Книжный куб

От AI-native разработки к AI-native платформе (Рубрика #AI4SDLC) Написал статью про то, что следующее узкое место AI-native разработки лежит уже не в слое написания кода, а в самой платформе разработки. Как только агенты входят в основной рабочий поток, GitHub перестает быть просто местом хранения кода и запуска CI, а становится слоем управления для людей и агентов. Тогда ревью, проверки безопасности, политики и телеметрия перестают быть внешней обвязкой и становятся частью вычислительного пути. На примере GitHub разбираю, как агентные сценарии создают новый класс платформенной нагрузки, почему защитные механизмы сами становятся частью основной нагрузки и что это означает для крупных инженерных организаций. Если совсем коротко, то AI ускоряет не только кодинг, но и рост давления на CI, ревью, проверки и путь до слияния. А значит, следующая зрелая форма AI-native - это уже не просто агент в IDE, а AI-native платформенная инженерия. #AI #Architecture #Software #Engineering #Agents #Processes #Productivity

[2/2] SWE-PRBench: Benchmarking AI Code Review Quality Against Pull Request Feedback (Рубрика #Whitepaper) Продолжая рассказ, про whitepaper мы поговорим какие практические выводы можно сделать из предложенного подхода. 1️⃣ Больше контекста, не всегда выше качество. В review-задаче компактный diff + summary оказался лучше, чем более “богатый” flat prompt. Я бы читал это не как “контекст бесполезен”, а как “наивная плоская упаковка контекста вредна”. Это важная разница: авторы сами пишут, что retrieval-based или token-level relevance strategies вроде changed-vs-unchanged markers могут дать другой результат, и прямо позиционируют config_B как uncurated baseline, относительно которого и надо мерить retrieval-approaches. Отсюда мой практический вывод о том, что агент-ревьювер должен быть многошаговым, а не одним гигантским промптом. Нормальный pipeline может выгялдеть так: - diff-only candidate generation; - targeted retrieval только под подозрительные места; - verifier/critic, который режет fabricated comments; - dedup + severity ranking перед публикацией в PR. Кажется, что это следующий шаг, который основан на результатах деградации качества по мере добавления контекста. 2️⃣ Не надо выбирать модель только по обобщенному скору. В этом исследовании top-4 модели почти не различимы статистически, зато у них разные результаты по части галлюцинаций и стоимости. Для бота, который пишет комменты прямо в PR, низкий FPR (false positive rate) обычно важнее, чем максимальный полнота; для ревьювера, что работает в shadow-mode можно взять более recall-heavy и дешёвый вариант, но обязательно с этапом верификации. Если говорить про масштабирование подхода, то кажется сам подход отлично подходит для создания своих кастомных бенчей в компании. - Data pipeline переносится в компанию почти напрямую: merged PR, diff, base/head SHA, changed files, human comments, frozen context fixtures, separate judge/agent pipeline - У авторов уже опубликованы и dataset artifacts, и harness, где layout очень близок к тому, что и нужно внутри компании - И в крупных компаниях это масштабируется даже лучше, чем в open source: внутри компании у вас обычно есть больше сигналов - ownership, CI артефакты, rollback history, incident links, review roles, labels вроде security/migration/data-contract. То есть сам подход authors я бы не просто переносил, а усиливал внутренними metadata. Но production-часть paper переносить буквально я бы не стал: их собственные результаты показывают, что flat full-context review не работает, а limitations section прямо оставляет дверь открытой для более умных relevance encodings и retrieval. А вот для переноса на всю индустрию пока есть препятствия - Датасет Python-dominant (69.1%), performance PR почти нет (8), security PR вообще один, paper baseline посчитан на 100 PR из полного корпуса 350, а не на всём датасете - Нет человеческого baseline в этом режиме, а judge-family bias authors сами не исключают. #AI #Engineering #Software #SystemDesign #Agents

