Закончим с темой "состояния потока", поговорив про научность и критику теории. Неинтересно писать про тему, не подвергнув ее сомнению.
Состояние потока звучит круто: высокая продуктивность, счастье, кайф от работы. Но если смотреть на теорию по-научному, с метаисследованиями и всем таким, то "теория" - это с натяжкой. Скорее это концепция.
🔬 Как изучают тему?
- Чиксентмихайи начал исследования потока в 1970-х. На сегодня это одна из самых цитируемых концепций в психологии.
- На тему потока опубликовано очень много научных работ, есть собственные шкалы и опросники (Flow Questionnaire, Flow State Scale, Dispositional Flow Scale).
- Поток изучают в спорте, образовании, искусстве, игровой индустрии, бизнесе. А "позитивная психология" использует эту концепцию как маркер "оптимального переживания".
🧪 Аргументы в сторону научности
- Люди во многих культурах действительно описывают очень похожие состояния полного погружения, потери времени и высокой эффективности.
- Поток связывают с балансом между сложностью задачи и уровнем мастерства, а также с четкими целями и немедленной обратной связью.
- По данным исследований, поток коррелирует (то есть появляется одновременно) с удовлетворенностью, творчеством, улыбкой в ручном труде и успехами в спорте.
🚧 Проблемы и критика
Измерение потока
- В основном используются самоотчеты. Человеку предлагают вспомнить тот момент, когда он был в потоке. А значит все очень субъективно, ведь память и интерпретация чувств могут искажаться.
- Нет единого научного стандарта диагностики потока.
- Методы, которые фиксируют поток в реальном времени без прерывания работы только начинают появляться (их почти нет в формализованном состоянии).
Непостоянство потока
- Состояние потока быстро меняется: оно может усиливаться и ослабевать даже в течение одной задачи.
- Четкой картины, как человек входит и выходит из потока, пока нет. Это, видимо, направление для будущих исследований.
Нейрофизиология потока не до конца изучена
- МРТ и биомониторинг подтверждают подключение симпатической и парасимпатической нервной системы, роли дофамина и стресса.
- Но конкретных биомаркеров и алгоритмов недостаточно, чтобы заранее сделать маппинг состояния потока на данные мозка.
Практическая ценность
- Во многих странах (например, Дания) уже интегрируют "потоковые" практики в образование и медицину. Якобы, чтобы усилить вовлеченность и благополучие.
- Поток широко используют как инструмент для оценки субъективного благополучия, профессиональной мотивации, саморегуляции, в терапии для людей с трудностями адаптации.
#состояниепотока #flowstate
Короче говоря: теория потока дает полезный фрейм для работы с вниманием, мотивацией и состояниями продуктивности. Но пока нет формально изученного и научно описанного феномена и его механик в психологии и медицине.
Состояние потока звучит круто: высокая продуктивность, счастье, кайф от работы. Но если смотреть на теорию по-научному, с метаисследованиями и всем таким, то "теория" - это с натяжкой. Скорее это концепция.
🔬 Как изучают тему?
- Чиксентмихайи начал исследования потока в 1970-х. На сегодня это одна из самых цитируемых концепций в психологии.
- На тему потока опубликовано очень много научных работ, есть собственные шкалы и опросники (Flow Questionnaire, Flow State Scale, Dispositional Flow Scale).
- Поток изучают в спорте, образовании, искусстве, игровой индустрии, бизнесе. А "позитивная психология" использует эту концепцию как маркер "оптимального переживания".
🧪 Аргументы в сторону научности
- Люди во многих культурах действительно описывают очень похожие состояния полного погружения, потери времени и высокой эффективности.
- Поток связывают с балансом между сложностью задачи и уровнем мастерства, а также с четкими целями и немедленной обратной связью.
- По данным исследований, поток коррелирует (то есть появляется одновременно) с удовлетворенностью, творчеством, улыбкой в ручном труде и успехами в спорте.
🚧 Проблемы и критика
Измерение потока
- В основном используются самоотчеты. Человеку предлагают вспомнить тот момент, когда он был в потоке. А значит все очень субъективно, ведь память и интерпретация чувств могут искажаться.
- Нет единого научного стандарта диагностики потока.
- Методы, которые фиксируют поток в реальном времени без прерывания работы только начинают появляться (их почти нет в формализованном состоянии).
Непостоянство потока
- Состояние потока быстро меняется: оно может усиливаться и ослабевать даже в течение одной задачи.
- Четкой картины, как человек входит и выходит из потока, пока нет. Это, видимо, направление для будущих исследований.
