Marat @ Predictable.Team

Доброе всем утро.

Тут интересное видео* про то, что пока мы с вами переживаем что нашу работу заберёт AI, таких ключевых и сложно автоматизируемых людей как медики и преподаватели становится все меньше. А без них общество и государства нормально функционировать не могут.

* YouTube заблокирован в РФ

DevRel CFP Bot (@devrelcfpbot) - персональный напоминальщик о дедлайнах IT-конференций :)

За два года работы в Райфе у меня накопилось четыре темы для выступлений. Но искать конференции вручную - ужасно лень.
счастью, есть отличный инструмент, который напоминает, когда подача докладов вот-вот заканчивается, и помогает не упустить ни одну подходящую площадку.

Бизнесовые заметки начала 2026

Конец прошлого года (повышение ставки НДС для бизнеса + коньюктура рынка) привнесло в бизнес достаточно интересные вещи.
Я как предприниматель (Ufa IT Coworking) - сталкиваюсь с тем, что на мой бизнес влияют ripple-эффекты (волновой эффект - до меня доходят волны от событий) в российской ИТ-индустрии.

• 2020 год: открывал я коворкинг в ковид, как раз когда спустя полгода куча народу ушла из офисов, а грустно стало работать из дома. локдауны заканчивались, народ приваливал.
• 2022: мобилизация - привнесла то, что больше половины народу уехало из России и ,соответственно, доходы упали и стало грустно. Полгода возвращались к предыдыщим финансовым показателям и заполняемости.
• 2023-2024: Золотое время - это активная хайринговая горячка 2023-2024. Полная посадка, куча народу, сообщество и движ.

😮 Конец 2025 начало 2026го. - сокращения.

• В прошлом году половина ушедших из коворкинга людей (сокращенные).
• В конце 2025 года 2 моих якорных юрлица-арендатора ужались или отказались от аренды (там и сокращения расходов, и персонала, и отсутствие проектов). Считаю что коворкинги (именно айтишные) - это лакмусовая бумажка.

🧃 Оптимизация

А что до меня - за два месяца сократил площадь коворкинга в два раза. Пока терпимо, можно опять выйти в плюс.
Довольно быстро отработали с рисками. Вот такие реалии бизнеса.

😬 А это точно работает?

Это самый частый вопрос, который я слышу на конференциях, когда рассказываю про прогнозирование методом Монте-Карло: «А вы проверяли - сходится ли прогноз с реальностью?»

В прошлом году до меня дошло: ссылки на статьи и теоретические объяснения работают плохо.
Людям нужно потрогать теорию руками. Поэтому я начал встраивать в обучение интерактивные инструменты (примеры: Фасилитационное Лего или Конструктор нематериальной мотивации - по мотивам тренингов, которые читаю), чтобы можно было сразу переходить к практике.

На этих новогодних праздниках я наконец закрыл гештальт по прогнозированию.

🦸‍♂️ В predictable.team появилась киллер-фича: обратное прогнозирование. Любой может загрузить свои данные из Jira или YouTrack и проверить точность метода на своих же исторических данных.

Как это работает:

1. Загружаете выгрузку в csv/xls из Jira / Youtrack.
2. Заходите в монте-карло -> how many
3. Вбиваете start / target date из прошлого
4. Система делает прогноз «из прошлого».
5. Вы сравниваете его с тем, сколько задач команда реально закрыла.

Больше не нужно верить мне на слово. Загружайте данные и проверяйте математику в деле. Enjoy! 👇

Дорогие друзья, с наступающим вас всех! 🎄

Желаю хорошенько отдохнуть, проводить много времени с семьёй, собрать приятные моменты с близкими людьми. ♥️

Ну а контенту мы скажем: давай уже после праздников 🍾

🍷 Пятница, время нерабочего поста :)

📚 Дочитал книжку "Месть Гоббо" во вселенной Warhammer40k.

Я большой фанат вселенной Warhammer40k уже лет 20. Ставь лайк если тоже любишь маму вархаммер.

