Инженер, который говорит нет

For 50 years, software engineering ran on code rationing. Writing code was expensive, so we rationed it carefully through roadmaps, RFCs, prioritization meetings, and scope reviews.

This created a role: the No Engineer. No, that won't scale. No, we don't have bandwidth. No, that's out of scope. No, we need a design doc first. The No Engineer was valuable for 50 years. Every "no" saved real money. Their judgment was the rationing system.

LLMs will be the end of code rationing. Code is cheap now. And while the No Engineer is explaining why something can't be done, the Yes Engineer has already shipped three versions of it.

If you're a Yes Engineer, the next decade is yours.

На прошлой неделе весь твиттер спорил вокруг тейка очень умного инженера, архитектора в Nvidia, и автора гугловых TPU.

Если кратко, то суть такая: раньше самыми ценными были разработчики, которые умели говорить "нет", и таким образом сохранять деньги бизнеса, а вот ближайшие 10 лет намного ценнее будут те, кто наоборот говорит "да", и быстро-быстро пилит все с AI.

Все разумные люди, конечно же, возражали правильными аргументами:

👉То, что писать код теперь дешево, не делает дешевой его поддержку.
👉Если написать код ничего не стоит, то скорее всего и бизнесового смысла от этого будет немного.
👉Код делает дорогим не время на его написание. Дорогим становится плохой код, не решающий реальных проблем, или лишний.
👉Добавлять фичи всегда было дешевле, чем удалять их после.

Мне тоже, конечно же, в первую очередь хотелось поворчать на такой тейк. Но если немного подумать, то все-таки большое зерно истины там есть.

Лучший способ проверить какую-то идею на жизнеспособность – это провести эксперимент, а не спорить о ней на душном митинге. Чем больше идей мы проверили, тем больше шансов у какой-то из них на успех. Раньше мы пытались ускорить эксперименты в довольно ограниченных кусочках продукта – например, внедряя штуки вроде Backend-Driven UI в мобильных приложениях, который позволял очень сильно сократить цикл выкатки эксперимента. Или давая в руки продактам инструмент для быстрого запуска A/B тестов на небольшие изменения в лэйауте фронтенда.

Сейчас у нас в руках гораздо более мощный инструмент, который потенциально позволяет получить аналогичное ускорение цикла экспериментов в любой части системы. Компании, которые научатся его использовать, в среднем окажутся в более выгодном положении перед теми, кто не научится.

Поэтому на мой взгляд, правильный тейк звучит иначе – самыми ценными будут те разработчики, которые могут построить архитектуру проекта и систему оркестрации агентов таким образом, чтобы дальше сотни "yes engineers" могли спокойно катить кучу экспериментов не ломая основные сценарии, имея возможность все их быстро откатить, и не нарушая общих контрактов. Короче говоря, проектировать систему, которая говорит "нет".

🚀 Как продакту ускорить свою работу с AI — учимся на Podlodka Product Crew

Едва ли среди читателей этого канала найдется человек, который ни разу не применял AI в работе. Но есть разница: пользоваться базовыми промптами для генерации текстов и аналитики данных, или же создать рабочую систему из инструментов на основе AI.

Команда конференции Podlodka Product Crew открывает новый сезон — «AI-инструменты продакта». Он пройдет с 18 по 22 мая.

В течение недели участники познакомятся с экспертами, которые с помощью AI ускорили продуктовый цикл в разы, причём на всех этапах: от проверки гипотез и создания PRD до пользовательской аналитики.

На конфе выступят как известные в сообществе визионеры AI — например, Глеб Кудрявцев и Влад Терзи, так и продуктовые практики из ведущих российских компаний и активно развивающихся зарубежных стартапов.

👀 В программе:
— исследование с AI: от анализа до синтеза интервью,
— прототип или сервис за вечер,
— аналитика через AI-агентов,
— AI-агенты для мониторинга,
— внедрение AI в команду.

И это ещё не всё — программа дополняется! Формат такой: 5 дней, 10 сессий с демо и практикой и закрытое комьюнити в Telegram.

Отдельный плюс — цена: заметно ниже привычных конференций, при этом контента много, а новые знания можно сразу же приземлять на свои задачи.

🔗Если хотите увидеть, как продакт-менеджеры применяют AI-инструменты, ускорить свою работу и принести больше пользы бизнесу, ловите ссылку с early-bird билетами: https://podlodka.io/productcrew

Когда корреляция врет

Мне кажется, что вот этот выпуск Подлодки очень важен для всех менеджеров – поэтому решил им поделиться, не дожидаясь очередного дайджеста подкастов.

