Приходите на новый подкаст «Где профит от данных, Лебовски?» о данных и их ценности для бизнеса. Первый выпуск будет ключевым и будет посвящен теме «Превращаем данные в деньги: что это значит и какие есть варианты».

Обсуждать будем втроем
- Андрей Цыбин - взгляд со стороны продуктовой аналитики и онлайн-экспериментов
- Николай Голов - взгляд со стороны дата-архитектуры и продуктовой разработки платформы данных
- Александр Поломодов - взгляд со стороны software архитектуры, AI4SDLC и инженерного лидерства

#Data #Database #Analytics #Money #Metrics #Business

Code of Leadership S2E20: Где у CTO больше свободы — в стартапе или корпорации с Кириллом Евсеенко (Рубрика #Leadership)

В стартапе CTO может утром принять решение, а вечером увидеть его в продукте — но людей, денег и времени почти всегда не хватает. В корпорации ресурсов гораздо больше, но любое серьёзное изменение приходится проводить через множество зависимостей.
Так где в итоге больше свободы? И что важнее — свобода принимать решения или способность реально менять большую систему?

11 сентября в 18:00 МСК будет новый прямой эфир Code of Leadership с Кириллом Евсеенко — CTO музыкального сервиса «Звук».

Кирилл начинал с заправки картриджей и системного администрирования, работал над туристическими сервисами и медицинским стартапом, руководил технологиями и продуктом в START, а теперь — CTO «Звука». Поэтому стартап и корпорацию будем сравнивать не по привычным мемам про скорость и бюрократию, а по реальным решениям, ограничениям и цене ошибки. У Кирилла есть свой канал @tak_ya_vse_pridumal

Поговорим о том:

• какие привычки из стартапа помогают на большом масштабе, а какие превращают самого CTO в узкое место;
• где согласования действительно защищают от дорогой ошибки, а где просто размывают ответственность;
• какие решения CTO должен оставлять за собой, а какие принципиально не должен принимать;
• как перейти от личного контроля к системе сильных лидеров и при этом не потерять контакт с инженерной реальностью;
• что вообще происходит со скоростью, ответственностью и влиянием руководителя, когда команда вырастает от десятков до сотен человек.

Отдельно проверим формулу «быстрый стартап — медленная корпорация». Возможно, с ростом масштаба скорость никуда не исчезает. Просто раньше ты ускорял компанию тем, что быстро действовал сам, а теперь — тем, что создаешь систему, в которой сотни людей могут быстро принимать хорошие решения без тебя.

И попробуем ответить на главный вопрос: в какой момент технический руководитель перестает быть главным инженером и становится CTO?

Приносите в комментарии вопросы Кириллу и свои истории перехода между стартапами и большими компаниями.

#Management #Leadership #Career #Strategy #Engineering #Podcast #Strategy #Startup #Enterprise

Stanford MS&E435: Chai и Claude - кто заберёт деньги в AI-биотехе? (Рубрика #AI)

Последняя лекция курса Stanford MS&E435, о котором я писал посвящена теме life sciences и здесь обсуждается вопрос где в AI-стеке экономика. В биотехе один удачный результат может стоить десятки миллиардов, но между демкой и продажами — годы биологии, клиники и регуляторики. Ведущий Apoorv Agrawal разговаривает с Joshua Meier, сооснователем Chai Discovery, и Eric Kauderer-Abrams, Head of Life Sciences в Anthropic. Они предлагают не «лекарство по одному промпту», а новую архитектуру R&D.

Как выглядит обычный процесс
Если сжать его до одной строки: болезнь и группа пациентов → биологическая мишень → тип терапии → первый hit → оптимизированный lead → кандидат в лекарство → доклиника → фазы I–III → регистрация и производство

Путь нередко занимает 10–15 лет, а программа может умереть на любой ступени: неверная мишень, токсичная или непроизводимая молекула, отсутствие эффекта в клинике. Поэтому: binder ≠ кандидат в лекарство ≠ лекарство.

Что предлагают Chai и Anthropic
1️⃣ Chai строит «CAD для молекул» — внутренний контур. Модель получает структуру мишени и проектирует антитела, которые должны с ней связаться. В собственном нерецензированном препринте Chai-2 компания сообщает о hit rate около 16%: для 52 мишеней проверяли не более 20 дизайнов на каждую и для половины нашли хотя бы один binder менее чем за две недели. Сильный результат discovery, но ещё не доказательство эффективности лекарства.
2️⃣ Claude — внешний контур: прочитать литературу, выбрать инструмент, запустить специализированную модель, подготовить эксперимент, разобрать данные и предложить следующий шаг. Chai проектирует деталь, Claude координирует процесс, а лаборатория остаётся источником истины.