Нейрофизиология потока не до конца изучена
- МРТ и биомониторинг подтверждают подключение симпатической и парасимпатической нервной системы, роли дофамина и стресса.
- Но конкретных биомаркеров и алгоритмов недостаточно, чтобы заранее сделать маппинг состояния потока на данные мозка.
Практическая ценность
- Во многих странах (например, Дания) уже интегрируют "потоковые" практики в образование и медицину. Якобы, чтобы усилить вовлеченность и благополучие.
- Поток широко используют как инструмент для оценки субъективного благополучия, профессиональной мотивации, саморегуляции, в терапии для людей с трудностями адаптации.
#состояниепотока #flowstate
👌4
Очередной год я активно помогаю с нашей 🤝 всеБашкирской конференцией UfaDevConf 2025. Мы запустили билеты за донаты. Подробности в посте ниже.
Каждый год мы стараемся сделать конфу лучше (за что огромнейшее спасибо монументальной организаторке Наташе Кирилловой (@nkazaeva), которая, не побоюсь этого слова, ТАЩИТ конфу.
В этом году мы пригласили двух мастодонтов менеджмента:
- Лёшу Пименова, одного из главных тренеров по Канбану в СНГ из Neogenda с воркшопом "Создаем дейтвенную стратегию с помощью Карт гипотез" (огромное ему спасибо, что согласился, это та продуктовка, которой не хватает всем).
- А Лёша Пикулев, эксперт по командному доверию, проведет воркшоп по теме доверия в команде "Красные флаги в команде - как распознать и остановить токсичное поведение".
Конференция бесплатная, а мест всего 1000 (и они, как обычно, разошлись за пару часов). А запросов на то, чтобы как-то попасть на неё в личке у организаторов прорва.
Как обычно, мы открыли 30 мест за донаты. Кто хотел и не попал на регистрацию, налетай
Кстати,я тож выступаю с темой "Хватит сорванных дедлайнов: укрепляем доверие стейкхолдеров с вероятностным прогнозированием на основе Монте-Карло".
Каждый год мы стараемся сделать конфу лучше (за что огромнейшее спасибо монументальной организаторке Наташе Кирилловой (@nkazaeva), которая, не побоюсь этого слова, ТАЩИТ конфу.
В этом году мы пригласили двух мастодонтов менеджмента:
- Лёшу Пименова, одного из главных тренеров по Канбану в СНГ из Neogenda с воркшопом "Создаем дейтвенную стратегию с помощью Карт гипотез" (огромное ему спасибо, что согласился, это та продуктовка, которой не хватает всем).
- А Лёша Пикулев, эксперт по командному доверию, проведет воркшоп по теме доверия в команде "Красные флаги в команде - как распознать и остановить токсичное поведение".
Конференция бесплатная, а мест всего 1000 (и они, как обычно, разошлись за пару часов). А запросов на то, чтобы как-то попасть на неё в личке у организаторов прорва.
Как обычно, мы открыли 30 мест за донаты. Кто хотел и не попал на регистрацию, налетай
Кстати,
Please open Telegram to view this post
VIEW IN TELEGRAM
Ufacoder
#UFADEVCONF2025
1❤2
Forwarded from UFACODER (Наталья Кириллова)
Друзья, внимание! У нас хорошие новости! 🕺
После закрытия регистрации мы получили много запросов, поэтому решили добавить дополнительные места для меценатов.
30 донатеров с наибольшей суммой получат пропуск на конференцию, специальные бейджи меценатов и нашу безграничную благодарность!❤️
✨ Ваши средства помогут нам обеспечить профессиональное фото и видеосопровождение, что позволит каждому моменту конференции оставаться с нами навсегда. Кроме того, они поддержат и другие важные инициативы нашего IT-сообщества.
Пожалуйста, после доната обязательно заполните форму. Это является главным условием изготовления бейджа и получения места на конференции.
Поддержать конференцию можно до 18:00 5 ноября – присоединяйтесь и станьте частью нашего события! Обладатели бейджей будут размещены в нашем канале и на сайте конференции.
Не упусти последний шанс попасть на UFADEVCONF 2025.
После закрытия регистрации мы получили много запросов, поэтому решили добавить дополнительные места для меценатов.
30 донатеров с наибольшей суммой получат пропуск на конференцию, специальные бейджи меценатов и нашу безграничную благодарность!
Пожалуйста, после доната обязательно заполните форму. Это является главным условием изготовления бейджа и получения места на конференции.
Поддержать конференцию можно до 18:00 5 ноября – присоединяйтесь и станьте частью нашего события! Обладатели бейджей будут размещены в нашем канале и на сайте конференции.
