Building AI-Powered Products (Рубрика #AI)

Прочитал интересную книгу Marily Nika, AI Product Lead (Google, ex‑Meta) и основателя AI Product Academy. Marily рассказывает в ней про то, как выглядит отдельная дисциплина AI product management и как определить, а что именно строим, как меряем качество продукта, сколько это будет стоить в продакшене и почему пользователи не уйдут через неделю. Эта книга вышла в феврале 2025 года и пыталась выдать плейбук, который связывает идею → продуктовую ценность → архитектуру → эксплуатацию → метрики → риски. В ней рассматривались вопросы вида
- Как выбирать AI сценарии, которые приносит value, а не "потому что модно"
- Как думать про измерение успеха: оффлайн‑метрики, human eval, мониторинг в проде
- Как оценивать trade‑offs: качество vs latency vs стоимость инференса vs риски
- Как выстроить работу продакт менеджеров, инжиниринга, data science и research, чтобы ожидания совпали
- Как быть с этикой и compliance: данные, приватность, "галлюцинации", ответственность за работу моделей

Если говорить про содержание книги, то она состоит из preface, 8 глав и appendix.

Chapter 1. The Role of AI Product Managers
Здесь автор рассказывает про роль AI продакт менеджеров и как развивалась эволюция AI: традиционный AI → GenAI → грядущий AGI. Какие особенно у AI продуктов, включая вероятностную природу, зависимость от данных, дрифт моделей, требования к интерпретируемости/объяснимости, автоматизированные решения, масштабируемость и влияние этого всего на UX. Тут же описывается какой набор скиллов требуется для AI продакт менеджеров

Chapter 2. The AI Product Development Lifecycle
Здесь автор рассказывает про каркас AI Product Development Lifecycle (AIPDL) и проводит по стадиям:
- Типы AI‑продуктов: 0‑to‑1 (новый продукт) vs 1‑to‑n (AI‑фичи в существующем) (напоминает историю "Zero to One" Питера Тиля)
- Этап Ideation (в т.ч. брейншторм и приоритизация через RICE
- Этап Opportunity: product‑market fit + бизнес‑viability (ROI/монетизация/риски/регуляторика), реализуемость и desirability,
- Concept & Prototype: прототип "хардкодом", проверка интеграции, доменная экспертиза, ценность "с первого дня",
- Testing & Analysis и Rollout

Chapter 3. Essential AI PM Knowledge
В этой главе автор рассказывает про базовые практики продакт менеджмента, классическую оценку build vs buy, лидерство и коммуникации, связь с инженерной командой, базовые технические концепции и так далее. В общем этакий product management 101.

Chapter 4. The AI PMs Day‑to‑Day
Здесь автор рассказывает про карьерную лестницу AI PM: execution → AI/ML PM → стратегическое лидерство. Дальше она приводит примеры людей, которые работали в этих ролях в разных компаниях. Здесь же идет рассказ про выстраивание кросс‑функциональных взаимодействий в командах.

Chapter 5. Strategic Thinking in AI
Здесь речь про стратегию и "правильные вопросы" до того, как писать код:
- Когда AI может быть не ответом,
- Disruptive vs sustaining и как не проиграть “innovator’s dilemma”,
- AI‑стратегия build vs buy (матрица решения + гибридные подходы),
- Data‑стратегия: synthetic vs real‑world data,
- Выбор подхода: fine‑tuning vs RAG vs grounding + фреймворк принятия решения,
- Product reviews как инструмент получения buy‑in от руководства.

Chapter 6. Setting Goals and Measuring Success
Здесь автор рассказывает про метрики и измеримость: product health, system health, ai proxy metrics. Как собирать OKR.

Chapter 7. AI Tools for Product Managers
Обзор классов инструментов для поддержки AIPDL и инструментов для совместной работы.

Chapter 8. Building AI Agents
Глава про агентные продукты, что это такое и как "сконструировать" агента под продукт: вертикальный vs general‑purpose, activation, autonomy, feedback/learning.

#ProductManagement #Software #SoftwareDevelopment #AI #Engineering #Management #Leadership

Svelte Origins: A JavaScript Documentary (Рубрика #Frontend)

Посмотрел очередной интересный документальный фильм на этот раз про фреймворк Svelte и его историю по конец 2021 года.
В документалке мы видим ключевых персонажей коммьюнити
- Rich Harris (создатель Svelte) и его путь: от задач интерактивной визуализации к идеям Svelte
- Guillermo Rauch (CEO Vercel) - про переход Rich Harris в Vercel и последствия для проекта
- Orta Therox (инженер TypeScript Compiler) - зачем Svelte нужен TypeScript и как его внедряли
- Amelia Wattenberger (GitHub Next) - про DevEx и "удовлетворённость" пользователей
- м ногие другие

Основные инсайты истории следующие
1. Svelte = компиляторный подход: максимум работы делается на этапе сборки, в браузере - минимум “фреймворк‑рантайма”. Идея - меньше JS в проде и проще держать performance budget.
2. Отказ от Virtual DOM - не хайп, а инженерный выбор: обновления DOM специализируются под конкретные компоненты ещё на build‑time.
3. Истоки в "враждебном продакшене": интерактивная журналистика/визуализации, дедлайны, куча сторонних скриптов (реклама/аналитика), строгие ограничения по весу и скорости - отсюда мотивация "делать меньше в браузере".
4. Svelte вырос из опыта Ractive.js: осознание, что прошлые подходы дают лишнюю сложность/издержки, и это можно переупаковать в компиляцию.
5. V1 → V3 как история про DevEx: подчёркивается, что "приятность разработки" - часть идеологии, а не побочный эффект оптимизаций.
6. TypeScript - не "приятный бонус", а блокер адопшна. Подробнее про TypeScript и его историю развития можно посмотреть в документалке
7. Комьюнити - это усилитель экосистемы: Svelte Summit + Svelte Society как инфраструктура онбординга, контента, пакетов и "социального доказательства"
8. Профессионализация через Vercel: Rich получает возможность заниматься Svelte full‑time, при этом отдельно проговаривается независимость governance
Отдельно стоит отметить, что это история на конец 2021 года, когда был снят ролик, а не актуальное состояние фреймворка и планов его развития.

Что это значит для разработчиков
- Если у вас жёсткие бюджеты по JS/TTI/LCP и много интерактива - Svelte логично тестировать как кандидат: философия проекта про это.
- Делайте пилот вертикальным слайсом (одна реальная фича/экран), а не демкой: сравните bundle size, LCP/TTI, скорость доставки и "количество слоёв абстракций".
- Если в компании TS - начинайте пилот сразу с TypeScript, потому что TS‑поддержка в видео явно показана как важнейший запрос рынка.
- Для data‑heavy UI / визуализаций проговаривается сильный паттерн Svelte + D3.

