es
Feedback

¡No caigas en manos de tramposos! Telemetrio encuentra y marca estos canales 👉 Si quieres ver la etiqueta, suscríbete

Плохой менеджер Артём Арюткин

Плохой менеджер Артём Арюткин

Ir al canal en Telegram

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

Mostrar más

📈 Análisis del canal de Telegram Плохой менеджер Артём Арюткин

El canal Плохой менеджер Артём Арюткин (@badtechproject) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 14 100 suscriptores, ocupando la posición 9 068 en la categoría Tecnologías y Aplicaciones y el puesto 45 910 en la región Rusia.

📊 Métricas de audiencia y dinámica

Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 14 100 suscriptores.

Según los últimos datos del 16 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -82, y en las últimas 24 horas de -9, conservando un alto alcance.

  • Estado de verificación: No verificado
  • Tasa de interacción (ER): El promedio de interacción de la audiencia es 20.28%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 9.36% de reacciones respecto al total de suscriptores.
  • Alcance de las publicaciones: Cada publicación recibe en promedio 2 860 visualizaciones. En el primer día suele acumular 1 320 visualizaciones.
  • Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 56.
  • Intereses temáticos: El contenido se centra en temas clave como архитектура, llm, finops, факс, контекст.

📝 Descripción y política de contenido

El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“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...”

Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 17 noviembre, 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 Tecnologías y Aplicaciones.

14 100
Suscriptores
-924 horas
-117 días
-8230 días
Archivo de publicaciones
Оооооххххх А ведь и, правда, все так А вы ждете GTA VI? Я вот прямо «да»🙈 🦄 - жду! 🙈 - о чем тут речь? Я слишком молод 💊
Оооооххххх А ведь и, правда, все так А вы ждете GTA VI? Я вот прямо «да»🙈 🦄 - жду! 🙈 - о чем тут речь? Я слишком молод 💊 - я слишком стар для этого…
17 nov, 07:17

Раньше модно было на чем угодно запускать DOOM, а теперь Claude натренировал и запустил LLM на дискете))) Ждем: запустил LLM
Раньше модно было на чем угодно запускать DOOM, а теперь Claude натренировал и запустил LLM на дискете))) Ждем: запустил LLM на чайнике, на кнопках в лифте и прочее))))
16 nov, 14:23

Е-ма-е, вот такое начало книги аж прямо вызывает бешеное желание ее прочитать! А книга, блин, еще 2014 года (я тогда только у
Е-ма-е, вот такое начало книги аж прямо вызывает бешеное желание ее прочитать! А книга, блин, еще 2014 года (я тогда только универ закончил) У воробьёв был отличный план: вырастить сову и делегировать ей всю тяжёлую работу 😁 Короче, Ник Бостром начинает свою книгу про сверхразум с истории о воробьях: «Искусственный интеллект. Этапы. Угрозы. Стратегии». Воробьи задолбались вить гнёзда. И тут один говорит: а давайте найдём совиное яйцо и вырастим себе помощника? Прикиньте! Сова поможет с гнёздами, присмотрит за птенцами, а если придёт соседская кошка, то и с ней тоже разберётся. Все в восторге. Кроме одного воробья. — А мы вообще знаем, как приручить сову? — Да нам бы ещё яйцо найти! Вот вырастим сову, тогда и разберёмся. И вся стая улетела искать яйцо. Остались только несколько воробьёв, которые всё-таки решили разобраться, как приручать сов. И быстро поняли, что без совы даже проверить свои идеи особо не на ком. На этом история обрывается. Мы так и не узнаём, кто успел первым. Ну и да, сова у Бострома - это ИИ, который может стать умнее нас. А вопрос воробья вполне себе наш: если мы сами вырастили сову, с чего мы взяли, что она будет нас слушаться? «Давайте сначала найдём яйцо, а там разберёмся» самая человеческая реплика во всей истории. Это же, блин, самое что ни на есть ключевой вопрос во всей гонке, что мы видим сейчас: мы нифига не знаем, куда и как бежать, но не бежать нельзя! [Оригинал притчи Ника Бострома](https://blog.oup.com/2014/08/unfinished-fable-sparrows-superintelligence/)
16 nov, 01:55