[1/2] SWE-PRBench: Benchmarking AI Code Review Quality Against Pull Request Feedback (Рубрика #Whitepaper) Когда разбирался с тем, как оценивать качество агентов внутри SDLC наткнулся на интересную и свежую работу от Deepak Kumar, независимого исследователя. В этом исследовании простая : SWE-Bench-подобные бенчмарки меряют, может ли модель написать правильный патч, а не может ли она оценить чужой PR как reviewer. И в предложенном подходе автор делает именно второе: берёт реальные merged PR и реальные комментарии людей в ревью как ground truth, не синтезирует комментарии и не сводит задачу к similarity текста. Плюс авторы фиксируют три режима контекста (по нарастающей), чтобы проверить эффект от его расширения - config_A (diff + summary) - config_B (добавлен file context) - config_C (ещё и test/context layers) Этот подход позволяет измерить насколько разные модели хороши в поиске issues в сравнении с находками людей. Если глубже погружаться в методологию, то она такова 1) Сначала они отбирают репозитории по RQS (Repository Quality Score): review culture, свежесть PR, качество тестов/CI, объём PR activity и contamination proxy. Репозитории ниже 60/100 отбрасываются. Самый сильный сигнал - именно культура ревью: доля содержательных комментариев от людей в недавних merged PR. 2) Потом PR проходят 10-шаговую фильтрацию: только смердженные PR, минимум два содержательных человеческих комментария, есть изменения помимо тестов, не только изменения документации, не просто автоматический бамп зависимостей, не только AI ревью, diff можно распарсить, базовый commit доступен, репозиторий еще публичный, и проходит RVS-порог (что упоминался в первом пункте). Из примерно 3,000 raw PR остаётся 700 кандидатов, после RVS обрезается до 350 PR из 65 репозиториев. Ground truth берётся из реальных комментариев к ревью через GitHub API; комментарии не генерируются и не правятся вручную. Авторы отдельно фильтруют AI/bot комментарии и исключают PR, где AI-комментариев больше 30%. 3) Важная часть методологии построена вокруг таксономии сложности - Type1 - проблема видна прямо в diff - Type2 - нужно понимать окружающий код в том же файле и который не менялся - Type3 - нужно размышление относительно кросс-файловых зависимостей Этот ход превращает “качество code review” из одной мутной метрики в три разных когнитивных режима 4) Оценивание тоже сделано интересно. Агент должен вернуть 4–6 issues в JSON с severity, а judge-модель классифицирует каждый comment как CONFIRMED, PLAUSIBLE или FABRICATED. Причем PLAUSIBLE - это хороший подход, так как авторы признают, что ревью людьми не исчерпывающее, поэтому валидный новый комментарий не считается автоматом галлюцинацией. Дальше идёт маппинг, чтобы модель не получила двойные очки за разбиение одной идеи на пять комментариев, а итоговый score смешивает полноту, точность, semantic alignment, actionability и efficiency, штрафуя галлюцинации и избыточность. В итоге, были получены интересные результаты: 1) На их 100-PR stratified sample ни одна модель не ловит больше 31% human-flagged issues; средний detection rate по всем 8 моделям на config_A примерно 26%. Топ-4 модели показывают примерно одинаковый агрегированный score. 2) По профилю моделей видим, что нет лучшего ревьювера и у нас обычный precision/recall trade-off. В цифрах DeepSeek V3 даёт лучший raw detection на config_A (DR=0.312), а GPT-4o даёт лучший hallucination profile (FPR=0.193). У Llama 3.3 70B худший FPR — 0.417. 3) Все 8 моделей деградируют при переходе от config_A к config_C. Причём config_A и config_C отличаются всего на 500 токенов (2,000 vs 2,500) - кажется, что проблема в том, как контекст подаётся, а не только в объёме. 4) Все ухудшается на переходе от config_A к config_B: у Sonnet score по Type2 падает с 0.22 до 0.10 при переходе A→B; у DeepSeek — с 0.20 до 0.10. То есть модели ломаются не там, где нужен весь репозиторий, а уже на шаге добавления окружающего контекста из измененного файла. В продолжении обсудим что все это значит на практике. #AI #Engineering #Software #SystemDesign #Agents

Управление 2026 - Конференция от Стратоплана (Рубрика #Management) В этом году мы наблюдаем как меняется все вокруг под воздействием AI, причем сама область разработки трансформируется быстрее всего. Меняются ожидания от линейных инженеров, но не только - и руководителям предстоит измениться. И логика тут простая: AI не заменит руководителей сам по себе - руководители, которые перестроились под новые условия, заменят тех, кто не захотел или не справился с этим. И для тех, кто готов к изменениям мы решили провести конфу Управление’26 - она поможет тем, кто хочет свериться с реальностью и понять, какие компетенции и инструменты нужны, чтобы остаться востребованным сегодня и в будущем. Я на этой конфе расскажу про то, как меняется роль CTO, что ему стоит попробовать руками и как выстроить стратегию развития технологий компании, включая конечно и AI. Регистрация на конфу доступна здесь, причем участие бесплатное при подписке на каналы спикеров (или если нет желания подписываться, то за символическую плату). На конфе выступят: ex-CТО Bookmate и Pure, фаундер NEWHR, AI Program Manager из G42, Venture Principal чеков 1-10M $ в AI-стартапы, ex-PM в IBM и ex-CIO Volvo, и ex-Associate Managing Consultant в MasterCard + сооснователи Школы Конференция пройдет с 20 по 23 апреля, онлайн (но будут доступны и записи). #AI #Engineering #Management #SystemDesign #Architecture #Processes #Software #Productivity

[2/2] Hands-On RAG for Production (Рубрика #AI) Заканчивая обзор это крутой книги про RAG, что находится в процессе написания. 5) "Evaluating your RAG Application" - эта глава обязательна для прочтения тем, кто планирует докатить RAG на production. Авторы упоминают про метрики вроде hallucinations, response quality, latency и cost. И не только упоминают, но и рассказывают про способы измерения качества retrieval и генерации. По-факту, тут идет рассказ про стандартные метрики поиска (precision, recall, f1, метрики с учетом порядка элементов), а также про точность генерации (утилизация контекста, точность ответов, консистентность ответов, отсутствие галлюцинаций, точность цитат), а также предубеждения (по расе, полу и так далее). А также подходы к e2e оцениваниют при помощи фреймворков: Open-RAG-EVAL, RAGAs, DeepEval. Ну и напоследок как учитывать фидбек людей (условно пальцы вниз и вверх, которые вы видели в чатиках ChatGPT, Perplexity, ...) 6) "From RAG to AI Agents" - здесь речь идет про retrieval, который перестаёт быть конечным продуктом и становится частью более длинного workflow. То есть RAG - уже не только "найди и ответь", а "найди, проверь, спланируй, вызови инструмент, верни результат". Это очень верно для текущего времени, где агенты без качественного retrieval быстро превращаются в дорогую импровизацию. 7 и 8) "Multimodal RAG" и "Knowledge Enhanced RAG" делают книгу ещё полезнее для реальных корпораций. Это важно для всех, кто работает с PDF, таблицами, диаграммами, изображениями, полуструктурированными документами и сложными knowledge domains, где одной embedding similarity уже мало. P.S. Если сравнить эту книгу с другими, о которых я рассказывал, то получается такая картина - "AI Engineering" - это широкая карта всей дисциплины и ответ на вопрос, а что вообще такое современная AI-разработка и из каких слоёв она состоит. На этом фоне "Hands-On RAG for Production" выглядит уже не как обзор всей системы, а как очень подробный разбор ее части - production RAG. - "Prompt Engineering for LLMs" учит понимать архитектуру LLM, строить prompt strategy, правильно собирать context elements и использовать техники вроде few-shot, chain-of-thought и RAG. Поэтому "Prompt Engineering for LLMs" - это книга про интерфейс между человеком, контекстом и моделью, а "Hands-On RAG for Production" - про retrieval/platform layer, который этот контекст делает надёжным в проде. #AI #Engineering #Software #DistributedSystems #SystemDesign #Database #Search #Agents

