15 сентября. Так что успевайте ❤
Как измерить слоп
Даже если все автотесты и проверки линтера проходят, это еще не гарантирует того, что код получился хорошим. LLM неплохо справляются с поиском функциональных багов, но вот наличие лишних абстракций и другие признаки слопа они оценить не способны.
Есть несколько альтернативных количественных методов:
👉Просто смотреть на количество строк кода, но есть нюанс – если сделать эту метрику целевой и оптимизироваться под нее, то смысл она быстро потеряет.
👉Verbosity – количество продублированных или бесполезных строк (реализовано через ast-grep)
👉Erosion – насколько значимая часть кода сосредоточена в небольшом количестве больших и сложных функций. Считается через цикломатическую сложность.
Verbosity и Erosion довольно заметно отличаются между завайбкоженными проектами и просто старым добрым человеческим легаси – для AI кода в среднем они в два раза выше.
Как в Uber управляют экономикой AI
Uber выпустил интереснейший разбор всех деталей того, как AI используется во всех этапах их SDLC, как они выросли в нагрузке в 7 раз с февраля, при этом существенно сократив затраты на каждую отдельную сессию. Вот некоторые интересные инсайты:
👉Основные рычаги влияния на экономику AI: цена за токен, количество шагов в сессии, количество запросов к модели на каждый шаг, и количество токенов на каждый запрос.
👉Дефолтную модель меняют чуть ли не каждую неделю, постоянно гоняя их на собственных бенчмарках, и выбирая оптимальную по цене/качеству.
👉У всех инженеров форсится максимальный размер контекста в 400к токенов и medium reasoning – это помогает контролировать количество токенов в запросе.
👉Все MCP тулы находятся за единым гейтвеем, что и экономит токены, и позволяет навесить единые политики авторизации.
👉Собственный графовый движок помогает существенно ускорить поиск агентом нужного контекста (с 20 минут до 40 секунд для довольно типичной задачи).
👉Внутренний дэшборд подсвечивает каждому человеку антипаттерны в том, как он работает с AI.
Надо ли ревьюить код
Вообще, все споры про то, надо ли ревьюить весь AI-generated код, на мой взгляд, довольно бессмысленны. Разговор стоит вести на другом уровне абстракции – нужен ли в целом процесс code review, вне зависимости от того, кто этот код написал.
И вот об этот вопрос копий сломано уже бесконечность, в том числе в нашем канале. Я придерживаюсь того же самого взгляда, что и автор статьи:
👉Чтобы уменьшить фидбэк луп о том, что в техническом решении что-то не так, процесс ревью надо уводить налево, сильно до того, как написана хоть одна строчка продакшн кода, и заменять на дизайн-ревью.
👉Если надо обеспечить передачу знаний о какой-то подсистеме, то лучше сработает сеанс парного программирования, или хотя бы разбора кода вместе.
👉Для обучения джунов есть гораздо более рабочие механизмы – то же парное программирование, или коллективные брейнштормы у доски.
👉Аналогично и для выращивания командного овнершипа, и для выравнивания по архитектуре – чтение кода на PR для этого тоже очень плохой инструмент.
При этом ревьюить часть кода точно нужно продолжать – например, в случае фундаментального изменения архитектуры. Сначала его надо проработать вместе с командой на уровне дизайн-ревью, но затем имеет смысл посмотреть и в код, чтобы убедиться, что и к решению ни у кого не будет вопросов. Другие примеры – изменение в незнакомой человеку критической части системы, либо что-то, что несет в себе любые другие риски.
Если суммировать, то нам важно, чтобы инженеры понимали не сырые диффы, а то, как устроена вся система. Code review это простой ответ на сложные вопросы, связанные с этой задачей – но, как и многие другие простые ответы, абсолютно не оптимальный.
Ирония автоматизации
В 1970х годах когнитивный психолог Лизанна Бейнбридж проводила дни, наблюдая за операторами больших индустриальных печей. Она просила их проговаривать вслух, что именно они делают и почему, и разбирала, как устроено их знание о производственном процессе, управляемом автоматикой.
Из этой серии интервью в 1983 родилась статья "Ironies of Automation", которая ну до боли напоминает сегодняшние разговоры о нашей индустрии.