Если вы, вдруг, не знали, то тут так-то канал про ЗОЖ, а не менеджмент! Так что, давайте-ка разберем исследование! Можно зани
+2
Если вы, вдруг, не знали, то тут так-то канал про ЗОЖ, а не менеджмент! Так что, давайте-ка разберем исследование! Можно заниматься спортом всего 2 дня в неделю и получать почти ту же пользу для здоровья, что и при регулярных тренировках! 😁 Короче, наткнулся на интересное исследование в журнале Circulation. Учёные взяли 89 573 человека, измерили их физическую активность с помощью акселерометров и наблюдали за здоровьем в среднем 6,3 года. Всего изучили 678 заболеваний! Участников разделили на три группы: 1. 🙈 Лентяи - меньше 150 минут активности в неделю. 2. 🔥 Воины выходного дня - 150+ минут, основная нагрузка за 1–2 дня. 3. 🦄 Регулярные спортсмены - 150+ минут, распределённые по неделе. Иииии Снижение риска заболеваний относительно неактивных людей: ❤️ Гипертония: −23% против −28% 🍩 Диабет: −43% против −46% 🐷 Ожирение: −45% против −56% Первая цифра- воины выходного дня, вторая- регулярные спортсмены. Причём у первых обнаружили связь со снижением риска 264 заболеваний, а у вторых - 205. А самое интересное: статистически значимых различий между двумя активными группами не нашли! Оооокей! Получается, можно всю неделю сидеть на совещаниях, а потом за выходные наверстать упущенное? 😁 Есть нюансы: 1. Учитывали любую умеренную и интенсивную активность, даже быструю ходьбу. 2. Исследование наблюдательное: связь есть, но причинность не доказана. Активность измеряли всего неделю. 3. Средний возраст участников - 62 года. И речь про здоровье, а не про рост мышц или спортивные результаты. А главный вывод мне нравится! Мы пытаемся выстроить идеальную систему: тренировки по расписанию, правильное питание, сон по часам. А когда идеально не получается иногда не делаем вообще ничего. Но, похоже, для здоровья важнее общий объём активности, а не то, насколько красиво она распределена в календаре. Однако, умеренная рвспределенная нагрузка - лучшее чему нас учит спорт! 👉🏼 А вы в какой команде? 🔥 - воин выходного дня! 🦄 - всё по расписанию! 🙈- лентяй
15 nov, 23:39

#пятничное 🙈 - если ты тоже в полдень ешь 🤣🤣🤣
#пятничное 🙈 - если ты тоже в полдень ешь 🤣🤣🤣
12 nov, 23:26

В США инженеров стали нанимать в два раза меньше, чем в 2022 году. А продакты, кажется, чувствуют себя лучше всех! 😁 Короче,
В США инженеров стали нанимать в два раза меньше, чем в 2022 году. А продакты, кажется, чувствуют себя лучше всех! 😁 Короче, Ленни Рачицки выпустил большое исследование рынка труда в IT на конец 2026 года (https://www.lennysnewsletter.com/p/state-of-the-tech-job-market-late). И вот это супер-пупер внезапный поворот для читателей канала про менеджмент! И вот что получилось! 1. Продактов надо больше! Количество открытых вакансий PM выросло на 75% относительно минимума марта 2023 года. Это максимум почти за четыре года! Причем доля продактов среди нанятых специалистов пяти основных продуктовых профессий выросла с 16% в 2021 году до 21%. Правда, есть нюанс: фактический найм продактов не растет так же бодро, как количество вакансий. 2. А вот инженеров стали нанимать вдвое меньше! В 2022 году американские компании наняли около 239 тысяч Software Engineers. За последний доступный 12-месячный период — всего 113 тысяч. Падение на 53%! А теперь еще интереснее! Рост количества инженерных вакансий: - 2024 год: +29%. - 2025 год: +15%. - Последний год: +2,5%. И знаете, кому особенно не повезло? :-( Спрос на мобильных и frontend-разработчиков за последний год сократился почти вдвое! При этом вакансий Forward Deployed Engineers стало в 4,6 раза больше. Это такие инженеры, которые не просто пишут код, а непосредственно внедряют технологии в бизнес-процессы клиентов. Как sap-консультант, только про ИИ))) 3. Дизайнерам и исследователям еще грустнее. Количество открытых вакансий продуктовых дизайнеров за год упало на 28%. А фактический найм относительно 2022 года сократился с 27,6 до 12,6 тысячи человек. Но больше всех досталось User Researchers! Их стали нанимать на 66% меньше, чем в 2022 году. А вот вам еще одна интересная цифра: сейчас на одну открытую вакансию продуктового дизайнера приходится 3,8 вакансии PM. В начале 2023 года было всего 1,9. 4. Без AI теперь никуда! Еще два года назад среди востребованных навыков продактов были SQL, Jira, AWS и Python. А сегодня самый часто упоминаемый навык в PM-вакансиях LLM! Claude уже на третьем месте, а Cursor, OpenAI и MCP входят в топ-8. У инженеров LLM по упоминаниям обогнал Java. А у дизайнеров Claude обошел CSS! Офигеть, как быстро меняются требования к профессиям? 5. Удаленка продолжает умирать. В конце 2022 года 21% технологических вакансий предполагал удаленную работу. Сегодня всего 14%. У инженеров доля упала с 25% до 14%. У дизайнеров с 34% до 19%. А вот у продактов последние два года держится около 21%. Ну хоть где-то стабильность! 😁
11 nov, 12:14