Откуда ускорение относительно стандартного процесса

- Обычный discovery перебирает большие библиотеки и повторяет цикл «синтез → тест → анализ → новый дизайн». Здесь модель сужает поиск до десятков конструкций, а агент сокращает передачи между людьми, софтом и лабораторией. Быстрее становится весь feedback loop.
- Дальше AI может помогать с мишенями и клиническими испытаниями. Eric предполагает, что полный цикл удастся сократить примерно до пяти, а затем и до нескольких лет. Пока это прогноз: биологию человека, длительное наблюдение и регулятора из конвейера не убрать.
- Лабораторной работы при этом может стать больше. Если каждый эксперимент дешевле и информативнее, выгодно проверять больше гипотез — парадокс Джевонса в халате.

Где будут деньги

- Фарма владеет кандидатом, клинической инфраструктурой, производством и продажами. Здесь пока остаётся основная ценность успешного препарата.
- Создатели инструментов — Chai, Anthropic, лабораторная автоматизация и CRO — продают доступ, вычисления и эксперименты. Чтобы забирать больше, им нужно доказать рост вероятности успеха программы. Но Eric предупреждает: продавать инструменты большой фарме — тяжёлый бизнес.
- AI-native biotech может небольшой командой владеть молекулами и лицензировать их после первых доказательств. Это максимальный upside вместе с клиническим и капитальным риском. Если дизайн станет доступен всем, moat сместится в выбор мишени, данные, лабораторный feedback loop и права на препарат.

Насколько большой рынок

IQVIA оценивает выручку глобальной life-sciences-индустрии в 2025 году примерно в $1,94 трлн, а расходы биофармы на разработку лекарств — в $199 млрд. Это разные круги: $1,94 трлн — не TAM (Total Addressable Market) для Chai или Claude. Инструменты конкурируют за часть R&D-бюджета; владелец одобренного препарата — за конечный рынок.

Масштаб разницы хорошо показывает одна молекула: tirzepatide под брендами Mounjaro и Zepbound принёс Lilly 36,5 млрд продаж за 2025 год. Поэтому главный вопрос не в том, кто первым сгенерирует красивую молекулу, а в том, кто замкнёт цикл «гипотеза → дизайн → эксперимент → данные», сохранит права на результат и доведёт его до пациента.

#AI #Biotech #DrugDiscovery #LifeSciences #Engineering #Economics

AI для среднего бизнеса: материалы выпуска (Рубрика #AI)

Собрал материалы 75-го выпуска Code of Leadership — «Как действовать среднему бизнесу с AI, которому „по науке“ дорого?»
С Александром Воронцовым, партнёром Revelio Tech и автором AI Subjects, поговорили о компаниях, у которых нет собственной AI-лаборатории и большой команды внедрения. Зато есть падающая маржа, ручные таблицы, проблемы с ассортиментом и наймом.

В разговоре:
- Как торговая компания начала с задач сотрудников, выделила бюджет эксперимента и устроила конкурс прототипов с денежными призами;
- Зачем рядом со специалистом по AI нужен аналитик, понимающий реальные данные и особенности 1С;
- Почему автоматизация в аутстафинговой компании распалась на отдельные инициативы;
- Как получилось, что готовым агентом для товарной аналитики никто не пользовался;
- С чего начать: за одну-две недели изучить фактическую работу и выбрать одну-три задачи, которые можно улучшить сразу.

Главная мысль: AI снижает порог входа в автоматизацию. Но сотрудникам всё ещё нужно понимать, зачем менять привычный процесс, кто поможет и что они получат от этих изменений.

Подготовил и конспект на 7 минут — с кейсами, ограничениями и практическими выводами, если удобнее читать.
📌 Все материалы и таймкоды
📖 Читать конспект
🎬 Смотреть: YouTube · VK Видео
🎧 Слушать: Яндекс Музыка · Apple Podcasts · Podster

#AI #Management #Leadership #Podcast

Ollama: как агенты меняют экономику открытых моделей (Рубрика #AI4SDLC)

Этот выпуск YC Lightcone с сооснователем Ollama Джеффом Морганом хорошо собирает несколько тем, которые в канале до этого жили отдельно: экономику токенов, локальные модели, routing и быстро меняющуюся агентную обвязку. Ценность разговора для меня в том, что знакомая архитектурная схема уже превращается в устройство рынка.