Ирония автоматизации состоит в том, что человеку достаются задачи, которые не удалось автоматизировать, то есть по определению самые трудные и плохо формализуемые. Плюс к ним – надзор за автоматикой, которую внедрили как раз потому, что она работает лучше человека. И эта система концептуально сломана:
👉Человек физиологически неспособен удерживать внимание на источнике, где почти ничего не происходит.
👉Умения оператора деградируют без практики. Если ты годами только наблюдаешь за системой, то в момент аварии, когда нужно перехватить управление и проявить мастерство, его уже не осталось.
👉Знания в долгосрочной памяти остаются доступными, только когда к ним регулярно обращаются. Оператор, не пользующийся этими знаниями, теряет способность быстро из извлечь. Кроме этого, протухает ментальная модель того, как работает система, и в каком состоянии прямо сейчас она находится.
Все эти проблемы стали ярко видны в произошедшей примерно в то время аварии на АЭС в Пенсильвании. Скакнуло давление, один из клапанов не закрылся, и пошло-поехало. При этом все части автоматики сработали как надо, но итоговый сценарий был не знаком операторам, а из-за показаний приборов из ментальная модель разошлась с реальностью. В итоге они совершили кучу ошибок, произошел выброс радиации, а блок теперь законсервирован навсегда.
Короче говоря, убирая легкие части задачи, автоматизация делает трудные части еще труднее, при этом возможностей получать релевантный опыт и поддерживать актуальные знания у операторов становится меньше. Здравствуй, чудесный 2026 год!
Что такое ответственность за фичу
Держите хороший чек-лист, по которому можно пройтись с вашим разработчиком, который готов брать на себя больше ответственности:
👉Отделять решение от проблемы, и отвечать на вопросы вроде "надо ли вообще решать эту проблему", или "по каким критериям нужно выбирать решение"
👉Думать про эдж-кейсы – какие надо учесть, а какие можно проигнорировать
👉Думать про точки отказа, например про то, как должна вести себя фича, когда сеть недоступна
👉Думать про данные и их флоу – что надо мигрировать, что почистить, какие есть инварианты
👉Думать, как проверить корректность работы фичи
👉Понимать, как про фичу узнают ее потенциальные пользователи, и что для этого должно быть сделано
👉Понимать, как фича вписывается в общий роадмап
👉Разработать фичу и заполишить ее до такого состояния, которым вы будете гордиться
👉Протестировать фичу самому вручную, при этом думать не только про поиск багов, но и про вопросы более высокого порядка – решает ли эта фича исходную проблему или нет
👉Проконтролировать, что фича задеплоена и работает
👉Думать о том, кому из ваших коллег надо знать про существование фичи и особенности ее работы – и доносить эту информацию до них
👉Следить за фидбэком подьзователей и багами
👉Вернуться к фиче через какое-то время и проверить, что все идет согласно ожиданиям
Не успеваете за ИИ-гонкой? Обучите команду ИИ-навыкам быстро и прозрачно на платформе Грейд от Яндекс Практикума
Половина сотрудников в России уже использует ИИ в работе. Но реальный эффект от автоматизации видят те компании, которые внедряют ИИ системно: обучают, отрабатывают реальные сценарии, делятся опытом экспертов.
Попробуйте готовое решение для быстрого обучения команд ИИ-навыкам — Грейд от Яндекс Практикума:
— Оцените 1200+ навыков сотрудников
— Выявите разрыв навыков по ролям и создайте персональные ИПР
— Обучите сотрудников в формате микрокурсов, которые не отвлекают от работы
— Измерьте прогресс до и после обучения
В Грейде 450 курсов по 11 направлениям: от ИИ и разработки до аналитики и маркетинга.
Получить бесплатный доступ к Грейду на 7 дней
Реклама, ООО Яндекс, ИНН 7736207543, erid: 2VtzqvCpdWU
У нас больше нет оправданий делать медленный софт
Оптимизации перфоманса, которые раньше требовали большого количества времени очень узких специалистов, сейчас стали доступны значительно шире – был бы бенчмарк, а дальше достаточно долго работающий агент найдет кучу точек для улучшения.