Что это значит для техлидов и руководителей
- Здесь классно показана рамка принятия решений: переносим сложность из runtime в build‑time → выигрываем в рантайме, но должны честно оценить trade‑offs (инструменты, дебаг, экспертиза, найм).
- Риски OSS по-взрослом: Vercel снижает bus‑factor (full‑time maintainer), но появляется управленческая зависимость от спонсора как стейкхолдера. Это стоит проговорить заранее.
- Перед пилотом фиксируйте KPI успеха: RUM‑метрики, регрессии, time‑to‑ship, дефекты UI/реактивности - чтобы обсуждать не "нравится/не нравится", а эффект.
- Стратегия внедрения: инкрементально (страница/модуль/"острова"), а не big‑bang rewrite.
- Инвестируйте в обучение идей (реактивная модель, стоимость обновлений, дизайн состояния), а не только синтаксиса компонентов.

#Software #Documentary #Engineering #Architecture #Management #Frontend

[1/2] How AWS S3 is built (Рубрика #Architecture)

Интересный выпуск подкаста "The Pragmatic Engineer", в котором Gergely Orosz общается с Mai‑Lan Tomsen Bukovec, VP of Data & Analytics в AWS, которая руководит развитием/эксплуатацией S3. А Simple Storage Service - это одна из самых масштабных систем в мире, поэтому из этого обсуждения можно извлечь много интересного

1️⃣ Масштаб, который ломает интуицию
В S3 сотни миллионов транзакций в секунду, 500+ трлн объектов, сотни эксабайт данных. Интересно, что Gergely и Mai‑Lan говорят о том, что сложенные в стопку десятки миллионов дисков в S3 почти смогут достать до МКС

2️⃣ Переход к strong consistency - как крутая инженерная миграция
S3 стартовал с eventual consistency (2006), но затем перешёл к strong consistency без ухудшения доступности и без удорожания для клиентов. Архитектура была примерно такой: replicated journal + протокол когерентности кеша с идеей failure allowance

3️⃣ Тихий переход на Rust в критическом request path
Команда переписала почти всё performance‑critical в обработке запросов на Rust, с мотивацией: максимум perf и минимум latency

4️⃣ 11 девяток durability - это "измерение факта", а не обещания
Durability уровня 99.999999999% поддерживается не магией, а флотом фоновых сервисов: микросервисы аудита, которые непрерывно проверяют каждый байт, и отдельные repair‑механизмы, которые автоматически чинят.

5️⃣ Формальные методы - это production‑практика, а не академические изыски
В S3 активно используют формальные методы верификации: при изменениях в подсистеме индексов/консистентности запускаются автоматические формальные проверки, чтобы не было регресса модели. И это не просто слова: в публикации Amazon Science про "lightweight formal methods" описан опыт, где такие методы помогли не пустить в прод 16 проблем

6️⃣ Главный враг сегодня - correlated failures
Одиночные поломки нормальны, но опасны коррелированные отказы: общий rack/AZ/питание/и т.п. Архитектура строится вокруг борьбы с этими корреляциями: репликация по AZ, quorum‑подходы, физическая/логическая декорреляция, хранение копий в разных fault domain

7️⃣ Сотни микросервисов - и многие из них не про трафик
В эпизоде фигурирует порядок 200+ сервисов, и заметная часть из них занимается health checks / audit / repair, а не пользовательскими запросами. Сложность удерживается через упрощение - каждый сервис должен быть максимально сфокусирован

8️⃣ S3 перестаёт оперировать только бакетами: новые примитивы Tables и Vectors
Появились новые примитивы
- S3 Tables: объектное хранилище с встроенной Apache Iceberg‑поддержкой и фоновой оптимизацией таблиц (перепаковка/компакшн и т.п. "в фоне"). AWS заявляет до 10x TPS vs Iceberg‑таблицы в обычных S3‑бакетах
- S3 Vectors: нативное хранение/поиск векторов в S3. В эпизоде - инженерная идея vector neighborhoods (предрасчёт кластеров оффлайн), чтобы получить тёплые запросы <100ms, и очень большие масштабы индексов/бакетов

9️⃣ Crash consistency - как мировоззрение
Настоящие инженеры мыслят так: система должна возвращаться в корректное состояние после fail‑stop; проектирование идёт через перебор возможных состояний при отказах + набор сервисов, которые удерживают инварианты

🔟 Принцип Scale must be to your advantage
Нельзя строить так, чтобы рост сервиса ухудшал характеристики; на масштабе, наоборот, должны появляться эффекты, улучшающие надёжность (например, декорреляция нагрузок)

В продолжении расскажу как можно этот опыт переложить на практические рекомендации инженерам и техническим руководителям.

#Culture #Management #Leadership #Processes #Engineering #Software #Architecture #DistributedSystems #SystemDesign

[2/2] How AWS S3 is built (Рубрика #Architecture)

В продолжении этого крутого интервью, я хотел бы поделиться выводами из него для инженеров и технических руководителей.

Для инженеров можно забрать идеи о том, что
- Надёжность - это не try/catch и ретраи, а отдельные системы: аудит, восстановление, непрерывная проверка инвариантов. Если у вас данные с высокими ставками, то думайте не только про happy path, но и про способы самовосстановления
- Корреляция отказов важнее единичных сбоев - дизайн по fault domains (rack/AZ/region), хаос‑тесты не для того, чтобы случайно вырубить ноду, а для того, чтобы отключить общий домен отказа
- Rust в критическом пути - это хороший способ оптимизации, если вы пишете сетевой/IO‑интенсивный runtime или любой hot path - memory‑safe системный язык становится конкурентным преимуществом
- Формальные методы могут быть не избыточно тяжелыми, а практичными: не обязательно верифицировать всё. Достаточно выбрать 1–2 инварианта (консистентность, crash safety, права доступа) и поставить автоматическую проверку рядом с CI

А для технических руководителей это история про то, что
- Сложность можно победить ограничениями - сервисов может быть сотни, но каждый должен быть простым и сфокусированным, а иначе система станет неуправляемой.
- Метрики уровня SLO должны быть измеряемыми, а не декларативными: идея мы можем ответить, какая у нас фактическая durability за неделю/месяц - это про культуру инженерии, где операционка встроена в дизайн.
- Correctness как продукт - automated reasoning/формальные проверки как инвестиция, которая позволяет двигаться быстро и не ломать. Это особенно важно там, где тестами невозможно покрыть комбинации состояний
- Хранилище S3 превращается в data‑платформу: Tables/Vectors - это намёк, что часть базы/поиска/оптимизации всё чаще будет жить рядом с storage. Для архитектуры это означает: регулярно пересматривайте, что выгоднее - строить самим или сдвигать вниз в managed‑примитивы.

