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
نمایش بیشتر📈 تحلیل کانال تلگرام Плохой менеджер Артём Арюткин
کانال Плохой менеджер Артём Арюткин (@badtechproject) در بخش زبانی روسی بازیگری فعال است. در حال حاضر جامعه شامل 14 100 مشترک است و جایگاه 9 068 را در دسته فناوری و برنامهها و رتبه 45 910 را در منطقه روسيا دارد.
📊 شاخصهای مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 14 100 مشترک جذب کرده است.
بر اساس آخرین دادهها در تاریخ 16 نوامبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -82 و در ۲۴ ساعت گذشته برابر -9 بوده و همچنان دسترسی گستردهای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 20.28% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 9.36% واکنش نسبت به کل مشترکان کسب میکند.
- دسترسی پستها: هر پست به طور میانگین 2 860 بازدید دریافت میکند. در اولین روز معمولاً 1 320 بازدید جمعآوری میشود.
- واکنشها و تعامل: مخاطبان بهطور فعال حمایت میکنند؛ میانگین واکنش به هر پست 56 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند архитектура, llm, finops, факс, контекст تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاههای شخصی توصیف میکند:
“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...”
به لطف بهروزرسانیهای پرتکرار (آخرین داده در تاریخ 17 نوامبر, 2026)، کانال همواره بهروز و دارای دسترسی بالاست. تحلیلها نشان میدهد مخاطبان بهطور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته فناوری و برنامهها تبدیل کردهاند.
در حال بارگذاری دادهها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 17 نوامبر | 0 | |||
| 16 نوامبر | 0 | |||
| 15 نوامبر | +1 | |||
| 14 نوامبر | +3 | |||
| 13 نوامبر | +4 | |||
| 12 نوامبر | +5 | |||
| 11 نوامبر | +3 | |||
| 10 نوامبر | +1 | |||
| 09 نوامبر | 0 | |||
| 08 نوامبر | 0 | |||
| 07 نوامبر | 0 | |||
| 06 نوامبر | +2 | |||
| 05 نوامبر | +3 | |||
| 04 نوامبر | +5 | |||
| 03 نوامبر | +4 | |||
| 02 نوامبر | 0 | |||
| 01 نوامبر | +1 |
| 2 | 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)))) | 1 434 |
| 3 | 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/) | 1 660 |
| 4 | 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 | 1 526 |
| 5 | #пятничное
🙈 - если ты тоже в полдень ешь 🤣🤣🤣 | 2 105 |
| 6 | 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! 😁 | 2 577 |
| 7 | 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» | 2 286 |
| 8 | 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» | 1 |
| 9 | 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. | 2 341 |
| 10 | #пятничное
Я пойму, если вы отпишитесь 😁 | 2 710 |
| 11 | Решил за вас пересмотреть классику и подготовиться 🤣🤣🤣 | 2 951 |
| 12 | 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 | 2 847 |
| 13 | 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! | 3 031 |
| 14 | 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. | 3 287 |
| 15 | #пятничное | 3 113 |
| 16 | - 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😁 | 3 256 |
| 17 | Ваще, вот Демычу 10 лет и можно с ним теперь и в UFC поиграть вечерком 15 минут 🥳 | 3 027 |
| 18 | 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 | 2 780 |
| 19 | 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? | 2 164 |
| 20 | 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) | 2 507 |
