Как говорит один мой хороший товарищ, за последние дни много чего "наклодил" и все-таки тариф Max не зря выбрал для своих задач. 1. Меня подвел хостинг VPS и почти два дня не давал студентам нормально учиться на курсе, так как все песочницы, помощники и прочие ништяки были заблокированы. Поэтому было принято решение переехать на Railway, так как уже надоело поддерживать самостоятельно работу VPS. хотя меня это сильно прокачало. На арену вступил Claude и за полдня перенес все, а это скажу вам "хлопотное дельце". И какой же кайф после Gemini, где надо делать 10-20-30 итераций, потом руками все переносить, беситься от ошибок, теперь работать с ИИ-агентами, которые все делают за тебя в рамках нескольких больших сессии. По итогу все перенесено и студенты довольны. 2. Вчера собрал себе тулу для генерации каруселей в LinkedIn и Instagram. С разными темами, типами слайдов, возможностью ИИ-генерации, редактированием, версионированием и другими полезными фишками. Магия какая-то. 3. Сегодня продолжаю работу над созданием инструмента для отложенного постинга с одной страницы, так как я хочу, когда хочу и где хочу. Ибо текущие решения бесят в своей разрозненности и ценовой политике. В общем, игрушка, которая затягивает... А что вы с помощью Claude или других агентов автоматизировали из своей рутины?

ClaudeMD автоматического выбора ИИ-модели для продуктовой работы Рейтинги – это стартовая калибровка, а не фиксированные данные и чем выше число, тем лучше. Модель / Стоимость / Интеллект / Вкус sonnet-5 / 8 / 6 / 6 / opus-4. / 8 / 5 / 8 / 7 / fable-5 / 3 / 9 / 8 / – Стоимость. То, что ощущается в лимитах токенов и скорости. – Интеллект. Насколько сложную, многошаговую или неоднозначную задачу можно доверить модели без присмотра. – Вкус. Качество структуры документа, формулировок, тона в коммуникации и чуткость к контексту. Откалибруй эти цифры под собственный опыт после пары недель использования. Важна не точность чисел, а сам принцип: не гонять сложные решения через дешёвую модель и не тратить дорогую модель на рутину. Как применять: – Это дефолты, а не ограничения. Если результат дешёвой модели не дотягивает, то не спрашивай разрешения, перезапускай с более сильной. Суди по результату, а не по тому, что модель просто должна была справиться.

Пересогласование стоит дешевле, чем решение, принятое на слабом анализе

– Когда параметры конфликтуют для чего-то, что реально влияет на решения или уходит наружу, опирайся на: 1. Интеллект > 2. Вкус > 3. Стоимость – Массовая механическая работа (расшифровка транскриптов интервью, разметка тикетов, сведение таблиц с метриками, черновой синтез фидбека из десятков источников): sonnet-5. – Всё, что уходит наружу стейкхолдерам, клиентам, руководству (питчи, обоснование приоритизации, деликатные апдейты о задержках, переговоры о scope): нужен вкус ≥ 7. – Ревью и вторая пара глаз (проверка PRD перед отправкой инженерам, стресс-тест roadmap, поиск дыр в бизнес-кейсе): fable-5 или opus-4.8, по возможности оба как независимые мнения, если решение необратимое. – Стратегические и неоднозначные решения (trade-off между конкурирующими метриками, приоритизация, спорные ставки без явного правильного ответа): fable-5. – Никогда не используй самую слабую модель для документов, которые пойдут выше вашего уровня или станут прецедентом для команды. Режимы работы – Написание PRD и спек с нуля → opus-4.8 как основа → fable-5 для финального ревью перед отправкой в разработку. – Discovery-синтез sonnet-5 для чистой расшифровки на входе (несколько интервью → инсайты → гипотезы) → fable-5 для самого синтеза (нужен интеллект, чтобы не сгладить противоречия) – Приоритизация бэклога / RICE-скоринг → sonnet-5 для механического прогона по формуле → opus-4.8 для проверки, не искажает ли формула реальный контекст → fable-5 для синтеза – Коммуникация о задержках и плохих новостях стейкхолдерам → fable-5 или opus-4.8. Тон и причины здесь важнее скорости. – Рутинные апдейты статуса, саммари встречи, заметки в трекер → sonnet-5. – Pre-mortem, поиск слабых мест в плане запуска → opus-4.8 → fable-5 как отдельная независимая проверка. – Черновик поста / статьи / контента на основе рабочих заметок → opus-4.8 для черновика → fable-5 для финальной правки тона и структуры. – Анализ больших выгрузок данных / метрик → sonnet-5 для первого прохода и агрегации → эскалация на opus-4.8, если нужна интерпретация неоднозначных паттернов → fable-5 для финальной проверки паттернов.