Вместе с Никитой Поваровым, моим бывшим коллегой из JetBrains, мы очень глубоко закапываемся в разные модели каузальности, и в то, почему корреляция вообще не гарантирует причинности.

Отдельно в выпуске мы проходимся по тому, что понимание каузальных графов дает менеджеру, который пытается осознанно вносить изменения в свою социотехническую систему.

Structured-Prompt-Driven Development

Большинство команд, активно начавших использовать агентов, быстро приходят к двум идеям, которые сейчас принято называть Spec-Driven Development:

👉К промптам и чату с агентом надо относиться не как к побочному, а как к основному артефакту.
👉Все задачи надо пускать по одному и тому же строгому воркфлоу.

А вот то, что происходит дальше, очень напоминает аналогичную ситуацию с Agile – каждая команда придумывает свой процесс и фреймворк вокруг него. При этом есть несколько уже сравнительно популярных методологий вроде OpenSpec/BMAD, и длиннющий хвост менее популярных – но даже они часто используются не в своей чистой форме, а с огромными доработками под то, как принято в конкретной команде, и как говорит их чувство прекрасного.

В ближайшие годы я ожидаю огромный поток статей, аналогичных сегодняшней – команда нащупала работающий для них процесс, попробовала генерализировать его, и дальше предлагает как универсальную методологию. Проблемы у этого такие же, как и у фреймворков вокруг Agile – если что-то помогло одной компании, это еще не делает инструмент серебряной пулей.

Если AI удаляет вашу базу данных, виноваты вы, а не AI

Недавно довольно широко разлетелась история про то, как AI агент снес продакшн базу данных и все бэкапы. Главный пострадавший винил в этом вообще всех – разработчиков агента за ложный маркетинг и заявления о том, что он безопасен, хостинговую платформу за вообще наличие возможности дропнуть базу через API.

Но вообще-то, во всех похожих случаях виноват сам разработчик. У AI, как и других инструментов, есть границы применимости. Использовать его для операций, в которых критично важно следование правилам и повторяемость, вроде деплоя базы – очень плохое решение. Все шаги, которые могут быть выполнены детерминистически, должны выполняться именно так.

Поэтому, если вы выдали агенту доступ к продакшн окружению, и отправили его выполнять инфраструктурные задачи, которые можно было бы автоматизировать простым скриптом – сами виноваты.

Получи грант до 75% на ИТ-магистратуру!

Грант в магистратуре Центрального университета фиксируется при зачислении и остается неизменным на весь срок.

Максимальная поддержка — 1 350 000 ₽.

Как получить грант?
— Зарегистрируйся на сайте и заполни заявку в личном кабинете.
— Реши онлайн-контест.
— Пройди собеседование с командой программы.

Обучение начинается в сентябре. Занятия по вечерам и в выходные. Можно совмещать с работой.

В Школе технологий ЦУ ты сможешь прокачать навыки в:
• продуктовом менеджменте;
• машинном обучении;
• продуктовой аналитике;
• бэкенд-разработке.

Программы включают решение реальных задач от Сбера, Ozon, Avito, Х5 Tech, Lamoda, Т-Банка и других крупных ИТ-компаний.

Студенты растут в карьере уже во время обучения, а зарплата увеличивается в среднем на 63%.

Подай заявку и получи шанс на обучение в одной из лучших ИТ-магистратур страны.

Я бы сказал, что соскучился по временам беспроцентных кредитов, безудержного роста компаний, и формирования команд под самые бесполезные идеи – но сейчас мы живем в не меньшем театре абсурда! Я более чем уверен, что прямо сейчас кто-нибудь работает над тем, чтобы заменить такую команду на пачку AI агентов, которые продолжат выполнять настолько же бесполезную работу, но уже прожигая токены, а не минуты жизни.

Как давать обратную связь, чтобы вас слышали и что-то менялось?

Обратная связь — фундаментальный навык в управлении, который экономит время, деньги и нервы. И в теории вроде понятно, каким должен быть хороший фидбэк, но как дело доходит до практики… То подчиненный не так понял, то обиделся, то вовсе не захотел исправлять свои косяки.

📌 14 мая в 20:00 (мск) лаборатория навыков коммуникации Софт Скиллз Лаб проведет открытый вебинар про обратную связь.