Не упусти последний шанс попасть на UFADEVCONF 2025.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥2
Сегодня мы с командой проводим открытый вебинар для всех, кто работает с Jira Metrics Pro или только планирует начать.
📅 5 ноября в 17:00 (МСК)
🔗 Встреча будет в контур.толке по ссылке: https://3q048jse.ktalk.ru/p6n62hse4lxo
Что будет:
• разберём функционал плагина на живых примерах,
• покажем реальные кейсы,
• ответим на вопросы пользователей.
Подойдёт всем:
— новичкам, чтобы быстро разобраться в интерфейсе и ключевых метриках;
— опытным пользователям, чтобы систематизировать знания и найти новые точки роста.
Формат — практика и обсуждение того, как сделать процесс прозрачнее и быстрее.
📍 Участие открытое для всех по предварительной записи.
Присоединяйтесь — будет полезно независимо от уровня опыта.
📅 5 ноября в 17:00 (МСК)
🔗 Встреча будет в контур.толке по ссылке: https://3q048jse.ktalk.ru/p6n62hse4lxo
Что будет:
• разберём функционал плагина на живых примерах,
• покажем реальные кейсы,
• ответим на вопросы пользователей.
Подойдёт всем:
— новичкам, чтобы быстро разобраться в интерфейсе и ключевых метриках;
— опытным пользователям, чтобы систематизировать знания и найти новые точки роста.
Формат — практика и обсуждение того, как сделать процесс прозрачнее и быстрее.
📍 Участие открытое для всех по предварительной записи.
Присоединяйтесь — будет полезно независимо от уровня опыта.
8❤2👍2
Приходите на Ufa Developer Conference 2025, если вы будете на нашей конфе в Уфе 🙂
Forwarded from UFACODER (Наталья Кириллова)
Секция Management на UFADEVCONF 2025
Марат Киньябулатов - Agile-коуч в системно-значимом финтехе, где работает над повышением эффективности на периметре 45 команд. Руководил Technical Program Management Office в MetaMap (now InCode), отвечал за СНГ подразделение SkuVault, создал и развивает Agile Ufa. Активно помогает в создании инструмента Jira Metrics Pro. Обо всем этом пишет в канале.
На докладе вы узнаете:
Погрузимся в три ключевых принципа прогнозирования и продемонстрируем, как симуляции Монте-Карло отвечают на самые болезненные вопросы любого проекта:
— Сколько задач мы закроем за следующий месяц?
— Когда будут готовы эти 20 фич из бэклога?
— Клиент только что попросил добавить новую задачу — когда мы её сделаем?
— Как спрогнозировать завершение целого эпика, если в нём куча неопределённости?
Что вы получите:
После доклада у вас будет чёткое понимание, какие данные собирать, как их использовать и как создавать прогнозы. Это позволяет лучше аргументировать руководству и самой команде сроки завершения, показывая не только разброс дат, но и вероятность их выполнения. А ещё поможет ребятам меньше выгорать.
Этот доклад будет полезен руководителям проектов, agile-коучам, аналитикам и всем, кто устал от вопроса «Ну когда уже будет готово?»
Программа конференции: http://dc.ufacoder.com
Марат Киньябулатов - Agile-коуч в системно-значимом финтехе, где работает над повышением эффективности на периметре 45 команд. Руководил Technical Program Management Office в MetaMap (now InCode), отвечал за СНГ подразделение SkuVault, создал и развивает Agile Ufa. Активно помогает в создании инструмента Jira Metrics Pro. Обо всем этом пишет в канале.
На докладе вы узнаете:
Погрузимся в три ключевых принципа прогнозирования и продемонстрируем, как симуляции Монте-Карло отвечают на самые болезненные вопросы любого проекта:
— Сколько задач мы закроем за следующий месяц?
— Когда будут готовы эти 20 фич из бэклога?
— Клиент только что попросил добавить новую задачу — когда мы её сделаем?
— Как спрогнозировать завершение целого эпика, если в нём куча неопределённости?
Что вы получите:
После доклада у вас будет чёткое понимание, какие данные собирать, как их использовать и как создавать прогнозы. Это позволяет лучше аргументировать руководству и самой команде сроки завершения, показывая не только разброс дат, но и вероятность их выполнения. А ещё поможет ребятам меньше выгорать.
Этот доклад будет полезен руководителям проектов, agile-коучам, аналитикам и всем, кто устал от вопроса «Ну когда уже будет готово?»