Если хочется попробовать этот подход у себя, то можно
- Нарисовать fault domains (реальные) и проверить, где у вас скрытая корреляция.
- Добавить сервис аудита хотя бы для ключевых инвариантов (checksums/версионирование/сверка индексов/реплик).
- Выделить 1 критичный модуль и использовать легковесный формальный подход: спецификация + автоматическая проверка (пусть даже минимальная).
- Пересмотреть сервисы на предмет перегрузки функциональностью и разложить ответственность так, чтобы каждый компонент был тупым, маленьким и проверяемым.

#Culture #Management #Leadership #Processes #Engineering #Software #Architecture #DistributedSystems #SystemDesign

An Illustrated Guide to AI Agents (Рубрика #Agents)

Пока летел обратно из Лондона в Москву успел прочитать эту книгу и могу ее рекомендовать всем. Ее пишут Jay Alammar и Maarten Grootendorst - авторы крутой книги "Hands-On Large Language Models", о которой я уже рассказывал. Новая книга про агентов настолько же хороша, как предыдущая, а еще она находится в процессе написания и пока написана только половина глав. Уже видно, что новая книга продолжает тему LLM, но уже в мире AI agents - то есть в первой книге читатели могут увидеть как устроены LLM (там почти 300 иллюстраций), а в новой - как из LLM собирать агентские системы. То есть первая книга отвечает на вопрос "что у модели внутри", а новая - как вокруг модели построить память, tools, планирование и координацию. В общем, рекомендую читать именно в таком порядке, чтобы сначала понять движок, а потом - архитектуру приложения.

Если говорить про готовность книги, то сейчас уже готовы основные главы

1. Introduction - зачем вообще нужен "agent", чем он отличается от просто LLM-вызова, где кончается чат-бот и начинается система. Это глава для выравнивания терминов и общей архитектурной картинки.
2. Reasoning LLMs - что меняется, когда модель умеет не только отвечать, но и проходить цепочки рассуждений / test-time reasoning. Это важная глава, чтобы не путать "умный ответ" и "умение модели размышлять".
3. Memory - это одна из самых практичных частей: контекст, short-term vs long-term memory, context engineering, как агент "помнит" и почему память быстро становится архитектурной, а не только ML-задачей.
4. Tool Usage, Learning, and Protocols - эта глава про инструменты, function calling, интеграции и протоколы вроде MCP. То есть про момент, когда LLM перестает быть только генератором текста и начинает что-то делать во внешнем мире.
5. Planning and Reflection - здесь речь про декомпозицию задачи, пересборку плана, self-critique и feedback loops. Это уже территория, где агентность начинает влиять на надежность и стоимость решения.
6. Multi-Agent Systems - когда одного агента мало, как делить роли между несколькими, а также как выстроить координацию агентов. Тут появляется и A2A протокол (раньше я уже как-то рассказывал про MCP vs A2A протокол)

В общем, мне книга зашла и я буду следать за появлением новых глав. Думаю, что она будет полезна инженерам и техлидам, которым нужно не увидеть "еще одно демо", а построить себе в голове ментальную модель: из каких блоков вообще собираются AI agents и где в этой конструкции живут реальные инженерные риски. И если "Hands-On Large Language Models" был хорошим входом в тему LLM, то "An Illustrated Guide to AI Agents" выглядит как хороший вход в тему агентских архитектур и мульти-агентных систем

P.S.
Более подробный разбор есть на сайте system-design.space.

#Architecture #Software #AI #Engineering #ML #Data #SystemDesign #DistributedSystems

The third golden age of software engineering - thanks to AI, with Grady Booch (Рубрика #AI)

Интересное интервью Гради Буча, создателя UML и Chief Scientist for Software Engineering в IBM, в подкасте The Pragmatic Engineer. Гради и Gergely Orosz, автор подкаста, обсуждают как меняется ремесло инженера, когда уровень абстракции снова поднимается (как было во времена появления ассемблера, а потом высокоуровневых языков программирования).

Интересно, что в этом интервью Гради Буч заочно дискутирует с Дарио Амодеи, что в прошлом марте публично говорил, что мы можем быть в 6–12 месяцах от ситуации, когда модели будут делать end‑to‑end то, что делают software engineers, а инженеры перейдут в режим "модель пишет - я редактирую. Буч на это реагирует очень жестко и по сути: это взгляд на программирование как на набор строк кода, а не на инженерную дисциплину:)

В общем, основные тезисы интервью такие

1️⃣ Мы уже в "третьем золотом веке" - и он про системы, а не про код
Буч раскладывает историю на 3 золотых века:
1) 1940-1970 - алгоритмы и автоматизация бизнеса
2) 1970-2000 - объектные абстракции
3) 2000-сейчас - системы, где мы собираем продукты из библиотек, платформ, API, облаков - и теперь поверх всего этого появляется ИИ‑слой.
И по мнению Гради AI - это не конец профессии, а очередной скачок абстракции

2️⃣ Экзистенциальная паника - повторяющийся цикл
Когда появились компиляторы и языки высокого уровня, тоже казалось, что всё, программисты не нужны. Но индустрия не умерла - она пересобралась и пошла выше по стеку. Одна из центральных мыслей Буча: ваши инструменты меняются, но ваши проблемы - нет

3️⃣ ИИ силён там, где паттерны уже установились
Текущие инструменты типа Cursor/Claude хороши там, где задачи повторяются: типовые CRUD, стандартные интеграции, привычные веб‑паттерны. Буч прямо отмечает, что они обучены на проблемах, которые мы видели снова и снова. А вот граница интересного - в системах, контексте, компромиссах, ответственности.

4️⃣ Software engineering - это не набор кода, а баланс сил и решений
Инженерия - это баланс технических ограничений, человеческих факторов и этики, а код - лишь один из инструментов. А отсюда у нас простой вывод - ИИ может ускорить производство артефактов, но не заменить принятие решений под ограничениями.

5️⃣ Автоматизация ударит по delivery pipeline (и это нормально)
Буч отдельно отмечает, что пайплайн поставки (всё вокруг сборки/доставки/рутины) - это низко висящий фрукт для автоматизации. И людям в этих ролях может понадобиться дообучение

6️⃣ Чем выше абстракция - тем важнее фундамент
Парадоксально, но факт: когда код писать стало легче, больше ценится глубокая модель мира. Буч рекомендует усиливать фундамент и мышление системами

Кажется, что инженерам теперь качать нужно следующие навыки
- System design и distributed systems, а эта тема неплохо описана на сайте system-design.space
- Умение работать с ограничениями: стоимость, сроки, риски, легаси, безопасность, регуляторика, команда - эта тема хорошо описана там же + скоро появится новый сайт для технических лидеров в том же стиле, что я сделал system-design.space
- Навык “review & governance: проверять, тестировать, ставить ограничения, ловить неочевидные баги, которые ИИ легко генерит наряду с работающим кодом
- Доменные знания: бизнес‑контекст, который теперь ценится еще больше:)