[1/2] Hands-On RAG for Production (Рубрика #AI) С интересом прочел доступные главы этой книги, что находится в процессе написания. Основная идея авторов Ofer Mendelevitch и Forrest Bao была в том, чтобы рассказать про retrieval augmented generation как про инженерную систему и рассмотреть вопросы приема данных в платформу, прав доступа, latency ответов, автоматического оценивания, приватности и так далее. Это сильно отличает книгу от других, где RAG выглядит просто еще один паттерн поверх AI, но это и понятно, ведь авторы работают в Vectara, компании, что делает платформу для агентов, а также RAG as a service (поэтому и часть практических примеров в книге связана с этой платформой). В общем, книга по задумке авторов попадает в самую болезненную точку рынка: разрыв между "демо работает" и «система переживает production, аудит, рост нагрузки и вопросы от security». Это и делает её важной не только для инженеров, но и для технических руководителей, не ради слова RAG, а ради инженерной дисциплины вокруг него (я примерно поэтому и взялся читать книгу). Если идти по доступным главам, то логика авторов прослеживается хорошо: сначала они собирают базу, а потом быстро уводят читателя из мира RAG на коленке в мир ограничений вокруг продакшена. Давайте посмотрим на главы пристальнее 1) "Introduction to Retrieval Augmented Generation (RAG)" Это, по сути, фундамент: что RAG решает, где он реально лучше "голой" модели, и почему его так любят в enterprise-сценариях. Например, здесь автоы сравнивают RAG и fine-tuning моделей. 2) "Advanced RAG" В этой главе начинается интересное обсуждение того, что отличает базовый pipeline от реально полезной системы. То есть не просто dense retrieval, а более сильный retrieval stack, reranking, chunking, query rewriting, гибридные схемы и прочая инженерия качества. 3 и 4) "Deploying RAG to Production" и "The RAG Platform" - это центральная часть книги. Именно здесь RAG перестаёт быть проектом на поиграться и становится системной задачей со своим набором ограничений и требований: latency, privacy, explainability, prompt design, compliance, доступы к данным, архитектурные компромиссы, build-vs-buy. А четвертая глава "The RAG Platform" особенно хороша тем, что показывает, что зрелый RAG почти всегда превращается не в одну фичу, а в платформенный слой, который начинает обслуживать несколько продуктов и команд. В посте-продолжении я поделюсь мнением про оставшиеся главы книги и расскажу для кого она будет полезна. #AI #Engineering #Software #DistributedSystems #SystemDesign #Database #Search #Agents

CTO 2026: от главного по технологиям к архитектору AI-native компании (Рубрика #Leadership) В 2026 году роль CTO меняется радикально: теперь он отвечает не только за технологии, но и за то, как компания думает, учится и поставляет ценность в эпоху AI. Когда код, аналитика и прототипы становятся дешевле благодаря AI, главным дефицитом становятся контекст, качество решений, доверие и управляемая скорость. В своей статье я разбираю эти изменения и рассказываю о том, какие компетенции нужны техническому лидеру, чтобы не просто внедрять AI-инструменты, а перестраивать под них всю организацию. Ну и напоследок я размышляю о том, а куда CTO стоит вести компанию в 2026 году, чтобы AI стал не модным слоем поверх процессов, а реальным рычагом роста и конкурентного преимущества. #AI #Engineering #Management #SystemDesign #Architecture #Processes #Software #Productivity

Code of Leadership 2. Эпизод #1 - Оценка эффективности внедрения AI с Авениром Вороновым(Рубрика #AI) Вышел первый выпуск второго сезона моего подкаста Code of Leadership. В этот раз в гостях был Авенир Воронов, директор по внедрению из компании veai.ru, что делает AI решения для корпоративной разработки. А говорили мы о теме, которая кажется мне одной из самых практичных в AI-native разработке: как не просто выдать инженерам AI-инструмент, а понять, что его внедрение действительно дало команде и бизнесу. Если коротко, разговор получился вокруг одного ключевого вопроса: какой язык измерения вообще нужен для AI-внедрения. Мы обсудили, почему пилоты часто запускают энтузиасты без baseline и критериев успеха, как из телеметрии IDE и диалогов с copilot-инструментом можно собирать сценарии работы и оценивать время и деньги, зачем смотреть не только на adoption, но и на контрметрики качества, а также почему эмоциональный фон инженеров и типы их взаимодействия с AI тоже дают важные сигналы. Отдельно получилось интересно поговорить про то, как меняется сама модель разработки. AI сдвигает работу выше по стеку абстракций: от написания строк к формулированию intent, ограничений, правил и тестов. А значит, меняются не только инструменты, но и роли, процессы и само понимание того, что считать успешным внедрением. Мне особенно отозвалась мысль, что успешное внедрение AI почти никогда не измеряется одной цифрой. Для одного заказчика важен ROI, для другого - спокойствие команды и качество работы, для третьего - скорость пути от идеи до релиза. Поэтому реальное использование и растущий adoption оказываются не менее важны, чем красивые цифры на дашборде. В общем, это выпуск не про магический рост productivity, а про более взрослый разговор: как измерять AI-внедрение без маркетингового шума и не терять связь с реальной болью инженерной организации. Выпуск доступен на разных площадках: Youtube, VK, Podster, Ya Music. #AI #Engineering #Management #DevEx #Productivity #Leadership #Software

