Marat @ Predictable.Team

Плохие новости к пятнице: учёные, кажется, реабилитировали митинги.

🔥 А вы "горите" от обилия созвонов на работе?


Пока вчера пытался вылезти из под двухнедельного завала работой, посмотрел на календарь следующей недели и стало плохо - просто от предвкушения предстоящих митингов.

Мои коллеги практически на любой работе мучаются от количества митингов. Мемы про "коллеги, давайте устроим короткий созвон на 3 часа" вы тоже, наверняка, видели. Я всю жизнь работаю на удаленке, казалось бы уже толерантность должна быть повышенная ко встречам, но также мучаюсь.

📚 Решил коротко задать вопрос perplexity - есть ли какие-то исследования, которые подтверждают что лучше общаться текстом (и вдумчиво дать контекст), или все же (как минимум у меня в менеджменте) - лучше все голосом (есть ведь невербальное поведение, которое тоже надо считывать + намного быстрее вопросики решаются). И вот, пока мы тут с вами страдаем, вышло прикольное исследование, которое говорит что "не все так однозначно".

👩‍🔬 Чуваки посмотрели на данные более 9 000 работников в Норвегии и обнаружили, что время на встречах оказалось самым сильным предиктором роста зарплаты среди изученных рабочих активностей - сильнее сфокусированной работы, обучения и почты. Даже метафору придумали - назвали митинги «брокколи работы»: обычно не любишь, но полезно.

Это, конечно, корреляция. Наверное, можно поэкспериментировать: ставить ежедневные синки по несколько часов и ждать, пока придет повышенная зарплата (или 1:1 с начальством (главное, не 1:1 с начальством и HR)). Судя по исследованию, работает не магическая сила забитого outlook/google calendar, а доступ к контексту, более опытным коллегам и знаниям, которые плохо путешествуют по таск-трекеру.

Такие дела. Теперь вместо того, чтобы написать коллеге вопрос, с контекстом, обдуманно, - наверное буду тупо ставить встречу.

🤦 Spec-Driven Development (SDD): хотели как лучше, а получили молниеносный Waterfall

Ситуация: команда нашла подробную документацию API для compliance. За спринт собрала удобный адаптер с помощью кодинг-агентов - хоба, и им уже заинтересовались коллеги!

А в следующем спринте выяснилось, что API — внутренний инструмент с доступом к сырым данным. Другим командам пользоваться им нельзя. Сервис и два спринта разработки пришлось списать.

📰 Это один из кейсов, которые мы насобирали в Райфе в новой статье про SDD для AI-агентов. Агент быстро превращает спецификацию в код, тесты и инфраструктуру. Но очень часто мы и сами до конца не понимаем всю специфику данных, безопасности или реальной потребности пользователя. Чем выше скорость генерации, тем дороже ошибка в выбранном направлении.

В статье -> о том, как использовать SDD для ближайшего проверяемого шага: зафиксировать критическое предположение, способ проверки, границы задачи и того, кто принимает решение.

И как в типовых задачах спецификация становится накопленным знанием команды: контрактами, примерами и шаблонами тестов.

👉 Полный разбор на Хабре

☕️ Пятничный кофе — хорошая метрика активности: чашка показывает, что ты проснулся. Про сделанную работу она ничего не говорит.

🪙 С токенами в AI похожая история. Дашборд показывает, что инструментом пользуются. Всё.

Дальше виден сдвиг в работе: PR растут — очередь часто переезжает в ревью. Агент экономит время — и добавляет проверку, интеграции, поддержку. Смена модели превращается в маленький релиз с феерверками тестом, наблюдением и владельцем решения.

В новом Human Loop Weekly — почему расход токенов показывает температуру, а результат стоит искать в пути задачи до пользователя.

https://maratkee.com/ru/thehumanloop/2026-08-24-ai-management-digest/

Когда AI-native превращается в план сократить людей

Кейс Meta (признана экстремистской организацией и запрещена в РФ) из спецрепортажа Reuters — хорошая проверка разговоров про AI-native и маленькие команды.

По данным Reuters, в январе Meta запустила Project OT (Organisational Transformation). Компания обсуждала более компактные команды и больше работы, которую берут на себя AI-инструменты и агенты. В наиболее радикальных сценариях размер некоторых команд мог сократиться до 60%. Реорганизацию планировали провести двумя волнами — в мае и ноябре.

20 мая Meta сократила 10% сотрудников. Ноябрьскую волну затем отменили. Reuters не удалось установить, почему именно Цукерберг изменил курс.