#Architecture #Software #AI #Engineering #ML #Data #SystemDesign #DistributedSystems #History

Как я пишу посты в канал (Рубрика #SelfDevelopment)

Меня периодически спрашивают как я пишу так много постов и есть ли там помощь от LLM. И вот я решил написать про свой подход к потреблению знаний и ведению канала.
Если кратко, то пайплан выглядит примерно следующим образом

- Discovery: у меня есть набор телеграм каналов, обученная система рекомендаций от Google (в браузере и Youtube), есть подписки, что делают отбивки мне на почту. Мои интересы сфокусированы вокруг разработки, менеджмента, наук (в основном точных), искусств (здесь скорее визуальных, включая фотографию)
- Digest: каждый день я смотрю пару видео, читаю несколько статей + несколько глав из книг
- Discuss: дальше я обсуждаю изученное с LLM моделями - раньше у меня часто была проблема, что обсудить материал было не с кем, а теперь даже если я читаю зубодробительный whitepaper, то у меня есть собеседник
- Describe: дальше мой диалог с LLM я прощу суммаризировать SOTA модель в формат поста
- eDit: дальше я делаю ревью того, что получилось, куда входит фактчекинг + проверка того, что в коротком посте подсвечены именно те инсайты, что возникли у меня после просмотра видео / прочтения статьи и дальше дискуссии с LLM
- Deliver: дальше остается запланировать публикацию поста на нужный день и нужное время с учетом моего настроения и тем, которые я люблю группировать в блоки

В итоге, получается 6D процесс, который позволяет мне глубоко погружаться в интересующие меня темы, а также делиться возникшими мыслями с аудиторией канала.

#Engineering #AI #Productivity #Writing

IntelliJ IDEA — The IDE That Changed Java Forever | DOCUMENTARY (Рубрика #Engineering)

Посмотрел эту документалку про IntelliJ IDEA, что вышла 5 марта 2026. Это захватывающая история о том, как небольшая команда стартовала создала продукт, который переопределил ожидания от dev tools. В кадре находятся как сотрудники компании JetBrains, так и представители индустрии которые делятся своими воспоминаниями о том, как это было.

JetBrains росла органически, без внешних инвестиций, и с самого начала строила не просто редактор, а "интеллектуальный" инструмент для разработчика - забавно, что в конце фильма обсуждается роль искусственного интеллекта в разработке софта и будущего IDE, а сотрудники JetBrains говорят, что редактор даже в названии своем сразу содержал часть про интеллект:) Но если начать сначала, то когда-то IntelliJ шла от рефакторинга и понимания структуры кода, а не от красивой оболочки. Это важно: они сделали ставку не на "еще один IDE", а на то, чтобы машина реально понимала программу глубже.

Другая интересная мысль - это то, что ребята показали как developer tools могут быть платформой, а не только продуктом. В 2009 году JetBrains открыла Community Edition и прямо писала, что убирает главный барьер для более широкого использования - цену, сохраняя при этом коммерческий Ultimate. Причем Community Edition и IntelliJ Platform стали базой не только для IDEA, но и для других инструментов JetBrains. А дальше цепочка уже известна: Android Studio официально построена на IntelliJ IDEA, а Kotlin, запущенный JetBrains в 2011 году и рано открытый в open source, со временем стал частью очень большого сдвига в JVM и Android-мире.

Следующая мысль крутится вокруг качества продукта и общей любви потребителей к нему. В фильме видно, что dog fooding в JetBrains был с самого начала и это был не маректинг. Ребята честно рассказывают о том, как их продукты часто рождались из внутренних потребностей, а сами команды ежедневно работают в собственных инструментах. Плюс у них есть культура 20%-проектов, хакатонов и Labs для выращивания новых идей. Это очень узнаваемый паттерн: когда разработчики сами страдают от своих UX-решений, качество обратной связи резко растет.

Дургой инетерсный момент связан с подходом к ведению бизнеса. Доверие пользователей для JetBrains постулируется важнее "правильной бизнес-модели на бумаге". Это проявилось в 2015 году, когда JetBrains переходили на подписочную модель, что вызвало сильную негативную реакцию. Компания потом публично признала, что не учла важные группы пользователей и плохо объяснила изменения, после чего быстро добавила perpetual fallback license и continuity discounts. Для меня это один из самых сильных эпизодов всей истории: хороший продукт не дает иммунитета от ошибок, но прозрачная коррекция курса помогает доверие вернуть. Не часто видишь похожий подход к тому, чтобы не только декларировать важность доверия пользователей, но и оправдывать его.

Ну и последняя мысль связана с современным трендом на AI4SDLC. Cейчас JetBrains продвигает AI как продолжение IDE: Next Edit Suggestions умеют использовать нативные IDE-действия вроде Rename refactoring, а Junie позиционируется как coding agent прямо внутри IDE. То есть ребята хотят стать центром нового процесса, где генерация соединяется с навигацией, рефакторингом, инспекциями и проверкой изменений. Правда, про это в фильме не говорится, но это видно по анонсам новинок в их продуктах:)

В итоге, руководителям можно забрать тезисы про
- Важность инвестиций в DevEx и крутые инструменты как бустеры эффективности разработки
- Dogfooding как бустер качества продуктов
- Open core как варианта развития коммерческого продукта в связке с open source
- Важность уметь не только декларировать ценности, но и следовать им даже во времена кризисов
- Понимание, что нельзя почивать на лаврах и надо уметь ловить волну (в этом случае AI в разработке)

P.S.
Summary есть и на system-design.space.

#Engineering #Software #Management #Leadership #Startup #Architecture #Documentary #AI

DPE Summit 2025 от Gradle: почему это одна из самых полезных конференций про инженерную продуктивность (Рубрика #Productivity)

Мне нравится конференция DPE (Developer Productivity Engineering) от Gradle, которая проходит ежегодно в Сан-Франциско. Я часто рассказывал про доклады с саммита 2024 года (например, здесь: 1, 2, 3 и 4). Это событие целиком посвящено темам инженерной продуктивности и DX (developer experience) и в этом году оно прошло 23–24 сентября и организаторы уже выложили записи сессий (вот плейлист).

Почему мне кажется это событие важным и интересным - потому что DPE - это взгляд на продуктивность разработки не в лоб вида "сколько строк кода написал инженер", а скорее как на инженерную задачу:
- Как ускорить feedback loops и снизить cognitive loag
- Как улучшить CI/CD (ускорить, упростить, сделать дешевле)
- Как улучшить observability и упростить troubleshooting
Сами Gradle и dpe.org прямо описывают DPE как практику, которая повышает продуктивность и счастье разработчиков за счет инструментов, автоматизации и данных, а не только менеджерских метрик.