📌 Claude Code более автономен, чем чат-бот На выходных Anthropic опубликовала свежий отчёт Economic Index об использовании своих моделей.

Компания выпускает его нерегулярно (раз в 2-3 месяца), по мере накопления значимых изменений в методологии или данных. Предыдущая публикация была в марте.

Главный инсайт: то, сколько решений мы готовы отдавать ИИ, зависит не от самой модели, а от того, как именно запакован продукт. Степень автономии, которую мы даем Claude в обычном веб-чате (или Cowork) и в Claude Code замеряли по шкале от 1 до 5, где 1- это почти никакой самостоятельности, а 5 - экстремальная. Результат определил, что характер работы над одинаковыми задачами кардинально меняется. Например, чтобы написать статью или пост в чате, требуется медианно 13 раундов диалогового пинг-понга с моделью. В Claude Code на ту же задачу уходит ровно один промпт.

Логично списать это на то, что в Code 54% сессий обслуживает Opus (против 10% в чате). Но нет, это не просто фича большей модели - на Sonnet картина такая же.

🟡Цифры +0.37 балла - средний отрыв в уровне автономии в пользу Claude Code по всем задачам; +0.53 балла - отрыв конкретно для кодинга. В 26 из 31 категории результатов агентный интерфейс бьёт обычный чат. Отчёт, кстати, построен на новой телеметрии, которая собирает данные ежечасно, а не семидневными выборками, как раньше. Это позволило впервые увидеть и недельные, и суточные ритмы использования: всплеск личных запросов на выходных, пик просьб о рецептах в шесть вечера, запросы о сне под утро. Отдельная часть отчёта - первые результаты опроса пользователей Claude, в котором участвовали около 9700 респондентов. Он показал, что люди, которые делегируют ИИ задачи целиком, смотрят на свои перспективы оптимистичнее остальных и чаще ожидают роста зарплаты или сохранения работы, а не наоборот, как можно было бы предположить.

Гендерный факт. У женщин доля сессий в Claude Code существенно ниже. Они используют Claude более итеративно, как партнера-собеседника, и проводят в чате больше активного времени, тогда как мужчины чаще пытаются скинуть задачу целиком и забыть.

🟡Автономия пока стоит дорого Корреляция между делегированием и сожженными токенами очень сильная (r = 0,68). Чем дороже и ценнее профессия/задача, тем больше токенов она потребляет. Причём полная передача руля не значит, что вы будете лежать на диване. В высокоценных задачах люди сами делают больше запросов и регулярно включают расширенный ризонинг у модели. @ai_machinelearning_big_data #AI #ML #Research #EconomicIndex #Anthropic

OpenAI выложил большое исследование о переходе к агентному ИИ Живая статистика использования (OpenAI + Wharton, Columbia, Duke). Сравнили три аудитории: частники, организации и сами сотрудники OpenAI – последние это витрина будущего, где трения адаптации убраны. Сколько работы реально идёт через агента, а не через ChatGPT (доля токенов): – сотрудники OpenAI — 99,8% – организации — 63,3% – частники — 16,5% Люди уже не спрашивают совета, а поручают работу – и задачи усложняются: – доля частников с запросом на 8+ часов человеческой работы выросла с 2,1% до 25,6% с начала года, почти в десять раз – самое сложное кидают в начале сессии, дальше идут уточнения Ядро пользователей – разработка, но не только генерация кода: разобраться в чужой системе, настроить окружение, проверить изменения, документация. У среднего инженера в организациях 26,8% токенов через Codex (впятеро больше, чем в январе), а среди тех, кто им реально пользуется, – 88,3%. Интенсивные пользователи строят параллельные воркфлоу: – 67,4% организаций и 63,9% частников не запускают агентов параллельно вообще – у OpenAI 28,6% в какой-то момент недели держат 5+ агентов сразу. Доля вызвавших хотя бы один skill выросла с 5,4% в марте до 26,6% в июне (частники 25,7%, организации 30,4%, OpenAI 96,2%). Результат: с ноября по июнь объём токенов у медианного сотрудника OpenAI вырос минимум в 10 раз в каждой функции – у юристов в 13, у исследователей более чем в 50. Авторы тянут параллель с электрификацией заводов: прирост пришёл не когда паровой двигатель заменили электромотором, а когда перепроектировали сам цех. С агентами то же, но перестройка воркфлоу стоит копейки – поэтому пойдёт быстрее. Короче, меняется единица измерения: DAU, чаты и сообщения больше ничего не значат – мерить надо сложность делегированных задач, время работы агентов и параллельность. Ценность человека смещается с «уметь сделать» на «поставить, проверить, скоординировать». Соответственно ценность – готовность перестроить процессы под делегирование задач ИИ и верификацию. https://openai.com/index/how-agents-are-transforming-work/

