Teamlead Good Reads – ежедневные советы про менеджмент людей и команд

Как HP купил Palm

Замечательная история про то, как HP купил Palm за 1.2 миллиарда долларов, а спустя 49 дней убил всю линейку продуктов и, по сути, закрыл компанию. И все это случилось, пока CTO, пролоббировавший покупку, лежал в больнице и ничего с этим сделать не мог.

Причины такие же, как и всегда – новый СЕО продал совету директоров свой вижн, нужно было быстро показать результаты и сильную руку, поэтому вместо рациональных решений не разобравшись рубил все с плеча.

Как понять, что компания тебе не подходит

Ответ простой – положиться на свою чуйку. Если вы пришли менеджером в новую компанию, и у вас появились сомнения в том, что вы с ней сходитесь в плане ценностей, отношения к работе и решению проблем, то это уже очень-очень сильный сигнал того, что вам лучше начать смотреть по сторонам в поисках нового места.

Это особенно важно для менеджеров. Если ты работаешь на индивидуальном уровне, то в целом можно забить на все происходящее вокруг и просто хорошо делать интересную вам работу. Для менеджера все сложнее. Для своей команды вы – представитель менеджмента компании. Для менеджмента – представитель команды. Если вы ловите себя на мысли, что часто не согласны с решениями компании, и вас приходится поступаться своими убеждениями, дальше будет только хуже. Вам придется либо постоянно переступать через себя, либо конфликтовать с одним из этих двух стейкхолдеров – компанией или командой. В любом случае, это точно не оптимальный карьерный путь.

Признаки AI текстов

Задача, с которой кожаные мешки справляются просто замечательно – паттерн-матчинг. Мы удивительно быстро научились буквально за один взгляд отличать текст и картинки, сгенерированные AI, от написанных человеком. При этом лично у меня даже не всегда получается рационально объяснить, за что именно цепляется взгляд. Но антипаттерны, описанные в статье, похожи на правду:

❌Параграфы завершаются пустым по сути подведением итогов без новых мыслей
❌Слишком активно используются списки
❌Все предложения примерно одного размера и структуры, текст ощущается плоским
❌Не всегда правильно выбирается подлежащее – по смыслу все правильно, но по сути выбивается
❌Очень низкая плотность информации
❌Много обобщений без конкретных примеров
❌На первый взгляд текст кажется написанным довольно экспертно, но на самом деле он просто изобилует терминами без реального понимания, что за ними стоит

При этом хорошие тексты с помощью AI писать точно можно – он отлично помогает преодолеть писательский блок, помочь структурировать свои мысли и найти более выразительные способы что-то объяснить. В статье как раз предлагаются подходящие практики для этого, похожие на те, которым я и сам следую.

Ну и самое важное – если тема того, как писать сильные тексты в эпоху AI-слопа вам интересна, то помимо этой статьи обязательно послушайте недавний выпуск Подлодки, где мы ровно про это говорили с прекрасной Галиной Юзефович.

Почему решения одних приходится разгребать другим

Один из самых больших моих страхов при увольнении или при переходе между ролями в рамках одной компании – заставить остальных жить с последствиями принятых мной решений. Вообще, принимать сложные решения в условиях неопределенности – суть нашей с вами работы. Принимая их, вы берете на себя риск и ответственность за возможные негативные последствия. Но если они долгосрочные, а вы перешли на новое место работы, то получается отвратительная ситуация – все лавры за достижение результата уже получили вы, а негативные последствия придется разгребать вашему преемнику, который к тому же никаких очков в свою пользу за это не получит.

Вообще, это системная проблема – отсутствие долгосрочной ответственности за результат приводит к действию по жадному алгоритму. Менеджеры принимают выгодные в моменте решения, а долгосрок их не очень интересует – например, срезают косты где можно или не вкладываются в решение технического долга.

Статья отлично разбирает этот феномен. Мне понравились следующие мысли:

👉Для большинства людей связка между принятым год назад решением и потерями, которое оно вызвало, будет вообще не очевидной. Если принявший его человек не стоял рядом в тот момент, когда риски отстрелили, наш мозг не будет воспринимать это как его вину.
👉О способностях и результатах лидеров судят по тому, смогли ли они справиться с унаследованными проблемами, что в целом не очень-то объективно и разумно с точки зрения организации.
👉Многие организационные культуры заточены под то, чтобы защищать менеджеров от последствий плохих решений: отсутствуют практики логирования решений и пост-мортемов на них, промо происходит без детального анализа решений менеджера и сбора фидбэка от текущей команды, отсутствуют понятные каналы, по которым линейные сотрудники могут рассказать о проблемах и ткнуть пальцем в ответственного.