Самое ценное в этой конференции - это не абстрактный треп про "developer productivity", а кейсы от крупных инженерных организаций (где все равно может быть вода). В программе были спикеры и доклады от Netflix, Google, Meta, Microsoft, Capital One, Uber, JetBrains, Okta, Lloyds Bank, Square, Databricks и других компаний. Они обсуждали среди прочего темы влияния GenAI на delivery, подходы к измерению эффекта AI на продуктивность, ускорение билдов, universal cache, merge queue, flaky tests, dependency updates, observability и DevEx-метрики.

Если обобщать, то основной вывод саммита в том, чтоGenAI ускоряет написание кода, но не гарантирует ускорение поставки работающего софта. В keynote Ханс Доктер прямо формулирует вопрос:

You can write code faster. Can you deliver it faster?

Логика вопроса простая: чем больше кода генерирует AI, тем сильнее нагрузка на build, test, compliance и deployment. Если pipeline не готов, то AI не ускоряет delivery, а просто переносит bottleneck вниз по цепочке. Отсюда фокус на smarter pipelines, observability, predictive test orchestration, caching и shift-left практиках.

Я посмотрел пока только несколько докладов, но уже видно, что не все доклады как keynote абстрактны. Например, Max Kanat-Alexander из Capital One в доклада "What Makes a Great Developer Experience?" рассказыват о трех вещах, что улучшают DevEx: быстрее итерации, больше focus time и меньше cognitive load. Netflix разбирает productivity в эпоху GenAI и отдельно показывает, как они подходят к build vs buy и внедрению AI coding agents. Google обсуждает, как реально улучшать влияние AI на продуктивность разработчиков. Uber показывает тему merge queue "at scale", а Square - как использовать idle time разработческих машин, чтобы ускорять workflows и улучшать cache hit rate.

Для технических руководителей ценность в том, что DPE Summit хорошо показывает, что продуктивность - это уже не HR-дискуссия и не спор про velocity, а полноценная область platform engineering и engineering management. Мерить надо не только output, но и flow, friction, надежность пайплайна, время обратной связи, стоимость изменений и реальный опыт разработчика. Ну и если посмотреть доклады, то можно перейти от поверхностных разговоров в стиле "AI заменит разработчиков" на обсуждение изменений всего контура delivery - от локальной среды и тестов до pipeline, observability и управляемых DevEx-инвестиций.

В следующие дни я буду много рассказывать про интересные доклады с этого саммита.

#DevEx #Metrics #DevOps #Engineering #Software #Management #Leadership

Чат "Архитектура, менеджмент и влияние AI на разработку"

У меня давно был чат для комментариев в этом канале, но я про него особо не рассказывал:)

Теперь я решил поменять подход и приглашаю вас в этот чат @ai4sdlc, где мы сможем обсудить вопросы проектирования, технического руководства и не только.
Ну и конечно там можно общаться про влияние AI на разработку, так как я теперь full-time занимаюсь этой темой на своей работе.
Я буду бывать в этом часте достаточно часто (как минимум, чтобы удалять ботов из него).
В общем, you are welcome - https://t.me/ai4sdlc

#Architecture #AI #Management

You can write code faster. Can you deliver it faster? (Рубрика #Productivity)

Это открывающий keynote доклад с конференции DPE Summit 2025 (я уже про нее упоминал). Его рассказывает Hans Dockter, CEO Gradle Inc, который ассоциируется с темой build automation и delivery pipeline: он основал Gradle Build Tool, руководил крупными enterprise-сборками и давно работает на стыке tooling, DevEx и software delivery.

Главный тезис доклада вынесен в название - GenAI ускоряет написание кода, но это не означает ускорение доставки работающего софта, Автор отмечает, что если AI увеличивает объём изменений upstream, то downstream-система - build, test, compliance, deploy - начинает захлёбываться и это выглядит как звучит как предупреждение для слушаетелей. Hans объясняет эту проблему так
- AI делает код быстрее, чаще и в больших объёмах, но одновременно снижает глубину человеческого понимания
- Это провоцирует крупные и более рискованные батчи изменений
- Это ухудшает feedback loops и растёт число сбоев
- В итоге, между "быстро поэкспериментировать" и "надёжно доставить в production" возникает всё больше трения

Если говорить про инсайты выступления, то они такие

1️⃣ Фокусироваться надо не на output, а на outcome
Важен не рост объёма сгенерированного кода (LoC, lines of code), а рост количества рабочего софта, которое команда реально доводит до пользователей

2️⃣ Узкое место смещается из coding в delivery system
Если раньше многие команды оптимизировали IDE, code review и генерацию кода, то теперь конкурентное преимущество будет у тех, кто умеет ускорять pipeline throughput без потери качества и без взрывного роста стоимости CI (continious integrations). То есть выигрывает уже не тот, кто "быстрее пишет код", а тот, у кого архитектура пайплайна выдерживает AI-нагрузку.

3️⃣ GenAI-ready pipeline - это не просто больше железа
Автор рассказывает про конкретные классы решений, что надо улучшать: траблшутинг, интеллектуальная параллелизация запусков, предиктивное выполнение тестов, универсальное кеширование, автоматизация применения политик. В общем, закидать раннерами не получиться - придется перестраивать систему как умный конвейер с хорошей диагностикой и управлением риском

4️⃣ Observability и быстрый анализ ключевых причин становятся частью developer experience
Кажется, что мы идем в сторону того, что AI-кодинг может становиться для разработчика все более "чёрным ящиком", а поэтому важно усиливать не только тестирование, но и видимость сигналов: результаты тестов, статический анализ, группировку фейлов, coverage, диагностику причин падений.

Мне понравилась еще и метафора, что автор подобрал для выступления - он сравнивал скорость мутаций в организмах и появление рака со скоростью AI кодинга и мутациями GenAI моделей, которые приводят к галлюцинациям. В итоге, автор провел параллели между количеством клеток у слонов по сравнению с людьми и работой их механизмов коррекции и защиты от мутаций - если бы у слонов не было такой защиты и они имели похожие средства само-корректировки ДНК, то они бы жили на порядок меньше и умирали от рака. Параллель тут была с нашими CI/CD инструментами, которые должны быть крутыми, чтобы мы могли защищаться от недетерминистической природы GenAI моделей, которые теперь генерируют нам потоки кода:)

Если говорить про выводы, то мне кажется следует вынести следующие четыре вещи
1. Мерить надо не сколько кода написали, а как изменились lead time, failure rate, MTTR и time-to-feedback
2. DevEx теперь включает качество delivery loops, а не только удобство редактора и SDK
3. Платформенная команда становится ещё важнее: именно она делает AI adoption безопасным и экономически оправданным
4. Самая зрелая позиция для руководителя - не спорить "заменит ли AI инженеров", а перестроить систему так, чтобы рост output не разрушал outcome

В общем, AI тут скорее сделал все эти вещи еще более важными, так как они и раньше были на повестке многих компаний.