Очередной лайфхак с ИИ. Последние 3 месяца я плотно работаю с Claude Code. Из них последний полтора месяца в основном работаю через новый сервис оболочку для него. Который позваляет таким НЕтехнарям как я, спокойно работать с ним. Короче там много фишечек, вроде сквозной памяти между чатами, вторым мозгом ( без связки с обсидиан) все чаты локально на компе, управление через телеграм. Об этом чуть позже расскажу А сейчас просто одна из случайных рутиных задач которую мне сделал Dave за 20 секунд. Я генерирую обложки для каруселей в ChatGPT Image. Сохраняю их в загрузки и от туда уже скидываю на телефон дял выкладки. Обложки перемешаны с кучей других файлов, плюс у них может повторятся название. А я просто хотел собрать их все в одну папку и расположит ьв хронологическом порядке. Так и написал в DAVE.

выбери в папке загрузки все изображения с названия chatgpt image ... они в формате пнг
создай папку обложки инст в загрузках и перенеси туда все изображения

Он сначала собрал все обложки засунул в папку ( ну так любой агент сейчас может). А потом я попросил переименовать их в хронологическом порядке, чтобы я мог смотреть их по дате скачивания. И он сам за 10 секунд отсмотрел все даты и переименовал 160 файлов.

так а отсортируй их чтобы они были по дате создания или скачивания, а то сейчас все в разнобой

Вроде такая мелочь, а на сколько кайфово, что можно простым человеческим языком ставить задачу и получать ответ за минуту!

Недавно меня искренне спросили почему я не рассматриваю работу оффлайн. Я честно ответил, что я начинал работу в геймдеве со смешанной командой и для меня никогда не существовало вопроса: "А может ли команда в офисе работать эффективнее?". Мы обязаны были работать также эффективно. Опыт показывает, что нет серебряной пули и человек работает эффективнее (о, сюрприз!) в условиях, которые ему нравятся больше. Поэтому кто-то лучше перформит оффлайн, а кто-то — онлайн. Мой вариант — онлайн. Это не мешает выстраивать процессы и строить отделы. Проводить высокоуровневые эстимации производства на несколько лет вперёд. Оставаться в курсе всех важных событий и прозрачно осведомлять о своей работе коллег. Просто для этого нужен строго определённый набор навыков и практического опыта. Больше скажу: лично у меня полное сосредоточение достигается в полной тишине. Поставить музыку фоном может работать, но только если у меня осталась механическая работа, не требующая интеллектуальной вовлечённости. Что-то, что я могу делать на автомате. Как вы понимаете, в офисе я был просто зверем на этой почве. А если меня оторвали от задачи, не договорившись о времени, так вообще — пиши пропало. Но потом я задумался: "А может есть способ как-то проще объяснить свою позицию на универсальном языке денег?" И, знаете, кажется есть. Возьмём за среднее время поездки до места работы — 1 час. В день получается 2 часа. В неделю — 10 часов. В месяц — от 40 часов, то есть полная рабочая неделя. В которую вы не приносите пользу ни себе, ни работодателю, да ещё и денег за это не получаете. Так что если кто-то не будет понимать моих изначальных аргументов, теперь просто буду раскладывать эту математику и спрашивать, готовы ли они оплачивать эту дополнительную неделю, в которую я никому не приношу пользу, болтаясь в транспорте. #SoftSkills

