Ivan Abashkin blog

С осени прошлого года идет стремительный переход от использования ИИ в качестве личного помощника к встраиванию ИИ-агентов в команду и передачи им определенных задач – переход от вайбкодинга к agentic engineering. Задача, как это часто бывает, решается экспериментально, методом проб и ошибок, потому что организовывать разделение труда даже между людьми в команде тимлидов, да и большинство руководителей следующих уровней не учили. А в случае ИИ-агентом ситуация осложняется тем, что это – не просто онбординг способного новичка, который не знает контекста проекта: у этого новичка есть набор сильных сторон, таких как быстрый доступ к знаниям из любых предметных областей, бесконфликтность и готовность к исправлению ошибок, в сочетании со слабыми сторонами, например, склонности упрощать задачу или пользоваться первым попавшимся попсовым знанием вместо профессионального. Если сравнивать с людьми, ИИ-агент – это звезда с особенностями. Встроить звезду в команду, чтобы сильные стороны проявлялись, а слабые не мешали – задача повышенной сложности для любого руководителя. А сейчас ее надо решать массово. Поэтому полезно представлять прошлый опыт перестройки систем разделения труда, а также теорию, которая уже наработана в менеджменте по поводу организации разделения труда. Я много лет работаю с теорией менеджмента, и вопросы организации разделения труда – одна из моих профильных тем, поэтому решил написать обзорную статью https://habr.com/ru/articles/1035522/ обо всех этих вопросах. Читайте, делитесь впечатления.

Бутылочное горлышко смещается в сторону аналитики и проджект менеджмента

📊 Перенесу из чата важную статистику по нормативам сроков IT-проектов с участием ИИ-ботов.

Хотя у нас в чате периодически пишут фантастические истории, как поставили задачу ботам и «пошли спать», но это больше фантазии или сервисные задания агентам типа тестов или приведения в порядок встроенной документации в коде, а не настоящая полноценная IT-разработка.

Есть нормативы IT-разработки. Хотя в целом ИТ-проекты малопредсказуемые по сумме и срокам, но соотношение фаз предсказуемо более чем по Rational Unified Process (RUP).

Для людей так:
1. Inception. Основной продукт Vision — 5%
2. Elaboration. Прототип + Use Cases — 30%
3. Implementation. Протестированный продукт — 50%
4. Transition. Деплой и приёмочные испытания — 15%

Это примерно так и по трудозатратам, и по срокам с небольшой вариацией по статистике Грэди Буча. Она действительно довольно стабильная как соотношение фаз, если вы работаете по его методике или упрощённому её варианту типа Agile Unified Process (AUP).

Боты могут забрать на себя п.3 и п.4, частично п.2, но это НЕ автоматическая разработка, т.к. прототип — это аналитическая работа и требует его осмотра. Проще говоря, большая часть Model и Project Management трудозатрат остаётся на человеке. ИИ тут — ассистент-полуавтомат, но не автомат.

Получается на автомате где-то 60-70% максимум от трудозатрат именно на ботов. Если бот работает в 3 раза быстрее человека, то это приведёт к тому, что время работы ботов и время на разработку задания для ботов примерно сравняется. Что и наблюдается.

Поэтому для НАСТОЯЩЕГО софта типа разработки SQLite как раз никак невозможно просто запустить на 20 часов ботов и «пойти спать». Точнее запустить можно, но результат будет плачевный.

Вам потребуется 20 часов на создание заданий ботам.

Методики Буча тут ещё хороши, т.к. по факту отрезают именно аналитическую работу в формальные процессы. Если работаете в процессах Business Modeling, Requirements, Analysis and Design, то ИИ-бот не угрожает вашей работе, но вот Implementation, Testing и Deployment постепенно станут 100% автоматическими. Находиться в этих процессах ИТ-проекта довольно рискованно для сохранения работы.

Когда с фабрикой чутка не договорились что значит литьё в силикон.

Забавно, что, кажется, AI наконец заставил нас делать то, что мы годами откладывали в knowledge management: нормально записывать, как у нас все устроено.

AGENTS.md, CLAUDE.md и похожие файлы выглядят как еще один технический артефакт, валяющийся рядом с README. Но по сути это новые базы знаний для агентской эпохи. В них попадает не просто “контекст для модели”, а живая операционная память команды: как у нас принято работать, что считается хорошим результатом, где лежит правда, какие ошибки мы уже совершали и какие выводы из этого сделали.