Тезис Моргана такой: агенты резко увеличивают потребление токенов, поэтому использовать дорогую frontier-модель для каждого промежуточного шага становится бессмысленно. Большой объём работы заберут дешёвые открытые модели, а самые сильные закрытые останутся для сложных решений и эскалации.

В выпуске прозвучали несколько оценок Ollama
1️⃣ С начала 2026 года общий объём токенов в Ollama Cloud, по данным компании, вырос примерно в 150 раз. Это внутренняя метрика Ollama, а не независимый замер эффективности.
2️⃣ Морган прогнозирует, что открытые модели смогут выполнять 80–90% корпоративных токенов, получая лишь 10–20% общего AI-бюджета. Пока это гипотеза участника рынка, но асимметрия интересная: массовая работа и основная маржа могут оказаться в разных слоях.
3️⃣ Архитектура будет гибридной: простые и чувствительные задачи можно исполнять локально, тяжёлые — отправлять в облако, сохраняя общий интерфейс.

Многое здесь подтверждает то, о чём я писал раньше. [Цена токена плохо описывает экономику агента: считать нужно завершённую и принятую задачу вместе с проверкой, повторами и последствиями ошибки. Сам рост token volume тоже нельзя путать с ростом ценности — в разборе данных OpenCode я отдельно показывал, как на объём влияют длина сессий, кеш и небольшая группа тяжёлых пользователей.

Routing тоже уже перестал быть красивой схемой на слайде. AT&T описывает 45 млрд токенов в день, cache-aware router и экономию до 90% на своих сценариях. А в истории OpenCode мы видели ту же продуктовую ставку: агрегировать спрос, проверять связки «модель + провайдер» и давать приложению переключаться между моделями.

Что для меня здесь новое

1️⃣ К приватности и суверенности как причинам выбирать открытые модели добавляется агентная экономика. Когда один запрос превращается в сотни model calls, дешёвый исполнитель нужен уже для масштабирования самого цикла.
2️⃣ Ollama хочет зарабатывать на самом скоропортящемся месте стека — совместимости модели, inference engine, железа, облачной ёмкости и agent harness в день релиза. Я недавно писал, что generic harness разумно арендовать, оставляя своими задачу, контекст и evals. Ollama пробует стать поставщиком похожего изменчивого слоя этажом ниже.
3️⃣ Яснее разошлись роли знакомых инструментов. LM Studio тяготеет к персональной рабочей среде, vLLM — к производительному serving engine, а Ollama претендует на слой дистрибуции и совместимости между локальным запуском, облаком и агентными приложениями. Поэтому её сравнение с Docker здесь содержательнее обычного «ещё один способ запустить LLM».

Но open weights не делают систему автоматически локальной, дешёвой или безопасной. В разборе конфигураций агентного стека я разделял модель, harness, инструменты, identity и границы исполнения. А локальная модель просто переносит расходы из API в GPU, эксплуатацию и риск недозагрузки.

Если ставка Ollama сработает, открытые модели не уничтожат платформы. Они создадут новый класс платформ поверх взаимозаменяемых весов. И тогда компании полезно владеть не каждым компонентом, а теми слоями, где находится её реальная ценность: контрактом задачи, состоянием, полномочиями, воспроизводимыми эпизодами и outcome-evals. Остальные слои можно арендовать — но [перепроверять после каждого заметного сдвига модели и обвязки.

#AI4SDLC #AI #Agents #Architecture #PlatformEngineering #FinOps

Заходите на очередной прямой эфир Code of Leadership, что стартует прямо сейчас.
Сегодня мы с Глебом Михеевым (@tired_glebmikheev) поговорим про то как, поменяется роль программистов в ближайшие три года и обсудим концепцию продуктового инженера.

PyTorch как слой переносимости: зачем туда пришли Cambricon и Ant Group (Рубрика #AI)

В этой новости легко зацепиться за геополитику: Alibaba Cloud, Ant Group, Cambricon и Huawei вместе выступили на PyTorch Conference China в Шанхае. Но мне здесь интереснее другой вопрос. Зачем производителю собственных AI-ускорителей платить $350 тысяч в год за Platinum-членство в PyTorch Foundation, если код PyTorch и так открыт?