В книге про искусственный интеллект глава про LLM начинается на 388-й странице 😁 И знаете, мне нравится такой порядок. Я тут
+4
В книге про искусственный интеллект глава про LLM начинается на 388-й странице 😁 И знаете, мне нравится такой порядок. Я тут постоянно пишу про AI, агентов, изменения в разработке. И за всеми этими обсуждениями полезно иногда вернуться к вопросу: а как вообще устроены штуки, на которых мы собираемся строить наши продукты и процессы? И, кажется, жизнь и безопасность ‘ Короче, «Грокаем алгоритмы искусственного интеллекта» Ришала Харбанса - это 544 страницы: от поиска пути и эволюционных алгоритмов до языковых моделей и генерации изображений. Что в ней интересного? 1. Помогает увидеть, насколько разные задачи мы называем одним словом «ИИ». Найти выход из лабиринта. Уложить в рюкзак самые ценные предметы с ограничением по весу. Построить маршрут между аттракционами. Научить машину добираться до владельца через парковку. Для каждой задачи автор разбирает свой подход: как представить возможные решения, как их искать, по каким признакам выбирать хорошие. 2. Объясняет через примеры, которые можно разобрать руками. У генетического алгоритма есть варианты решения, отбор, скрещивание и мутации. У муравьиного: пути и следы, влияющие на выбор следующего маршрута. У нейросети - вычисления, ошибка и изменение весов. 3. Конечно-конечно про токены, эмбэдинги, само внимание и прочее там прямо тоже будет. Только прикол в том, что подведут тебя к этому аккуратненько за ручку, как первоклашку. Что мне кажется ограничением книги? Во-первых, доступное изложение всё равно требует работы. Здесь есть формулы, код и упражнения. Базовое понимание программирования понадобится. Во-вторых, глубина разная. На механизм внимания отведён подробный разбор, а RAG занимает примерно половину страницы. Поэтому по наличию термина в оглавлении нельзя судить, насколько глубоко получится его изучить. Кому рекомендовать книгу? Я бы рекомендовал книгу разработчикам, техлидам и техническим продактам, которым хочется собрать знания об ИИ в более связную картину. Для человека, который уже профессионально занимается ML, значительная часть материала будет знакомой. Мне кажется, особенно полезно сейчас понимать две вещи: каким способом система ищет решение и что именно она считает хорошим результатом. P.S. Ну и мой восторг природе, когда я в этой книге разобрался, как же все-таки устроен «рой» и «муравьиный механизм»
11 nov, 00:28