Concurrency, Synchronization and Consistency. 🔹Основы. Железо - Архитектура Фон-Неймана - Узкое место архитектуры Фон-Неймана - Когерентность кеша. Основы - Контроллеры когерентности - Протокол когерентности MSI - Блокировки, атомарные операции - Выводы по аппаратной части 🔹Модель памяти / Барьеры памяти - Что такое модель памяти? Sequential Consistency. - Барьеры памяти - Модель памяти X86 - Модель памяти ARM - Выводы по моделям памяти + материалы 🔹Прикладной уровень. Операционная система - Spinlocks с примерами на stdatomic.h + pthread.h - Race Condition + Mutex - Mutex Internals. Fast Userspace Mutex - Semaphores. Основы. Сферы применения. - Read-Write Mutexes - Масштабируемость RW Mutex - Mutex vs RWMutex - Bonus: Проблема False Sharing - Приоритеты потоков на примере Linux - Ключевое слово volatile в C - Реентерабелные функции в C 🔹Вызовы конкурентного программирования - Проблема обедающих философов. Взаимная блокировка (Deadlock) - Priority Inversion или баг случившийся на Марсе - Синхронизация не бесплатна. Иерархия накладных расходов Golang - Пишем собственный Mutex - sync.Mutex Internals

Я часто рассказываю про то, что надо знать базу для того, чтобы развиваться в software engineering. Но обычно сложно описать, а что же входит в это определение "база" и является джентельменским набором хорошего инженера. Но тут мой коллега, Женя Козлов, крутой инженер, написал серию статей про процессоры, модели памяти, многозадачность и конкурентность. В этой серии разбираются моменты, которые полезны инженерам, что делают высоконагруженные системы, которые плотно работают с данными. Собственно, сам Женя у нас лидит команду, что занимается Statist - это наша система продуктовой аналитики, которая давно заменила нам Amplitude и по всем характеристикам тянет на data intensive application. В общем, я очень рекомендую вам эту серию статей от Жени, если вам интересно понять как компьютер обрабатывает под капотом те программы, что вы пишите на своем любимом языке программирования. Отдельно отмечу, что мы с Женей записывали эпизод подкаста Code of Leadership, из которого можно узнать про интересный путь Жени к его текущей роли внутри Т-Банка, а также что он делает у нас в компании.

Как Hyundai сделал то, что не смогли Google и DARPA? (Рубрика #Robotics) С интересом посмотрел историю про версию робота Atlas от Boston Dynamics и Hyunday, из которой видно, что Atlas перестает быть просто research-легендой и начинает превращаться в промышленный продукт. История этого робота вообще выросла из потребности в роботе-гуманоиде для аварий навроде аварии на Фукусима, а теперь Hyundai готовит его к реальной работе на своих заводах. Основная мысль истории в том, что в робототехнике побеждает не тот, у кого самый вирусный деморолирк, а тот, кто умеет собрать полный контур. У нового робота Atlas этот контур выглядит так - Boston Dynamics приносит механику, контроль и годы R&D - Google DeepMind - новый слой embodied AI - Hyundai - заводскую дисциплину, цепочку поставок, внутреннего первого заказчика и путь к масштабу Без этого последнего звена даже очень красивый гуманоид легко остается просто дорогой лабораторной демонстрацией Если говорить про основную техническую историю, то это актуаторы (исполнительные механизмы). Hyundai Mobis прямо пишет, что они шаренные ключевые компоненты с автомобильными управляющими системами, а сами актуаторы съедают больше 60% стоимости гуманоидов Atlas. И это показывает как Hyundai обеспечил прорыв в подготовке робота к проду: не через "изобрести все с нуля", а через умное переиспользование уже отлаженной индустриальной базы из соседней отрасли. Если говорить про продуктовую часть, то Boston Dynamics сама признает, что предыдущая версия Atlas была слишком дорогой и сложной в ремонте, а прод-версию специально делали проще и удобнее в обслуживании (работали над сокращением TCO, total cost of ownership). Важно еще, что новый Atlas не просто "копирует человека", а умеет работать в мире, уже спроектированном под человека. Boston Dynamics пишет, что он рассчитан на те же workstations и то же оборудование, что и у людей - а это позволяет использовать его на текущих автоматизированных заводах по производству машин как drop-in замену человеческого труда на тех стадиях рабочего процесса, что раньше не были автоматизированы. Возможности робота и железо под капотом выглядят серьезно, в итоге у роботоа есть: 56 степеней свободы, почти непрерывная кинематика, тактильные руки (tactile hands), 360° обзор, автономная замена батареи, работа в режимах autonomous / VR / tablet, интеграция с MES и WMS через Orbit. Но самое важное даже не в цифрах, а в том, что Atlas уже учат реальным производственным операциям и думают о раскатке новых навыков на весь флот роботов. Это уже больше похоже не на "одного умного робота", а на новую software-defined физическую платформу. Но Boston Dynamics не разгоняет хайп, а говорит, что начинает с простых задач и только потом будет двигаться к более сложной сборке и плотной работе рядом с людьми. То есть революция в робототехнике, скорее всего, придет не одним большим скачком, а серией скучных, очень инженерных итераций. И, возможно, именно это в истории Atlas самое интересное и обнадеживающее. #Robotics #RnD #Engineering #AI #Engineering #Software #Hardware #Architecture