В докладе *Onboarding for Two* прозвучала очень точная мысль: все, что нужно человеку, чтобы успешно войти в проект, нужно и агенту. Style guide, audience notes, workflow, локальные conventions, типовые грабли – это уже не просто онбординг для новичка, а reusable context для любой следующей задачи.

И тут происходит интересный сдвиг. Мы годами откладывали документацию “для людей”, но внезапно готовы писать ее для агентов. Почему? Потому что эффект мгновенный: один раз записал conventions, ограничения, команды, типовые грабли - и агент уже в следующей задаче работает лучше. Меньше повторяешь контекст, меньше правишь одни и те же ошибки.

Поэтому agent guidelines – это не просто инструкция для ИИ. Это формат, который наконец вытаскивает tacit knowledge из голов, чатов и устной традиции в явный слой. По сути, все то, что обычно рассказывают новичку в первые недели: как у нас принято писать, что не надо трогать без тестов, где искать правду, каким workflow мы реально живем.

И кажется, в этом их главная ценность. Не только в том, что они улучшают работу агентов, а в том, что они буквально “обманывают” нас и заставляют писать более полезную документацию.

Вопрос, кажется, уже не в том, нужен ли вам AGENTS.md. А в том, какая часть знаний вашей команды все еще в нем не записана.

Скопирую заметку Дмитрия Волошина из запрещённой сети. Наблюдая как нейронка пишет код и я вижу что бездумный копипаст ответов приводит к непониманию "как и почему это работает".

————

Знакомый менеджер по продукту в IT-компании года полтора назад открыл для себя ChatGPT. Сначала использовал для рутины - генерировал черновики писем клиентам, набрасывал структуру презентаций, формулировал техзадания разработчикам. Удобно, быстро, освобождает время для важного. Через пару месяцев он уже все делал через AI. Стратегия продукта, анализ конкурентов, roadmap - промпт в ChatGPT. И правда, зачем напрягаться и думать самому, если AI выдаст готовый ответ за минуту? Час на размышлять против трех минут на промпт - выбор очевидный. Время освобождается, можно начать жить свою жизнь.

Через год такой работы он начал терять квалификацию, причем незаметно для себя. Раньше он мог посмотреть на метрики продукта и сразу понять, где проблема, что не работает, какие гипотезы проверить. Это приходило из опыта постоянного анализа, обдумывания данных, поиска закономерностей. Штуку эту сложно формализовать, иногда ее называют чуйкой. Сейчас он просто копирует цифры в ChatGPT и спрашивает - что здесь не так? AI выдает стандартный анализ, общие фразы, очевидные выводы. Потому что LLM обучена на среднем контенте из интернета - статьях, кейсах, учебниках. Она знает общие паттерны. Она выдает то, что работает у всех, а не то, что работает именно здесь. И он копировал эту посредственность в отчеты, не замечая, что теряет понимание своего продукта.

Критический момент наступил месяца три назад на встрече с CEO. Обсуждали почему продукт фокусируется на корпоративном сегменте, а не на SMB. Мой знакомый начал отвечать. Все правильно, но абсолютно пусто, как из учебника. CEO перебил его - я не про общую теорию спрашиваю, я про наших конкретных клиентов. Что мы умеем лучше конкурентов именно в корпоративном сегменте? И тут выяснилось - он уже не знает. Потому что последнее время он не думал глубоко о продукте, не анализировал, не погружался. Он генерировал отчеты через AI. Можете сказать: плохо научился писать промпты? Может и так.

Через месяц его позвали на разговор с руководителем. Тот сказал прямо - вижу, что ты потерял хватку, потерял сопричастие. Твои решения стали странными, анализ поверхностным, стратегия - набором общих слов. Команда жалуется, что ты не отвечаешь на конкретные вопросы. Предложил две опции - либо он возвращается в форму за месяц, начинает думать сам, либо расстаются. Менеджер выбрал второе, потому что, как он мне сказал потом - я не уверен, что мне интересно работать как раньше, не нравится эта луддитская философия. Мне же кажется, что у него попросту атрофировался навык. Думаю, что у него стало пусто в голове, не может самостоятельно сформулировать мысли, не может выстроить логику. Привык костылю. Хотя вроде и физтех.

В чем трагедия всей этой истории? Он выбрал деградацию сам, осознанно и добровольно. Не потому что не мог думать - мог отлично. Не потому что не понимал разницу между глубоким анализом и поверхностными выводами AI - прекрасно понимал. Не потому что не умел настроить LLM, он даже знал, что такое RAG и активно использовал собственноручно настроенных агентов. А потому что думать самому сложно, долго, требует усилий и концентрации. А посредственный результат от AI - достаточен для большинства задач, пока никто не копает глубже.