В книге про искусственный интеллект глава про LLM начинается на 388-й странице 😁 И знаете, мне нравится такой порядок. Я тут
+4
В книге про искусственный интеллект глава про LLM начинается на 388-й странице 😁 И знаете, мне нравится такой порядок. Я тут постоянно пишу про AI, агентов, изменения в разработке. И за всеми этими обсуждениями полезно иногда вернуться к вопросу: а как вообще устроены штуки, на которых мы собираемся строить наши продукты и процессы? И, кажется, жизнь и безопасность ‘ Короче, «Грокаем алгоритмы искусственного интеллекта» Ришала Харбанса - это 544 страницы: от поиска пути и эволюционных алгоритмов до языковых моделей и генерации изображений. Что в ней интересного? 1. Помогает увидеть, насколько разные задачи мы называем одним словом «ИИ». Найти выход из лабиринта. Уложить в рюкзак самые ценные предметы с ограничением по весу. Построить маршрут между аттракционами. Научить машину добираться до владельца через парковку. Для каждой задачи автор разбирает свой подход: как представить возможные решения, как их искать, по каким признакам выбирать хорошие. 2. Объясняет через примеры, которые можно разобрать руками. У генетического алгоритма есть варианты решения, отбор, скрещивание и мутации. У муравьиного: пути и следы, влияющие на выбор следующего маршрута. У нейросети - вычисления, ошибка и изменение весов. 3. Конечно-конечно про токены, эмбэдинги, само внимание и прочее там прямо тоже будет. Только прикол в том, что подведут тебя к этому аккуратненько за ручку, как первоклашку. Что мне кажется ограничением книги? Во-первых, доступное изложение всё равно требует работы. Здесь есть формулы, код и упражнения. Базовое понимание программирования понадобится. Во-вторых, глубина разная. На механизм внимания отведён подробный разбор, а RAG занимает примерно половину страницы. Поэтому по наличию термина в оглавлении нельзя судить, насколько глубоко получится его изучить. Кому рекомендовать книгу? Я бы рекомендовал книгу разработчикам, техлидам и техническим продактам, которым хочется собрать знания об ИИ в более связную картину. Для человека, который уже профессионально занимается ML, значительная часть материала будет знакомой. Мне кажется, особенно полезно сейчас понимать две вещи: каким способом система ищет решение и что именно она считает хорошим результатом. P.S. Ну и мой восторг природе, когда я в этой книге разобрался, как же все-таки устроен «рой» и «муравьиный механизм»
10 nov, 01:40
10 nov, ~01:41

А кругом разговоров только о том, сколько ИИ сэномил Короче, тут методологию оценки финансовой эффективности ИИ подвезли от А
А кругом разговоров только о том, сколько ИИ сэномил Короче, тут методологию оценки финансовой эффективности ИИ подвезли от Альянса в сфере ИИ и Ассоциации ФинТех. Документ про то, как считать эффект, с примерами финансовых организаций. Кажется, как база, прямо хорошая! 1. Сэкономленное время ещё нужно во что-то превратить Методология разделяет реальное сокращение численности и отказ от дополнительного найма. Для признания такого эффекта расчёт должен быть подтверждён и отражён в бизнес-плане. (a-ai.ru) А теперь мой условный пример. Тысяча разработчиков экономит по часу в неделю. Получается тысяча часов. По 3 тысячи рублей за час — уже 3 миллиона! Только зарплаты мы заплатили прежние. Возможно, ребята выпустили больше полезных изменений. Возможно, перестали перерабатывать. Возможно, освободившееся время съели согласования. Все три сценария требуют разных управленческих решений. Табличка с часами их за нас не примет. 2. Сравнивать нужно с разумной альтернативой Авторы рекомендуют оценивать ИИ относительно лучшей ближайшей альтернативы без него. Иначе в эффект модели попадёт польза от самого изменения процесса. Мой пример: мы годами вручную переносили данные, потом сделали агента. А обычный скрипт эту задачу мог решить? Если мог, то на защите хочется увидеть стоимость обоих вариантов. Особенно когда агенту ещё нужны поддержка и проверка результатов. 3. Из эффекта придётся вычесть расходы В методологии предлагают учитывать затраты на создание и поддержку: людей, инфраструктуру, лицензии, внешние услуги. Есть показательный кейс Московской биржи: агент собирает один слайд из большой презентации. В расчёте 50 сэкономленных рабочих дней в год, 40 дней на создание и 20 дней ежегодной поддержки. ROI за три года получается 50%. Это модельная оценка потенциальных расходов. Сколько раз инструментом воспользуются? Сколько времени займёт проверка слайда? Что случится с окупаемостью, если пользоваться будут вдвое реже? 4. Красивую формулу ещё нужно наполнить доказательствами В документе приоритет отдают рандомизированным экспериментам и отдельно разбирают двойной учёт эффекта нескольких инициатив. Для меня отсюда простой вывод: расчёт ROI полезен ровно настолько, насколько можно доверять его исходным данным. Что с этим делать? Перед запуском договориться: - что конкретно должно измениться для бизнеса; - как проверим вклад ИИ; - кто превратит освободившееся время в результат; - какие расходы учтём; - когда вернёмся проверить обещания.
09 nov, 00:16

#пятничное Я пойму, если вы отпишитесь 😁
#пятничное Я пойму, если вы отпишитесь 😁
06 nov, 00:26

Решил за вас пересмотреть классику и подготовиться 🤣🤣🤣
Решил за вас пересмотреть классику и подготовиться 🤣🤣🤣
04 nov, 14:43