Упадок Stack Overflow

Если вы пропустили, то Stack Overflow очень быстро умирает. Буквально в начале года он перешагнул исторический минимум по количеству новых вопросов – теперь их задают меньше, чем на запуске в 2009 году.

В первую очередь в этом винят LLM, но разработчики начали уходить оттуда еще раньше. Большинство обсуждений конкретных технологий постепенно переехали в локальные сообщества, где шансов получить токсичный ответ на свой вопрос существенно меньше.

Про эффект Веблена

Вебленовский товар – это предмет роскоши, спрос на который увеличивается по мере роста цены. Чем он дешевле, тем меньшему количеству людей он нужен. Этот эффект объясняется тем, что стоимость товаров соответствует статусу человека в социальной иерархии. Примеры – дорогие тачки, часы, одежда. Что интересно – спрос зависит не только от цены, но и от того, насколько быстро она растет.

Так вот, этот эффект вместе с рядом других исследований частично объясняют связь между уровнем счастья и уровнем заработка:

👉Если доходы равномерно растут у всех, уровень счастья не растет.
👉Когда доход человека выше, чем у людей вокруг, активируются центры вознаграждения в мозгу.

Как превратить группу в команду

Если вы помните, несколько месяцев назад Дмитрий Болдырев публиковал серию статей и видео про то, что вообще такое команда, и рассматривал историю группы суровых монтажников из прицела модели forming-storming-norming-performing. Но знать про то, как команды работают, это только часть дела. Самое сложное – их создавать!

Так вот, Дмитрий начал новый цикл статей – про то, как создавать команды с нуля, и как преобразовывать в них уже существующие группы. Для этого он использует модель, состоящую из восьми разделов.

Что подается на вход:
👉Люди – все, что касается индивидуальных особенностей членов команды
👉Группа – социальные и психологические факторы, влияющие на работу коллектива
👉Контекст – влияние организационного и глобального окружения на работу команды
👉Работа – особенности выполняемого задания

Какие рычаги есть:
👉Система управления командой – процессы, помогающие воздействовать на все перечисленные выше элементы
👉Командные взаимодействия – процессы взаиможействия между участниками
👉Эмерджентные состояния – эмоциональные и мотивационные состояния, которые возникают у группы в целом и её отдельных участников

Что получаем на выходе системы:
👉Результаты – оценка успешности

Так вот, уже готов разбор первых четырех частей этой системы – так что забивайте в календаре пару часов времени, и точно не пожалеете.

Давайте обсудим, а проблема ли это? Насколько каждый участник команды должен быть вовлечен в то, что делают остальные? Отсутствие любопытства в чужом стеке – дисфункция или нормальное продуктивное поведение?

Как быть руководителем своего друга

👉Ключевое правило – явно разделять две роли и стараться их не смешивать. То, в какой именно роли в каждом взаимодействии вы находитесь, должно быть ясно и вам, и другу. Простой способ это сделать – явно сказать что-то вроде "Так, давай переключимся в рабочий режим".
👉Страшнее всего давать друзьям негативную обратную связь, потому что есть риск разрушить отношения. Но можно посмотреть на ситуацию с другой стороны – между вами уже есть доверие, друг знает, что у вас в его отношении только лучшие намерения. И это стоит использовать – "Я ценю, что могу быть супер открытым с тобой и рассказать все как есть".
👉Еще один способ наметить границы – говорить не от своего лица, а от бизнеса – что-то вроде "этого требует работа".
👉Иногда роли все-таки приходится немного смешивать. Например, вы можете рассказать неприятные новости в своей шапочке руководителя, а затем явно сказать, что сейчас будете говорить как друг, и включить дополнительную эмпатию.

Как AI влияет на способность думать

The fun has been sucked out of the process of creation because nothing I make organically can compete with what AI already produces—or soon will. All of my original thoughts feel like early drafts of better, more complete thoughts that simply haven’t yet formed inside an LLM.