Про такой метод оптимизации важно понимать, что большая часть буста, который вы получите, будет заточенной именно под кейсы из бенча, и, скорее всего, не улучшать перфоманс в общем случае. Но в куче ситуаций нам это и не нужно. Не все продукты используются миллионами пользователей. Например, если у нас есть данные о том, как конкретные крупные кастомеры используют наш продукт, мы можем оптимизироваться чисто под них.
Раньше такая точечная оптимизация перфоманса почти никогда не была экономически выгодной. Сейчас провести несколько десятков экспериментов не стоит почти ничего – поэтому, правда, нет причин делать медленный софт и дальше.
Новые выпуски тимлидских подкастов
Мне вообще не верится, что Подлодку я пишу уже почти ДЕСЯТЬ ЛЕТ. За это время подкасты в России успели набрать популярность, достичь своего пика в период ковида, а потом постепенно откатиться к адекватной норме. Сейчас люди продолжают слушать подкасты, но мало кто доходит больше, чем до 1-2 выпусков в неделю. Поэтому держите подборку, которую сможете слушать еще месяц вперед!
👉Бреслав и Ложечкин про типологии личности, и то, можно ли извлечь из них пользу, даже несмотря на их антинаучность.
👉"Три тимлида заходят в бар" про политические игры в корпорациях и то, как научиться в них не проигрывать.
👉"Едим слона целиком" про стратегическое мышление – из каких элементов состоит этот навык, и как его развивать.
👉Weekend Talk с Иваном Поддубным про то, как рабоатть всю карьеру в одной компании, и должен ли СТО писать код
Как считать ROI команды
Мы не очень хорошо справлялись с подсчетом окупаемости команды и раньше, а с появлением в картине дополнительных бюджетов на AI все стало еще сложнее.
После разных сумасшедших попыток считать ROI на потраченный токен сегодняшняя статья прямо золото. Основная идея в следующем:
👉Считаем стоимость команды как единого целого с учетом заралат и токенов
👉Привязываем команду к каузальной модели того, как бизнес приносит ценность, при необходимости через прокси-метрики
Самое сложное, конечно, это построить такую модель, и понять, а действительно ли ваша команда в ней существует – но это как раз очень полезное упражнение.
Как вы думаете, что будет с джунами?
Последние годы рынок найма для джунов и так был сложным, а с приходом AI все как будто бы стало еще тяжелее – требования выросли, а получать опыт, когда код за тебя пишет машина, стало еще сложнее.
Я собрал мнения нескольких участников нашего Podlodka AI Engineers Club с большим опытом работы с джунами, и смотрящих с немного разных сторон индустрии. Кто такой хороший джун в 2026? Стали ли джуны, вооруженные агентами, более полезными, и быстрее приносить пользу команде? Что изменилось в механизме их обучения? По каким сигналам оценивать, становится ли джун сильнее, и когда он станет мидлом? И самое главное – есть ли вообще смысл их нанимать?
Читайте лонгрид, и рассказывайте про собственное мнение в комментариях!
Как AI влияет на дублирование и переиспользование кода
Среди всех исследований того, как AI влияет на разработку, ежегодные отчеты от GitClear заметно выделяются. Дело в том, что у них есть доступ к очень классному корпусу данных – приватным git репозиториям разных компаний. И вот оттуда они вытаскивают ну очень интересные данные про то, как меняется работа с кодом и состояние кодовых баз.
Ну и дежурное напоминание – GitClear продает инструмент для кнтроля за качеством кода, поэтому, конечно же, их задача – напугать.
👉Процент файлов, содержащих дублирующиеся 5+ строк, вырос на 80% с 2023 года.
👉Доля коммитов, содержащих в себе перенос строк из одного файла в другой, упала на 70%.
👉Все меньше и меньше нового кода переиспользует существующие функции – доля строк, содержащих такие вызовы, упала на 35%.
👉Легаси код, написанный больше 12 месяцев назад, стали изменять или удалять еще реже – процент коммитов с такими изменениями упал с 1.7% до 0.46%.
Никогда не злитесь на работе
Злоба на что-то на работе обычно появляется не на ровном месте. Скорее всего, вы злитесь, потому что то, о чем вы сильно заботитесь, идет не так, как должно. А заботиться о своей работе – не такая плохая идея, особенно в начале карьеры, потому что это подталкивает вас работать над своими ошибками и именно так вы становитесь компетентным специалистом.