Программа конференции: http://dc.ufacoder.com
1👍5🔥4❤3
В этом году посчастливилось привезти в Уфу Алексея Пименова с воркшопом по «построению стратегии с помощью Карты Гипотез» 🗺️🧭
Это, наверное, первый раз когда кто-то в Уфе говорит про модную нынче тему, которая систематизирует целеполагание и стратегирование. Мои метрики это хорошо, но они должны двигать наши цели - и правильная провязка помогает с этим работать. 🌟
Если вы на #ufadevconf2025 - тут в воркшоп можно впрыгнуть в любой момент с 15:20 - 18:00 👾
Это, наверное, первый раз когда кто-то в Уфе говорит про модную нынче тему, которая систематизирует целеполагание и стратегирование. Мои метрики это хорошо, но они должны двигать наши цели - и правильная провязка помогает с этим работать. 🌟
Если вы на #ufadevconf2025 - тут в воркшоп можно впрыгнуть в любой момент с 15:20 - 18:00 👾
❤7🔥2
Конфа прошла. Было очень круто), всем кто пришел на конференцию - огромное спасибо! Я всегда переживаю что айтишное сообщество в Уфе тухлеет и умирает, а оно - цветет и пахнет!
🙏🏽 Огромное спасибо Лешам (Пименову с воркшопом по Карте Гипотез, и Пикулеву по Доверию в команде) что согласились прилететь, провести. Я, честное слово, до последнего боялся что воркшопы в Уфе (формат-то новый) будут не востребованы. А тут - и народу нормально пришло, а какие дискуссии были. Зря носился с аудиториями, флипчартами, стикерам - всего хватило, аудитория вовлеченная, настроение отличное ♥️ круто что такие мастодонты жанра с радостью к нам приезжают :)
Ещё огромное спасибо Наташе Кирилловой, человеку на котором держится вся конфа. ♥️♥️
Упоминание в слайдах самих выступающих нашего сообщества @AgileUfa, с тёплыми словами как место, где люди обмениваются опытом и помогают с рабочими кейсами дало нам какой-то лютый буст аудитории - митапу в конце ноября чтобы все за-знакомиться быть + проговорим про применение ИИ в своей работе.
📽 Материалы с моего выступления: "Хватит пропускать дедлайны? Честная предсказуемость с методом Monte Carlo. Выстраиваем доверие со стейкхолдерами data-driven подходом" доступны в яндекс.диске по ссылке.
🔗 По ссылке:
- сама преза в PPTX (67 метров),
- sample file с данными по Throughput за 20 дней, чтобы строить прогнозы самостоятельно(!) в https://predictable.team
- и список источников (включая мои статьи на хабре), которые можно почитать чтобы подробнее и лучше понять сабж.
_
🧠 Coming Soon:
- На следующей неделе начну потихоньку писать про внедрение AI в разработку на периметре кучи команд - шишки, причем тут ADKAR, дерево метрик и всякое другое.
🙏🏽 Огромное спасибо Лешам (Пименову с воркшопом по Карте Гипотез, и Пикулеву по Доверию в команде) что согласились прилететь, провести. Я, честное слово, до последнего боялся что воркшопы в Уфе (формат-то новый) будут не востребованы. А тут - и народу нормально пришло, а какие дискуссии были. Зря носился с аудиториями, флипчартами, стикерам - всего хватило, аудитория вовлеченная, настроение отличное ♥️ круто что такие мастодонты жанра с радостью к нам приезжают :)
Ещё огромное спасибо Наташе Кирилловой, человеку на котором держится вся конфа. ♥️♥️
Упоминание в слайдах самих выступающих нашего сообщества @AgileUfa, с тёплыми словами как место, где люди обмениваются опытом и помогают с рабочими кейсами дало нам какой-то лютый буст аудитории - митапу в конце ноября чтобы все за-знакомиться быть + проговорим про применение ИИ в своей работе.
📽 Материалы с моего выступления: "Хватит пропускать дедлайны? Честная предсказуемость с методом Monte Carlo. Выстраиваем доверие со стейкхолдерами data-driven подходом" доступны в яндекс.диске по ссылке.
🔗 По ссылке:
- сама преза в PPTX (67 метров),
- sample file с данными по Throughput за 20 дней, чтобы строить прогнозы самостоятельно(!) в https://predictable.team
- и список источников (включая мои статьи на хабре), которые можно почитать чтобы подробнее и лучше понять сабж.
_
- На следующей неделе начну потихоньку писать про внедрение AI в разработку на периметре кучи команд - шишки, причем тут ADKAR, дерево метрик и всякое другое.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥11❤4
Начать серию постов про внедрение AI в разработку очень хочется с вопроса.