Про что говорит автор – из-за постоянной работы с LLM он чувствует, что постепенно разучивается самостоятельно думать. Вместо самостоятельной интеллектуальной работы, с глубоким изучением источников, проработкой гипотез, встреченными тупиками и нерешенными задачами, гораздо проще написать промпт, закинуть его в чат, и сразу же получить разжеванный ответ. И, хоть конечный результат будет тем же самым, теряется много ценного, что ты получал в процессе самостоятельного исследования. Голые факты не заменяют знания.

Это касается любых областей знания, программирования в том числе. Буквально на днях друг рассказывал про молодого разработчика в своей команде, который более-менее справляется со своими задачами, генерируя весь код через AI, но часто не может объяснить, как он конкретно работает – причем не столько потому, что он не способен разобраться, сколько потому, что не хочет и не готов вникать без помощи LLM.

Ephemeral Task Force как способ решения кросскомандных проблем

Держите еще один инструмент оргдизайна в вашу копилку – Ephemeral Task Force.

В чем суть – если какая-то проблема затрагивает сразу много разных команд и доменов, и требует большого временного ресурса для погружения, то ее сложно положить в голову одному конкретному человеку. Вместо этого вы собираете временную команду из заинтересованных людей, которые могут находиться в разных местах оргструктуры, и владеть разными кусочками знаний про проблему.

В таком task force обычно есть один человек, отвечающий за достижение результата, и набор индивидуальных контрибьюторов и менеджеров, которые либо делают работу руками, либо представляют свои команды.

Хороший пример – внедрение регуляций GDPR в продукт, который раньше им не соответствовал. Для этого нужно знать какие пользовательские данные вы вообще храните, как именно их процессите, как они распространяются между сервисами, что там с логами и кучу других вопросов.

Что важно – у такого task force есть четко определенная задача, по достижению которой его расформировывают. Разные проблемы требуют разных составов участников, поэтому превращать такую команду в постоянный комитет скорее вредно.

Баланс между отсутствием и микроменеджментом

Работа менеджера – направлять команду на решение правильных проблем и делать так, чтобы со временем она начинала работать все лучше. Вовлеченность менеджера в команду балансирует между двумя крайностями:

👉Отсутствующий менеджер. Есть руководители, которые считают, что лучшее, что они могут сделать – нанять крутых людей и полностью исчезнуть из их жизни. Иногда это делают из самых лучших побуждений, боясь стать микроменеджером. Но такое поведение деструктивно – не зная ничего про свою команду вы не сможете помогать им с решением проблем, принимать верные карьерные решения, помогать топ-перформерам становиться сильнее.
👉Микроменеджер. У такого типа руководителей, наоборот, вовлеченность максимальная, и на каждую проблему есть свое сильное мнение, которое они проталкивают команде. Вместо большой картины они смотрят на мелкие детали.

Чтобы понять, где на этой шкале находитесь вы, и не скатываетесь ли в один из антипаттернов – смотрите на таблицу поведений, приложенную к посту.

Как LLM могут помочь с личным бэклогом

Скорее всего, у вас есть какой-то список, в который вы записываете разные проблемы и места, требующие вашего внимания. Такие списки имеют тенденцию бесконтрольно расти, так как решаются проблемы обычно медленнее, чем возникают. LLM вам может помочь преодолеть прокрастинацию и проблему чистого листа, случайным образом выбрав проблему из этого списка, и набросав черновой план действий, от которого дальше уже можно отталкиваться и прикладывать к нему реальность. А если у LLM есть доступ к корпоративной базе знаний, вообще прекрасно.

Альтернатива – попросить LLM помочь с приоритизацией этого списка, проанализировав все заметки, разбив их по категориям, и разложив по Эйзенхауэру или любому другому подходу.

В статье есть конкретные промпты, если решите попробовать.

Про уровни AI fluency

Умение грамотно использовать AI постепенно становится обязательным требованием во многих компаниях. Zapier рассказывают, как они классифицируют это умение в рамках разных ролей. В общем виде выделяют четыре уровня:

1️⃣Unacceptable: AI-скептики, не используют никакие инструменты, отрицают их ценность.
2️⃣Capable: Есть хотя бы несколько месяцев опыта работы с самыми популярными инструментами.
3️⃣Adoptive: Встраивают AI в свои личные привычки и воркфлоу. Умеют писать качественные промпты и улучшать их, связывать модели друг с другом, автоматизировать задачи.
4️⃣Transformative: Используют AI не как инструмент, а как способ создать что-то новое, что было бы невозможным еще пару лет назад.

Конкретные скиллы и поведения сильно различаются для разных ролей – примеры для инженеров, продактов, HR, саппорта и маркетологов есть на скрине.

