Стратегия, AI и организационный дизайн

⚡️ Как измерить организационное обучение

«Организация учится тогда, когда меняет свои последующие решения на основании обратной связи». — Джон Стерман

Мне нравится это определение. И обучение можно измерить. Одна из лучших метрик обучения организации — количество изменений в Бэклоге Продукта после Обзора Спринта. Ведь именно там материализуется обратная связь: в изменившихся приоритетах, новых идеях и решениях отказаться от старых. Но прикол в том, что у большинства команд Обзор Спринта это просто Демо, после которого не происходит изменение содержимого Бэклога Продукта. Команды просто двигаются по заранее намеченному плану, а Демо это отчетная вечеринка. Поэтому организационное обучение не происходит. А ваша организация учится, на самом деле?

⚡️ Gamma оказалась быстрее Codex Последние недели почти все презентации делаю в двух инструментах: Codex и Gamma. И пришел к выводу, что они решают разные задачи. Если нужно глубоко подумать над структурой, логикой или содержанием — я остаюсь в Codex. Но это скорее "черный ящик": отправил запрос, подождал, получил результат. Что происходило внутри — не очень понятно. Когда структура уже есть, почти всегда перехожу в Gamma. Она ощущается совсем по-другому. Ты работаешь не с ответом модели, а с презентацией. Карточки перестраиваются прямо на глазах, можно мгновенно менять структуру, оформление, добавлять или удалять разделы. Скорость работы ощущается совершенно иначе. Из того, что особенно понравилось: • 20+ AI-моделей для текста, дизайна и изображений; • Word, PDF или ссылка за 60 сек. превращаются в готовую презентацию; • есть аналитика просмотров: видно, кто открыл презентацию, сколько времени провел на каждом слайде и где перестал смотреть; • веб-формат вместо тяжелых файлов — отправил ссылку и всё работает на любом устройстве; Есть только один совет, который сэкономит вам деньги. Отключайте генерацию изображений. Иначе токены заканчиваются очень быстро. Я прошу Gamma использовать простые заглушки, а все финальные изображения делаю отдельно в ChatGPT в своем стиле. Получается и дешевле, и визуально гораздо аккуратнее. Сделал презентацию с обзором возможностей Gamma. 👉 https://gamma.app/docs/5-Gamma--sotfm82d8w60o6f Что используете — Codex, Gamma или что-то еще?

⚡️ Сначала меняется система На выходных проводили небольшой Coach Camp с друзьями. Поймал себя на мысли, как изменились наши разговоры за последний год. Раньше почти все обсуждения были про оргдизайн. Сейчас почти любая тема приходит к AI. Разбирали пример одной большой компании. У нее Discovery идет квартал, потом еще квартал занимает Delivery. При этом компания готовится внедрять AI. Сегодня Discovery, прототип и первую обратную связь можно получить за несколько дней. Если при этом Discovery по-прежнему занимает квартал, AI не поможет. Люди действительно начинают работать быстрее. Но эффективность потока от этого автоматически не растет. Самый большой эффект AI, как мне кажется, получают организации, которые готовы перепроектировать процессы: перейти к меньшим рабочим пакетам, сократить cycle time и повысить эффективность потока. Проблема в том, что такой реинжиниринг почти неизбежно затрагивает роли, ответственность, структуру принятия решений и привычные способы работы. А здесь вступает в силу законы Лармана: организации неявно оптимизированы так, чтобы сохранять существующий статус-кво, существующее распределение власти и существующие организационные структуры. Да, AI способен многократно усилить. Но максимальный эффект, скорее всего, получат только те, кто готов саму систему. Что вы думаете?

⚡️ Пять часов искать не там Вчера почти пять часов бился над отчетом по организационной диагностике. Переписывал промпты, менял связки Codex, NotebookLM и ChatGPT, но проблема оказалась не в настройках. Я пытался заставить инструменты делать работу, для которой они не подходят. Тогда я вернулся к проектированию самого процесса и разложил его по шагам. Для каждого шага выбрал режим из модели A4 (детали здесь) — Automate, AI Only, Assist или Avoid — и подобрал инструмент, который лучше всего справляется именно с этой частью работы. NotebookLM оказался сильным в работе с доказательной базой: искать подтверждения, сравнивать интервью, находить противоречия и проверять готовый диагноз. Поэтому он особенно полезен там, где цена ошибки высока: в исследованиях, юриспруденции, медицине и аудите. Интерпретацию, причинные связи и сам организационный диагноз лучше собирать в связке эксперта и Codex. Для презентации я использовал Gamma. Главный вывод: выигрывает эксперт, который понимает сильные стороны каждого инструмента и подключает их на разных этапах процесса. Умение собрать из AI работающую систему становится отдельной профессиональной компетенцией. Как вы распределяете роли между AI-инструментами?