Engineering Leadership: The Hard Parts (Рубрика #Management) Я люблю читать книги про менеджмент, которые не пытаются продать "лидерство" как набор красивых поз или фраз. И новая книга O’Reilly "Engineering Leadership: The Hard Parts", вышедшая в начале 2026 года, выглядит интересной ровно из-за этого. Авторы решили в ней рассказать про ту часть работы, где приоритеты съезжают, ресурсов не хватает, процессы скрипят, а работу все равно надо сделать. Ее написали Хуан Пабло Буритика и Джеймс Тернбулл. Первый - CTO Convergint с опытом Stripe и Splice, а второ - старший вице‑президент по разработке там же, который до этого успел поруководить в Kickstarter, Docker, Venmo и ряде других компаний, а также он успел до этой книги написать несколько других технических книг. По оглавлению видно, что книга идет от неопределенности и роли руководителя к темам работы с командой, задания направления, поставки результата, работы с бюджетом, определения технических принципов, а также совместных решений и метрик. То есть разговор здесь не только про личные встречи с сотрудниками и оценку работы, а про весь фулхауз сразу: люди, продукт, процесс, деньги и технологии. Особенно хорошо, что 1️⃣ Авторы начинают с диагностики хаоса. Не с мечты про идеальную команду, а с признаков того, что система уже едет: нет владельцев, слабая коммуникация, культура поиска виноватых, режим постоянного пожара, отсутствие внятных измерений. Это хороший заход, потому что многие книги по управлению начинают там, где у читателя уже "все хорошо". Я тоже люблю говорить менти, что упоминают про сложности новой работы, о том, что если бы все было хорошо, то вас бы не позвали руководить этим направлением:) 2️⃣ Роль технического руководителя они раскладывают через несколько опор: люди, смысл работы, план, процесс и результат. Сильная мысль тут простая: руководитель - это не "бывший лучший разработчик", а многорукий шива или как описывают авторы "generalist with range", который связывает команду, направление и способ работы в одну систему. 3️⃣ Есть сильный блок про работу в хаосе. Авторы не выдают "универсальный шаблон", а скорее дают набор ментальных моделей: сначала понять контекст, потом выбирать действие; смотреть на результат, а не на суету; проговаривать компромиссы вслух; строить не героизм, а систему, в которой людям проще двигать работу. 4️⃣ Книга не застревает только на вопросе людей. Там есть приоритизация, очередь задач, баланс между новыми функциями и техническим долгом, прозрачность приоритетов. А потом - бюджеты, расходы, подрядчики, спор "делать самим или покупать", а следом технические принципы и стратегия. Такой диапазон тем в одной книге встречается нечасто 5️⃣ Завершается все инженерными практиками и метриками. И это может быть одна из самых ценных частей. Многие организации либо вообще не умеют мерить инженерную работу, либо превращают метрики в дубинку. Здесь же по оглавлению видно более здоровый подход: метрики надо проектировать под вопрос и не фетишизировать скорость разработки (velocity) Если ставить книгу рядом с книгами Will Larson, то сравнение у меня такое - An Elegant Puzzle - это сильная системная книга про инженерный менеджмент: размер команд, технический долг, планирование преемственности, организационные решения (см. мой пост) - Engineering Leadership: The Hard Parts - это более приземленная книга про повседневную работу руководителя внутри уже шумящей системы В общем, их можно отлично совмещать. #Engineering #Management #Leadership #Processes #Strategy #Metrics