Сначала поправлю новостную оптику. Не все четыре компании «только что вошли в PyTorch». Cambricon объявили Platinum-участником 7 сентября 2026 года, Ant Group — Gold-участником 8 сентября. Alibaba Cloud состоит в Foundation с 26 мая 2026 года, Huawei — с 17 октября 2023-го. Свежая часть истории — Cambricon и Ant, а общий шанхайский анонс собрал китайский AI-стек на одной сцене: модели Qwen, облачную инфраструктуру, чипы MLU и Ascend, а также runtime для агентов.

Моя интерпретация: китайские компании покупают не контроль над PyTorch, а место за столом, где снижают стоимость ухода от CUDA.

За $350 тысяч Platinum-участник получает по голосующему месту в Governing Board и Technical Advisory Council. Gold-членство стоит $150 тысяч, но отдельного кресла Ant не гарантирует: Gold-компании выбирают одного представителя на троих. Это влияние на бюджет, рабочие группы, CI и общие приоритеты экосистемы. Но не право нажимать Merge: техническое управление PyTorch закреплено за конкретными maintainers на основе вклада, а не за компаниями по уровню взноса.

И вот здесь начинается действительно важная часть. Проблема альтернативного AI-чипа — не только в FLOPS. Нужны операторы, compiler, distributed collectives, профилировщик, интеграции с библиотеками и синхронизация с каждым новым релизом PyTorch. Именно этот длинный программный хвост превратил CUDA в moat, который нельзя догнать одной красивой таблицей производительности.

PyTorch постепенно строит общий слой подключения ускорителей через PrivateUse1, эталонный backend OpenReg и Accelerator Integration Working Group. Идея в том, чтобы модель и большая часть прикладного кода видели единый PyTorch API, а CUDA, ROCm, CANN или Neuware оставались ниже. Тогда производители конкурируют уже качеством backend: покрытием операторов, поддержкой torch.compile, стабильностью distributed training и скоростью выпуска обновлений.

Но до взаимозаменяемости ещё далеко. Cambricon сейчас требует отдельный пакет torch_mlu и vendor-компоненты CNToolkit, CNNL и CNCL. Huawei продвинулась дальше: Ascend уже есть в публичной CI рабочей группы, но torch_npu всё равно устанавливается отдельно и зависит от CANN. Иными словами, общий фасад появляется, а под ним пока остаются разные лестницы, ключи и инструкции по эвакуации :)

Ant Group здесь про соседний слой. Компания показала runtime для AI-агентов на базе Kubernetes Agent Sandbox и Kata Containers. Это не вклад в PyTorch core и не ускоритель; скорее признак того, что вокруг Foundation начинают собирать более широкий open-source AI stack — от tensor runtime до изолированного выполнения агентов. Общей технической архитектуры четыре компании пока не объявили.

Поэтому смотреть я бы стал не на число китайских логотипов в Foundation, а на три скучных инженерных сигнала:
1️⃣ Появится ли Cambricon MLU в общей публичной CI рядом с Ascend;
2️⃣ Смогут ли torch_mlu и torch_npu поддерживать актуальный стабильный PyTorch без специальных сборок и долгого отставания;
3️⃣ Будут ли приниматься upstream-изменения в Inductor, distributed stack и domain libraries, а не только расти внешние vendor-репозитории.

Если это произойдёт, PyTorch станет для AI-железа настоящим слоем переносимости и немного уменьшит программный lock-in NVIDIA. Не отменит CUDA, её зрелые kernels, NCCL и инструменты — именно уменьшит цену первого шага в сторону другого ускорителя. Если нет, членство останется дорогим логотипом на сайте.

#AI #OpenSource #PlatformEngineering #Infrastructure #Architecture #Bigtech

Заходите на прямой эфир про первые 90 дней CTO, которые начинаются задолго до выхода на работу:) 40-минутную версию этого доклада я рассказал на мероприятии Стратоплана, а теперь я расскажу расширенную версию + поотвечаю на ваши вопросы.

3 AImigo S1E5: джун без простых задач. Как войти в IT в эпоху AI?

Начать делать продукты в IT стало проще. Начать получать за это деньги — сложнее. AI-агенты уже справляются с багфиксами и небольшими фичами, на которых джуны раньше «тренировались на кошечках». А если простые задачи исчезают, то как теперь вырастить следующего инженера?

В пятницу в 12:00 в пятом выпуске 3 AImigo продолжаем разговор о найме, но смотрим на него со стороны тех, кто только выбирает профессию, заканчивает университет или пытается получить первую работу.