⚡️ Как приоритизировать AI‑инициативы Полезно разложить все AI‑идеи на простую карту из четырёх квадрантов. По одной оси — фокус на клиенте или на сотруднике. По другой — ориентация на рост или на снижение затрат. Возьмём IKEA. Кейсы про рекомендации, ценообразование и «агентную» коммерцию попадают в зону «клиент + рост» с акцентом на новую выручку и качество опыта. Еще рост в клиентском квадранте: покупатель сканирует комнату через 3D/LiDAR, выбирает стиль и бюджет, система предлагает несколько вариантов обстановки в 3D, которые можно донастроить под себя. Кейсы про оптимизацию цепочки поставок, доставку до клиента и работу бэк‑офиса — в квадранты про эффективность и сокращение издержек. Когда карта инициатив заполнена, следующий шаг — вспомнить стратегический фокус по Вирсеме: операционная эффективность, лидерство по продукту или близость к клиенту. Под этот фокус выбираются одна–две ключевые способности (capabilities) на рост и одна–две вторичные на эффективность, которые вы готовы усиливать AI в ближайшие 90 дней. Инициативы из карты получают приоритет только если усиливают эти способности; остальные временно уходят в «паркинг». Так появляется управляемый портфель: связка со стратегией и ограниченное число способностей, которые вы реально прокачиваете. А как вы приоритизируете AI‑инициативы?

⚡️ Как определять кластеры команд** Работал с почтово-логистической компанией, где в продуктовой разработке около 300 человек. Один из первых вопросов при проектировании продуктовой организации — как определить кластеры команд? Начали со стратегии. Доминирующим оказался клиентоцентричный фокус. Но это не означает, что все кластеры команд должны строиться вокруг клиентских сегментов. Для крупных организаций такой модели почти никогда не бывает достаточно. Мы сознательно спроектировали гибридную структуру кластеров команд. Кластеры команд вокруг рынков и клиентских сегментов (доминирующий фокус): - Международная доставка. - Внутрироссийская доставка. - Корпоративные клиенты. Кластеры команд вокруг операций: - Оформление и исполнение отправлений. - Работа отделений. Кластеры команд вокруг продуктов и инноваций: - Тарифы и расчеты. - Новые цифровые сервисы. Именно выглядят крупные организации. Стратегический фокус определяет доминирующую логику построения кластеров команд, но редко бывает единственной. Проблема не в гибридности. Если вы можете объяснить, почему один кластер команд построен вокруг рынка или сегмента, другой — вокруг процесса, а третий — вокруг продукта или платформы, значит структура поддерживает стратегию. По какой логике сегодня определены кластеры команд в вашей компании?

⚡️ У эксперта должны быть AI-ассистенты На выходных я собрал AI-ассистента для работы с материалами организационных исследований. В него можно загрузить интервью, заметки с Gemba, результаты Value Stream Mapping, SWOT, материалы воркшопов и другие исследовательские артефакты. Решил проверить его на реальной работе. Загрузил материалы исследований, которые проводил в крупных компаниях в прошлом году. Подготовка материала, на которую раньше уходило несколько дней, в этот раз заняла около часа. AI-ассистент быстро собрал наблюдения из разных источников, выделил повторяющиеся паттерны и разложил материал по уровням системного айсберга. При этом он не интерпретирует результаты и не предлагает рекомендации. Это остается работой эксперта. Пока собирал ассистента, понял одну вещь. Общих знаний языковой модели для такой задачи оказалось недостаточно. Пришлось буквально разложить по полочкам собственный способ анализа: что относится к каждому уровню системного айсберга, по каким признакам их различать и где ассистент должен остановиться. Получается интересное разделение ролей. AI отлично справляется с обработкой больших массивов информации и поиском паттернов. Но качественная диагностика по-прежнему требует доменной экспертизы. Сейчас у меня уже около двадцати таких AI-ассистентов. Каждый ускоряет отдельную часть моей работы, но ни один не заменяет экспертизу. Если вам интересно, чтобы я про них рассказал, напишите в комментариях. Какого AI-ассистента вам сегодня не хватает?

