AI только увеличивает количество работы

Подъехало интересное ежегодное исследование продуктивности белых воротничков – 1.100 организаций, 170.000 сотрудников. Самый интересный вывод, хотя и вообще не неожиданный – адопшн AI заметно уменьшил количество глубокого фокусного времени, и при этом увеличил время, проводимое в разных приложениях: почте, мессенджерах, разных менеджерских тулах. Короче говоря, работы у кожаных мешков только прибавилось.

Вот что еще интересного есть в исследовании:

👉AI в работе используют 80% опрошенных, на 50% больше, чем два года назад. При этом время работы с AI выросло аж в 8 раз.
👉Среди тех, кто работает с AI, выделяемое на глубокую работу время упало на 9%. Среди остальных такого изменения нет.
👉Продолжительность рабочего дня упала на 2%, но вот интенсивность подросла: сильно выросла коллаборация, мультизадачность, и работа по выходным.

Как устроены инженерные революции

То, как AI сейчас меняет разработку, по своей структуре сильно похоже на научную революцию 60 лет назад – полностью меняется парадигма, на которую привыкли опираться миллионы людей. Похожи и защитные механизмы, которые используют скептики:

👉Оправдание аномалий. Когда какой-то факт не встраивается в текущую картину мира, он интерпретируется таким образом, чтобы все-таки встроиться.
👉Несоизмеримость. Люди с разных сторон не просто не могут согласиться про факты – они считают фактами абсолютно разные вещи. Условно говоря, разработчики, которые не верят в AI, используют свои критерии качества кода – элегантность, гордость за код, либо какие-то конкретные его свойства. Разработчики с другой стороны баррикады не думают про эстетику кода вообще, для них это лишь функциональный артефакт, от которого нужно только чтобы он выполнял задачу и не содержал ошибок.
👉Переформулировка с сохранением парадигмы. К этой категории можно отнести довольно часто встречающийся сейчас тейк "написание кода никогда не было бутылочным горлышком, так что ускорение ничего не меняет". Сторонники этого защитного механизма не думают о том, как AI изменит другие этапы SDLC, и не смотрят дальше последствий первого порядка.
👉Специфическая аргументация. К новой парадигме применяются стандарты, которые никогда не применяли к старой. Например, критика LLM за галлюцинации упускает тот факт, что не меньше ошибок содержалось и в копируемых налево и направо сниппетах кода со Stack Overflow.
👉Гейткипинг. Апеллировать к тому, что все, кто топит за новую парадигму, просто никогда нормально не работалив старой. Иначе говоря, все, кто активно использует AI, никогда и не были настоящими разработчиками.

На мой взгляд, часть параллелей все-таки притянута за уши – но эссе все равно любопытное, советую почитать.

Про продуктивность и энтропию

С ростом размера и сложности программ растет и их энтропия – уровень неопределенности и непредсказуемости поведения. Чем продуктивнее разработчик, тем больше изменений в систему он вносит, и тем быстрее растет энтропия. На AI все смотрят как на волшебную таблетку продуктивности – и такой подход может привести к очень быстрому и про том неявному росту энтропии.

Вот несколько интересных мыслей из статьи:

👉Чем раньше принято какое-то решение по дизайну системы, тем сложнее его изменить в будущем. Оно задает ограничения и воркэраунды, которые приходится делать при разработке новых фичей. Чем больше фичей вы будете генерировать, тем сложнее станет отказываться от таких ранних легаси решений, тем больше неочевидных путей и решений в вашем коде будет появляться.
👉У разных команд в организации могут быть конфликтующие цели с точки зрения архитектуры. Например, платформенные команды стремятся сделать архитектуру стабильной и развивающейся по понятному набору правил, и в то же время продуктовые команды хотят move fast and break things, потому что поджимают квартальные OKR. Обычно такие конфликты заставляли людей сесть в одной комнате и договориться. AI ускоряет цикл разработки, и гораздо чаще будут случаться ситуации, когда вместо договоренности все будут тянуть систему в разных направлениях, увеличивая энтропию.
👉Обратная связь о многих решениях прилетает не сразу. Например, качество принимаемых архитектурных решений может быть видно только спустя месяцы или годы. То же самое и с запутанным кодом – обратную связь в виде инцидентов вы можете получить, только когда распутывать его станет уже слишком сложно и дорого.