За 1,5 часа вы узнаете:

▫️ Как быстро формулировать обратную связь, чтобы она четко доносила суть и не демотивировала сотрудников?
▫️ Что понижает и повышает ее результативность?
▫️ Как найти баланс между мягкостью и жесткостью?

На кейсах разберем конкретные принципы и ошибки, учитывая которые вы сможете легко и грамотно давать обратную связь. Так, чтобы в команде не страдали процессы, отношения и инициатива.

🗣 Вебинар проведет Карина Амдиева — тренер Софт Скиллз Лаб, преподаватель в НИУ ВШЭ и РЭУ им.Плеханова, бренд-маркетолог, бывший менеджер по работе с блогерами в Т-Банке.

Встреча пройдет в Zoom, поэтому вы сможете задать Карине любые вопросы.

👉🏻 Чтобы получить ссылку на конференцию, просто запустите бота.

Оцениваем успех внедрения AI через скорость обучения

Первая фаза адопшна AI в командах разработки в основном была про Copilot. И там все происходило по привычной модели – нужно было закупить нужное количество лицензий, раздать их разработчикам, провести тренинги, и где-то что-то прилипло бы. Короче говоря, точно так же, как и с любым другим софтом.

С агентами все гораздо сложнее. Сам факт адопшна агентов отдельными людьми вообще не ведет к повышению продуктивности всей команды, поэтому измерять его может быть довольно бессмысленно. Вместо этого нужно каким-то образом оценивать, а действительно ли конкретные команды учатся работать лучше и быстрее. Или, если посмотреть чуть иначе, какие конкретно циклы своей работы они оптимизируют, и насколько поулчается их сокращать.

Чтобы не продолбать внедрение на этом этапе, в статье советуют прокачивать три веточки:

👉Agent Operations – контроль за тем, какие агенты работают в компании, к каким системам им выдается доступ, как этот доступ ограничивается, что там по аудитам.
👉Loop Intelligence – в каких циклах AI реально помогает, в каких нет, чего командам может не хватать, чтобы эти циклы сходились успешно, а где они превращаются в сайд-квесты, не несущие компании пользы.
👉Agent Capabilities – как полезные открытия и способности агентов распространяются по всей компании.

GPT Model Hub — подключайте мощные LLM к своему проекту за пару кликов.

MWS GPT Model Hub — облачный сервис MWS Cloud для работы с LLM без развёртывания собственной ML-инфраструктуры. Внутри — модели от DeepSeek, Google, Alibaba, Zhipu AI, BAAI и Kimi K2 Instruct от Moonshot AI.

Что удобно:

• Быстрая интеграция в любые сервисы и пайплайны по OpenAI-совместимому интерфейсу.

• Понятная детализация расходов по проектам и командам.

Можно легко тестировать разные модели, собирать пайплайны и встраивать LLM в рабочие процессы без лишней сложности.

Если давно хотели попробовать LLM или внедрить их в продукт — сейчас отличный момент.

Кстати, до 15 июля снизили цены: входящие токены — до −95%, исходящие — до −80% — особенно выгодно для сценариев с большим контекстом.

👉 Попробовать

Теперь компетенции нельзя оценить по результату работы

Статья по ссылке – еще одно эссе из категории "все очень плохо, все генерируют бесконечную кучу слопа, давайте так не делать". Короче говоря, никаких особенных откровений сверх того, что мы уже в канале обсуждали. Но мне запала в душу одна конкретная идея, которой я хочу тут с вами поделиться.

Мы очень сильно привыкли коррелировать результат чьей-то работы с личными навыками этого человека. Когда вы читаете плохой код, вы сразу представляете себе аутсорсера из страны с низкими часовыми ставками. А когда сантехник решил вашу проблему, вы сразу записываете себе в книжечку его как супер-компетентного работника, и советуете всем друзьям. Сейчас, по крайней мере для белых воротничков, эта связь совсем разрывается – многие люди становятся просто передатчиками работы, которую за них сгенерировала машина – и качество выполнения этой работы ничего не скажет вам о компетенциях самого человека.

В статье это обсуждается как проблема – но я не уверен, что это в целом так. Вообще-то, такие выводы – это типичный случай замещения случайности причинностью. Наши мозги очень любят выстраивать системные причинно-следственные связи, которые помогают объяснять хаотичный сложный мир даже там, где их нет. И на самом деле делать далеко идущие выводы о человеке, просто посмотрев на пару примеров его работы – не самая хорошая идея. Так что, может быть, мы наконец-то начнем отучаться от этой привычки – что в целом-то и не плохо.