State of FinOps 2026: почему FinOps становится экономическим control plane для AI-native engineering (Рубрика #Survey) Изучил свежий State of FinOps 2026. Главный тезис: FinOps окончательно перестал быть практикой про объяснение вчерашнего счета за облачное потребление и стал слоем управления стоимостью технологий, включая AI, SaaS решения, лицензии, приватные облака, датацентры и даже ФОТ (фонд оплаты труда). Не случайно FinOps Foundation в 2026 году официально сменила формулировку миссии с "value of cloud" на "value of technology", а в самом Framework добавила отдельную capability "Executive Strategy Alignment". В своем опросе авторы снимали срез по всей операционной модели FinOps: текущие и будущие приоритеты практики, оргструктуру и место команды в компании, требуемые навыки, расширение охвата на новые технологические категории, работу с AI тратами и AI в самом FinOps, взаимодействие с соседними дисциплинами, пробелы в инструментах и движение к единому формату cost/usage data через FOCUS (FinOps Open Cost & Usage Specification). Итого, видно, что это отчет не просто про оптимизацию потребления облачных ресурсов, а обзор того, как меняется экономический контур инженерной организации. С точки зрения методологии это ежегодный опрос-срез сообщества FinOps Foundation: шестой по счету с 2020 года, 1,192 респондента, суммарно представляющие компании с $83+ млрд ежегодных трат на AI. Состав был такой: 47% крупные корпорации, 33% корпорации и 20% малый и средний бизнес. География была такая: 35% EMEA, 34% North America, 16% APAC и 15% South/Central America Основные выводы следующие 1️⃣ AI стал главным объектом FinOps - 98%** респондентов уже управляют AI расходами и FinOps для AI - это главный приоритет на следующие 12 месяцев (а также самые большой пробел в скиллах). - Одновременно растет использование AI внутри самой FinOps-практики для детекции аномалий, правильного сайзинга, аллокации затрат и автоматизации всего этого. При этом основные боли пока очень базовые: visibility, аллокация по бизнес-юнитам и попытка вообще понять value/ROI AI-инвестиций 2️⃣ FinOps окончательно вышел за пределы public cloud - 90% уже управляют SaaS или планируют делать это в ближайший год, 64% - лицензиями, 57% - приватными облаками, 48% - датацентрами; еще 28% добрались до ФОТов. - Здесь особенно важна не сама ширина охвата, а сдвиг логики - зрелый FinOps переходит от поиска потерь к управлению инвестиционными компромиссами между технологиями 3️⃣ FinOps сместился в организации вверх - 78% команд теперь сидят под CTO/CIO, а не под CFO; 60% работают как централизованные команды для enablement - Даже у компаний с $100M+ затратами команды остаются очень небольшими - в среднем 8–10 сотрудников и 3–10 контракторов - Это очень похоже на платформенные команды: они масштабируются не headcount’ом, а стандартами, автоматизацией и федерализацией - Параллельно растет влияние FinOps на технологический выбор 4️⃣ Shift-left в FinOps стал реальностью, но измерения пока не догнали практику - Среди самых желанных возможностей инструментов - гранулярный мониторинг костов на AI, оценка костов перед реализацией и деплоем архитектурных изменений и единый дащборд по разным типам технологических затрат - Интересно, что комьюнити уже движется от реактивных дашбордов к проактивным и автоматизации в реальном времени, но до сих пор плохо понимает, как измерять избегание затрат (cost avoidance) от предотвращенных проблем 5️⃣ FOCUS становится источником данных для этого нового FinOps - По мере расширения практики на AI, SaaS и датацентры организациям нужен единый язык billing/cost данных - Именно поэтому FOCUS в отчете идет как инфраструктурная тема, а не как "еще один стандарт" #Economics #Management #Engineering #Leadership #Software #AI #Metrics

Кото-математика (Math Cats: Scratching the Surface of Mathematical Concepts) (Рубрика #PopScience) На выходных прочитал забавную книгу 2025 году профессора математики Daniel M. Look, где через кошачьи позы, прыжки, коробки и мемы объясняются вполне настоящие математические сюжеты - от теоремы Пифагора и типов углов до египетских дробей, чисел Фибоначчи, топологии, систем счисления, дифференциальных уравнений и хаоса. Книга очень доступная и компактная - в ней чуть больше 100 страниц, 22 мини-главы, а сами завязки историй затягивают - мой пятилетний сын с интересом послушал рассказ про кота-почтальона Феликса, который хочет обойти всех адресатов писем, пройдя по мостам аналога Кенигсберга по одному разу. Сомневаюсь, что мой рассказ про Эйлеровы графы так же качественно зацепил моего маленького любителя математики (серьезно он сам иногда сидит и решает математические задачки в Duolingo). В общем, если вы ждете от книги не глубины уровня большого серьезного матнаучпопа, а остроумных заходов, то это она. У автора получилась книга, которая дает почувствовать вкус к математике и увидеть, как ее можно объяснять без пафоса и страданий. Судя по интервью и университетским материалам, именно такого эффекта автор и добивался. Отдельно отмечу, что книга не целится напрямую в детей - автор рассказывает не только базу, но касается и топологии, дифференциальных уравнений, детерменированного хаоса и теории игр. Если вы все это знаете и хотите детям на пальцах объяснить концепции, а потом ответить на их вопросы, то эта книга самое оно. Но отдать ее ребенку и ожидать, что он поймет как работает эквивалентность счетных бесконечностей ("алеф-ноль") будет черезмерно оптимистично:) Но лично я получил большое эстетическое удовольствие от чтения книги и запомнил интересные подводки автора - это позволит мне проще объяснять базу своим детям:) #Math #PopScience #ForKids #ForParents

A Day in the Life of a Senior Leader (Рубрика #Management) За свою жизнь я прочитал немало книг про управление, но с Майклом Лоппом интересная история - он пишет не просто книги про менджмент, его книги напоминают байки у костра:) Это третья книга, которую я у него прочел и все они выглядят как коллекция эссе, что объединены одной темой. В этот раз Майкл пытается снять с senior leadership ореол супергероики и показать, из чего этот день реально сделан: время, люди, приоритеты, встречи, пожары и поиск смысла. Предыдущие две книги это - Managing Humans - книга про управление разработкой, где автор приводил набор управленческих “стрел”, говорил процессы и описывал человеческие типажи - The Art of Leadership / Small Things, Done Well - книга, которая выстраивала leadership как последовательность практик на трех уровнях: менеджер, директор и топ-менеджер А в новой книге Майкл рассказывает не только про красивые истории из жизни топов, а скорее про реальность, где надо принимать сложные решения, выстраивать коммуникации, ходить на встречи, двигать вперед продукт и не умереть от нехватки времени. Книга пока пишется и я прочитал только 8 глав, где есть следующие интересные моменты 1) Мантра Майкла в одной из первых глав звучит примерно так "ask questions, repeat the hard parts, and listen" - это про то, как хороший лидер не отбирает решение у команды, а вопросами, повторением сложных мест и внимательным слушанием доводит людей до собственного решения. 2) Глава про "contagion" рассказывает о том, как по компании расползаются ложные нарративы и почему в условиях стресса люди охотнее верят в удобное объяснение, чем в точное 3) Главы "The Seven Circles of Meeting Hell" и "Late Again" рассказывают про дисфункции лидерства: плохие совещания, хроническую занятость и опоздания как не "забавную особенность", а вполне стратегический дефект управления (а вы замечали такие системные опоздания у коллег?) 4) Глава "Managing Up" рассказывает почти про сюжет из Бравого Солдата Швейка, где честная передачу важной информации подменяется удобным сюжетом маскирующим сложные моменты реальной жизни 5) Глава "Prestige Writing" мне нравится тем, что Майкл описывает это как центральный навык: чем выше роль, тем больше ты управляешь не руками, а через тексты, фрейминг и нарративы. Я давно заметил, что многие недооценивают этот навык 6) Глава "The Product Engineer" про то, что люди, которые реально строят продукт, должны иметь равный голос в продуктовых решениях и это про инженеров и условных продакт менеджеров или дизайнеров Интересно, что эти главы основаны на свежих эссе - они актуальны, интересны и остры. Планирую дочитать и остальные главы, которые появятся по плану в течение квартала (на странице книги указано, что она выйдет в июне 2026 года). #Management #Leadership #Software #Engineering #Product #Writing #Processes