И вот я думаю: сколько таких историй сейчас происходит незаметно? Сколько людей медленно теряют профессиональные навыки, заменяя мышление на промпты? Может, это естественный отбор - те, кто выбирает легкий путь, получают посредственные результаты и посредственную карьеру. А те, кто продолжает думать сами, обладая критическим восприятием FOMO, использует AI как инструмент усиления, а не замены мышления - они выигрывают, потому что умеют то, чего больше не умеют другие? Не знаю. Но наблюдаю, как люди массово выбирают удобство вместо развития, при этом искренне считая, что просто эффективно используют технологии. Странное время.

Тем, кто проводит изменения: "Гори, но не сжигай... Гори, чтобы светить! " ▶️

Цена страховки

Когда впервые сталкиваешься с запуском производства, быстро понимаешь, почему фабрики так не любят маленькие заказы. Для производственной линии нет большой разницы, делать 500 устройств или 50 000. В обоих случаях нужно остановить конвейер, перенастроить станки, подготовить оснастку и обучить людей. Эти стартовые затраты времени и сил практически одинаковы. И когда их стоимость «размазывается» всего на 500 изделий, цена каждого из них взлетает до небес. Выглядит как гарантированный убыток.

Коллега меня спросил: "Зачем мы тратим полтора года жизни и кучу денег на запуск продукта, который в итоге делаем таким маленьким тиражем"? Его логика понятна: чтобы конкурировать на рынке, нужна низкая цена, а низкая цена бывает только при массовом производстве.
Но как говорил Василь Иваныч, есть тут один нюанс. Это огромный риск. Запустить конвейер сразу на 50 000 штук - это как прыгнуть в бассейн, не проверив, есть ли там вода. Если мы просчитались в оценке рынка или допустили критичную ошибку в продукте, или же он просто "не зашел" потребителю, огромная партия превратится в груду замороженных денег, которые не вернуть. Это похоронит компанию.

Сейчас продвинутые комментаторы напишут мне, мол ежу понятно! Нужно делать MVP за мало денег и проверять гипотезу! Вот только когда ты делаешь промышленный роутер, советы из IT не всегда работают. Ты не можешь сделать пилотную партию «на коленке». Корпоративным заказчикам нужны сертификаты, тесты на стабильность и безопасность. А ещё они "привыкают" к продукту и долго потом не хотят менять прописанную во всех регламентах и ТЗ модель. Если мы сделаем пилотную партию по временным технологиям, а для серии потом изменим конструкцию корпуса или материалы, все сертификаты придется получать заново и менять прописанную в регламентах модель. Поэтому даже для PVT в 500 штук необходимо использовать дорогие «взрослые» технологии литья и сборки, как для крупных тиражей.

И вот тут мы приходим к к стабильности качества. На больших тиражах качество обеспечивается отлаженной системой. Инструкции, регламенты, оснастки, тестовые стенды - всё это снижает вариабельность. Обеспечивает единообразие и качество. Всё это стоит денег и времени. Кажется, что мы сами усложняем себе жизнь и завышаем себестоимость, но если этого не делать, мы получим 500 разных устройств, не будет ни одного одинакового. Если мы выпустим на промышленный рынок «сырую» партию, где качество плавает от устройства к устройству, мы испортим репутацию быстрее, чем успеем наладить продажи.

Поэтому высокая себестоимость первой партии - это не способ заработать. Это плата за опцион на масштабирование. Мы сознательно идем на высокие расходы вначале, чтобы не рисковать всей компанией если что-то пойдёт не так. Да, экономика первой партии выглядит ужасно, но это покупка страховки. И это единственный безопасный мост к тем самым заветным тиражам в 50 000 штук, где нас ждет настоящая прибыль.

Качество - это соответствие требованиям. Нет требований - нет качества.

Вроде банальщина, но пока сам в это не вляпаешься - не доходит.

Купили некое количество корпусов. Там отверстия насверлены. Отверстия гуляют от края на 0.1-0.3 мм. Через серию сочленений это влияет на конечный внешний вид устройства. Появляются щели там, где их быть не должно. Некоторые устройства вообще не собираются.