Вы только посмотрите, какую штуку мы запускаем вместе с southHub: HRV Club! Зачем? Да чтобы разобраться с тем, как нам сохран
Вы только посмотрите, какую штуку мы запускаем вместе с southHub: HRV Club! Зачем? Да чтобы разобраться с тем, как нам сохранить физическое и ментальное здоровье в дико-меняющемся мире! Ииии на первой встрече клуба не обойтись без AI! Так что мы решили пригласить на встречу CEO Biodata Станислава Скакуна и разобрать, как построить свою систему здоровья с нуля (из устройств, анализов и ИИ) и не дать ей себя обмануть 🫀. Это не лекция. Станислав Скакун из опыта приложение BioData и на его примере покажет, как собрать свою систему без готовых платформ, где данные и ИИ ошибались и что реально помогает принимать решения. 📅 14 ноября, 11:00–14:00 🎟 Регистрация — в личном кабинете
04 nov, 01:47

Вот если вам кажется, что все эти ваши модели фигня полная, то вот вам кусочек магии, которая пугает… Исследователи дали GPT6 Astra задачу улучшить мелкую модель 0.8B Qwen, и Astra вручную поменяла веса внутри модели (без обучения, без всякий сложности, просто текстовый файл) и устранила проблему зацикливания. Она нашла и поменяла всего 0.016% весов, блин, а доля решённых задач на математическом тесте MATH-500 выросла с 7,9% до 48,1% Я, конечно, всегда отношусь к этому как инструменту, но, блин, человек так вот не мыслит ни сколько!
03 nov, 02:34

Вот я супер много занимаюсь метриками и ресерчами исследований и продуктивности и знаете, что меня сильно расстраивает? Что,
Вот я супер много занимаюсь метриками и ресерчами исследований и продуктивности и знаете, что меня сильно расстраивает? Что, короче, вот люди смеются, что считать количество строк кода - это фу-фу-фууу! Ну согласен, сейчас звучит отстойно, но представьте себе, что вы менеджер в IBM в 80-х: что вы придумаете? Сейчас все говорят, что CycleTime - фигоооово! Я же могу нарезать маленькие задачи и делать их быстрее. Можешь, ага! И это будет супер полезно, потому что инкремент станет меньше и цикл ускорится. Но самый важный вопрос, который у меня тут возникает: а нафига вы, блин, все время пытаетесь обмануть метрику? То есть проблема не в метрике, а в том, что вы хотите обмануть всех вокруг 😩 К чему я это? Именно такую мысль я задвигал на круглом столе в подлодке, где обсуждали метрики в эпоху AI.
01 nov, 23:43

#пятничное
#пятничное
30 oct, 01:12

- В 2007 году, придумываешь, что у тебя болит, чтобы не идти на физру. - В 2026 году, говоришь себе, что у тебя ничего не болит, чтобы идти в зал😁
29 oct, 03:16

Ваще, вот Демычу 10 лет и можно с ним теперь и в UFC поиграть вечерком 15 минут 🥳
Ваще, вот Демычу 10 лет и можно с ним теперь и в UFC поиграть вечерком 15 минут 🥳
29 oct, 01:24