Не усложняй! Управление проектами по методу P3.express (рубрика #Management) Прочитал книгу Дмитрия и Валерии Ильенковых про управление проектами и она мне понравилась. Саму книгу мне дал почитать Дима, с которым мы знакомы со времен Teamlead Conf 2020, где оба выступали. По моему ощущению "Не усложняй" - это "Пиши, сокращай" для управления проектами, но в хорошем смысле этого слова (сама "Пиши, сокращай" вышла противоречивой для меня). В "Не усложняй" много примеров, простые слова, ясная структура и подача без ощущения, что тебя сейчас завалят терминологией ради терминологии. При этом книга не "про поговорить", а про вполне прикладной каркас: метод P3.express разбит на 33 шага и 7 стадий, чтобы сделать проект более прозрачным и предсказуемым без тяжелой трансформации процессов. Мне понравилась эта простота - так как я слишком испорчен теорией IPMA, PMI, многослойным PMBoK и всем тем прекрасным бюрократическим великолепием, которое часто идет в комплекте с project management:) Если говорить про плюсы книги, то они такие 1. Она очень приземленная. Советы почти всегда подкрепляются историями и кейсами - от Boeing и SpaceX до Сиднейской оперы, Денверского аэропорта и собственных факапов авторов. Из-за этого рекомендации не висят в воздухе. 2. Ее можно спокойно давать новичкам, которым надо просто и доступно понять, как начинать работать с проектами. И ее же можно дать опытным людям, которые устали от бюрократии и хотят упростить процессы, не разваливая управление совсем. Авторы прямо пишут, что книга полезна не только проджектам, но и тимлидам, владельцам IT-компаний, аналитикам и другим людям, которые регулярно делают проекты. 3. Для технических руководителей и инженеров книгу точно стоит читать. Не потому, что всем срочно надо стать PM, а потому, что она хорошо объясняет базовые опоры: кто такой спонсор проекта, зачем нужно краткое резюме проекта, как декомпозировать результаты, почему полезны регулярные Go/No-Go и как не тащить мертвые инициативы только потому, что в них уже вбухали силы и деньги. Отдельно понравился кусок про sunk cost fallacy через "Конкорд". Авторы напоминают, что эффект Конкорда - это когда проект уже очевидно не летит, но его продолжают тащить просто потому, что слишком много вложили. В P3.express для этого есть повторяющийся момент проверки Go/No-Go: не "как бы дожать", а честно спросить, проект все еще нужен или мы страдаем по инерции. Очень здравая мысль для корпораций и больших внутренних инициатив. Если совсем коротко, шесть принципов подхода p3.express такие: - Выбирать результат и факты, а не привычки и привязанности - Беречь энергию команды и экономить ресурсы - Действовать проактивно - Искать слабое звено системы - Ничего не делать без ясной цели - Опираться на переиспользуемые элементы: шаблоны, чек-листы, повторяемые шаги Жизненный цикл проекта в P3.express тоже собран минималистично и понятно: - Старт проекта - Планирование цикла - Еженедельный контур управления - Ежедневный контур управления - Закрытие цикла - Завершение проекта - Этап после проекта, где оценивают полученные выгоды и новые идеи В общем, если вам нужен не еще один "великий свод знаний" аля PMBoK, а вменяемая книга, которую можно рекомендовать людям рядом - продактам, тимлидам, инженерам, молодым менеджерам и уставшим руководителям, - "Не усложняй" выглядит очень удачным кандидатом. Не как замена PMBoK, а хороший антидот к нему (а я PMBoK читал в трех разных изданиях) P.S. С Димой мы договорили записать эпизод подкаста и обсудить управление проектами в общем, а также эту книгу в частности. В общем, stay tuned ... #Management #Leadership #ProjectManagement #Processes #Engineering