У привычной лестницы "junior → middle → senior" сломалась нижняя ступень. Индустрии всё ещё нужны новые инженеры, но отдельному бизнесу выгоднее усилить опытного специалиста агентами, чем годами растить новичка. Для индустрии это риск, для джуна — новая реальность.

Обсудим, что может стать рабочим входным билетом:
— собственный end-to-end проект: от проблемы и критериев приёмки до production, поддержки и плана отката;
— умение не просто получить код, а объяснить решение агента, проверить его и принять ответственность;
— способность учиться: находить пробелы, задавать вопросы и встраивать ответы, а не складывать их в чек-лист;
— интерес к бизнесовой задаче и пользователю, а не только к технологии;
— отношения с людьми и профессиональное сообщество — этот путь никуда не исчез.

Как обычно, разбираемся втроём: Евгений Сергеев, Алексей Литвинов и Александр Поломодов.

#AI #AI4SDLC #Agents #Engineering #Career #Education

Stanford MS&E435: от мегаватта до молекулы — весь курс в девяти разборах (Рубрика #AI)

С курсом Stanford MS&E435 «Economics of the AI Supercycle» в канале всё: девять лекций — девять разборов, от экономики GPU и строительства дата-центров до кодинговых агентов и разработки лекарств. Курс интересен тем, что не пытается выбрать «лучшую модель», а рассматривает AI как большую производственную и экономическую систему. На каждом слое повторяются одни и те же вопросы: где сейчас бутылочное горлышко, кто оплачивает капитальные затраты, что становится commodity, а у кого остаются влияние на цены, данные и замкнутый цикл обратной связи.

Если сложить лекции вместе, бутылочное горлышко всё время переезжает: из чипов — в электричество и готовые дата-центры, затем в корпоративный контекст, человеческое внимание, evals, дистрибуцию и лабораторный эксперимент. Вместе с ним перемещается и граница между тем, что компания может купить как услугу, и тем, что ей приходится контролировать самой.

Все разборы по порядку:

1️⃣ Экономика AI-суперцикла — вводная лекция интересна картой всего стека chips → infrastructure → models → applications и вопросом, почему основная экономика пока сосредоточена внизу.
2️⃣ Inference как производственная система — разговор с Sunny Madra и Brad Gerstner показывает, почему prefill и decode могут требовать разного железа, а считать полезнее стоимость проверенного результата, а не число сожжённых токенов.
3️⃣ Дефицитный мегаватт AI-фабрики — Чейз Локмиллер из Crusoe опускает «облачный AI» на землю: к подстанциям, охлаждению, стройке и дефициту площадок, где GPU вообще можно включить.
4️⃣ Али Годси: AGI уже здесь, а компания — ещё нет — лекция интересна кейсом Databricks, в котором заметный рост throughput появился после перепроектирования процесса, а не после замены модели.
5️⃣ Sachin Katti и человек как bottleneck AI-системы — взгляд оператора frontier-лаборатории связывает динамические агентные нагрузки, гетерогенную инфраструктуру и цену человеческого внимания, проверки и ответственности.
6️⃣ Yash Patil: внутреннее знание компании как learning loop — здесь корпоративная экспертиза превращается из абстрактного «контекста» в evals, reward, post-training и воспроизводимый цикл обучения.
7️⃣ Кто выбирает технологический стек — разработчик или кодинговый агент? — Guillermo Rauch показывает, как агент становится новым gatekeeper, а open source, документация и агентная эргономика — каналом дистрибуции.
8️⃣ Baseten и как юнит-экономика меняет стратегию — история полезна симметрией: по мере роста приложение забирает под контроль модели, а инфраструктурная платформа — вычислительные мощности.
9️⃣ Chai и Claude: кто заберёт деньги в AI-биотехе? — финальная лекция переносит ту же экономическую рамку в drug discovery, где ценность зависит не от красивой молекулы, а от замкнутого цикла гипотеза → дизайн → эксперимент → данные и прав на результат.

Это не нейтральный учебник: среди гостей инвесторы, основатели и руководители компаний, которые продают ровно те слои стека, о которых рассказывают. Но если отделять механизм от vendor pitch, получается редкая сквозная карта AI — от электронов до молекул.

Если времени на весь плейлист нет, выбирайте слой, за который отвечаете. А если есть — я бы шёл по порядку: так особенно хорошо видно, как дефицит и ценность путешествуют по стеку.