Все вокруг внедряют AI. Из каждого утюга лозунги (пока именно лозунги) про ускорение кодинга, автоматизация рутины, скоростную выкатку новых фичей.
Но чего Вы ждёте от AI-tools? Как объясняете коллегам на работе, почему это нужно именно сейчас? 🤔
Поделитесь в комментах: Зачем вы внедряете AI? Сократить время на JIRA-задачи, улучшить качество или что-то другое? Вы ждёте какой-то окупаемости? #AIAdoption
Все вокруг внедряют AI. Из каждого утюга лозунги (пока именно лозунги) про ускорение кодинга, автоматизация рутины, скоростную выкатку новых фичей.
Но чего Вы ждёте от AI-tools? Как объясняете коллегам на работе, почему это нужно именно сейчас? 🤔
Поделитесь в комментах: Зачем вы внедряете AI? Сократить время на JIRA-задачи, улучшить качество или что-то другое? Вы ждёте какой-то окупаемости? #AIAdoption
👍2🤔1🆒1
Зачем внедрять AI? (1/5)
В прошлом посте я задавал вопрос, а зачем вам вообще AI?
AI — штука сугубо прикладная. Мы не внедряем AI ради AI.
Железки, GPU, доступы к API, токены - это не безлимитное и совсем не дешевое удовольствие. Бизнесу важно понимать к какому таргет-состоянию мы хотим прийти после внедрения.
Звучит логично, многие об этом думают. Но часто внятно ответить на вопросы не получается:
- А какую цель это закрывает?
- Как мы это измерим?
- Как мы будем в моменте понимать что достигаем их?
Две главные бизнес-цели
У любой организации есть два фундаментальных желания:
1️⃣ Сократить издержки (путем сокращения расходов (Cost Reduction) )
Гипотеза: инвестиции в AI должны окупиться тем, что затраты на персонал перестанут расти, а в идеале -> даже снизятся. Не увольнять людей (это отдельная, sensitive тема в связке с AI), а делать больше текущим или меньшим количеством людей. Еще это может быть сокращение COGS (cost of goods sold), иных операционных расходов и других показателей, которые часто съедают существенную часть бюджета (просто затраты на ФОТ обычно одни из самых больших).
2️⃣ Повысить доходы (путем снижения скорости вывода новой ценности на рынок (Time to Market))
Гипотеза: AI ускоряет разработку и позволяет быстрее доставлять новую ценность клиентам. Это нужно компаниям для удержания и роста доли рынка. Делаешь что-то быстрее конкурентов -> больше шансов сорвать куш.
✨А еще: AI автоматизирует то, что раньше было невозможно
По этому пункту мы зарубились с утра в коворкинге с @aigizK. И он заставил меня его добавить.
AI открывает двери для автоматизации задач, которые раньше просто нельзя или дорого было автоматизировать. Андрей Карпатый (сооснователь OpenAI и экс-глава AI в Tesla) называет это "Software 2.0". Новой парадигмой ПО, где ИИ автоматизирует не по жёстким правилам, а по проверяемым результатам.
Вкратце из его поста: "ИИ часто сравнивают с электричеством или промышленной революцией, но самая точная аналогия - это Software 2.0. В 80-х автоматизировали задачи по простым правилам (типа бухгалтерии). Сейчас с ИИ мы автоматизируем то, что вручную описать невозможно, но можно проверить. Задаём таргет и ищем лучшую нейросеть. Лучше всего автоматизируется то, что легко проверить (код, математика, головоломки). Непроверяемое (творчество, стратегия) отстаёт, но прогресс зубчатый и в проверяемых задачах он стремительный".
В разработке это значит: раньше рутина вроде boilerplate-кода или тестов была "ручной", потому что её сложно(сложнее) формализовать. Теперь AI генерирует и проверяет - и команды справляются с большим объёмом без доп. найма. Это, потенциально, усиливает обе цели: снижает затраты и ускоряет Time To Market.
Плоды внедрения появляются в работе с линейным персоналом: можно оцифровывать и проверять миллионы PDF-файлов, с вменяемыми результатами, которые раньше исчислялись бы миллионами рублей.
🎯 Вопрос:
Какие орг. цели вы приследуете при внедрении ИИ-инструментов?
*️⃣ Вопрос со звездочкой: сколько раз "AI" упоминается в этом посте.
В прошлом посте я задавал вопрос, а зачем вам вообще AI?
AI — штука сугубо прикладная. Мы не внедряем AI ради AI.
Железки, GPU, доступы к API, токены - это не безлимитное и совсем не дешевое удовольствие. Бизнесу важно понимать к какому таргет-состоянию мы хотим прийти после внедрения.