⚡️ A4 для проектирования AI-процессов У одного моего коллеги PST-тренера есть интересная рамка A3, которая помогает командам договориться, где AI можно использовать, где его нужно контролировать, а где лучше вообще не подпускать к работе. Я бы расширил её до A4, потому что в реальных процессах “автоматизация” часто означает две разные вещи: AI выполняет шаг под контролем человека или AI работает полностью автономно в низкорисковом контуре. A4 помогает разложить любой процесс по шагам — на уровне команды, продукта или всей организации — и решить, какую роль AI должен играть в каждом шаге. Это не про “написать запрос получше”, а про проектирование процесса: где нужен человек, где AI может помочь, где можно передать выполнение, а где допустима полная автономия. 1. Avoid — только человек. AI не участвует, если ошибка может ударить по доверию, отношениям, безопасности или репутации. Примеры: обратная связь, конфликтная коммуникация, чувствительные письма, обсуждение людей, решения с юридическим риском. 2. Assist — AI помогает. AI делает черновик, ищет закономерности, расширяет набор вариантов. Человек оценивает и принимает решение. Примеры: подготовка ретро, варианты критериев приёмки, анализ обратной связи, черновик сообщения для заинтересованных людей, идеи для экспериментов. 3. Automate — AI выполняет. AI ведёт шаг процесса по заданным правилам. У человека остаются проверка, правила остановки и ответственность за результат. Примеры: краткое содержание встреч, извлечение договорённостей и следующих шагов, регулярный отчёт о статусе, первичная обработка заметок из исследований. 4. AI Only — автономный AI. AI работает без ручной проверки каждого результата. Это подходит только для повторяемых, низкорисковых задач с понятными границами. Примеры: проверка формата данных, поиск дубликатов, присвоение технических меток, распределение типовых запросов по категориям. Для меня ценность A4 в том, что он переводит разговор из “используем AI или нет?” в более точный вопрос: какую степень участия AI мы разрешаем на этом шаге процесса? А уже в следующем посте можно разобрать, как применять A4 к реальному процессу: разложить его по шагам, выбрать режим для каждого шага и описать ограничения. Как бы вы использовали A4 в своей команде?

⚡️ Почему одни цели вдохновляют, а другие нет Недавнее исследование о том, как руководители формируют надежду в организациях, предложило простую и полезную рамку. Когда мы обсуждаем цели, разговор обычно сводится к одному вопросу: насколько они должны быть амбициозными? Но есть вопрос важнее. Верят ли люди, что организация действительно способна этой цели достичь? Представьте матрицу с двумя осями. По вертикали — уровень амбиций. По горизонтали — способности организации: насколько люди верят, что организация действительно способна достичь этой цели. Получается четыре типа целей. Слева — цели, в которые команда не верит. Именно здесь рождаются красивые презентации, громкие обещания и последующий цинизм. Не потому, что цель слишком смелая. А потому, что люди не видят у организации возможностей ее реализовать. Справа — цели, которые воспринимаются как достижимые. Если нужны прорывные изменения — новый продукт, выход на новый рынок, масштабная AI-трансформация, — выбирайте высокие амбиции. Если организация перегружена, доверие к изменениям подорвано или важно закрепить уже достигнутые результаты, вполне нормально выбрать более умеренные цели и двигаться последовательно. Получается, вопрос не в только в том, насколько амбициозна цель. А соответствуют ли амбиции реальным способностям организации. Компании часто пытаются изменить формулировку цели, хотя гораздо важнее изменить саму организацию, чтобы люди действительно поверили: эту цель можно достичь. Если посмотреть на ваши последние 3–5 целей, в каком квадранте они окажутся?