Ну и напоследок прекрасная цитата:

AI will require us to hold on to good software engineering principles even tighter. Those who understand this will build systems that grow and last. The ones chasing unbounded productivity gains won’t know why they failed.

Как понятно объяснять свои мысли

👉Bottom line up front. Когда вас просят что-то объяснить, основной вывод должен быть в первой же фразе, и только потом идти дополнительный контекст. А многие поступают наоборот – вместо прямого ответа пытаются подробно воспроизвести рассуждения, которые к нему приводят.
👉Just in time context. Не нужно пытаться сходу вывалить весь возможный контекст. Давайте его ровно столько, сколько нужно, чтобы собеседник мог решить свою текущую проблему. А чем глубже вы понимаете какую-то тему, тем сложнее удержаться от того, чтобы погрузить в нее человека.
👉The top-down bridge. Когда вы насыпаете кому-то контекст, отталкивайтесь от того, что они сейчас знают, и постепенно углубляйтесь в детали, отстраиваясь от этого.

Скилл для подготовки к интервью

Наткнулся на рекомендацию скилла для отработки всех этапов по поиску работы:

👉Поиск слабых мест в резюме и его адаптация под конкретную вакансию.
👉Анализ расшифровок прошедших интервью с выделением слабых точек.
👉Симулятор прохождения разных типов собеседования.
👉Помощь с оформлением вашего опыта в STAR кейсы.

Когда менеджер должен вмешиваться

Задача хорошего менеджера построить команду так, чтобы она могла работать и без него. Совсем не вмешиваться в работу команды часто может быть неразумно – но можно нащупать грань.

👉Команда должна иметь возможность совершать ошибки и учиться на них. Выбрать такие ошибки поможет эвристика "Below/above the waterline" – если какая-то ошибка может сильно навредить и потопить ваш корабль, стоит вмешаться, иначе – нет.
👉Нужно различать ошибки и вкусовщину. В случае вкусовщины не нужно сильно давить своим мнением, оно не важнее других людей в команде.
👉Вмешиваться стоит в следующих случаях – команда столкнулась с большой неопределенностью, которую вы можете уменьшить; или они вошли в дедлок по вопросу, который не имеет одного верного ответа, например, по выбору архитектуры.
👉При оценке необходимости вмешательства всегда учитывайте сеньорность человека в контексте конкретной задачи. Иногда в одной и той же задаче джуну помощь может быть не нужна, а вот сеньору – вполне.
👉Хорошее вмешательство организовано таким образом, чтобы в будущем команда чему-то от него научилась, и в похожей ситуации справилась бы сама.

Оптимизировать надо не скорость написания кода

Держите отличную статью, которую можете аккуратно закинуть своему СТО, когда он предложит внедрять метрики оценки количества AI-generated PR, или еще каким-то образом будет пушить ускорение разработки фичей.

Вообще, Голдратт уже все объяснил десятки лет назад, но эффективные менеджеры либо его не читают, либо думают, что именно их случай – особенный.

Как Cursor влияет на скорость и качество разработки

Исследователи взяли все репозитории с GitHub, в которых файл .cursorrules появился уже после создания проекта, и сравнили их состояние до и после его появления. Вот какие выводы получились:

👉После адопшна Cursor количество новых строк кода выросло в 3-5 раз, но уже спустя два месяца этот эффект проходит.
👉Одновременно с этим растет устойчивое накопление техдолга: статанализ находит на 30% больше проблем, а когнитивная сложность выросла на 40%.

Инфраструктура растёт, и управлять ей вручную становится все сложнее: конфигурации расходятся, изменения занимают дни, а критичные знания остаются у отдельных специалистов.

Приглашаем вас на бесплатный вебинар, где расскажем о преимуществах управления инфраструктурой через код, обсудим типичные ошибки при внедрении IaC и покажем подход на практике.

Каждому участнику вебинара мы пришлём пошаговый план перехода к IaC.