Если вы пользуетесь Claude, может быть пригодятся советы от ИИ-евангелиста Egor Rudometkin. Хаки - в приложенной картинке, общее описание ниже: 1. Установка Claude Desktop (хаки 1–10) ☑️ Скачай десктоп-приложение. Не браузер. ☑️ Создай папку на компе — CLAUDE. ☑️ 4 подпапки: «О себе», «Проект», «Шаблоны», «Output». ☑️ Загрузи anti-AI-промпт — он убивает роботизированный голос. 2. Выбери модель (хаки 11–20) ☑️ Opus 4.6 + Extended Thinking — для сложных задач. ☑️ Sonnet — быстрые правки. Haiku — сканирование файлов. ☑️ Модель решает меньше, чем промпт. ☑️ Плохой промпт на Opus < хороший промпт на Haiku. 3. Промптинг (хаки 21–30) ☑️ Хватит писать длинные промпты. Файлы > промптов. ☑️ Одна задача — один промпт. Одна. Не пять. ☑️ Скажи «НЕ должно звучать как…» — убьёт AI-голос. ☑️ Давай задачу, а не метод. Пусть сам найдёт путь. 4. AskUserQuestion (хаки 31–40) ☑️ «Начни с AskUserQuestion» — в каждом первом промпте. ☑️ Claude соберёт кликабельную форму. Жмёшь — отвечаешь. ☑️ Он сам задаёт правильные вопросы. Ты не думаешь. ☑️ Идёт не туда — скажи. Перестроит. 5. Коннекторы (хаки 41–50) ☑️ Settings → Connectors → Browse → Add. ☑️ Slack, Google Drive, Notion, Gmail. 50+ инструментов. ☑️ Claude читает реальные файлы. Без копипаста. ☑️ Бесплатно на всех планах. 6. Плагины и Skills (хаки 51–60) ☑️ Claude → Customize → Browse → Install. ☑️ Маркетинг, юристы, продажи, аналитика — выбери роль. ☑️ Жми / — мгновенный вызов любой команды. ☑️ Кастомизируй под свою компанию и тон. 7. Claude в Excel (хаки 61–70) ☑️ Поставь «Claude by Anthropic» из Microsoft Marketplace. ☑️ Читает каждый лист. Объясняет формулы по-человечески. ☑️ Кинь PDF — сам вытащит таблицы. ☑️ Никаких макросов. Подсвечивает что трогает. 8. Projects и команды (хаки 71–80) ☑️ Один Project = один deliverable. Не один клиент. ☑️ Загрузи отличный пример — стандарт подтянется автоматом. ☑️ Сначала конвертируй одного человека. Потом масштабируй. ☑️ 15 минут демо. Покажи, не рассказывай. 9. Artifacts (хаки 81–90) ☑️ Графики, дашборды, трекеры — прямо в чате. ☑️ Работают автоматически. ☑️ Превью до экспорта. Правишь вживую. Копируешь. ☑️ Делишься с не-юзерами Claude как HTML. 10. Продвинутый уровень (хаки 91–100) ☑️ Файлы — до 200 строк. Короче — лучше. ☑️ 80% твоего файла — про то, кем ты НЕ являешься. ☑️ Проверяй output. Особенно финансы. ☑️ Claude делает 80% рутины. Ты — оставшиеся 20%. #ai

Сэкономил за месяц почти 30 часов Моя самая полезная программа последних месяцев Wispr, которая позволяет печатать голосом. Сначала использовал voice-to-text только для работы с нейронками и вайб-кодинга, а теперь надиктовываю ей почти всё. В среднем моя скорость около 90 слов в минуту. За последний месяц наговорил больше 80 000 слов. Если бы печатал всё это руками, потратил бы почти на 30 часов больше. Благодаря этому я стал чаще фиксировать мысли и гораздо эффективнее работать с нейронками. По скорости работы, печатать руками сегодня, это как продолжать писать на бумаге в эпоху появления компьюетеров. Пользуетесь чем-то подобным?

Теперь в каждой компанией работает свой Клод Anthropic недавно выкатила Claude Tag - теперь Клода можно тегать в Slack-канале, как обычного коллегу. Просто пишете задачу в обычной формулировке и призываете Клода - он её разбивает на этапы и фигачит в фоне через свои тулы (конкретные тулы и доступы можно настроить в конкретном канале). Работает пока только в Slack, но видимо будут раскатывать и на другие инструменты. Чем это отличается от обычного агента-ассистента? Ну, он мультиплеерный. Раньше у каждого юзера был свой отдельный чат с ИИ, а теперь Клод общий в канале. Каждый каждый участник видит, чем он занят прямо сейчас. Можно подхватить задачу с того места, где её оставил коллега, не объясняя контекст заново, и всё такое. Ещё агент учится на переписке канала, подтягивает контекст из других источников (если дали права), и не надо каждый раз вводить его в курс дела. А если включить ambient-режим, агент начинает работать без тега вообще - сам глядит зависшие треды и напоминает о задачах, на которые все молча забили. Интересно, желание реальных кожаных коллег доделывать свои задачки после такого как себя будет чувствовать? Любопытно, что внутри самого Anthropic через внутреннюю версию Tag уже создаётся 65% кода продуктовой команды (ну, по их словам). В общем, ИИ-компании пытаются всё сильнее проникнуть в операционные задачи и встроиться в каждую дырку. Эта битва продолжается, и в рабочем слое Anthropic пока уверенно побеждает. В лайфстайле всё не так очевидно, но это уже другая история. Фичизм