#DevEx #Metrics #DevOps #Engineering #Software #Management #Leadership

Как незаметно DORA метрик стало не четыре, а пять (Рубрика #Productivity)

Долгие году у DevOps Research & Assesment или попросту DORA было 4 метрики, на которых строилась кластеризация команд по разным уровням элитности. Эти метрики были про скорость поставки и стабильность
- Скорость поставки: deployment frequency и lead time for changes
- Стабильнсоть: MTTR / time to restore service и change fail rate
Подробнее эту историю можно прочитать в моем разборе книги "Accelerate")

С января 2026 года у DORA стало 5 software delivery performance metrics, которые на их сайте тоже разбиты на две категории

1️⃣ Throughput - пропускная способность системы
- Change lead time - время от коммита до успешного деплоя в прод
- Deployment frequency - как часто вы выкатываете изменения
- Failed deployment recovery time - как быстро вы восстанавливаетесь именно после неудачного деплоя

2️⃣ Instability
- Change fail rate - доля деплоев, требующих немедленного вмешательства
- Deployment rework rate - доля незапланированных деплоев, которые пришлось делать из-за прод-инцидента / дефекта

Возникает вопрос, а что именно изменилось по сравнению со старой моделью и зачем это было сделано?
Вообще, измений было два и оба они важные
1) Старый MTTR / time to restore service в 2023 был уточнен и переопределен как failed deployment recovery time. DORA прямо объясняет это тем, что старое определение смешивало проблемы, вызванные изменением в коде, и внешние инциденты вроде outage в датацентре. Новая формулировка лучше статистически "сцепляется" именно с delivery-метриками.
2) В 2024 DORA добавила новую пятую метрику - deployment rework rate. Их логика была такой: change fail rate хорошо ловит немедленные проблемы после релиза, но плохо отражает объем последующей незапланированной переделки. Поэтому DORA решила отдельно измерять rework как самостоятельную часть instability.

Если же говорить про использование метрик, то возникает вопрос: а теперь классификация будет идти по 5 метрикам?
И тут по сути ответ "да", но есть нюансы ... ребята из DORA отдельно подчеркивают, что число кластеров не фиксировано и не задается вручную. В FAQ они пишут, что кластеры у них emergent from the data: до 2018 обычно было 3, с 2018 по 2021 - 4, в 2022 снова 3, а в 2023 и 2024 - опять 4. То есть фиксированного "всегда 4 класса команд" больше воспринимать не стоит.

Если подумать, а что это значит для обычных технических руководителей (кто не упарывается по методолгии и метрикам)?
Кажется, что DORA стала лучше различать два разных вида проблем:
- Немедленный фейл после релиза → change fail rate
- Отложенная незапланированная переделка из-за продовых проблем → deployment rework rate
Это полезно, потому что команда может выглядеть "нормально" по rollback/hotfix сразу после релиза, но при этом системно тонуть в незапланированном rework через день-два. В старой 4-метричной модели это было видно хуже; в новой - видно лучше. Это и есть главное содержательное обновление модели.

Отдельно стоит сказать, что 5 метрик бывало в DORA и раньше, а именно в 2021/2022 годах, когда была операционная метрика reliability, но она была не про software delivery performance, а вот текущая великолепная пятерка - это уже именно delivery metrics.

P.S.
В чате @ai4sdlc вчера обсуждали метрики и было предложение просто использовать DORA. В итоге, я решил написать этот пост, чтобы показать, что даже DORA не просто так посчитать, а еще само понимание метрик дрифтит со временем:)

#DevEx #Metrics #DevOps #Engineering #Software #Management #Leadership

DORA AI Capabilities Model - Разбор отчета (Рубрика #Productivity)

Прочитал на выходных отчет про эту модель-компаньон отчета 2025 года, который называется "State of AI-assisted Software Development". Основная мысль "DORA AI Capabilities Model" в том, что AI сам по себе не гарантирует улучшения, но он усиливает уже существующую социотехническую систему - хорошие практики усиливает, плохие тоже. Модель выделяет 7 capabilities, которые повышают шанс, что AI даст заметный положительный эффект. Отдельно отмечу, что я уже рассказывал как собираются отчеты DORA, как анонсировали AI Capabilities и что было в DORA 2025 - State of AI-assisted Software Development

Но если возвращаться к новому отчету, то вот эта великолепная семерка capabilities и вратарь AI
1. Clear and communicated AI stance - у организации есть понятная и донесенная позиция по использованию AI: что разрешено, что ожидается, какие инструменты можно применять.
2. Healthy data ecosystems - внутренние данные качественные, доступные и не разрозненные.
3. AI-accessible internal data - AI-инструменты могут безопасно получать контекст из внутренних кодовых баз, wiki, систем и документов.
4. Strong version control practices - зрелые практики version control, включая частые коммиты и возможность rollback.
5. Working in small batches - маленькие изменения, маленькие релизы, короткий цикл обратной связи.
6. User-centric focus - команда держит в центре пользователя и пользовательскую ценность.
7. Quality internal platforms - качественная внутренняя платформа помогает масштабировать эффект AI на уровне организации.


Исследователи из DORA нашли следующие связи между этими семью capabilities и интересующими всех outcomes
1. Clear and communicated AI stance ~ individual effectiveness и organizational performance
2. Healthy data ecosystems ~ organizational performance
3. AI-accessible internal data ~ individual effectiveness и code quality
4. Strong version control practices ~ individual effectiveness и team performance
5. Working in small batches ~ product performance и снижении friction
6. User-centric focus ~ team performance, но без этого фокуса AI даже может ухудшать team performace (команда будет быстрее двигаться не туда)
7. Quality internal platforms ~ organizational performance

Отдельно надо отметить, что эти новые capabilities напрямую связаны с классической DORA Core Model - новые capabilities дополняют core модель
- Core Model - это более консервативное ядро DORA: capabilities, metrics и outcomes, которые многократно подтверждались в исследованиях за многие годы.
- AI Capabilities Model - это надстройка поверх Core, которая отвечает на другой вопрос: при каких условиях AI-assisted development реально улучшает результаты
DORA отдельно подчеркивает, что многие AI-capabilities - это те же самые базовые инженерные и организационные способности, которые и раньше были связаны с high performance.