Внутренние данные рисовали сложную картину. Изменения кода на внутренних платформах выросли на 220% год к году. Изменения, которые дошли до пользователя, — на 36%. Число крупных технических инцидентов и инцидентов безопасности, по этим данным, выросло на 40%, а время на их устранение — на 70%.

Кода можно писать больше и быстрее. Дальше остаются ревью, тестовые среды, безопасность, релиз, эксплуатация и проверка эффекта у пользователя. Если эти части системы не выдерживают темп, работа скапливается в следующей очереди или качество компрометируется.

Это ровно то, о чём я недавно писал про tiny teams. Маленькая команда жизнеспособна там, где вокруг неё уже есть платформа, автоматические проверки, понятные решения и быстрый доступ к нужной экспертизе.

AI-native — это устройство всей системы работы. Штатное расписание из трёх человек само по себе им не становится.

Полный кейс Reuters

⚡️Сегодня у нас с вами холиварная тема!

Микрокоманды из трёх человек с AI-агентами способны заменить обычную продуктовую команду — и значит нам столько больше не нужно?

🤝 Такой вывод, если сильно не вчитываться в кейсы, можно сделать об ускорении разработки: меньшим составом удаётся выпускать тот же объём работы.

👉 Я разобрал этот тезис в новой статье на Хабре.

Картина сложнее. Публичных исследований, которые показывали бы преимущество микро-команды, вооруженной AI над обычными кросс-функциональными командами в широком масштабе, пока нет. Но уже понятно, от чего зависит жизнеспособность команды из двух-трёх человек.

Важны сложность системы, распределение знаний, цена ошибки и поддержка вокруг команды.

У истории «три человека сделали продукт» часто есть продолжение за кадром: CI/CD, платформа, автоматические проверки, инфраструктура, а также специалисты по безопасности, данным и праву. Всё это кто-то создавал и поддерживает.

📰В статье — данные CircleCI, границы публичных кейсов и диагностика для руководителя: подойдёт ли микрокоманда вашей задаче.

- Короткая версия на Хабре
- Полная версия на maratkee.com — с детальным разбором и двумя стресс-тестами: что остановится, если один человек исчезнет на месяц, и где возникнет очередь, если AI удвоит поток изменений.

🔎 Интересное чтиво:

У коллеги из вышел отличный пост на Хабре — про «прыжок веры» команды в агентскую разработку. Они над этим полгода работали и вот готовы поделиться :)

Если вам интересно как команда в условиях стресса агентизируется, что работает а что нет, почему мини-команды оказались удобнее чем старый формат - 2 фиче тимы на 16 человек.

Как 16 человек без расширения штата и героизма перестроили процессы, попробовали AI-инструменты в деле, разделились на микроюниты и собрали свой workflow для работы людей и агентов.

Честный кейс: с провалами, хакатоном, рефакторингом и неочевидными организационными выводами.

👍 Читайте на Хабре

➿ Human Loop Weekly #2 — AI ускоряет отдельные этапы работы. А вот задача все равно висит в очередях между этапами

AI помог открыть pull request в понедельник. А к какому дню недели оно доехало в итоге до пользователя?

Этим вопросом мы задаемся как сквозной темой в рассылке на этой неделе. Смотрим на то, как ограничение часто проявляется после написания кода: в ревью, тестовой среде, решении о риске, релизном окне или проверке результата у пользователя.

🔖 Во втором выпуске разбираю:

- как восстановить маршрут 10 недавно завершённых задач;
- где отличить очередь мощности от ожидания решения и контекста;
- почему зелёная проверка подтверждает конкретный риск, а не качество изменения целиком;
- как связать активность с AI с временем прохождения задачи, возвратами и клиентским результатом.

Кому лень идти на сайт — вот источники сразу:

📊 DORA: как измерять ценность генеративного AI — J-кривая внедрения, стоимость обучения и «налог на проверку»: AI генерирует больше кода, команде требуется больше времени, чтобы его понять и подтвердить.

🏭 Lean Enterprise Institute: 12 потерь в разработке продукта — ожидание данных, решений, ревью и свободной мощности; передачи контекста и переделка как источники потерь.

💰 ROI разработки с AI — как связывать AI-инвестиции с потоком работы, качеством и финансовым эффектом.

🔍 Google Cloud: кто проверяет код, написанный AI — практический сигнал: рост объёма изменений переносит нагрузку в ревью и интеграцию.