В 2010х играли с друзьями по сетке, вытаскивали музыку из Dawn of War (там был классный саундтрек от Jeremy Soule), читали литературу.

Моя любимая death metal група Bolt Thrower черпала вдохновение для первых обложек и названий альбомов из Вахи.

В гипертрофированно эпически мрачном мире сей вселенной я люблю орков своей простотой и честностью — в отличие от пафосного космодесанта с его идеалами Империума, от высокомерных эльдаров с их трагедией, от тау с их Greater Good (видимо, серьезных щщей на работе хватает). А орки просто живут, они веселые, боевые пацаны. У них своя философия без всей этой идеологической театральности.

Орки в Warhammer 40k — это зелёные веселые парни-грибы (буквально, размножаются спорами), созданные как оружие войны. Они верят в боевой дух, и это работает буквально (красная краска действительно помогает быстрее бегать, если орк в это верит). Оружие наколхозено, но в их руках работает идеально. Живут моментом, не унывают, честны в своем желании просто драться.

Гроты — это маленькие грибные существа внизу орочьей иерархии. Рядовая пехота, слуги, рабочая сила. Их жизнь — унижение, отбросы, отправка в первых рядах в атаку.

Суть Новеллы

"Месть Гоббо" Майка Брукса — лёгкая и быстрая (дочитал за 2 трехчасовых перелета) мини-новелла с кучей боёвки. Главный герой Фингвит, обычный грот, участвует в абордаже имперского корабля и становится легендой. Красный Гоббо — это идея, нарратив о том, что даже самый низший может подняться и стать чем-то значимым. История о том, как одна идея распространяется среди гретчинов и меняет их восприятие самих себя.

🙃А теперь притянутая за уши аналогия с управлением изменениями на работе

Мы работаем с организациями. Change management - это создание и распространение идей. Вы когда хотите изменить корпоративную культуру, вы создаёте нарратив о том, почему это важно, какую роль каждый играет в этой истории.

Красный Гоббо (идея революционного героя как образа против поработителей из книжки) — это символ того, что идея, правильно сформулированная и распространяемая, может изменить восприятие реальности. Лучшие организационные трансформации начинаются именно там, где люди начинают верить в новый смысл и новый порядок вещей.

Книжка про маленького грота в армии превосходящих его по силе орков актуальна потому, что показывает главное: люди меняются, когда меняется их нарратив о себе и о смысле (например, связи с глобальными целями организации и социума).

🗂Карточки ADKAR, которые помогают работать с людьми при внедрении ИИ

До этого мы делились карточками как применять ChatGPT при внедрении изменений. Сейчас же делимся в таком же формате полезными карточками, как внедрять ИИ в компании через призму ADKAR.

Как они могут быть полезны?

1⃣В первой карточке отражены стандартные барьеры, где застревают сотрудники, на каком этапе: Понимание, Желание, Знание, Способность или Закрепление.
То есть нам нужно не просто сказать: "Они не хотят/сопротивляются/относятся формально/игнорируют/боятся" (нужное подчеркнуть), а понять, в чем же причина:

- Мы плохо объяснили причины внедрения или был неправильный отправитель?
- Мы не показали очевидные положительные стороны внедрения и не объяснили, что конкретно подвергнется изменению в их процессах, инструментах, метриках и т.д.?
- Мы просто выдали доступ и дали доступ к ИИ вместо четкого обучения с кейсами?
- Мы не поддерживаем своих сотрудников и не отслеживаем их прогресс, не принимаем корректирующие действия?
- Мы не празднуем "быстрые победы", наши руководители не выступают в качестве ролевых моделей?

2⃣А на второй карточке показаны конкретные и простые приемы и шаги для каждого этапа: как донести смысл изменений, вовлечь или обучить сотрудников.


Забирайте карточки себе в работу, чтобы управление изменениями при внедрении ИИ было точным и эффективным. Они звучат просто и понятно, но попробуйте честно ответить на эти вопросы и составить конкретные системные действия на их основе!