T-shaped снова в моде? Подняли тут вопрос, о том что мы снова движемся от специализации в T-shaped специалистов. Компании планируют сокращать персонал и одновременно с тем надеятся на усиление текущих специалистов за счет ИИ. В некоторых случаях это потребует замены текущих команд или как минимум отдельных людей, на агентно-ориентированных. В обиход входит слово tiny teams. По представлениям сбера (это их инициатива), это компактные команды в несколько человек с большой степенью автономности находящиеся внутри ai sdlc, где все процессы изменены, где все знания доступны агентам и так далее. В общем ai native организации, вместо (зачеркни ненужное) бирюзовых, agile и других слов. Пару мыслей про это от меня и других ребят, с которыми мы кулуарно общались. Во-первых сама тенденция возврата к фулстек режиму, во многом определяется не тем что у нас появился ИИ, а тем что идет общий экономический спад и компании сжимаются. А в таких случаях обязанности перераспределяются среди оставшихся. И наоборот, когда все активно развивается, происходит дробление. Сейчас же ИИ действительно позволяет увеличить производительность, что само по себе приводит к укрупнению зон ответственности, но это явление временное. Когда агенты станут такой же обыденностью как персональные компьютеры (представьте разницу между теми у кого они были и у кого их не было в 80 годы), то для увеличения производительности труда снова придется дробить ответственности и брать больше людей. Во-вторых, есть серьезные опасения, что сильных спецов в принципе всегда было мало, а тут мы как будто бы хотим лучших их лучших. Откуда их брать? И насколько людей действительно хватит? Мы не можем бесконечно масштабироваться, ИИ очень быстро уперся в ограничения кожанных. А комфотная работа для многих превратилась в изматывающий марафон на скорости стометровки. Telegram | YouTube | AI Клуб

От подписчика: Отчет Faros.ai про реальные цифры продуктивности разработки с ИИ. Ну... Не все так однозначно... Это реальные метрики кода от требований до доставки. Выборка – 4000 команд за 2 года, сравнение внутри одних и тех же компаний между кварталом минимального и максимального использования AI. Главные цифры: – Продуктивность отдельного разработчика выросла, но скромно, судя по merge requests. Примерно +16 процентов, а не 10x – При этом скорость доставки релизов упала на 11 процентов. Это системная метрика, она про доставку ценности клиенту – Поток замедлился на каждом шаге. Фича проходит каждый этап на 80–480 процентов дольше – Качество просело резко: дефекты вверх, переоткрытые тикеты вверх, code churn (доля переписанного кода) – аномальные 861 процент Узкое место сместилось в ревью. Стадии Ready for Review и In Review раздулись, а ревью стали пропускать на 31 процент чаще – классическое поведение людей на бутылочном горлышке. Сам Faros пишет прямо: организации генерируют больше кода, чем система способна отревьюить и смержить. Автор гоняет данные через закон Литтла (L = λW). Если лид-тайм и WIP растут быстрее, чем заявленная продуктивность – значит скорость потока на самом деле падает. По его расчётам реальная пропускная способность просела на 8–70 процентов в зависимости от допущений. То есть «продуктивность индивидуального разработчика» и «поток готовых фич» поехали в разные стороны, а платят клиенты именно за второе. Тойота в своё время победила американский автопром фанатичным фокусом на качестве и принципе «не передавай дефект на следующую станцию». Чем позже находишь баг, тем дороже он стоит системе. LLM делают ровно наоборот: впрыскивают больше дефектов на входе и переносят их отлов в ревью, где ловить дороже и хуже. Любопытная деталь: гипотеза «AI усиливает сильных» не подтвердилась. High-performing команды деградируют так же, как все остальные. Тут есть с чем спорить по методологии – это наблюдательное исследование, не причинно-следственное, и автор сам это признаёт. Но направление мне кажется честным и совпадает с тем, что многие из нас чувствуют на практике: индивидуальная скорость растёт, а на уровне организации профита не видно. Главная мысль, productivity не равно value. Локальный разгон одного этапа не двигает систему, если узкое место в другом месте. Если внедряешь AI в команду и не перестраиваешь ревью и QA под возросший объём генерации – ты просто переносишь бутылочное горлышко вниз по потоку и копишь work in progress. И отдельно зацепил тезис про «сначала черновик от LLM, потом доработаю». Автор считает, что это задом наперёд: первый черновик – это и есть твой интеллектуальный вклад, момент, когда ты реально продумываешь структуру. LLM сильна как редактор и спарринг после, а не вместо мышления. С этим скорее согласен - чем больше вложений на первых этапах, тем лучше результат. Короче, уделяйте МАКСИМАЛЬНОЕ внимание требованиям, а не пытайтесь зафигачить 100 фич и отдать все тестировщикам. Источник: https://unessays.substack.com/p/talk-is-cheap