📅 1 апреля, 11:00 по МСК
💻 Онлайн

РЕГИСТРАЦИЯ И ПРОГРАММА

Советы по техническим интервью в эпоху LLM

👉Углубляйтесь в личный опыт собеседуемого – LLM будет довольно сложно уйти в глубину и при этом поддерживать когерентность рассказа. Например, когда вы расспрашиваете кандидата про то, чем в своем опыте он оордится, закапывайтесь в конкретные решения по архитектуре, трейд-оффы, и встреченные сложности. Но главное – просите больше деталей в каждом из ответов, и смотрите на глубину понимания темы, критическое мышление и присутствие каких-то личных инсайтов, а не только общих выводов.
👉Так как огромную часть работы инженера составляет чтение кода, можно попробовать дать задачу именно на это, и разрешить использовать LLM. Важно смотреть, насколько хорошо он оперирует моделью, может ли найти проблемы в кодовой базе с ее помощью, насколько доверяет ее выводам, задает ли дополнительные вопросы вам, или целиком полагается на машину.
👉Похожая история с ревью кода – тут можно дать довольно запутанный PR и посмотреть, в какой мере кандидат полагается на свой вкус и размышления, а в какой – на выводы LLM.
👉Хороший кандидат не доверяет модели слепо, а кросс-валидирует ее выводы и дополняет личным мнением. Он умеет декомпозировать сложные проблемы на оораздо более локальные, и отдает LLM уже их. У него есть сильное доменное знание, и он его использует для подсказок и валидации модели.

Как Intercom использует Claude Code

Гипер-интересный тред про то, как в Intercom используют агентов для автоматизации разных процессов. Вот несколько идей:

👉Агентам дали доступ к продакшн админке, в которой есть штуки вроде контроля фичефлагов – но только на чтение.
👉Транскрипты всех сессий работы с агентом автоматически отправляются в LLM, чтобы собирать стату по частым ошибкам, недостающим скиллам и прочему. По итогу сразу же в бэклоге создаются таски на их решение.
👉Автоматически чинятся флаки тесты по заданной таксономии.
👉Автоматически обновляет список разрешенных пермишнов для агента на основе предыдущей истории их аппрува.

Два важных вопроса для собеседования

1️⃣Кто отвечает за задачу?

В собеседовании разработчика такой вопрос помогает понять, насколько он готов действовать проактивно, если получает неполные требования, соседняя команда задерживает свою часть работы, кто-то из коллег вовремя не отвечает или в других похожих ситуациях. И, что еще более важно, насколько он пытается подумать за рамками самой задачи – не только о том, как довести ее до релиза, но и как она будет жить после.

В собеседовании тимлида такой же вопрос позволяет пощупать, превращает ли он себя в бутылочное горлышко или строит нормальную систему управления.

2️⃣Пишете ли вы unit тесты?

Разговор про тесты с разработчиком позволяет понять его отношение к качеству, способу проектирования, отношению к изменениям и инженерной культуре в целом.

Если задать такой вопрос тимлиду, то он может вывести на разговор про понимание инженерной реальности системы – ограничения, риски, последствия решений, долгосрочную устойчивость.

Не давайте AI писать тексты за вас

Любой текст, над которым вы работаете – это возможность подумать и отточить свои рассуждения по теме. Вы думаете над вопросом, анализируете, а на тот ли вопрос вы вообще отвечаете, улучшаете структуру и содержание своих мыслей. Чем-то это похоже на тренажерный зал – с каждым подходом на грани отказа вы становитесь чуть-чуть сильнее.

Если вы аутсорсите написание текстов LLM, вы теряете возможность качественно подумать. Возвращаясь к аналогии с тренажеркой – вы просто попросили поднимать штангу за вас кого-то другого.

Дополнительный минус – вы подрываете доверие окружающих к себе. Вместо аутентичных идей они видят безликую аппроксимацию того, что в среднем по палате хотят прочитать другие люди.

Если вы пропустили, в феврале был еще один хороший пост на эту же тему.

Как поменяется работа Junior инженера

Главная ценность, которую инженер приносит бизнесу – это поиск экономически эффективных способов решать проблемы. Чем инженер опытнее, тем более эффективные способы он может найти.

Так вот, раньше огромное количество времени, затрачиваемого джуном на обучение, уходило на то, чтобы разобраться в куче фреймворков, с которыми предстоит иметь дело. LLM делают этот процесс существенно проще и быстрее, и джуны могут сосредоточиться на более важных вещах:

👉Начать быстрее прогружаться в продукт и в бизнес, чтобы научиться правильно определять проблемы и трейдоффы.
👉Получать глубокие технические знания, которые позволят находить нестандартные решения для этих самых проблем.