📌📌📌

Помните я писал про ADKAR.

У компании andChange (я учился этому подходу в прошлом году в Алматы), вышли карточки-шпаргалки:
- На какие вопросы отвечать при внедрении AI в работу в большой организации, на каждом этапе изменений.

🚂 Предлагаю проверить себя: можете ли вы ответить на вопросы, на каждом из этапов. На каком этапе застопоритесь - на том примерно и находитесь :)

Юмора в ленту:

в запрещённой в России X (в девичестве Twitter) вышел ироничный пост Питера Гирнюса: стебется над внедрением AI в энтерпрайзах.

Покупают за много денег решения, рисуют красивые графики, выводы делают умножая на выдуманные числа :)

Не пугайтесь объему текста - он читается весело и быстро. Для тех кто лишён доступа, в цитате можно раскрыть оригинальный текст.

Last quarter I rolled out Microsoft Copilot to 4,000 employees.

$30 per seat per month.

$1.4 million annually.

I called it "digital transformation."

The board loved that phrase.

They approved it in eleven minutes.

No one asked what it would actually do.

Including me.

I told everyone it would "10x productivity."

That's not a real number.

But it sounds like one.

HR asked how we'd measure the 10x.

I said we'd "leverage analytics dashboards."

They stopped asking.

Three months later I checked the usage reports.

47 people had opened it.

12 had used it more than once.

One of them was me.

I used it to summarize an email I could have read in 30 seconds.

It took 45 seconds.

Plus the time it took to fix the hallucinations.

But I called it a "pilot success."

Success means the pilot didn't visibly fail.

The CFO asked about ROI.

I showed him a graph.

The graph went up and to the right.

It measured "AI enablement."

I made that metric up.

He nodded approvingly.

We're "AI-enabled" now.

I don't know what that means.

But it's in our investor deck.

A senior developer asked why we didn't use Claude or ChatGPT.

I said we needed "enterprise-grade security."

He asked what that meant.

I said "compliance."

He asked which compliance.

I said "all of them."

He looked skeptical.

I scheduled him for a "career development conversation."

He stopped asking questions.

Microsoft sent a case study team.

They wanted to feature us as a success story.

I told them we "saved 40,000 hours."

I calculated that number by multiplying employees by a number I made up.

They didn't verify it.

They never do.

Now we're on Microsoft's website.

"Global enterprise achieves 40,000 hours of productivity gains with Copilot."

The CEO shared it on LinkedIn.

He got 3,000 likes.

He's never used Copilot.

None of the executives have.

We have an exemption.

"Strategic focus requires minimal digital distraction."

I wrote that policy.

The licenses renew next month.

I'm requesting an expansion.

5,000 more seats.

We haven't used the first 4,000.

But this time we'll "drive adoption."

Adoption means mandatory training.

Training means a 45-minute webinar no one watches.

But completion will be tracked.

Completion is a metric.

Metrics go in dashboards.

Dashboards go in board presentations.

Board presentations get me promoted.

I'll be SVP by Q3.

I still don't know what Copilot does.

But I know what it's for.

It's for showing we're "investing in AI."

Investment means spending.

Spending means commitment.

Commitment means we're serious about the future.

The future is whatever I say it is.

As long as the graph goes up and to the right.

Люди, Лаборатории, Misleading* герои и технологический шум, спутывающий метрики: специфика работы с AI-сообществом (5/5)

*уводящие не туда, спутывающие

Мы много говорили про ADKAR, метрики и выбор инструментов. Но! Один Agile Coach/Change Manager или даже целый отдел внедрения не затащит AI в компании на 1000+ человек.

Нужны амбассадоры.

🏗 AI Labs на местах

Хорошая (при внедрении любых изменений) стратегия — искать волонтеров и техлидов внутри команд и помогать им создавать локальные внутри командные AI Labs - регулярные встречи по обмену опытом.
Это точки кристаллизации опыта.