⚡️ Скорость обратной связи определяет цель В организациях ставят самые разные цели. Одни описывают выполненную работу (Output), другие — изменения в поведении пользователей (Outcome), третьи — бизнес-результаты (Impact). На картинке — моя рабочая эвристика. Она помогает выбрать, какой тип целей обычно уместен на разных горизонтах планирования. Но это именно эвристика для коммерческих продуктовых организаций, а не универсальное правило. Один из самых важных факторов здесь — скорость получения надежной обратной связи. Если гипотезу можно проверить за несколько дней, Outcome вполне может стать целью спринта. Если обратная связь приходит месяцами, то даже квартальный горизонт может оставаться уровнем Output. А в некоторых контекстах — например, при работе по госконтракту — даже при быстрой обратной связи цели могут оставаться Output, потому что именно такой результат принимает и оплачивает заказчик. Поэтому универсальной рекомендации здесь нет. Один и тот же горизонт планирования в разных организациях может предполагать разные типы целей. Каких целей у вас больше: Output, Outcome или Impact?

⚡️ Момент корпоративной трезвости AI Посмотрел разбор MIT Project NANDA про корпоративные GenAI-внедрения. Цифра неприятная: только около 5% пилотов дают быстрый рост выручки или измеримый эффект для P&L. Вот что мне показалось главным. Большинство пилотов застревает. Красивое демо собрать не сложно. Сложнее довести его до результата в бизнесе: с данными, процессами и людьми, которые реально будут этим пользоваться. Деньги уходят не туда. Больше половины бюджетов уходит в продажи и маркетинг. А самый заметный возврат MIT видит в автоматизации бэк-офиса: админка, операционка, снижение внешних затрат. Партнёрства работают лучше, чем стройка внутри. Решения от специализированных поставщиков срабатывают чаще, чем попытка сделать всё своими силами. AI должны вести линейные руководители. Люди, которые знают процессы, боль, ограничения и ежедневную работу команд. AI усиливает то, что уже есть. Очереди, разрывы между командами, плохие данные, медленные решения. Всё это никуда не исчезает и становится заметнее. Мой главный вывод: организационный дизайн становится главным фактором успеха AI-внедрения. Если нет полуавтономных продуктовых групп, фиче-команд с быстрыми циклами обучения, практик борьбы с WIP и бережливого мышления, гибких HR-политик, AI не спасает. Он показывает, где система слаба. А вы что думаете?

⚡️ Когда хороший инструмент становится плохим На прошлой неделе я проводил трёхдневный тренинг по LeSS (модели, основанной на взаимозаменяемых кросс-функциональных командах). Среди участников была ребята, которые недавно стали работать по SAFe. По ходу тренинга мы определили стратегический фокус компании. Стратегия — продуктовое лидерство. Если вы строите продуктовое лидерство, вам нужны высокая адаптивность и минимальный Time-to-Market. А большие очереди, высокий Work in Progress и специализированные команды неизбежно снижают скорость изменений. SAFe в данном случае не лучший выбор. При этом для компаний с другим стратегическим фокусом — например, операционным лидерством или клиентоцентричностью — он вполне может быть подходящим решением. Организационный дизайн нельзя выбирать в отрыве от стратегии. Сначала нужно понять, какую стратегию реализует компания. Затем определить, какие организационные способности необходимо развить. И только после этого выбирать организационный дизайн. Эта идея лежит в основе книги «Дизайн Agile-организаций». Почему LeSS и SAFe по-разному влияют на адаптивность, я разбирал здесь. С чего начинаете вы?

⚡️ Команды нельзя нанять — только спроектировать В 90-х провели знаменитый эксперимент с курицами. В одном курятнике оставили обычных несушек. В другом собрали только самых продуктивных. Через несколько поколений обычный курятник процветал, а в "команде суперзвезд" большинство куриц погибло — самые сильные заклевали остальных. Эта история хорошо показывает, что недостаточно собрать лучших людей. Метаанализ 31 исследования с участием 1390 медицинских команд показал: команды с высоким уровнем сотрудничества почти в три раза чаще добиваются лучших результатов.