Звучит логично, многие об этом думают. Но часто внятно ответить на вопросы не получается:
- А какую цель это закрывает?
- Как мы это измерим?
- Как мы будем в моменте понимать что достигаем их?
Две главные бизнес-цели
У любой организации есть два фундаментальных желания:
1️⃣ Сократить издержки (путем сокращения расходов (Cost Reduction) )
Гипотеза: инвестиции в AI должны окупиться тем, что затраты на персонал перестанут расти, а в идеале -> даже снизятся. Не увольнять людей (это отдельная, sensitive тема в связке с AI), а делать больше текущим или меньшим количеством людей. Еще это может быть сокращение COGS (cost of goods sold), иных операционных расходов и других показателей, которые часто съедают существенную часть бюджета (просто затраты на ФОТ обычно одни из самых больших).
2️⃣ Повысить доходы (путем снижения скорости вывода новой ценности на рынок (Time to Market))
Гипотеза: AI ускоряет разработку и позволяет быстрее доставлять новую ценность клиентам. Это нужно компаниям для удержания и роста доли рынка. Делаешь что-то быстрее конкурентов -> больше шансов сорвать куш.
✨А еще: AI автоматизирует то, что раньше было невозможно
По этому пункту мы зарубились с утра в коворкинге с @aigizK. И он заставил меня его добавить.
AI открывает двери для автоматизации задач, которые раньше просто нельзя или дорого было автоматизировать. Андрей Карпатый (сооснователь OpenAI и экс-глава AI в Tesla) называет это "Software 2.0". Новой парадигмой ПО, где ИИ автоматизирует не по жёстким правилам, а по проверяемым результатам.
Вкратце из его поста: "ИИ часто сравнивают с электричеством или промышленной революцией, но самая точная аналогия - это Software 2.0. В 80-х автоматизировали задачи по простым правилам (типа бухгалтерии). Сейчас с ИИ мы автоматизируем то, что вручную описать невозможно, но можно проверить. Задаём таргет и ищем лучшую нейросеть. Лучше всего автоматизируется то, что легко проверить (код, математика, головоломки). Непроверяемое (творчество, стратегия) отстаёт, но прогресс зубчатый и в проверяемых задачах он стремительный".
В разработке это значит: раньше рутина вроде boilerplate-кода или тестов была "ручной", потому что её сложно(сложнее) формализовать. Теперь AI генерирует и проверяет - и команды справляются с большим объёмом без доп. найма. Это, потенциально, усиливает обе цели: снижает затраты и ускоряет Time To Market.
Плоды внедрения появляются в работе с линейным персоналом: можно оцифровывать и проверять миллионы PDF-файлов, с вменяемыми результатами, которые раньше исчислялись бы миллионами рублей.
🎯 Вопрос:
Какие орг. цели вы приследуете при внедрении ИИ-инструментов?
*️⃣ Вопрос со звездочкой: сколько раз "AI" упоминается в этом посте.
❤4
Как измерять AI-Adoption и связать с бизнес-целями (2/5)
В прошлом посте я рассказывал, что надо задумываться - зачем внедрять AI (повторю что у нас только гипотеза что с AI станет лучше). Сегодня - как мы пытаемся измерять эффект.
Главный вопрос: как понять, что внедрение реально работает?
🌲Ответ: строим трёхуровневое дерево метрик (дерево тут с натяжкой, а еще напрашивается разложить это по карте гипотез).
⚙️ Результата финального еще нет. Что мы делаем чтоб влиять на метрики - будет в следующем посте (там про ADKAR).
Уровень 1: AI-Adoption (внедрение)
Мы трекаем:
- MAU (количество активных пользователей в месяц) / DAU (в день) / Stickiness (=DAU/MAU, не просто количество активных пользователей, а еще и насколько они часто пользуются)
- Retention (удержание пользователей) / Churn (отток пользователей)
- Количество запросов на пользователя
- % задач с #ai (пока ручная пометка в тикетах в jira)
Уровень 2: Изменение процессов (промежуточный слой)
Это ключ! Adoption/Внедрение выражается в том, что процессы меняются:
- 📉 Cycle Time (от In Progress → Closed)
Сравниваем задачи с меткой #ai vs без ai
Гипотеза: AI ускоряет доставку → Cycle Time↓ → T2M↓.
- 🐛 Defect Rate (баги на задачу)
Проверяем: AI не роняет качество.
Если Defect Rate ≤ baseline → ОК → масштабируем.
- 📦 Количество задач на команду
Команды с высоким adoption (например, >60% задач с меткой #ai) vs низким (<20%).