Ребята сами пробуют, набивают шишки, находят крутые промпты под свою специфику (фронт, бэк, QA) и — самое главное — делятся этим (причем безопасно, внутри команды).

По сути, это децентрализация изменений. Ваша задача как орг структуры - дать им ресурсы и поддержку, они дают всему подразделению кейсы и повышение уровня внедрения ИИ-инструментов в повседневную работу.

🕵️‍♂️ Охота на Power Users

Как их находить? Кроме того что я опираюсь на техлидов и сообщество, ещё я смотрю в метрики.

Для меня отсечка — >500 запросов в месяц ("ха-ха" - скажете вы - "это же мало!". "Надо же с чего-то начинать" - отвечу я. )

Если человек перешагнул этот порог, скорее всего, он уже встроил AI в свой пайплайн, и с ним надо поговорить: узнать, как он это делает, и масштабировать его опыт.

Но тут начинается самое интересное. Метрики врут.

Иногда ты видишь power-user'a с тысячей запросов, идешь к нему за инсайтами, а там...

📉 Кейс 1: Задолбай автокомплитом

Вы видите дикую активность. Думаете: "Вау, он генерит тонны кода!".
В реале у человека просто включен AI-автокомплит (типа Copilot или Qwen в режиме ghost text). Инструмент в моменте, перед выдачей подсказки, "пулеметом" фигачит запросы к API, пытаясь понять контекст и предложить продолжение строки.
Это просто "шум" инструмента. Полезно? Да. Power User? Не.

📉 Кейс 2: Натрави агента на монолитище

Вижу в топе парня, у которого за день улетел объем токенов, как у небольшого стартапа. Думаю: "Нашел гения!".
Иду общаться. Оказывается, он просто решил скормить Qwen Code весь монолит проекта разом, чтобы "посмотреть чего как работает и сделать карту проекта", а потом сделать большой рефакторинг.

Да, счетчик зашкалил. Но это разовая акция. За исключением этого дня он инструментом пользуется ощутимо реже.
Статистически — Power User. Фактически — экспериментатор. Кстати тоже классный кейс чтобы на уровне подразделения показать как цифры нас смущают.

Вывод

Осознанное повышение показателей внедрения AI это не только про дешик и предельные показатели.
Цифры >500 requests = сигнал "поди посмотри". Как, впрочем, и работа с любыми метриками команды 🤷‍♂️

Балансируйте количественные метрики качественным интервью. AI-трансформация — это на 20% про технологии и на 80% про психологию, работу с людьми и умение отличать реальный adoption (все мучаюсь с подбором слова на русском) от "технологического шума".

А у вас были случаи, когда метрики показывали одно, а реальность — совсем другое?

#AICommunity #PowerUsers #Метрики #ChangeManagement

Инструментарий и реалии: что именно внедряем и почему (4/5)

В прошлых постах я рассказывал зачем внедрять AI (T2M↓, объём работы↑), как измерять эффект (дерево метрик) и как системно менять поведение команд (ADKAR).

Но остаётся вопрос: а что конкретно мы внедряем? Какие инструменты? И почему именно их?

Наши реалии: слон в комнате 🐘

Мы в России не можем играть на том же поле, что OpenAI или Google:

- Железо. GPU производятся не у нас. По количеству серверов мы (по всей стране) не сравнимся даже с одним крупным дата-центром в США. Всё в РФ везётся через третьи страны, цена в полтора-два раза выше.

- Тренировать свои модели? Для большинства компаний это нереально дорого и долго. Даже крупные игроки вроде Сбера признают: их GigaCode по бенчмаркам уступает западным и китайским аналогам.

- Российские модели vs мировые. Если сравнивать русскоязычно-центричные решения (GigaChat, Алиса) с западными и китайскими - наши проигрывают даже в русском языке. Все потому что корпус данных и инфраструктура у мировых моделей прокачаны на всём пласте человеческих знаний.