Проблемы начинаются в тот момент, когда то, о чем заботитесь вы, расходится с тем, о чем заботится ваша компания. Самый простой пример – для вас важно делать очень качественный продукт, а компании важно побыстрее выйти на несколько новых рынков и проверить свои идеи. Вы точно будете злиться, ведь вам не дают делать хорошо работу, о которой вы заботитесь.
У ситуации три выхода:
👉Найти другие вещи, о которых можно заботиться, за пределами своей работы.
👉Выровнять то, о чем заботитесь вы, с тем, о чем заботится компания. Другими словами, поймите и переключитесь на бизнесовые результаты.
👉Поменяйте работу на ту, где ценности будут совпадать с вашими.
Ну а злиться плохо не только для вашей менталочки, но и для людей вокруг – атмосфера становится токсичной, менее устойчивые люди начинают меньше выражать свое мнение, и в целом вас будут стараться избегать.
Исследование Linear про изменения в SDLC
Этот рисерч интересен тем, что его результаты получены не с помощью опроса, а прямо из продуктовых данных по тому, как реальные команды работают в Linear. В целом все инсайты ожидаемые, но вот эти два факта мне показались самыми полезными для того, чтобы ссылаться на них в будущем:
1️⃣ Среднее количество недельных PR на команду за последние два года выросло на 111%.
2️⃣Весь рост приходится только на команды, работающие с кодинг агентами.
Жалко, конечно, нет такого же графика по количеству заведенных регрессий...
Хорошие практики руководителя за 0 рублей
Недавно обнаружили закрытую почтовую рассылку от Selectel для руководителей. Ребята пишут редко (примерно раз в месяц), но метко, у руководителей и так календарь выглядит как проигранная партия в тетрис.
Внутри писем реальный опыт руководителей, которые уже прошли этот путь, набили свои шишки и готовы рассказать, как вам не набить те же самые. Например:
👉почему даже хорошие процессы иногда начинают вредить
👉 как меняется команда на разных этапах развития (и что с этим делать?)
👉 книжные рекомендации и анонсы мероприятий для руководителей
А в первом письме дают список вопросов для собеседования и подсказки, что делать до, во время и после встречи с соискателем.
Если вы уже в менеджменте или планируете двигаться в эту сторону, советую подписаться, чтобы не пропустить ничего полезного.
Реклама. АО «Селектел» ИНН: 7810962785 erid: 2W5zFGuxFDT
🏗 Что происходит с технологиями, когда компания вырастает до десятка продуктов
У любой компании, которая долго растёт, в какой-то момент технологии внутри начинают жить каждая своей жизнью. Одна команда пилит свой стек, другая изобретает то же самое заново, третья вообще не знает, что у соседей уже есть готовое решение. Пока продуктов мало, это терпимо. На масштабе в десятки — уже нет.
Так вот, у VK на эту тему вышел подкаст, и там прямо по шагам разбирают, как компания подошла к этому вопросу: собрали общее облако, единую платформу для работы с данными, общие стандарты разработки. Причём подкупает логика, по которой это делалось — не "срочно всем работать по-новому", а через конкретную задачу и запрос.
👉 Сначала находят проблему, делают пилот, смотрят, реально ли стало лучше — и только потом раскатывают решение на остальные команды
👉 С AI ровно та же схема: сначала описывают архитектуру, ограничения и процессы, тестируют инструменты на реальных задачах — оценка, код, code review, — и масштабируют то, что действительно сработало
👉 И отдельная, кажется, самая недооценённая часть — работа с людьми: вовлечение команд в общие решения, единая инженерная культура, выращивание лидеров, которые не ждут инструкций сверху
Зацепила мысль, что общие платформы — это не про отобрать у команд самостоятельность, а наоборот:
> Общие платформы не отнимают у продуктов самостоятельность, а освобождают их от повторяющейся инфраструктурной работы и дают больше скорости для продуктовых задач
Если у вас в компании технологии расползаются в разные стороны — посмотреть будет полезно, там именно механика на кейсах, а не лозунги про "как должно быть".
👉 Смотреть подкаст: https://vkvideo.ru/video-226803614_456239175