Смотрим чертеж, а там в этом месте никаких требований к допуску и нет. Я проглядел этот момент.
Что характерно - на образцах всё было идеально. В серии - разброс.
Фабрике ничего не предъявить - требований то нет. В итоге дорабатывать за свой счет.

Хотите качества - проверяйте что вы точно его попросили и вам это не показалось!

Отсутствие опыта с AI — это ред флаг или нет?

Вчера делал опрос в Продуктовошной — надо ли брать на работу продакта, у которого вообще нет опыта с ИИ.

Ещё год назад я поставил бы, что возьму. Теперь же история другая — я не представляю, в каком дремучем лесу и с каким отрицательным любопытством должен быть человек, чтобы не получить опыт с AI.

Я не говорю про вайбкодинг и прочие «у меня свои агенты».

Но уже очевидно, что есть пласт применений AI, которые здорово ускоряют исследовательскую, писательскую и презентационную работу. Это не говоря уже о каких-то простых задачах писка и анализа сырых данных.

А такой работы полно у любого специалиста в продуктовой команде. Полно.

Но это же не рокетсаенс, можно быстро научиться! Да, можно — но если за три года активного «из каждого утюга AI» у человека не возникло желания попробовать.... То фундаментально полезный навык — любопытство — явно не топовый у него.

Представьте, что лет 20 назад вы берете человека работать, а он вместо email пишет только бумажные письма. Или вместо поисковика ходит в библиотеку. Просто потому что не знал, не считает нужным и раньше всегда так делал.

В общем, должен быть дичайший мэтч по остальным критериям и полнейшее отсутствие альтернативных вариантов, чтобы я сейчас взял в команду кого-то, кто не юзает AI. Ред флаг. 🚩

Подарили как-то ежедневник. Хорошая надпись, правда в моих текущих реалиях: «Если не кто, то ты» было бы уместнее.

Давай, делегирувай!

Всем привет! Немного диалектики вам в ленту =)

Управляя проектами нам постоянно приходится принимать решения. Для этого мы взвешиваем разные факторы, сравниваем их друг с другом, оцениваем их взаимное влияние. Часто для этого мы распологаем эти оценки у себя в голове на воображаемой линейке или плоскости. И наша плоскость, по привычке, как нас учили в школе, начинает отсчет от 0. Например мы оцениваем пользу от какого-то явления и взвешиваем: нулевая она или великая.
Но любое явление в нашей жизни имеет свою противоположность. Это не ноль, это отрицательная величина. У этого явления есть польза? Значит может быть и вред!

Для примера взглянем на матрицу Влияние-Интерес при работе с заинтересованными сторонами.

Мы привычно делим её на четыре квадрата: низкий интерес/низкое влияние (наблюдаем), высокий интерес/низкое влияние (информируем), низкий интерес/высокое влияние (удовлетворяем), высокий интерес/высокое влияние (управляем плотно). Все эти стратегии работают с теми, кто либо нейтрален, либо позитивно настроен к проекту. Нулевой интерес для нас — это просто апатия.

Но что, если мы продолжим оси в отрицательную область? Что такое «отрицательный интерес»? Это не просто его отсутствие. Это активное желание, чтобы проект провалился. Это противодействие. А «отрицательное влияние» — это не просто отсутствие власти, а способность этой властью вредить, вставлять палки в колеса, саботировать.

И вот наша простая матрица 2х2 превращается в систему посложнее. В ней можно заметить новых, крайне опасных персонажей:

- «Партизан» (низкое влияние, отрицательный интерес): Он не может остановить ваш проект, но будет портить его по-мелочи: «забывать» передать информацию, распространять слухи, тихонько критиковать ваши решения в курилке. Поодиночке они безвредны, но группой могут создать серьезные проблемы.
- «Могущественный противник» (высокое влияние, отрицательный интерес): Самый опасный тип. Он не просто хочет, чтобы ваш проект провалился, — он может этого добиться. Его стратегия — не управление, а нейтрализация или переубеждение. Игнорировать его — значит подписать проекту смертный приговор.

Этот же принцип работает везде. Фича в продукте может иметь не просто нулевую ценность (никто не пользуется), а отрицательную — она усложняет интерфейс, путает пользователей и генерирует баги. Решение может быть не просто «не оптимальным», а откровенно вредным, создающим больше проблем, чем решает.

Вывод: мысля категориями от 0 до 10, мы рискуем не заметить тех, кто играет на нашей же доске, но по другую сторону, в координатах от -10 до 0. Настоящая задача менеджера — видеть всё поле целиком. Не только искать сторонников, но и выявлять, оценивать и работать с противниками.