- Ну и цена. Сравните Alice AI для B2B (релиз прошлой недели) с Anthropic-ценами: наша дороже в 10 раз. Нафига таким пользоваться?

Выход: Open Source и китайские партнёры

Хорошая новость! Есть открытые модели, и это наше спасение:

🇨🇳 Qwen (от Alibaba) - отличное соотношение цена/качество, хорошо работает с кодом.
🇨🇳 DeepSeek - сильная модель для генерации кода и reasoning-а.
🌍 Другие OSS-модели - Llama, Mistral, GPT OSS и т.д.

Их не нужно тренировать с нуля. Допиливать под свои задачи опционально.

Модели QWQ 3, Qwen UltraCoder 480B, GPT OSS 20b (идет даже на неплохом макбуке) / 120b. Этого за глаза хватает, чтобы покрыть 90% всех сценариев в разработке. Наши лидирующие провайдеры (мтс, селектел, ..) предлагают возможности запустить всё у себя и прокинуть API.

Вопрос: А чего у вас в компании развернуто из моделек и каким провайдером вы пользуетесь?

Как системно повышать использование AI в разработке. И причем тут ADKAR (3/5)

В прошлом посте я рассказывал про метрики и как связать их с целями бизнеса. Но чтобы метрики росли нужна система. Как раз сегодня на митапе @agileufa кратко затрагивали тему внедрения и проблемы чистого листа.

1️⃣ Хаотичные попытки "насадить" AI часто заканчиваются сопротивлением: "Опять что-то новое, мне и так работы хватает!".

2️⃣ "Проблема чистого листа" - человек может много слышать про AI, но не понятно с чего и как начинать.

Чтобы этого избежать, я использую модель управления изменениями ADKAR. И разделяю активности на два потока: массовые ("вширь") и прицельные ("вглубь").

ADKAR — модель для управления изменениями в организациях. Она состоит из 5 элементов-букв:

1. A (Awareness) - Осознание необходимости изменения. На этом этапе важно донести до сотрудников, почему изменения необходимы и какие проблемы они решают.

2. D (Desire) - Желание участвовать в изменениях. Нужно стимулировать мотивацию сотрудников поддерживать изменения.

3. K (Knowledge) - Знание о том, как измениться. Мы должны обучать сотрудников новым навыкам и знаниям, необходимым для внедрения изменений.

4. A (Ability) - Способность внедрять изменения на практике. Здесь оценивается, насколько сотрудники смогут применять новое знание в своей повседневной работе.

5. R (Reinforcement) - Укрепление изменений, чтобы обеспечить их долгосрочное удержание. Это предполагает обеспечение поддержки, мотивации и мониторинга изменений.

Вот как это выглядит на практике:

1. Awareness (Осознание необходимости)
Цель: Чтобы у людей появился контекст и понимание, что технологии уже здесь и это новая норма.

- 📢 Распространение "вширь": постоянные мероприятия (вебинары, лекции, митапы), где мы просто рассказываем "что это такое" и "зачем оно нам".
- 📧 Регулярная рассылка новостей и кейсов в корпоративном чате (это немного буксует, не всегда хватает времени).

2. Desire (Желание меняться)
Цель: Переключить отношение с "надо" на "хочу".

- 🔥 Демонстрация боли и решения:** показываем, как AI снимает рутину, решает сложные и неудобные моменты в работе (тот самый boilerplate-код или нудные тесты).
- 🥕 Административный рычаг: у меня такого нет, но некоторые компании прямо в цели аккуратно (или нет) "вшивают" обязательный AI в цели командам. Звучит жестко, но добавляет мотивации.

3. Knowledge (Знание как)
Цель: Дать конкретные навыки, а не абстрактную теорию.

- 👨‍🔬 Специализированные вебинары: отдельно для QA, Developer, System Analyst, DevOps — с разбором их специфических кейсов.
- 🤼‍♂️ Круглые столы: обмен опытом между командами.
- 📚 Единый реестр AI-решений (One-Stop Shop): документация "как делать", собранная в одном месте (единое окно).