Гипотеза: больше adoption → больше задач → Объём↑.
Уровень 3: Бизнес-результаты
• Cycle Time от In Progress до Closed ↓ → T2M↓
• Defect Rate (кол-во дефектов) ≤ baseline → Качество OK
• Кол-во Задач↑ → Объём↑
🎮Все эти стрелки вверх-вниз-влево-вправо выглядят как комбо в файтинге
Пример может выглядеть так:
1. В прошлом месяце 50pp Cycle Time для задач с #ai = 3 дня vs 5 дней без AI.
2. Команды с adoption >60% закрыли 110 задач vs 78 задач у команд с <20%.
🔥 Мой эксперимент за 3 месяц: я еще не понял стало ли лучше. Изменения требуют куче образовательных мероприятий, гайдов, постоянной работы с аудиторией подразделения.
А еще надо сильно смотреть на ROI - железки-то дорогие (а в нашей геополитической ситуации еще дороже).
🙏 Я призываю вас комментировать и помочь мне пересмотреть дерево, если хотите поумничать - хочется взгляда со стороны и вашего опыта!
❓ Вопрос к вам: как вы трекаете или пытаетесь трекать эффект от AI?
#AIметрики #T2M #Adoption
В прошлом посте я рассказывал, что надо задумываться - зачем внедрять AI (повторю что у нас только гипотеза что с AI станет лучше). Сегодня - как мы пытаемся измерять эффект.
Главный вопрос: как понять, что внедрение реально работает?
🌲Ответ: строим трёхуровневое дерево метрик (дерево тут с натяжкой, а еще напрашивается разложить это по карте гипотез).
⚙️ Результата финального еще нет. Что мы делаем чтоб влиять на метрики - будет в следующем посте (там про ADKAR).
Уровень 1: AI-Adoption (внедрение)
Мы трекаем:
- MAU (количество активных пользователей в месяц) / DAU (в день) / Stickiness (=DAU/MAU, не просто количество активных пользователей, а еще и насколько они часто пользуются)
- Retention (удержание пользователей) / Churn (отток пользователей)
- Количество запросов на пользователя
- % задач с #ai (пока ручная пометка в тикетах в jira)
Уровень 2: Изменение процессов (промежуточный слой)
Это ключ! Adoption/Внедрение выражается в том, что процессы меняются:
- 📉 Cycle Time (от In Progress → Closed)
Сравниваем задачи с меткой #ai vs без ai
Гипотеза: AI ускоряет доставку → Cycle Time↓ → T2M↓.
- 🐛 Defect Rate (баги на задачу)
Проверяем: AI не роняет качество.
Если Defect Rate ≤ baseline → ОК → масштабируем.
- 📦 Количество задач на команду
Команды с высоким adoption (например, >60% задач с меткой #ai) vs низким (<20%).
Гипотеза: больше adoption → больше задач → Объём↑.
Уровень 3: Бизнес-результаты
• Cycle Time от In Progress до Closed ↓ → T2M↓
• Defect Rate (кол-во дефектов) ≤ baseline → Качество OK
• Кол-во Задач↑ → Объём↑
🎮
Пример может выглядеть так:
1. В прошлом месяце 50pp Cycle Time для задач с #ai = 3 дня vs 5 дней без AI.
2. Команды с adoption >60% закрыли 110 задач vs 78 задач у команд с <20%.
А еще надо сильно смотреть на ROI - железки-то дорогие (а в нашей геополитической ситуации еще дороже).
🙏 Я призываю вас комментировать и помочь мне пересмотреть дерево, если хотите поумничать - хочется взгляда со стороны и вашего опыта!
❓ Вопрос к вам: как вы трекаете или пытаетесь трекать эффект от AI?
#AIметрики #T2M #Adoption
Please open Telegram to view this post
VIEW IN TELEGRAM
1🔥3❤1😎1
Как системно повышать использование AI в разработке. И причем тут ADKAR (3/5)
В прошлом посте я рассказывал про метрики и как связать их с целями бизнеса. Но чтобы метрики росли нужна система. Как раз сегодня на митапе @agileufa кратко затрагивали тему внедрения и проблемы чистого листа.
1️⃣ Хаотичные попытки "насадить" AI часто заканчиваются сопротивлением: "Опять что-то новое, мне и так работы хватает!".
2️⃣ "Проблема чистого листа" - человек может много слышать про AI, но не понятно с чего и как начинать.
Чтобы этого избежать, я использую модель управления изменениями ADKAR. И разделяю активности на два потока: массовые ("вширь") и прицельные ("вглубь").