Новые AI модели и инструменты выходят каждую неделю, городские сумасшедшие хоронят программирование, а кто-то, обложившись десятком агентов, создает супер-успешные проекты. Как с этим жить, решительно непонятно.

Мы в Подлодке собрали закрытое сообщество инженеров, которые верят в то, что их профессия меняется, и хотят научиться использовать новые инструменты себе на пользу. Каждую неделю мы проводим несколько воркшопов с экспертами, которые уже используют AI в реальных проектах. Между встречами – закрытый чат, random coffee, хакатоны и куча другого движа.

В апреле-мае основной упор на несколько треков – spec-driven development, harness engineering и внедрение AI в компании. Спикеры очень классные – например, на этой неделе один из инженеров Cursor будет рассказывать, как они живут с огромной кодовой базой, которую им написал AI еще предыдущего поколения. Потом через неделю лиды платформенных команд российского и зарубежного бигтеха не под запись будут рассказывать всю правду про то, как у них внедряется AI. А еще через неделю закопаемся в тему исполняемых спецификаций и разных методов верификации агентского кода, благодаря которым AI можно подпускать к высоконагруженным mission critical системам.

Мы собрали в клубе уже 400 инженеров. Сообщество очень живое – мы вместе разбираем последние новости, помогаем решать проблемы, раз в месяц устраиваем демодень и делимся разными кейсами использования AI в работе. Ну а в апреле сделаем вообще мега-крутую штуку – что-то вроде двухнедельного хакатона, на котором маленькими группами будем пилить свои собственные оркестраторы агентов, которые автоматически решают задачи из вашего бэклога.

Клуб платный, вход через список ожидания с отбором. Первая характеристика для отбора – опыт в прикладной разработке. Мы делаем клуб именно для инженеров – людей, которые большую часть своей карьеры писали код, решали технические задачи, принимали архитектурные решения, и жили с их последствиями. Вторая – личный опыт работы с AI. Мы набираем тех, кто уже сам успел хоть как-то поэкспериментировать с AI и начать его использовать.

Подробности, расписание и заявка – на сайте. А если есть какие-то конкретные вопросы, пишите прямо в личку @etolstoy!

🤖 Готовы к Day&Night 2026?*

Открыта регистрация на флагманскую конференцию Городских сервисов Яндекса!

В программе доклады от Саши Аникина про роботакси и Кирилла Неймана про электрокар Яндекса с голосовым управлением.

А ещё много живого общения в тематических клубах, программу которых готовили Стас Макеев — технический директор Яндекс Лавки, Илья Царёв — руководитель разработки в Яндекс Go и Никита Сидоров — руководитель клиентской инфраструктуры в Яндекс Маркете.

Направления самые разные:

🔶 Инфраструктура и мобильная разработка
🔶 ИИ и машинное обучение
🔶 Аналитика

А для души — клубы музыки и винила и активного образа жизни с настольным теннисом и падел-кортом.

🍸 В завершении традиционная вечеринка до 2 ночи!

🚀 Регистрация открыта — успейте подать заявку!

Все заявки проходят модерацию, обязательно дождитесь обратной связи.
*День и Ночь

Признаки того, что кодовая база вас тормозит

👉Когда вы слышите что-то вроде "на фичу надо 3 дня, но с учетом нашей архитектуры – минимум неделя".
👉Когда команда боится деплоить проект по пятницам, или даже по четвергам.
👉Когда в проекте есть какой-то файл или модуль, который нельзя трогать под страхом смерти.
👉Когда на дэшбордах вы видите большой процент покрытия кода тестами, но на деле в критичных местах все равно все постоянно ломается.
👉Когда время от выхода на работу до первого коммита у нового инженера занимает больше пары дней.