4. Ability (Умение применять)
Цель: Перейти от теории к практике своими руками. Инструментов много, но ничерта непонятно как применять у себя на конкретном кейсе.

- 🛠 Воркшопы "Hands-on": садимся и решаем реальную задачу из JIRA / Youtrack с помощью AI. Это самый мощный драйвер adoption.

5. Reinforcement (Поддержка и закрепление)
Цель: Чтобы откат к старым привычкам не случился через неделю.

- 💬 Чаты и встречи: пространство для обмена опытом, нытья, (да, это важно!) и непонятных вопросов.
- 📖 Постоянно обновляемая база знаний, которая растет вместе с опытом команды (с этим сложно).

Короче - мы ведем пользователя за руку: от "слышал(а) что-то про AI" (Awareness) до "решаю свою JIRA-задачу за 15 минут вместо часа" (Ability). И постоянно спрашиваем - удобно ли, чо мешает? + трекаем метрики.

Именно так растет MAU и появляются реальные бизнес-результаты.

❓А как вы подходите ко внедрению AI в ежедневную рутину команд?

#ADKAR #ChangeManagement #AIAdoption

Как измерять AI-Adoption и связать с бизнес-целями (2/5)

В прошлом посте я рассказывал, что надо задумываться - зачем внедрять AI (повторю что у нас только гипотеза что с AI станет лучше). Сегодня - как мы пытаемся измерять эффект.

Главный вопрос: как понять, что внедрение реально работает?

🌲Ответ: строим трёхуровневое дерево метрик (дерево тут с натяжкой, а еще напрашивается разложить это по карте гипотез).

⚙️ Результата финального еще нет. Что мы делаем чтоб влиять на метрики - будет в следующем посте (там про ADKAR).

Уровень 1: AI-Adoption (внедрение)

Мы трекаем:
- MAU (количество активных пользователей в месяц) / DAU (в день) / Stickiness (=DAU/MAU, не просто количество активных пользователей, а еще и насколько они часто пользуются)
- Retention (удержание пользователей) / Churn (отток пользователей)
- Количество запросов на пользователя
- % задач с #ai (пока ручная пометка в тикетах в jira)

Уровень 2: Изменение процессов (промежуточный слой)

Это ключ! Adoption/Внедрение выражается в том, что процессы меняются:

- 📉 Cycle Time (от In Progress → Closed)
Сравниваем задачи с меткой #ai vs без ai
Гипотеза: AI ускоряет доставку → Cycle Time↓ → T2M↓.

- 🐛 Defect Rate (баги на задачу)
Проверяем: AI не роняет качество.
Если Defect Rate ≤ baseline → ОК → масштабируем.

- 📦 Количество задач на команду
Команды с высоким adoption (например, >60% задач с меткой #ai) vs низким (<20%).
Гипотеза: больше adoption → больше задач → Объём↑.

Уровень 3: Бизнес-результаты
• Cycle Time от In Progress до Closed ↓ → T2M↓
• Defect Rate (кол-во дефектов) ≤ baseline → Качество OK
• Кол-во Задач↑ → Объём↑

🎮 Все эти стрелки вверх-вниз-влево-вправо выглядят как комбо в файтинге

Пример может выглядеть так:
1. В прошлом месяце 50pp Cycle Time для задач с #ai = 3 дня vs 5 дней без AI.
2. Команды с adoption >60% закрыли 110 задач vs 78 задач у команд с <20%.

🔥 Мой эксперимент за 3 месяц: я еще не понял стало ли лучше. Изменения требуют куче образовательных мероприятий, гайдов, постоянной работы с аудиторией подразделения.

А еще надо сильно смотреть на ROI - железки-то дорогие (а в нашей геополитической ситуации еще дороже).

🙏 Я призываю вас комментировать и помочь мне пересмотреть дерево, если хотите поумничать - хочется взгляда со стороны и вашего опыта!

❓ Вопрос к вам: как вы трекаете или пытаетесь трекать эффект от AI?