Answer Engine Optimization (Рубрика #Search) Наткнулся на еще не законченную книгу Rodrigo Stockebrand для O’Reilly про то, как интернет переходит от поиска к ответам. Книга позиционируется не как новый подход к SEO в мире AI, а скорее как попытка описать новую реальность веба после смерти десяти синих ссылок (из выдачи поисковиков). Автор ставит себе целью рассказать практические советы о том, как сделать контент более обнаружимым и цитируемым для gen AI систем. Интересно, что по этой теме я уже разбирал интересный эпизод подкаста Ленни "Why ChatGPT will be the next big growth channel". Но если возвращаться к книге, то ее автором является практик с почти 20-летним опытом в SEO/AEO, который работал с Amazon, Pfizer, NASA, преподавал в University of Miami и выступал в Harvard Business School. Но сама книга пока написана на малую толику и доступно всего три главы 1) The Death of Ten Blue Links - эта глава задает правильный фрейм: сначала признать, что интерфейс поиска уже меняется, а потом обсуждать тактику 2) How Answer Engines Work - здесь автор пытается объяснить механику выбора источников, а не просто сказать "оптимизируйтесь под AI" 3) RAG Fundamentals - это база про работу retrieval augmented generation, но скорее для маркетологов, чем для инженеров:) Наличие этой главы дает надежду, что автор не остановится на советах SEO-оптимизаторам, а расскажет про управление знаниями поглубже:) В общем, книга может быть интересной и я ее себе добавил в список work in progress книг, которые я отсматриваю по мере появления новых глав. #SEO #AI #Markerting #Search

Внедрение AI в организации в стиле Григория Остера (Рубрика #AI) Недавно было первое апреля, а сегодня еще и суббота, поэтому я решил сегодня рассказать в канале про свою статью о внедрении AI в организациях по заветам Григория Остера и его книг из серии "Вредные советы". Эти книги предназначалась для непослушных детей и их родителей и в ней давались абсурдные советы, что приводили к катастрофам. Именно так в детстве я учился “от противного” как поступать правильно. Эта статья примерно в таком стиле рассказывает про внедрение AI в организацию, которое очень напоминает подход к “цифровым трансформациям” бизнеса, которые были популярны 10–15 лет назад у бизнесов, построенных не вокруг IT (условно не digital native). P.S. Если после прочтения статьи вы захотите испробовать альтернативный подход, то можете почитать мои статьи о том, как это стоит делать, правда в домене разработки софта (или как мы это называем AI4SDLC). Я про это много писал уже, например, можно посмотреть статьи 1️⃣ От классического PDLC к AI-native-разработке Здесь про сдвиг индустрии от классических процессов к AI-native, как это выглядит и почему происходит. Подробная статья на моем сайте tellmeabout.tech. 2️⃣ От AI-native-разработки к AI-native-организации Здесь про то, как вслед за процессами разработки начинает меняться и огрдизайн компаний. Подробная статья на моем сайте tellmeabout.tech. 3️⃣ От классического task management к AI-native: как меняется сама единица работы. Здесь про Atlassian и Linear, которые практикуют разные подходы к управлению задачами и являются лидерами рынка для корпораций и стартапов соответственно. Подробная статья на моем сайте tellmeabout.tech. 4️⃣ Как бигтехи планируют внедрять AI-native разработку у себя в 2026 году. Здесь о том, как бигтехи подходят к организации этого перехода и постановке целей внутри организации, а также как они планируют измерять результат. Подробная статья на моем сайте tellmeabout.tech. Серия этих статей описывают концептуальный подход, который положен в основу нашей стратегии и тактики на этот год в направлении внедрения AI в разработке внутри компании. #AI #Management #Future #Software #Engineering #Productivity #Agents #Processes

"Экономическое равновесие. Теория объемной геометрии в экономике" (Рубрика #Economics) Прочитал эту тонкую книгу Ильи Кунцевича, которая вышла в 2015 году. Я выбрал эту книгу, так как был привлечен центральной мыслью о том, что экономику следует рассматривать как закрытую систему, моделируемую с помощью геометрии, а не привычной линейной математики. Илья говорит о том, что линейные модели не справляются с описанием реальной экономики и именно это стало одной из причин кризиса 2008 года. В итоге, книга рассматриваются базовые понятия и инструменты экономики, анализ состояния мировой экономики, критерии экономического роста и распределения материальных ценностей, а также понятие фракталов, которое автор считает важным для понимания теории экономического равновесия. Забавно, что одна из ключевых идей автора про то, что идеальная схема экономики - это окружность, где люди вкладывают и получают взамен то, что действительно заработали. Ну и по все книге присутствуют треугольники и перевернутые треугольники, которые нарисованы одинаково, хотя автор рассказывает про углы наклона и нестабильность. Это и есть вся глубокая геометрическая теория, которая оказалась разочаровывающей:) В итоге, книга показалась мне местами интересной по рассуждением, но практически без теоретической основы, без особой глубины геометрической концепции и без достойных иллюстраций идей. Рекомендовать ее читать не буду, но мне понравилось заочно дискутировать с автором в своей голове:) #Economics #PopScience #History

Как AI меняет инженерную культуру / Александр Поломодов (Рубрика #Engineering) Появилась запись моего выступления на конференции Dream Teamlead, что устраивал Yandex в прошлую субботу. Я уже рассказывал про него, но кратко в нем было 4 темы 1) Как себя чувствует индустрия разработки софта в эру AI - тут анализ основан на нашем исследовании AI4SDLC 2025 2) Как мы движемся от классического PDLC к AI-native-разработке (у меня есть статья на эту тему) 3) Как AI-native-разработка приводит к AI-native-организации (у меня есть статья на эту тему) 4) Как меняется роль тимлида в такой организации (так как выступал на конференции для тимлидов, то надо было поговорить о том, а что эти изменения значат для них) #AI #Management #Future #Software #Engineering #Productivity #Agents #Processes