50 миллионов пользователей. Продукту почти 30 лет. А тебе всё равно нужно показывать рост! 😁 Короче, представьте, что вы продакт в компании, у которой уже десятки миллионов пользователей. Рынок давно поделён, а привлечение новых пользователей становится всё сложнее. И тут к вам приходит бизнес и говорит: ну что, давай расти! Оооокей! А куда, собственно? Тут ребята из make sense выпустили интересный подкаст, где Юра Агеев поговорил с Русланом Арзумановым, руководителем продуктового направления Почты Mail в VK. И мне понравилось, что разговор получился не про очередной успешный успех, а про вполне реальные кейсы зрелого продукта. Вот несколько мыслей, которые я для себя забрал: 1. Иногда лучший способ расти — перестать привлекать новых пользователей. Звучит странно, да? Но когда у тебя уже десятки миллионов пользователей, гораздо интереснее разобраться, что они вообще делают внутри твоего продукта. Кто-то использует почту для работы, кто-то хранит фотографии и документы, а кто-то просто получает туда коды подтверждения. И вот тут начинается интересная продуктовая работа. Вместо попыток привести ещё миллион пользователей можно сделать существующие 50 миллионов счастливее, активнее и, в конце концов, прибыльнее. 2. Среднестатистического пользователя не существует. В Почте Mail через сегментацию пользователей пришли к трём продуктовым ставкам. И вместо одной универсальной подписки начали развивать предложения под разные сценарии: для семей, фотографов и работы. По сути, продукт один, но ценность для разных людей совершенно разная. А значит, и продавать всем одно и то же — идея так себе. 3. Зрелому продукту нужен портфель ставок, а не одна великая стратегия. Вот это мне особенно близко. Когда у тебя десятки миллионов пользователей, нельзя просто взять и переделать всё, потому что кому-то из менеджеров приснилось светлое будущее. Нужно одновременно развивать то, что уже работает, экспериментировать с новыми сценариями и искать будущие источники роста. Причём часть ставок обязательно не сработает. И это нормально! 4. А теперь моя любимая часть — ИИ может превратить твой продукт в обычную трубу. 😁 Представьте, что завтра ИИ-агенты начнут самостоятельно читать вашу почту, находить билеты, документы, бронирования и отвечать на письма. И зачем тогда вообще открывать приложение? Вот это уже интересная проблема! Можно 30 лет строить продукт, наращивать аудиторию, улучшать интерфейсы, а потом обнаружить, что интерфейс больше никому не нужен. И твой продукт теперь просто транспорт для чужих ИИ-агентов. Причём это касается далеко не только почты. А знаете, какой вывод я тут для себя сделал? Чем более зрелым становится продукт, тем меньше его развитие похоже на бесконечное добавление новых функций. И тем больше — на поиск новых способов создавать ценность для уже существующих пользователей. И, кажется, с распространением ИИ эта задача станет только сложнее. В общем, рекомендую послушать разговор. Особенно тем, кто управляет зрелыми продуктами и уже устал придумывать, где найти следующие 20% роста. 🎧 Слушать выпуск make sense | Apple Podcasts
28 oct, 10:52

Шикарный пример того, как инфраструктура становится узким местом даже у топовых компаний в мире! ИИ начал писать столько кода
Шикарный пример того, как инфраструктура становится узким местом даже у топовых компаний в мире! ИИ начал писать столько кода, что Anthropic пришлось пересадить свой монорепозиторий с Git на собственную систему 😁 Короче, ребята выпустили инженерный разбор, как у них меняется инфраструктура разработки. В мае они вливали около 2 500 изменений в день. В сентябре — уже больше 30 000. И тут выяснилось, что код можно генерировать быстрее, чем существующая инфраструктура успевает его переваривать. Оооокей! Купили разработчикам ИИ, ускорили написание кода. А дальше что? А дальше сборки, тесты, ревью и доставка всего этого добра пользователям. Что сделали в Anthropic? 1. Построили Scion - собственную систему контроля версий. Агенты и CI постоянно онлайн, поэтому историю, сравнение изменений и другие операции можно обрабатывать на сервере. Для части задач вообще не нужна локальная копия репозитория достаточно API. 2. Сократили потребность инфраструктуры контроля версий в CPU и памяти в 200 раз относительно прежней системы Git-зеркал. Получение кода для CI и исследовательских задач ускорили примерно в 100 раз. 3. Командой из семи человек за пять месяцев сделали Scion, инструмент ревью Antique и ещё несколько связанных систем. И перевезли туда монорепозиторий. 4. Поменяли работу инженеров. По словам команды, важной частью работы стало говорить Claude «нет»: удерживать архитектурные ограничения и останавливать ненужное усложнение. Это, конечно, специфический масштаб и доступ Anthropic к собственным моделям. Бежать переписывать Git всем подряд ребята не предлагают. А теперь моя любимая часть! Представьте разговор: — Мы ускорили разработчиков в десять раз! — Отлично! А выпускать изменения стали быстрее? — Пока не знаем. Они теперь стоят в очереди на сборку. Кажется, платформенным командам пора привыкать к новому пользователю. Раньше человек мог пару минут подождать, переключиться на встречу, сходить за кофе. Теперь к вам придут тысячи агентов. И каждый захочет среду, данные, тесты и возможность выкатить результат. Поэтому вместе с вопросом «сколько времени ИИ экономит разработчику» я бы уже задавал следующий: сколько из этого ускорения наша платформа способна довезти до прода?
28 oct, 00:49

К слову, если вы вдруг, как-то связаны с метриками, внедрением ИИ и продуктивностью разработки, то отсюда простой вывод: 1. Если вы меряете долю кода, сгенерированного ИИ - вы отстаете. Это уже неактуально 2. Если факт того, что разработчики не хотят писать код без ИИ вас удивляет, то скорее всего вы недостаточно погружены в их работу)
27 oct, 03:53