Интересно отметить, что 7 факторов получилось не совсем из головы - по описанию DORA, процесс был таким:
- Сначала исследователи сформировали широкий список гипотез о capability, которые могут влиять на успех AI-assisted development, опираясь на 78 in-depth interviews, мнения domain experts и прошлые исследования DORA
- Затем через приоритизацию они отобрали 15 кандидатов в capabilities для включения в опрос
- Потом в количественном анализе они оставили те, по которым нашлось существенное evidence of interaction with AI use
В общем, в итоговую модель вошли те 7 capabilities, которые статистически усиливали эффект AI adoption на значимые outcomes

#DevEx #Metrics #DevOps #Engineering #Software #Management #Leadership

What Makes a Great Developer Experience? (Рубрика #Productivity)

Интересный доклад Макса Канат-Александра с DPE Summit 2025 (подробнее про саммит здесь). Макс рассказывает про трех китов хорошего опыта разработчиков
1. Cycle time - сколько времени проходит от идеи до работающего результата
2. Focus - сколько у разработчика непрерывного времени на работу без дёрганий
3. Cognitive load - сколько лишнего нужно держать в голове, чтобы сделать полезную задачу

Идея в том, что почти любую проблему инженерной продуктивности можно разложить по этим трём осям по мнению Макса. А он знает толк в DevEx, так как он занимался этим всю инженерную карьеру
- как главный архитектор Bugzilla
- работая над Code Health в Google
- отвечая за Developer Experience в LinkedIn
- а сейчас он Executive Distinguished Engineer в Capital One (банк чьей моделью бизнеса вдохновлялись при создании Тинькофф)
Поэтому мне взгляд Макса на productivity кажется не абстрактной теорией, а опытом полученным на практике.

Главная мысль доклада в том, что отличный developer experience - это не про красивый интерфейс внутреннего портала разработки. Это про системное снятие барьеров, которые замедляют инженера, выбивают его из фокуса и заставляют тратить мозг не на продукт, а на инфраструктурный шум. Макс по сути говорит: если улучшение не сокращает цикл, не защищает фокус и не снижает когнитивную нагрузку, то его ценность для DevEx сомнительна.

А теперь про инсайты

1️⃣ Скорость - это не мантра "работайте быстрее"
От призывов ускориться или поднажать появляется только стресс, а для реального ускорения надо ускорять внутренние циклы разработки (между внутренними этапами цикла), например можно сделать
- Быстрее ревью
- Меньше и понятнее PR
- Короче сборки
- Прозрачнее CI/CD
- Быстрее локальную обратную связь
Настоящая скорость рождается не из героизма, а из хорошо настроенной системы.

2️⃣ Фокус - это недооценённый актив
Каждое прерывание стоит дорого. Непонятная ошибка, внезапный статус-митинг, кривой tooling, шумные алерты - всё это рвёт контекст. А восстановление контекста часто занимает заметно больше времени, чем само прерывание. Интересна мысль про то, что developer productivity часто тонет не в больших проблемах, а в постоянной мелкой фрагментации внимания.

3️⃣ Когнитивная нагрузка - главный скрытый налог
Если для обычной продуктовой задачи инженеру нужно помнить особенности пяти пайплайнов, трёх систем мониторинга и семи способов доставки, то проблема не в инженере. Плохой DevEx часто выглядит именно так: разработчик пришёл делать бизнес-фичу, а вместо этого изучает внутренний зоопарк платформенных решений.

Из доклада можно извлечь очень практичные советы для технических руководителей
1) Оптимизируйте не лозунги, а путь работы
Смотрите не на абстрактную "производительность", а на конкретные бутылочные горлышки: сборка, ревью, тесты, деплой, ожидание доступа, диагностика падений.
2) Убирайте фазу угадывания
Если CI/CD падает с сообщением уровня "something went wrong", вы создаёте анти-DevEx. Хорошая система не просто сообщает о сбое, а помогает сразу понять причину и следующий шаг.
3) Берегите инженерный фокус как ограниченный ресурс
Линейных инженеров не стоит без необходимости тащить на статусные синки. Контекст-свитчинг - один из самых дорогих видов потерь в разработке.
4) Снижайте вариативность базовой платформы
Один стандартный CI, один понятный observability stack, единый способ запуска типовых сценариев - это не "ограничение свободы", а способ вернуть командам внимание к продукту.
5) Не путайте внутренний портал платформы с решением проблемы
Склеить 20 плохих процессов в один красивый UI - не значит улучшить DevEx. Иногда лучший интерфейс - это вообще отсутствие ручного шага.

P.S.
У Макса есть много интересных выступлений, например, про "Developer Experience in the Age of AI Coding Agents" я уже рассказывал

#Engineering #AI #Metrics #Software #DevEx #Productivity #DevOps #Architecture #Culture #Engineering #ML #SystemDesign

От классического PDLC к AI-native разработке (Рубрика #ai4sdlc)

Написал статью на Medium про то, как AI меняет не только скорость написания кода, а саму организацию инженерного труда. Мы постепенно движемся от SE 1.0 - процесса с ролями, стадиями и handoff’ами - к SE 2.0, где часть инженерной работы берут на себя AI-инструменты и агенты. Но это не бесплатное ускорение. Если не перестроить review, тесты, CI/CD и guardrails, AI просто переносит bottleneck дальше по цепочке. Для больших компаний рабочая стратегия - не ломать всё сразу, а использовать SE 2.0 как полигон новых практик и затем переносить лучшие из них в основной производственный контур.

В этой статье на 10 минут чтения я разобрал, что именно меняется в lifecycle и как на это смотреть инженерам и техническим руководителям.

#Engineering #AI #Metrics #Software #DevEx #Productivity #DevOps #Architecture #Culture #Engineering #ML #SystemDesign

[1/2] Measuring the Impact of AI on Developer Productivity at Meta (Рубрика #AI)

Превосходное выступление от ребят из запрещенной в России Meta, которое я пересматривал раза 3, чтобы получше разобраться со всеми деталями. Выступали Payam Shodjai (senior director of product management) и Pavel Avgustinov (techlead) направления developer productivity в Meta и они рассказали кучу интересных подходов + технических деталей того, как они подходят к этому вопросу. После этого выстулпения я гораздо лучше понял концепты из статьи "What's DAT? Three Case Studies of Measuring Software Development Productivity at Meta With Diff Authoring Time" (см. мой разбор).

Основная идея доклада крутилась вокруг вопроса "а как измерять влияние AI-инструментов на реальную инженерную продуктивность в большой компании?". И из доклада видно, что Meta построила всеобъемлющий набор метрик, собрала исчерпывающую телеметрию, научилась учитывать сложные операции в системах контроля версий (это обещали пошарить в новом whitepaper, так как базовый git не умеет делать так, как Sapling от Meta). Дальше они искали прямые корелляции между использованием AI и классическими метриками productivity/business value. И речь тут шла не про стандартный code completion, а о более широком наборе AI-инструментов по всему SDLC.

Если упрощать, то ребята показали, что без хорошей инструментализации разговор про ROI от AI быстро превращается в мнения и ощущения. Поэтому Meta делает ставку не на опросы как единственный источник, а на связку из телеметрии, diff-метрик, поведенческих данных и проверки этих данных на реальных рабочих сессиях. Это хорошо согласуется с описанной Meta системой Diff Authoring Time (DAT), которая объединяет privacy-aware telemetry из IDE, ОС и version control и затем валидируется наблюдательными исследованиями, опросами и визуализациями.