👉 Полный выпуск

Я подписан на кучу рассылок по AI, продукту, менеджменту и инженерным командам. Каждую неделю разгребаю поток и собираю из него то, что реально влияет на решения — данные, исследования, кейсы - с разбивкой на то, это подтвержденная инфа или пока какой-то хайп. Недавно, об этом узнали коллеги и попросили поделиться. Пришлось оформить в полноценную рассылку, которая будет выходить раз в неделю!

👉 Human Loop Weekly #1

В выпуске:
- 84% разработчиков используют AI. Доверяют результату — 29%
- Скрытые расходы $310–750/мес на инженера поверх зарплаты
- Команды из 8 человек → AI Pod из 2–4 сеньоров с агентами
- AI усиливает то, что уже есть (DORA 2025)
- Monte Carlo для портфеля из 50+ команд

Кому лень идти на сайт — вот источники straight to the point:

📊 Stack Overflow Developer Survey (отчет 2025 и тренды 2026 в сравнении) — adoption vs trust, фрустрации с AI-кодом
🐙 Jellyfish: State of Engineering Management 2026 — 80% сообщают о росте, лишь 10% получают реальную поддержку
🔧 LeadDev: «10x AI productivity? Try 10%» — реальный ROI от AI в инженерке не больше 10%, вместо обещанных 10x.
🧪 METR: рандомизированное исследование — разработчики на самом деле делали работу на 20% медленнее. Почему старому исследованию 2025 не нужно верить, но и в 2026 не все так очевидно.

Подписаться на еженедельные выпуски → @predictableteam
А если чего-то не хватает - пишите в комментах! Мы с кодексом обязательно разберем комментарии и проапгрейдим скилл :)

Я за последние полгода привык к паттерну: один AI-агент пишет код (codex, gpt-5.5). Второй проверяет (z.ai glm-5.2). На схеме выглядит как зрелый инженерный процесс. В цифрах иногда оказывается, что второй агент ломает решение, которое уже проходило тесты.

📚 В свежем arXiv-препринте про cross-model code review исследователи взяли 116 сложных и средних задач LiveCodeBench и сравнили шесть режимов: Claude отдельно, Codex отдельно, самопроверка каждой модели и проверка другой моделью.

Агент-ревьюер видел условие и черновик решения, запускать тесты не мог. То есть это статическая проверка перед CI.

👆Оказалось: второй AI в цепочке сам по себе качества не гарантирует.

Цифры здесь — это сколько задач из 116 прошли тесты.

- Claude Opus 4.7 один: 91,4%
- Codex GPT-5.5 один: 71,6%

👍 Когда Codex писал первый черновик решения, ревью помогало:

- Codex → Claude review: 89,7%
Было 71,6%, стало 89,7%. Это +18,1 п.п. к одиночному Codex.

- Codex → Codex self-review: 84,5%
Было 71,6%, стало 84,5%.

👍 Когда Claude писал первый черновик, ревью не помогало:

- Claude → Codex review: 82,8%
Было 91,4%, стало 82,8%. Это -8,6 п.п. к одиночному Claude.

- Claude → Claude self-review: 91,4%
Было 91,4%, осталось 91,4%.

📈 Читая эти результаты, хочется пошутить что теперь и агентам нужен оргчарт. Кто кому ставит approve: Claude Codex’у или Codex Claude’у - влияет на качество.

• Хороший проверяющий агент помогает там, где решение почти готово: поправить крайний случай, убрать лишнее, заметить ошибку.
• Слабый проверяющий агент делает классическую менеджерскую ошибку: приходит в работающий процесс, всё “оптимизирует” — и после него всё ломается.

🔭 Пора проектировать роли агентов в разработке с агентами (простите за за тавтологию)

Теперь пора учитывать - кто делает первый черновик? Кто проверяет? Есть ли тесты? Может ли проверяющий запускать код? Где человек принимает финальное решение (ну это итак очевидно)? Сколько рабочих решений второй агент улучшил — и сколько сломал?

❕Тут важно понимать, что на LiveCodeBench, где это все проверялось - задачи спортивного программирования; там нет живого репозитория, старого кода, CI, кривых-тестов, песочницы для запуска....

➕ Но, как мне кажется, паттерн все равно полезный.

Если в команде появляется связка «агент пишет → агент проверяет», кроме скорости смотрите еще и на поломки, которые принёс проверяющий агент. Иначе можно очень быстро построить красивый процесс, который уверенно ухудшает результат.