Учимся учиться на инцидентах

Происходит инцидент. Минимально необходимое требование – потушить пожар и вернуть ваш продукт в рабочее состояние. Задача со звездочкой – найти и устранить корневую причину его возникновения. Стандартная техника для этого – RCA, Root Cause Analysis. Это очень прямолинейный подход с понятной ценностью для команд. Но в больших и сложных системах только RCA бывает недостаточно.

Тут на сцену выходит сравнительно новый подход LFI, Learning from Incidents. В отличие от RCA, главная цель LFI – узнать новые детали про то, как работает система, и обогатить ментальную модель тех, кто ее поддерживает. Логика простая – очень часто в процессе устранения инцидента помимо корневой проблемы можно узнать много других интересных вещей и выявить какие-то проблемы, которые могут отстрелить где-то в будущем.

Иначе говоря, RCA фокусируется на known unknowns, а LFI – unknown unknowns.

Результаты большого исследования русскоязычных продактов

👉Генерировать новые идеи любит половина опрошенных, проводить рисерчи – треть, а работать с фидбэком только 10%. Ну вы все поняли про типичных продактов!
👉AI инструменты перешли в разряд повседневного тулинга у половины респондентов. На первом месте ChatGPT, потом идут Deepseek, Perplexity, Gigachat. А самые популярные сценарии работы с ними – умный поиск и улучшение текстов.
👉Большинство продактов сидят на зарплате, опционы и лругие долгосрочные бонусы только у 10% опрошенных.
👉В профессии гораздо больше женщин, чем в целом по индустрии – распределение ровно пополам. Причем среди джунов вообще 2/3 – женщины.
👉Самая бесполезная книга – Inspired от Марти Кагана. Полный список нерекомендуемых книг вот тут.

Про big bets

Big bet – типичное название для большой и стратегически важной инициативы, в которой напрямую заинтересован СЕО или кто-то из топов. Чаще всего они тащат за собой кучу скрытых рисков и проблем, включая ухудшение морали команды и отток ресурсов от других важных направлений.

Отличительные признаки большой ставки:

1️⃣Топ-менеджмент говорит о ней таким образом, как будто у нее нет никаких продуктовых и бизнесовых рисков, и единственное, что может пойти не так – execution.
2️⃣Проект получает не меньше ресурсов, чем полноценные зрелые направления, несмотря на свою раннюю стадию.
3️⃣Он заявляется как стратегически важный.

Так вот, лидить такой проект чаще всего плохая идея. Вот почему:

👉Как я и сказал выше, топ-менеджеры слишком верят в то, что проект выстрелит – поэтому если он провалится, то вся вина будет на лиде, который не смог его заделиверить.
👉Из-за вот этой чрезмерной уверенности, такие проекты минуют все стадии адекватной продуктовой разработки – часто нет ни исследования рынка, не проверки продуктовой гипотезы, вообще ничего. Короче говоря, big bet – это очень конкретное решение для несформулированной и непроверенной проблемы.

Советы по созданию линеек грейдов

Есть вероятность, что в недалеком будущем все эти матрицы компетенций и структурные карьерные линейки постепенно вымрут. AI одновременно и подталкивает к тому, чтобы один человек динамично сочетал в себе несколько ролей, и существенно облегчает это – поэтому наша индустрия может прийти к небольшим командам с плоской структурой и довольно слабо зафиксированными ролями. А это плохо ложится в заранее очерченные рамки.

Но если вы уверены, что вам нужно описание карьерных уровней, вот набор советов от человека, который первым выложил карьерный фреймворк своей компании в открытый доступ:

👉Не давайте HR составлять описания уровней, получится фигня. Определять требуемый уровень экспертизы для разных уровней вообще не их работа.
👉Детали важны. Если ваше описание уровней похоже на гороскоп, оно будет только вредить. Субъективных штук вроде "high impact", "large systems" не избежать, но вы можете постараться минимизировать количество таких абстрактных терминов, и дать хоть какую-то шкалу для их оценки.
👉Хороший способ объяснить смысл и логику за табличкой – сопроводить ее подробным блог-постом.
👉Постарайтесь не превращать эту табличку в чек-лист компетенций, который гарантирует промо на следующий уровень по его заполнению. Промо – функция не только навыков человека, но и текущих потребностей компании.
👉Будьте честными – не для каждой профессии можно подготовить линейку от самых низких уровней до VP.