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 13 680 مشترک است و جایگاه 9 296 را در دسته فناوری و برنامهها و رتبه 48 209 را در منطقه روسيا دارد.
📊 شاخصهای مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 13 680 مشترک جذب کرده است.
بر اساس آخرین دادهها در تاریخ 09 ژوئیه, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر -153 و در ۲۴ ساعت گذشته برابر -8 بوده و همچنان دسترسی گستردهای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 20.00% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 9.32% واکنش نسبت به کل مشترکان کسب میکند.
- دسترسی پستها: هر پست به طور میانگین 2 736 بازدید دریافت میکند. در اولین روز معمولاً 1 275 بازدید جمعآوری میشود.
- واکنشها و تعامل: مخاطبان بهطور فعال حمایت میکنند؛ میانگین واکنش به هر پست 82 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 10 ژوئیه, 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.
если что-то пошло не так в инциденте, то в первую очередь виноват дизайн процесса, а не человек, допустивший ошибку. И что даже самые умные люди допускают «глупые» ошибки.Можно ли спорить с этой мыслью? Да чего нет то, спорьте, с чем хотите, честное слово! Но что важно, со временем я утвердился в мысли, что в принципе так оно и есть. Процессом нельзя заменить крутых и умных ребят, уж поверьте, но процесс может им помочь. Он может им помочь выкинуть лишний контекст из головы и подскажет, какие важные вещи проговорить в слух в важные моменты их работы. Я не устаю повторять, что ключевая проблема провала - неумение людей говорить и слушать. И самое важное, наше неумение понять, что реально важно в данный момент для всех и выровнять контекст. Так вот, тема с чек-листами Гаванде - это попытка решить эту задачу в условиях жесткого прессинга во время проведения операции врачами и т.п. На каждое важное повторяющееся событие, у вас должен быть небольшой чек-лист из 5-9 пунктов. Чек-лист (7 пунктов) перед операцией: 1. Все участники представились и назвали свою роль. 2. Подтверждена личность пациента и тип операции. 3. Подтверждена сторона операции (лево / право). 4. Есть ли аллергии или особые риски? 5. Готовы ли инструменты и кровь (если нужна)? 6. Антибиотик введён (если требуется). 7. Есть ли у кого-то опасения прямо сейчас? Обратите внимание: в этом чек-листе нет ни одного «умного» пункта. Почти всё врачи и так знают. Его задача - не знание, а синхронизация. Чек-листы Гаванде - это не про инструкции, а про то, чтобы в критический момент заставить команду проговорить важное вслух. И если вы думаете все еще, что это супер очевидно, то вот вам история Чек-листы, которые спасают жизни
Атул и его команда три месяца следили за четырьмя операционными и собрали неутешительные данные. Из 400 000 отслеживаемых ими пациентов 400 получили послеоперационные осложнения, а 56 из них умерли. Общий уровень хирургических осложнений колебался от 6 до 21%. Чтобы сократить число хирургических осложнений, врачи под эгидой ВОЗ создали чек-лист из 19 пунктов. Его разослали в восемь больниц для пилотного запуска и начали активно внедрять в 2008 году. Атул предоставил пилотным больницам собранные им данные, чтобы наглядно показать, о чём идёт речь. Через несколько месяцев появились первые результаты: послеоперационные осложнения встречались на 36% реже, а смертельные случаи — на 47%. Число инфекций сократилось вдвое, число повторных операций — на четверть.
ПРОДЖЕКТ, получите рекордную скидку 70% + второй курс в подарок — и сделайте прорыв уже в предстоящем году.
Реклама ООО «Эдюсон», ИНН 7729779476, erid:2W5zFHRkS2CНу вы же сами работаете в корпорациях, не мне вам рассказывать)))2) Коммиты и PR - плохая метрика. Бум output, но линия качества - вниз. Можно удвоить количество строк кода, не трогая полезность ни на йоту. 3) Greenfield-эффект. На игрушечных проектах LLM выглядит богом. А в реальной компании 90% задач - это старый код, грязь, зависимости и боль. Ну и куча требований безопасности, надежности. 4) Опросы? «Кажется, я стал продуктивнее» ≠ «стал». Самооценка - круто для well-being, но не для метрик.
Это ваще супер важная штука, когда регулярно занимаешься DevEx понимаешь, что есть большая разница между реальной производительностью и тем, как она ощущается. По сути, тут совпадает с ощущением многозадачности, как у менеджера: весь день делал кучу вещей, вроде, молодец, но есть ли результат?2. Как Стэнфорд это мерил? 1) Подключили настоящие git-репы компаний. Не игрушки, а живой корпоративный код. Контекст команд - сохранён. 2) Собрали пул архитекторов и заставили их руками ставить оценки. 10–15 экспертов на качество, сложность, поддерживаемость. И оценки очень хорошо коррелировали - то есть разметка надёжная. 3) Натренировали ML-модель, чтобы она воспроизводила экспертную оценку. С высокой корреляцией. То есть дальше можно масштабировать без сумасшедшей стоимости ревью. 4) Классифицировали типы изменений: - добавление фичи - удаление - рефакторинг - rework (переделка свежего кода) ← важный индикатор «кажется, ИИ ошибся, давайте исправим». 5) Прогнали всё ретроспективно за 2019–2025. От COVID до появления LLM - чёткое сравнение «до» и «после». 3. Что показало исследование? Здесь многие ахнут 1) Сырой прирост кода: +30–40%. Но туда же входит и мусор. 2) Реальная продуктивность: +15–20%. После вычета багфиксов и rework. И это среднее - иногда намного хуже. 3) На сложных задачах: почти ноль. И огромная дисперсия. Иногда AI даже замедляет. 4) Картинка в начаое поста хорошо иллюстрирует это: сложность × зрелость проекта 5) Язык имеет значение. Популярные - выиграли. Эзотерика - страдает, потому что моделей просто не на чем было учить. 6) Размер репозитория работает против вас. Рост выгоды падает логарифмически. Причины: шум, coupling, ограничения контекста. Чем больше кодовая база - тем хуже LLM понимает, «что тут вообще происходит».
Тут ожидаемый эффект, конечно)4. Че делать то, со всем этим? 1) Определите сложность типовых задач и зрелость своего проекта. Если у вас legacy-монолит - чудес не будет. 2) Используйте популярные технологии. LLM по ним лучше обучены → подсказки лучше. 3) На больших старых системах начинайте с пилота. Маленький модуль, короткий эксперимент. «Из коробки» Cursor или Copilot может не давать прироста. 4) Следите за долей rework. Если вдруг резко вырос объём кода - это не рост продуктивности, а рост переделок.
Мы, кстати, часто такое обсуждаем а ребятами, потому что рост объема кода, это, конечно, скорее вред.5) Комбинируйте количественные сигналы git с качественным ревью. Не сводите всё к «команда довольна/недовольна». А вот тут по ссылочке можно найти презу. А у вас в компании как с AI в разработке? 🔥 - активные эксперименты и уже многое в проде 🦄 - пробуем тестируем, но не активно и не верим 💊 - мы явно на другом уровне