А вы в своих проектах учитываете «отрицательные» величины? Или фокусируетесь только на позитиве?

Тут коллеги спрашивают кто и как пользуется AI сервисами.

Ниже описал свой опыт в этом деле:

1. Я ежедневно использую https://aistudio.google.com/ и модель Gemini 2.5 pro для:
- Перевод текстов с английского на русский и обратно.
- Чтения технической литературы на английском языке, поиск по ней, быстрая проработка вопросов.
- Общения с сотрудниками нашего Китайского офиса и фабриками в Китае (Перевод, адаптация текста к их культурному коду: вежливость, стилистика, обход моментов "потери лица")
- Суммаризация расшифровок совещаний, последующая нарезка задач в таск-трекер: кто и что должен сделать, описание, контекст, заголовок.
- Консультант, об которого можно подумать разные вопросы: по стратегии, по развитию, принятие не очевидных решений.
- Анализ и сравнение таблиц, документов, данных. Тенедерные документации, даташиты, результаты испытаний, проверка договоров с подрядчиками и т.д.
- Сокращаю время на написания e-mail внешним клиентам, подрядчикам, заказчикам, команде и т.д. За счет упрощения процесса формулирования мыслей в корректный текст: надиктовываю плохо связные мысли, прошу сформулировать, корректирую, дошлифовываю вручную.

2. Часто использую https://notebooklm.google.com/ для:
- Учебы, "разговора" с материалами.
- Анализа плохо изученных тем, генерации подкаста по ним
- Анализа научных статей, патентов и другой документации. Ответы на мои вопросы по этим темам.
- Формулирования терминов по учебным материалам для заучивания через Anki.
- Формулурую тесты для себя по учебным материалам, "разговариваю" по ошибкам в них, спрашиваю что не так понял.

3. Ежедневно использую модели для распознавания речи в текст, такие как OpenAI Whisper.
На работе развёрнута локальная модель, для личных нужд использую @my_voice_messages_bot в Телеграмме
- Отказался от голосовух, надиктовываю в него, потом присылаю людям нормальный текст.
- Расшифровываю чужие голосовухи.
- Голосом пишу промты и запросы для LLM
- Периодически использую как голосовой ввод текста, даже не смотря на то, что умею печатать в слепую со скоростью 300 символов в минуту. Очень выручает при работе в пути, с телефона.

4. Часто использую https://www.perplexity.ai/. (Купил платный аккаунт за 800 рублей на целый год, вот здесь инструкция).
Для:
- Поиска материалов в сети. Работает лучше Google.
- Исследования, прокапывания сложных тем (режим "лампочки"), и поиска релевантных материалов. Например, поиск научных статей, патентов, даташитов или анализ рынка, или аудитории пользователей по узким вопросам. (можно искать только по научным материалам или только по соцсетям)
- Поск файлов, PDF, даташитов, документации
- Анализ ссылок на ресурсы в и интернете, суммаризация статей, поиск товаров.
- Быстрый и безпроблемный доступ к топовым моделям разных вендоров.
- Голосовой режим, чтобы узнать погоду утром, или новости. (На порядок лучше Алисы работает)

5. Работа с конвертацией одних текстовых форматов в другие с помощью https://grok.com/
- Grok хорошо умеет работать с такими разметками документации как PlantUML или Mermaid. Конвертировать одну в другую или генерировать диаграммы сразу по вашему описанию текстом или в .xml. Помогает при разработке документации или внутренних wiki-статей.

6. Ребёнок заинтересовался Blender и генерирует себе игрушки по следующему сценарию
- Генерация картинки в https://lmarena.ai/?chat-modality=image --> Генерация 3D модели на основе картинки в https://3d.hunyuan.tencent.com/ --> доработка в Blender --> 3D печать

Свершилось! Мы теперь официально Российский производитель:
https://gisp.gov.ru/pprf/marketplace/#/product/a0bad21b-f685-49f4-918b-a3974a1e3d4c

То чувство, когда твоей основной IDE становится блокнот и .... Microsoft Outlook 🚑

Продолжаем тему самообразования.

В Телеграм мой длиннопост не влез, пришлось писать статью на VC и Дзен (Ух, как я его ненавижу!)

PDFы статей скинул в комментарии внутри этого поста в Telegram.

Приятного чтения!

https://vc.ru/education/1980639-kak-uchitsya-novomu-efektivnye-metody-konspektirovaniya