«Производительность системы зависит не от того, насколько хорошо работают ее части по отдельности, а от того, насколько хорошо они работают вместе». — Рассел Акофф

Команда не возникает сама собой. По определению Катценбаха и Смита, ее отличают общая цель, общий способ работы и взаимная ответственность за результат. Именно она заставляет людей помогать друг другу, делиться знаниями и вместе отвечать за успех. Это и есть задача организационного дизайна — создать такие условия, в которых невозможно быть успешным отдельно от своей команды. Общая цель, прозрачность, быстрые циклы обратной связи и коллективная ответственность делают сотрудничество самым выгодным способом работы. Сильные организации не строят вокруг суперзвезд. Они проектируют систему, в которой обычные люди становятся выдающимися командами. Что мешает вашей команде стать настоящей командой?

⚡️ Коллаборация важнее в эпоху AI AI уже перестал быть узким местом в разработке. Код появляется быстрее, чем когда-либо. Но многие команды не стали выпускать ценность быстрее на рынок — они просто создают больше незавершенной работы (WIP). Коллаборация становится важнее, чем была раньше. Если вы хотите, чтобы AI действительно ускорял команду, я бы обратил внимание на четыре практики. 1. Ограничьте WIP не только в разработке. Лимиты нужны и на PBR, и на уточнении требований, и на тестировании. Чем меньше неподтвержденных гипотез проходит дальше по потоку, тем меньше очередей возникает позже. 2. Не пускайте в спринт сырые задачи. Если гипотеза плохо проработана до начала работы, AI лишь быстрее превращает неопределенность в код. А исправлять это приходится всей команде. 3. Используйте swarming вместо массового параллелизма. Если каждый разработчик вместе со своим AI-агентом пилит собственную фичу, WIP стремительно раздувается. Swarming, парное и mob-программирование помогают команде быстрее завершать начатое. 4. Измеряйте скорость завершения, а не скорость старта. AI должен увеличивать скорость завершения работы, а не скорость ее начала. Именно это влияет на время поставки ценности, а не количество одновременно открытых задач. Кажется, что AI снимает ограничения с разработки. На практике он просто переносит узкое место дальше по потоку. Поэтому управление WIP сегодня становится еще важнее, чем раньше. А как вы ограничиваете WIP?

⚡️ 10 рычагов изменения культуры Иногда компании «меняют культуру», начиная с ценностей, плакатов и программ, вместо изменения системы работы. Но культура — повторяющееся поведение, закреплённое структурами, процессами, метриками и правилами. Вот 10 рычагов, через которые на самом деле формируется и меняется культура: 1. Политики найма и критерии отбора. 2. Организационная структура и кто принимает решения. 3. Управление результативностью и KPI. 4. Вознаграждение и система стимулов. 5. Процессы принятия решений лидерами и командами. 6. Обучение и развитие руководителей и ключевых людей. 7. Процедуры работы с клиентами и партнёрами. 8. Пространство и неформальные связи. 9. Личное поведение лидеров и разбор конфликтов. 10. Внутренние коммуникации и истории. Именно эта «середина» определяет, превратится ли стратегия в поведение или останется презентацией. Культуру невозможно навязать речами — её можно только собрать через последовательное выравнивание этих элементов с тем, как вы хотите, чтобы работала организация. Какой рычаг сейчас самый критичный для вас?

⚡️ Плейбук AI‑трансформации Эндрю Ын — один из создателей Coursera и бывший руководитель Google Brain и Chief Scientist Baidu. На основе этого опыта он разработал плейбук AI‑трансформации, который я прикладываю в PDF. Плейбук описывает пять шагов. 1. Запустить пилоты. Стартовые AI‑проекты должны быть реализуемыми и достаточно заметными, с результатом в горизонте до года. Успешные пилоты создают внутренний спрос на новые AI‑инициативы. 2. Собрать AI‑команду. Долгосрочное преимущество даёт централизованный внутренний AI‑юнит, который серийно запускает проекты и развивает платформу. Для этого всё чаще вводят роль CAIO или размещают команду под технологическими C‑level‑ролями. 3. Обучить ключевые роли. Ын предлагает три уровня обучения: для топ‑менеджмента, лидеров направлений и инженерных ролей. Комбинация курируемых онлайн‑курсов и очных сессий по модели «перевёрнутого класса» помогает связать AI с практикой бизнеса. 4. Сформировать AI‑стратегию. Стратегию формируют после первых шагов, когда понятно, где AI создаёт наибольшую ценность и опираясь на стратегический фокус. 5. Наладить коммуникации. Нужны понятный тезис ценности AI, прозрачные планы и работа со страхами и ожиданиями разных стейкхолдеров. Сильный AI‑нарратив поддерживает доверие инвесторов, облегчает диалог с регуляторами, помогает привлекать талант и снижать внутреннее сопротивление. Ключевая мысль плейбука «Компания + нейросетки» сама по себе не делает бизнес AI‑компанией. Нужна пересборка процессов, ролей и структуры так, чтобы AI был встроен в повседневные решения и поток ценности, а не жил отдельным экспериментальным треком Насколько ваш подход близок к этим пяти шагам? 🙂‍↔️