Аудит кодовой базы за несколько git команд

Чтобы понять несколько важных сигналов про состояние проекта, можно вообще не открывать код, а вместо этого изучить историю гита:

👉Посмотреть на топ самых часто изменяемых файлов. Если среди них есть те, за которые никто не хочет отвечать, это ваши точки отказа.
👉Посмотреть на коммитеров, ответственных за большую часть кода. Если кто-то один написал больше 60%, он ваш бас фактор. Другой важный сигнал – как много из изначальных авторов системы продолжают коммитить до сих пор, или ее поддерживают другие люди.
👉Какие файлы чаще всего попадают в коммиты с "bug" в названии. Хорошо сравнивать со списком файлов из первого шага.
👉Увеличивается ли количество коммитов, остается на плато или падает со временем. Периодические пики могут сигнализировать о кранчах перед релизами, а постепенный спад активности – на замедление команды и чей-то уход.
👉Насколько часто встречаются коммиты со словами "hotfix"/"revert". Это хороший прокси-показатель того, насколько много команда борется с пожарами.

Как качество агентского кода деградирует на дистанции

Свежее исследование и связанный с ним бенчмарк, которые показывают, насколько хорошо агенты справляются не просто с написанием кода, а с его расширением в связи с изменяющимися бизнесовыми требованиями. Короче, все как в жизни.

Для того, чтобы оценить качество результата, в бенчмарке смотрят на два показателя – количество лишнего или дублированного кода и нечто под названием structural erosion, что можно приблизительно представить как излишнюю сложность решения. И все довольно плохо. В 80% случаев сложность растет, в 90% случаев растет количество лишнего кода.

Что еще интересно – в коде, написанном человеком, эти метрики со временем остаются на одном уровне, а в агентском ухудшаются от итерации к итерации.

Как менеджеры пытаются показать свою власть

Многие из этих антипаттернов проявляются неосознанно, поэтому проверьте себя на всякий случай:

👉Считают себя самым умным человеком в комнате – говорят первыми, сразу бросаются в область решений, перебивают других.
👉Скрывают часть информации, либо выдавая ее порционно, либо вообще говоря разным людям разные вещи.
👉Используют страх как инструмент мотивации – угрожают последствиями, намекают на плохой перфоманс ревью или будущее команды, используют фразы вроде "да с этой задачей любой новичок справится" или "незаменимых у нас нет".
👉Забирают всю славу себе, но сваливают вину на других.
👉Постоянно говорят о том, насколько они заняты встречами, перегружены и как ценно их время, используя это как символ статуса и повод, чтобы опаздывать на встречи и продалбывать обещания.
👉Микроменеджерят под видом заботы о качестве – ревьюят каждый документ, придираются к мелочам, заставляют аппрувить любое мелкое решение.

Кластеризуем компании, чтобы не ошибиться в выборе работы

Идея статьи в том, что большая часть происходящего в любой компании, начиная от того, как долго длятся любые согласования, заканчивая выбором технического стека, зависит в первую очередь от того, с какой стороны идет основное давление. И в зависимости от источника давления все компании можно объединить в небольшое количество кластеров. Человек, привыкший работать в одном из них, будет скорее всего очень тяжело адаптироваться в другом, даже если ему кажется, что он туда очень хочет.

Вот эти кластера:

👉Галера – аутсорс и студии разработки. Тут давление создается клиентами. Благодаря этому тут правит результат, все работают с большой скоростью, но с малой глубиной.
👉Машина – продуктовый бизнес и бигтех. Давление идет от пользователей и метрик. Вы винтик в большом механизме, работаете вглубь, и можете годы посвящать одному узкому домену.
👉Крепость – госуха, банки, энтерпрайз. Давление идет со стороны регламентов и безопасности. Царство стабильности, ценится предсказуемость, выживают лучшие дипломаты. Драйв становится дестабилизирующим фактором.
👉Цех – IT в непрофильной компании. Давление – внутренний заказчик. Ваша команда тут становится кост центром, и нужно оправдывать ее существование. Стабильность высокая, но технологический потолок очень низкий.
👉Стартапы. Давление идет от выживаемости. Любая роль становится человеком-оркестром, нужно принимать на себя кучу рисков, нет никаких правил. Нужно уметь отличать хаос роста от хаоса распада, в первом растет опыт, во втором энтропия.

В итоге, если вы ищете глубины экспертизы, то вам в машину или галеру, если предсказуемости и влияния на процессы, то в крепость, если баланса и отраслевого веса, то в цех, а если вы ждете доли в бизнесе и скорости принятия решений, то вам в стартап.

Важно помнить, что смена кластера – это очень дорого. Вы теряете много накопленного поведенческого опыта, и из-за несоответствия ожиданиям можете получить даунгрейд.