#AIметрики #T2M #Adoption

Зачем внедрять AI? (1/5)

В прошлом посте я задавал вопрос, а зачем вам вообще AI?

AI — штука сугубо прикладная. Мы не внедряем AI ради AI.
Железки, GPU, доступы к API, токены - это не безлимитное и совсем не дешевое удовольствие. Бизнесу важно понимать к какому таргет-состоянию мы хотим прийти после внедрения.

Звучит логично, многие об этом думают. Но часто внятно ответить на вопросы не получается:
- А какую цель это закрывает?
- Как мы это измерим?
- Как мы будем в моменте понимать что достигаем их?

Две главные бизнес-цели

У любой организации есть два фундаментальных желания:

1️⃣ Сократить издержки (путем сокращения расходов (Cost Reduction) )

Гипотеза: инвестиции в AI должны окупиться тем, что затраты на персонал перестанут расти, а в идеале -> даже снизятся. Не увольнять людей (это отдельная, sensitive тема в связке с AI), а делать больше текущим или меньшим количеством людей. Еще это может быть сокращение COGS (cost of goods sold), иных операционных расходов и других показателей, которые часто съедают существенную часть бюджета (просто затраты на ФОТ обычно одни из самых больших).

2️⃣ Повысить доходы (путем снижения скорости вывода новой ценности на рынок (Time to Market))

Гипотеза: AI ускоряет разработку и позволяет быстрее доставлять новую ценность клиентам. Это нужно компаниям для удержания и роста доли рынка. Делаешь что-то быстрее конкурентов -> больше шансов сорвать куш.

✨А еще: AI автоматизирует то, что раньше было невозможно

По этому пункту мы зарубились с утра в коворкинге с @aigizK. И он заставил меня его добавить.

AI открывает двери для автоматизации задач, которые раньше просто нельзя или дорого было автоматизировать. Андрей Карпатый (сооснователь OpenAI и экс-глава AI в Tesla) называет это "Software 2.0". Новой парадигмой ПО, где ИИ автоматизирует не по жёстким правилам, а по проверяемым результатам.

Вкратце из его поста: "ИИ часто сравнивают с электричеством или промышленной революцией, но самая точная аналогия - это Software 2.0. В 80-х автоматизировали задачи по простым правилам (типа бухгалтерии). Сейчас с ИИ мы автоматизируем то, что вручную описать невозможно, но можно проверить. Задаём таргет и ищем лучшую нейросеть. Лучше всего автоматизируется то, что легко проверить (код, математика, головоломки). Непроверяемое (творчество, стратегия) отстаёт, но прогресс зубчатый и в проверяемых задачах он стремительный".

В разработке это значит: раньше рутина вроде boilerplate-кода или тестов была "ручной", потому что её сложно(сложнее) формализовать. Теперь AI генерирует и проверяет - и команды справляются с большим объёмом без доп. найма. Это, потенциально, усиливает обе цели: снижает затраты и ускоряет Time To Market.

Плоды внедрения появляются в работе с линейным персоналом: можно оцифровывать и проверять миллионы PDF-файлов, с вменяемыми результатами, которые раньше исчислялись бы миллионами рублей.

🎯 Вопрос:
Какие орг. цели вы приследуете при внедрении ИИ-инструментов?

*️⃣ Вопрос со звездочкой: сколько раз "AI" упоминается в этом посте.

Начать серию постов про внедрение AI в разработку очень хочется с вопроса.

Все вокруг внедряют AI. Из каждого утюга лозунги (пока именно лозунги) про ускорение кодинга, автоматизация рутины, скоростную выкатку новых фичей.

Но чего Вы ждёте от AI-tools? Как объясняете коллегам на работе, почему это нужно именно сейчас? 🤔

Поделитесь в комментах: Зачем вы внедряете AI? Сократить время на JIRA-задачи, улучшить качество или что-то другое? Вы ждёте какой-то окупаемости? #AIAdoption