Ломка Раньше, когда я хотел запустить проект, в голове щёлкал один и тот же паттерн: кого нанять. Нужен проектный менеджер. Нужен человек на операционку. Нужен ещё кто-то под это. Любая новая задача начиналась с вопроса «какие люди мне нужны». Сейчас паттерн другой. Я думаю не «кого нанять», а «какие инструменты ИИ применить, чтобы это запустить или решить задачу». И специально не нанимаю, запретил себе это делать. Либо решу с ИИ, либо не буду решать вообще. «Закодировался» от найма, чтобы перестроить своё мышление. Ломка жуткая, но выхода другого нет. Звучит как мелочь возможно. Но это смена точки входа в процесс. Старый рефлекс добавлял к каждой идее людей, зарплаты, согласования, управление и отсутствие гибкости и скорости. Новый — добавляет связку инструментов, которую один человек собирает за вечер. И если не получилось — быстро выкинул, а при успешном старте быстро масштабировал. И знаете, что меняется в голове? Идеи перестают казаться дорогими и долгими. Раньше «а давай запустим вот это» автоматически означало «а давай наберём под это команду и найдём деньги». Теперь — «а давай я соберу это за вечер и завтра потестируем». ИИ сам по себе не делает предпринимателя богаче. Он просто позволяет одному сильному человеку создавать намного больше и ещё намного быстрее. Весь вопрос в том, какой рефлекс срабатывает у тебя первым. И хочешь ли ты перестроиться на новый.

Вот вам еще одно исследование, тоже вполне себе флеймовое. Авторы использовали серьезный набор данных — более 100 000 разработчиков GitHub плюс внутренняя телеметрия Microsoft по использованию AI-инструментов. Метод — сопоставленный событийный анализ (каждого, кто внедрил инструмент, сравнивают с близнецом-разработчиком на год раньше, чтобы отделить эффект инструмента от общей волны внедрения AI). Задача исследования — выяснить, как растет отдача по мере внедрения AI-инструментов и доходит ли эффект до конечного продукта. На уровне написания кода прирост огромный и растёт с каждым поколением. По числу коммитов накопленный эффект: ▪️ автодополнение — +40% ▪️ + синхронные (интерактивные) агенты — +140% ▪️ + асинхронные (автономные) агенты — +180% Но дальше по цепочке выигрыш стремительно затухает. Те же 180% по коммитам превращаются в +50% по числу проектов и всего +30% по фактическим выпускам. У синхронных агентов разрыв ещё нагляднее: +741% строк кода, +65% пул-реквестов — и лишь +20% релизов. Основная гипотеза, что происходит — в цепочке остаётся слабое звено, то есть человек. Громадный выигрыш в разработке и генерации кода дальше упирается в живого ревьюера — code review это же очень важная стадия, как можно доверять тупой машине? — и там и пропадает. Кстати, аналогичную картину авторы видят в приложениях в App Store, Chrome и Google Play — количество новых приложений выросло значительно, но общее использование приложений по площадкам осталось прежним. Подавляющее большинство новых приложений не смогли набрать даже минимальную аудиторию. Собственно, это полностью согласовывается с общей идеей — узкое место просто переехало в маркетинг приложения. https://www.nber.org/papers/w35275

AI КАК РЕДАКТОР, А НЕ АВТОР Когда я запускал блог, одной из самых неприятных задач было не “придумать тему”. Тем обычно много. Сложнее было разложить мысль компактно, без каши в предложениях, и так, чтобы опытному читателю не хотелось закрыть пост на третьей строке со словами “господи, что я читаю” 😅 И первое место, где AI меня реально вытащил — это не код. Это текст. 🔸Блог Почти каждая статья проходила через ChatGPT: — проверить стилистику — поправить грамматику — найти кривые формулировки — предложить другой способ сказать ту же мысль И вот последнее оказалось важнее, чем кажется. Потому что иногда мысль вроде нормальная, но звучит так, будто её три раза уронили по дороге. У каждого автора есть набор любимых речевых конструкций. Одни и те же связки, одни и те же обороты, один и тот же способ подводить к выводу. С одной стороны — это стиль. С другой — если не обновлять этот пул, текст начинает звучать как пережёванная версия самого себя. У меня это особенно заметно, потому что я довольно быстро нахожу первичную формулировку мысли, но намного хуже умею посмотреть на неё под другим углом. Я уже писал про это в статье Проклятие знаний: когда мысль у тебя в голове собрана, очень легко забыть, что то, что очевидно для тебя может быть не очевидно для читателя. 🔹Курс Вторая большая область — подготовка курса. Первые 3 месяца я собирал материал руками. Ночью, когда жена уходила спать, я садился за комп, шёл в Google, читал научные статьи, разбирался, что там вообще написано, и складывал всё в Notion. Не просто “ссылка на источник”, а: — какая мысль откуда взята — где её нужно использовать — в каком порядке она должна идти — что нельзя исказить при пересказе Так была сделана почти половина курса. А потом появились reasoning-модели, которым можно скормить большой промпт, файлы и дать 40 минут подумать. И здесь AI стал не автором, а независимым валидатором: правильно ли я понял источник, не перепутал ли причинность, не натянул ли вывод на свою картину мира, потому что очень хочется, выдать желаемое за действительное 😅 Вот это оказалось прям ценно. Потому что найти источник — не самая сложная часть. Сложная часть — прочитать, правильно понять, а потом донести мысль так, чтобы не исказить исходный смысл. 🔸И это хорошо ложится на исследования В SAP/HPI исследовании про опыт разработчиков с GenAI есть важный практический вывод:

когда человек использует один режим работы с AI — только chat или только in-code — нагрузка падает. Когда начинает метаться между режимами, выигрыш пропадает.

А ещё точнее в ту же точку попадает свежий RCT Anthropic про формирование навыков. Исследование про код, но механизм универсальный:

когда человек полностью отдаёт задачу AI, у него растёт ощущение продуктивности, но проседает понимание, чтение и отладка — причём без реального выигрыша по скорости. А те, кто работает с AI вовлеченно, спрашивая объяснения, а не готовый ответ, понимание сохраняют.

С текстом у меня работает так же. AI полезен, когда у него понятная роль: редактор, переформулировщик, валидатор или исследователь. А промпт формируется несколькими итерациями, где я подробно рассказываю куда нужно капнуть, что взять и как преобразовать. Но если прописать “давай классную статью по архитектуре”, на выходе очень быстро получается стерильный AI-slop/мусор 🤢 🔻 AI хорошо снижает стоимость итерации мысли. Но мысль всё равно должна быть твоя. Иначе вместо авторского текста/кода получится гладкая, правильная и абсолютно мёртвая жвачка. Ставь 👍 если тебе заходит такого рода контент! Ты знаешь кому переслать эту статью 💪 #ai@UniArchitect

Понедельник обычно небогат на новости, так что давненько я не брал в руки исследований. Вот одно очень флеймообразующее. В крупном турецком BPO-подразделении (клиентская поддержка телеком-оператора крупным аутсорсером) 248 полностью удалённых сотрудников случайным образом разделили на две группы: одни остались дома, другие выходили в офис один фиксированный день в месяц. Больше ничего не меняли — ни оплату, ни нагрузку, ни часы, ни технологию. Такая схема продолжалась девять месяцев плюс за командами наблюдали еще пять месяцев после окончания вмешательства. Что получилось: ▪️ Производительность +7,8% (звонков в час) в постэкспериментальный период. Прирост — за счёт сокращения длительности звонка на ~17 секунд, без потери качества обслуживания. ▪️ Текучесть упала на треть: 21% → 13,7%. ▪️ Коммуникация выросла: +36 минут общения с коллегами за неделю после офисного дня; случайные «соседи по столу» потом на 11 п.п. чаще продолжали общаться. ▪️ Отношение выгод к издержкам ≈ 5:1 (с учётом транспорта и питания за счёт компании). Интересная динами эффект не вспыхивает сразу, а накапливается со временем и сохраняется после того, как обязательные визиты прекратили. Это аргумент против объяснения через эффект Хоторна или временный подъём морали — личный контакт восстанавливает наставничество в реальном времени и обучение у коллег, и накопленный организационный капитал работает дальше. Жду комментариев "Так это саппорт, а настоящим программистам даже подходить к офису противопоказано" или "А я много лет работаю удаленно и ничего". https://www.nber.org/papers/w35331

Количество переписок в день Мне было бы интересно узнать статистику количества нажатия на клавиши после плотного внедрения ИИ в мою работу. Я сейчас могу спокойно вести разработку 3-5 сервисов по нескольким проектам. В дни прям активно разработки я без остановки чего то печатаю. Причем печатаю агентами! Один агент выполнил задачу, ставлю ему следующую или уточнения по предыдущей. Пока первый думает иду писать второму и так по кругу. Выглядит как партия в шахматы против гроссмейстера, где в комнате стоит 3-5 столов с активными партиями и шахматист ходит между столами и делает ходы. Парадокс. Вроде раньше я гораздо больше кода писал сам — до 2023 года вообще 100% кода копировал со stackoverflow писал сам. Сейчас же я пишу от силы 5-10% кода, а остальное выдают мне ИИ-агенты. Но за активный рабочий день пальцы реально отсыхают от количество напечатаных символах. На фото видно мою клавиатуру. Смешно, что больше всего стерлись кнопки C и V. Но я прям честно-честно сам все пишу! не копипащу!