⚡️ Management fads и гомеостаз организаций У большинства «больших идей» в менеджменте — Six Sigma, бережливое мышление, Agile, Kanban — одна и та же траектория. Сначала хайп: сильные кейсы, обучение, сертификаты, вакансии, ощущение, что «теперь так будет у всех». А потом включается более глубокая сила — гомеостаз организаций. Большинство компаний устроены так, чтобы не трогать существующую структуру власти, ролей и карьерных лестниц. Любая практика, которая действительно работает, требует менять оргдизайн, границы команд, ответственность, мотивацию — а это дорого, рискованно и политически больно. Ровно об этом говорят законы Лармана: организации оптимизированы на сохранение статус‑кво, поэтому любое серьёзное изменение либо размывается до смены терминологии, либо объявляется «слишком теоретичным и непрактичным». Крейг Ларман однажды сказал мне об этом очень просто: «Илья, всё это пройдёт. Были жёлтые трусы, будут зелёные трусы — и эти тоже пройдут». Волна за волной сменяют друг друга модные подходы, но поведение системы остаётся прежним. На примере Agile это видно предельно ясно. Форма обновилась, а базовые управленческие принципы остались старыми — разрыв ожиданий и результатов накапливается, хайп схлопывается, и рынок движется к следующей «зелёной паре трусов». А как вы переживаете эти волны?

⚡️ Почему AI‑ассистенты не ускоряют поставку Разработчики с AI‑ассистентами действительно пишут код быстрее, и DORA это подтверждает. Но время сквозной поставки и пропускная способность почти не меняются. У многих команд эффективность потока 15–40%: из 60 дней пути идеи до релиза активная работа занимает около 12, остальные 48 — ожидание ревью, интеграции, окружений, зависимых команд и финального «да». В больших организациях это легко превращается в 8–12% эффективности, и ускорения касаются только тонкого слоя над массивом простоя. Дон Рейнертсен формулирует просто: «В продуктовой разработке самые большие потери вызывают не инженеры, а работа, сидящая в очередях». Поэтому эффект от AI‑ассистов определяется не «скоростью кода», а качеством платформы, прозрачностью потоков и выравниванием команд. Видели такое?

⚡️ «Я плачу миллиард — а всё едет как черепаха» Несколько лет назад ко мне пришёл собственник компании и говорит:

«Я каждый месяц плачу на R&D и айтишников почти миллиард, а продукт двигается как черепаха. Для меня это чёрный ящик.»

Первое, что мы сделали, — маппинг потока создания ценности: от идеи до выхода на рынок. Мы разложили этот поток на шаги и для каждого собрали три метрики: идеальное время работы (process time), реальное календарное время (cycle time) и процент возвратов назад по цепочке. Оказалось, что сами айтишники делают своё примерно за месяц и по метрикам выглядят нормально — это не была точка приложения усилий. Главная дыра нашлась на этапе идеации и валидации гипотез: бизнес и R&D гоняли задачи туда‑сюда, решения пересматривались, согласования копились, и только здесь терялось до полугода календарного времени. Мы вообще не стали трогать айтишников, а перестроили взаимодействие бизнеса и R&D на этом участке — и общий срок поставки сократился в два раза за счёт изменения системы, а не за счёт героизма. Если вас тоже бесит, что вы тратите огромные бюджеты, а скорость поставки не устраивает, напишите мне в личку в Telegram или в комментариях к этому посту. На бесплатной консультации мы разберёмся, где искать «узкие горлышки», наметим подход к диагностике потока создания ценности и посмотрим, чем я могу вам помочь в вашей ситуации. Где у вас сейчас застревает поток?