📼 Запись митапа: 6 причин, почему IT-команды сопротивляются AI — и что с ними делать

🧑‍🏫 Провели митап для руководителей инженерных команд, технических руководителей, delivery-ладам, управляющим изменениями, руководителям AI-трансформации.

👆 Главный вывод

После доклада вы сможете отличить сопротивление людей от слабого места в системе работы и выбрать один проверяемый шаг для своей команды — не список из 30 действий, а одну конкретную зону, одну рабочую сессию и одну договорённость на следующий спринт.

📺Смотреть на Youtube
📺Смотреть на VK

📌 Материалы:
• 👀 Презентация
• 📑 большая статья про сопротивление
• 💊 интерактивная диагностика с техниками работы с сопротивлением

🚨 Начинаем через пять минут в zoom по ссылке!

❎❎❎ Сможете собрать бинго? :)

Уже завтра в 21.00 Уфы (19.00 Москвы) состоится митап "6 причин сопротивления AI в командах и о чем они говорят".

👉 Регистрация по ссылке. На почту вам придет zoom-ссылка.

Это самый большой апдейт за всю историю JiraMetrics.Pro. Проще сказать, что не изменилось.

Изменилось практически всё. Кроме главного — расчётов. Цифрам можно доверять так же, как и раньше.

Первое, что бросится в глаза, — новый дизайн. Интерфейс стал спокойнее и понятнее: важное в данных видно сразу, без вглядывания. Отчёты и дашборды собраны в один список слева — привычные вкладки сверху больше не съедают место, и вся высота экрана досталась графикам. А для тех, кто работает с метриками вечером, появилась тёмная тема 🌒

Дальше — дашборды, и это, пожалуй, самое приятное. Теперь на одной доске их можно завести несколько: например, один для утреннего взгляда "всё ли в порядке", другой — подробный, для ретро или ревью. Виджеты гибкие — меняйте размер, показывайте отчёт целиком, отчёт с ключевыми цифрами или только цифры. Один раз собрал под себя — и дальше просто открываешь и читаешь.

Ключевые цифры, кстати, теперь не нужно выуживать из графиков: у отчётов появилась панель с основными значениями. Открыли — и сразу видно, где вы сейчас.

К девяти отчётам добавился десятый — WIP Run Chart, чтобы следить, как ведёт себя незавершённая работа во времени.

И для коллег, которым английский интерфейс был барьером: плагин теперь полностью говорит на трёх языках — английском, русском и испанском, с переключателем. Только названия метрик (Lead Time, Throughput, WIP) намеренно остались английскими — чтобы термины совпадали с книгами и статьями, и не приходилось гадать.

Много разных технических улучшений, это не так важно, главное что всё стало работать и загружаться быстрее 🚀

Обновление уже у вас — просто откройте свою доску.
Пишите в комментариях, что понравилось и чего не хватает. Этот релиз вырос из ваших сообщений — следующий будет собираться так же.

Самый классный плагин для подсчета метрик потока команд в Jira обновился! И я не могу не пропиарить этот апдейт, так как постоянно им пользуюсь на работе и в консультациях.

Если вы хотите понять, стала ли команда делать больше, быстрее, сколько времени отъедают простои между этапами, какие задачи уже протухли - Jira Metrics Pro это то, что надо. + там в базовой бесплатной версии море нужного функционала.

🗓 23 июля в 21:00 Уфы (19.00 Мск) Agile Ufa проводит онлайн-митап : «6 причин, почему команды сопротивляются внедрению AI в работу».

Поговорим о том, почему сопротивление AI в командах — это не всегда «люди не хотят нового» и не всегда лечится еще одним обучением.

👉 Часто за сопротивлением стоит что-то конкретнее:

• непонятно, какую рабочую цель улучшает AI
• страшно потерять роль, статус или автономию
• нет безопасного первого опыта на своей задаче
• официальный инструмент хуже обходных вариантов
• неясно, кто отвечает за результат
• локальное ускорение создает очередь в ревью, безопасности или релизе;

🗺️ Разберем это через Карту сопротивления AI: как увидеть настоящую причину, отделить конструктивную критику от саботажа и выбрать первый рабочий ход для команды.

🤝️️️️ В основе митапа — материал «Почему команды сопротивляются AI — и что с этим делать».

🗳 Регистрация по ссылке

Все изменения и анонсы в группе Agile Ufa и канале Predictable Team.

👋🏼 Всем привет :)

🎬 Делаем стрим про то, как работать с сопротивлением команд при внедрении ИИ - вместе с сообществом Agile Ufa на следующей неделе.

Приходите!