Как понять в чём вы можете стать лучшим? Без претензии на самую продуманную систему. Но в эти инсайты и выводы я проинвестировал годы, поэтому что-то ценное там точно накопилось. Вдруг вам пригодится. Итак, какие базовые шаги я бы рекомендовал сделать, чтобы лучше разобраться в чём ваши таланты, особенности, что вы могли бы предложить миру, и как сделать это частью осознанной карьеры: 1. Пройти CliftonStrengths 2. Прочитать книгу Патрика Ленсиони «Шесть гениев команды» и пройти 6 Types of Working Genius (но можно ограничиться книгой) 3. Пройти диагностику на СДВГ, РАС, в идеале ещё проверить уровень рефлексии и сенсорные предпочтения 4. Очень внимательно фиксировать обратную связь от коллег и от жизни — где и в каких задачах люди хотят работать именно с вами 5. Попробовать описать функциональный образ того, что вы хотите делать лучше всех (какие конкретно проекты и в какой области) Как это выглядит в моём случае: Мой профиль в CliftonStrengths 1. Learner 2. Intellection 3. Individualization 4. Input 5. Ideation 6. Strategic 7. Developer 8. Maximizer 9. Futuristic 10. Positivity 6 Types of Working Genius • Geniuses: Wonder, Discernment • Competences: Invention, Galvanizing • Frustrations: Enablement, Tenacity С этим тестом чуть сложнее — в отличие от Клифтона он не переведён на русский язык. Но может вам и не надо его проходить. Достаточно прочитать «Шесть гениев команды». Великолепная книга — короткая, лёгкая, и отлично раскрывает логику подхода. Этих двух тестов уже достаточно, чтобы узнаваемо описать мой профиль и склонности. Диагностика на СДВГ, РАС и другие особенности Есть вероятность, что вы обнаружите себя в каком-то из спектров. Это абсолютно нормально. Но важно научиться управлять рисками. И превратить свои особенности в преимущества.

Важно: я имею в виду лёгкие случаи и самое базовое тестирование — но всегда лучше обратиться к специалисту.

С таким профилем, который мы видим в CliftonStrengths и Working Genius, я конечно же нашел себя в спектре СДВГ. В легкой степени. Но стало понятнее и легче с рядом специфических моментов: time-blindness, гиперфокус, не самый высокий уровень рабочей памяти и внимания. Хорошо бы ещё проверить свой сенсорный профиль — чувствительность и сенсорные предпочтения. Например, тест на сенсорные предпочтения Васильевой показывает у меня на первом месте «дигитальные» стимулы — смысл речевого высказывания, значения слов и фраз. Обратная связь от коллег и от жизни Карьерные эксперименты — это хорошо. Вписываться в разные авантюры и брать на себя больше. И даже промахиваться и позориться. Но без позора нет и роста. Внимательно фиксировать, что объективно получалось, а что нет — единственный способ капитализировать все эти неудобства. При условии, что вы честны с собой и готовы признавать, что в большинстве задач вы так себе эксперт. Найти во всех этих неудачах свои 10% успеха — уже огромная привилегия и победа. Функциональный образ результата Вы накопили какие-то функциональные компетенции. Делали разные проекты. Плюс-минус должны понимать какие проекты вас вдохновляли, какие нет. Так вы можете очертить определённую нишу. В которой потенциально сможете играть значимую роль и создавать что-то особенное. Короче говоря, что конкретно вы собираетесь делать лучше всех? Так или иначе, моя работа всегда была про коммуникацию и медиа. Главный интерес: сложные продукты и идеи. Поэтому фокус на ближайшие годы — научиться делать коммуникацию и контент уровня IBM, McKinsey, Microsoft, WEF и Workday. Амбиция не просто «с потолка». Всё-таки я 5 лет последовательно двигаюсь в эту сторону. И многому ещё предстоит научиться. Ну и в такой обширной интересной теме нельзя обойтись без списка рекомендованных книг: 1. Шесть гениев команды 2. MoneyBall 3. Хватит мечтать, займись делом (местами противоречивая, но в целом ок) 4. Гении и аутсайдеры 5. Стратегия личности Да, для CliftonStrengths (50$) и 6 Types of Working Genius (25$) вам потребуется нероссийская карточка.