1️⃣ Умная классификация пулл-реквестов с помощью LLM
Долгое время главной метрикой в компании был DDM (Diffs per Developer per Month - количество диффов/коммитов на разработчика в месяц). Однако с внедрением ИИ эта метрика стала уязвима для "закона Гудхарта": разработчики могли искусственно завышать показатели, нарезая задачи на мелкие коммиты, а ИИ генерировал много бойлерплейта (шаблонного кода). Чтобы измерять реальную бизнес-ценность, Meta внедрила метрику Feature DDM. Для этого они используют LLM, которые автоматически анализируют содержимое каждого пулл-реквеста и классифицируют его на:
- Feature Diffs: код, создающий новую продуктовую ценность для пользователя.
- Non-Feature Diffs: рефакторинг, обновление конфигураций, тесты и документация.
ИИ-ассистенты оцениваются именно по тому, насколько они увеличивают количество продуктовых диффов.

2️⃣ Посимвольная телеметрия и внутренние инструменты (Devmate)
Meta не полагается на базовую статистику системы контроля версий. Для сбора данных они используют свой внутренний ИИ-инструмент - Devmate (кастомное расширение для IDE). Главный нюанс их телеметрии - посимвольное отслеживание (character-level tracking). Система точно знает происхождение каждого символа в коде. Meta может с абсолютной точностью сказать, какой процент символов в итоговом слитом пулл-реквесте был напечатан инженером вручную, а какой - сгенерирован нейросетью и оставлен без изменений. Отдельно упоминается про то, что Sapling позволяет умно отслеживать transition между commits и правильнее считать как трансформируется код при помощи edit/rebase и остального, а также кем именно (людьми или автоматикой). Помимо этого, телеметрия отслеживает узкие места всего цикла (SDLC): время нахождения задачи на код-ревью, циклы одобрения и прохождение автоматических тестов.

В следующем посте я расскажу про основные инсайты, которыми поделились авторы и которые реально интересны.

#Engineering #Software #Bigtech #Productivity #Management #Leadership #Processes #AI #ML #Architecture #DevEx #DevOps

[2/2] Measuring the Impact of AI on Developer Productivity at Meta (Рубрика #AI)

Этот пост продолжение разбора отличного выступления ребят из Meta содержит инсайты, которыми они поделились с аудиторией.

1️⃣ У пользователей DevMate (внутренний аналог Claude Code или Cursor) выше среднего Meta наблюдала примерно 6–12% рост DDM (Diffs per developer per month). Это не звучит как "революция в 2 раза", но для большой инженерной организации такой прирост уже выглядит существенным, особенно если он устойчиво воспроизводится на больших массивах внутренних данных.

2️⃣ Эффект использования AI был неравномерным. Пока ИИ генерирует условные 10–30% изменений в диффе, выигрыш по времени почти не виден. А заметные улучшения появлялись, когда AI вносил более 60% кода в diff. Это намекает, что максимальный выигрыш возникает не тогда, когда AI используется "понемногу везде", а когда задача и workflow действительно позволяют передать инструменту большой кусок рутинной работы. То есть AI окупается сильнее в задачах, где можно делегировать значимый объем механического кода, а не только подсказки по мелочам.

​3️⃣ Senior engineers использовали AI эффективнее, чем junior, хотя junior могли обращаться к нему чаще. Это важный анти-интуитивный момент: более частое использование не равно большему эффекту. Похоже, выигрывают те, кто лучше задает контекст, умеет проверять ответ модели и понимает, где AI стоит доверять, а где нет. В итоге, в среднем диффы синьоров содержат заметно больший процент AI‑кода, чем диффы джунов. Тезис ребят в том, что опыт, архитектурное мышление и умение формулировать точные инструкции сильно усиливают эффект от ИИ - синьор как будто просто даёт ТЗ не джуну, а модели.
​
4️⃣ После внедрения AI сначала может быть просадка, а уже потом рост продуктивности (J-кривая адаптации). По данным Meta наблюдается просадка продуктивности порядка 15%: люди учатся промптить, перепроверяют код, меняют привычный процесс. Уже после адаптации (через несколько месяцев) начинается устойчивый плюс к DDM и сокращение времени кодинга на дифф, что и даёт итоговые 6–12% роста выхода. Практический смысл тут простой: если компания смотрит на эффект AI только в первые недели после rollout, она может ошибочно решить, что инструмент "не работает".

​5️⃣ Телеметрия показала, что инженеры меньше сидят в чатах и документах, потому что ответы и контекст получают прямо в IDE через DevMate. Из‑за этого время "coding time per diff" формально растёт, но авторы считают это хорошим сигналом: меньше дёрганья по ссылкам и мессенджерам, больше фокуса в одном инструменте.
​
6️⃣ Не все команды выигрывают одинаково - команды с высокой долей ML/ресёрча показывают меньший рост DDM, потому что много времени уходит на ноутбуки, эксперименты и аналитику, которые плохо отражаются в "диффах". Также DDM сильно "шумит" от праздников и внешних факторов, поэтому Meta не использует его в лоб как KPI для людей, а только как агрегированную продуктовую метрику влияния ИИ‑инструментов.
​
Если подводить итог, то я могу порекомендовать это видео и сопутстующие whitepaper тем, кто занимается вопросами измерения эффекта AI в разработке - это хороший методологический и практический подход к этой сложной теме.

#Engineering #Software #Bigtech #Productivity #Management #Leadership #Processes #AI #ML #Architecture #DevEx #DevOps

Как пользоваться System Design Space + треки изучения (Рубрика #SystemDesign)

Сделал онбординг для сайта system-design.space. Там я рассказываю, что сайт помогает системно развивать навыки проектирования: от базовых принципов до собеседований и практических архитектурных решений.

На сайте есть разные типы материалов
- Books - конспекты ключевых книг с практическими выводами и ссылками на оригиналы.
- Cases - пошаговые разборы проектирования реальных систем с требованиями и trade-offs.
- Films - документальные материалы и интервью с контекстом, таймлайнами и полезными источниками.
- Originals - авторские главы по архитектурным подходам, паттернам и инженерной практике.
Материалы можно сохранять в закладки, чтобы возвращаться к ним (в страницах настроек).
Также есть граф знаний, который позволяет увидеть связи между главами, быстро находить смежные темы и строить маршрут от базовых концепций к более сложным.

Также я создал возможность выбора трека обучения исходя из доступного для обучения времени, текущего уровня, а также бекграунда. После прохождения визарда собирается персональный маршрут, по которому дальше учиться. Также есть возможность отслеживать прогресс, который включается в настройках - это позволяет отмечать пройденные главы и видеть, как продвигается учебный маршрут.

#SystemDesign #Architecture #DistributedSystems #Career #Interview #Engineering