#AI #Engineering #Infrastructure #Product #Strategy #Economics

Материалы выпуска: продуктовый инженер — разговор с Глебом Михеевым (Рубрика #Leadership)

Собрал материалы разговора с Глебом Михеевым, CPO ГигаАгента в Сбере. Эфир Code of Leadership прошёл 8 сентября 2026 года. Говорили о том, что происходит с работой инженера, когда можно быстро получить несколько работающих реализаций — и всё равно остаётся вопрос, какую из них вообще стоило делать.

Глеб рассказал, как на полгода вернулся из менеджмента в индивидуальную инженерную роль и каждый день работал с агентами. Из этого опыта вырос разговор о продуктовой ответственности, устройстве команд и обучении.

Обсудили:
- Продуктового инженера. Понять проблему пользователя, предложить решение, выпустить его и собрать обратную связь. Как дать человеку такую ответственность и не навесить на него несколько прежних должностей с прежней нагрузкой.
- Очередь после ускорения. В разговоре есть хороший мысленный пример: если разработка ускорилась в пять раз, нижние четыре пятых старого бэклога от этого полезнее не стали. Дальше упираемся в выбор гипотез, проверку результата и эксплуатацию.
- Размер команды и границы специализации. Глеб считает, что агенты позволят небольшим командам закрывать больше работы. Но для платёжных и других критичных систем он делает оговорку: там цена ошибки требует более строгой проверки и сохранения специализации.
- Рост джунов. Готовый pull request уже мало говорит о том, чему человек научился. Как проверить, что он может объяснить устройство решения, заметить ошибку и разобраться, если условия задачи изменились.
- Переучивание опытных разработчиков. Как перестроить привычку делать всё руками, сохранить инженерное суждение и не застрять в бесконечном цикле «ещё одну задачу агенту — и спать».

Материалы выпуска:
📌 Страница выпуска с таймкодами
🎬 YouTube, VK Видео
🎧 Podster, Яндекс Музыка, Apple Podcasts
📝 Текстовый конспект

#CodeOfLeadership #AI4SDLC #Engineering #Product #Leadership #Career

ArchDays в эпоху AI (Рубрика #Architecture)

Я в программном комитете ArchDays с 2019 года, с основания конференции. Мне кажется, в эпоху AI такие встречи особенно важны. Когда AI пишет код, вопросы к архитектору только прибавляются. Как поставить задачу, чтобы результат можно было проверить? Где нужны ревью и участие человека? Кто отвечает за решение, которое предложил агент? Быстрее получить код — еще не значит быстрее получить работающую систему.

Поэтому для меня архитектурная конференция сегодня — это возможность не просто узнать про новые технологии, но и разобраться в редизайне инженерных процессов: от требований и экспериментов до проверки изменений и эксплуатации. А еще — понять, как меняется профессия архитектора. Думаю, все больше внимания придется уделять тому, как люди и AI вместе принимают решения и проверяют их последствия. Здесь полезно сравнить опыт команд, обсудить ошибки и поспорить с коллегами.

ArchDays — 27 ноября 2026.
Приходите обсуждать.

P.S.
Я хотел по традиции выступить на этой конфе, но я буду уже не в Москве, а она полностью в оффлайне. Но думаю, что мы с Сережей Барановым придумаем как мне рассказать свой доклад может быть не в рамках конфы, а в виде отдельного онлайн эфира на youtube канале Archdays.

#AI #Engineering #Conference

AI4SDLC на ИТ-Пикнике: материалы выступления (Рубрика #AI4SDLC)

Собрал материалы моего выступления на ИТ-Пикнике 8 августа — «State of AI4SDLC: AI сдвигает узкие места разработки». Это было моё последнее выступление от имени Т-Банка. В нём я подвёл итог AI4SDLC в том виде, в котором развивал это направление: с исследованием, инженерной платформой, агентами и перестройкой работы команд.

В докладе разбираю, что происходит после того, как код научились писать быстрее. Задачи начинают скапливаться на ревью и тестировании, а дальше выясняется, что ограничением стали постановка и приёмка результата. Выдать всем AI-инструменты — только начало работы. Отсюда и остальные темы: зачем снова нужны спецификации, как подготовить внутреннюю платформу к работе агентов, почему стоит измерять ожидание, переделки, качество и стоимость. И как меняется работа инженера, который всё больше формулирует задачи, собирает контекст и проверяет сделанное агентами.

Материалы можно открыть в удобном формате:
— Слайды
— Видео выступления
— Конспект и сокращённая расшифровка — около 7 минут чтения, подготовлены по субтитрам и слайдам.

#AI4SDLC #Agents #PlatformEngineering #Conference