Вот как это выглядит на практике:
1. Awareness (Осознание необходимости)
Цель: Чтобы у людей появился контекст и понимание, что технологии уже здесь и это новая норма.
- 📢 Распространение "вширь": постоянные мероприятия (вебинары, лекции, митапы), где мы просто рассказываем "что это такое" и "зачем оно нам".
- 📧 Регулярная рассылка новостей и кейсов в корпоративном чате (это немного буксует, не всегда хватает времени).
2. Desire (Желание меняться)
Цель: Переключить отношение с "надо" на "хочу".
- 🔥 Демонстрация боли и решения:** показываем, как AI снимает рутину, решает сложные и неудобные моменты в работе (тот самый boilerplate-код или нудные тесты).
- 🥕 Административный рычаг: у меня такого нет, но некоторые компании прямо в цели аккуратно (или нет) "вшивают" обязательный AI в цели командам. Звучит жестко, но добавляет мотивации.
3. Knowledge (Знание как)
Цель: Дать конкретные навыки, а не абстрактную теорию.
- 👨🔬 Специализированные вебинары: отдельно для QA, Developer, System Analyst, DevOps — с разбором их специфических кейсов.
- 🤼♂️ Круглые столы: обмен опытом между командами.
- 📚 Единый реестр AI-решений (One-Stop Shop): документация "как делать", собранная в одном месте (единое окно).
4. Ability (Умение применять)
Цель: Перейти от теории к практике своими руками. Инструментов много, но ничерта непонятно как применять у себя на конкретном кейсе.
- 🛠 Воркшопы "Hands-on": садимся и решаем реальную задачу из JIRA / Youtrack с помощью AI. Это самый мощный драйвер adoption.
5. Reinforcement (Поддержка и закрепление)
Цель: Чтобы откат к старым привычкам не случился через неделю.
- 💬 Чаты и встречи: пространство для обмена опытом, нытья, (да, это важно!) и непонятных вопросов.
- 📖 Постоянно обновляемая база знаний, которая растет вместе с опытом команды (с этим сложно).
Короче - мы ведем пользователя за руку: от "слышал(а) что-то про AI" (Awareness) до "решаю свою JIRA-задачу за 15 минут вместо часа" (Ability). И постоянно спрашиваем - удобно ли, чо мешает? + трекаем метрики.
Именно так растет MAU и появляются реальные бизнес-результаты.
❓А как вы подходите ко внедрению AI в ежедневную рутину команд?
#ADKAR #ChangeManagement #AIAdoption
В прошлом посте я рассказывал про метрики и как связать их с целями бизнеса. Но чтобы метрики росли нужна система. Как раз сегодня на митапе @agileufa кратко затрагивали тему внедрения и проблемы чистого листа.
1️⃣ Хаотичные попытки "насадить" AI часто заканчиваются сопротивлением: "Опять что-то новое, мне и так работы хватает!".
2️⃣ "Проблема чистого листа" - человек может много слышать про AI, но не понятно с чего и как начинать.
Чтобы этого избежать, я использую модель управления изменениями ADKAR. И разделяю активности на два потока: массовые ("вширь") и прицельные ("вглубь").
ADKAR — модель для управления изменениями в организациях. Она состоит из 5 элементов-букв:
1. A (Awareness) - Осознание необходимости изменения. На этом этапе важно донести до сотрудников, почему изменения необходимы и какие проблемы они решают.
2. D (Desire) - Желание участвовать в изменениях. Нужно стимулировать мотивацию сотрудников поддерживать изменения.
3. K (Knowledge) - Знание о том, как измениться. Мы должны обучать сотрудников новым навыкам и знаниям, необходимым для внедрения изменений.
4. A (Ability) - Способность внедрять изменения на практике. Здесь оценивается, насколько сотрудники смогут применять новое знание в своей повседневной работе.
5. R (Reinforcement) - Укрепление изменений, чтобы обеспечить их долгосрочное удержание. Это предполагает обеспечение поддержки, мотивации и мониторинга изменений.
Вот как это выглядит на практике:
1. Awareness (Осознание необходимости)
Цель: Чтобы у людей появился контекст и понимание, что технологии уже здесь и это новая норма.
- 📢 Распространение "вширь": постоянные мероприятия (вебинары, лекции, митапы), где мы просто рассказываем "что это такое" и "зачем оно нам".
- 📧 Регулярная рассылка новостей и кейсов в корпоративном чате (это немного буксует, не всегда хватает времени).
2. Desire (Желание меняться)
Цель: Переключить отношение с "надо" на "хочу".
- 🔥 Демонстрация боли и решения:** показываем, как AI снимает рутину, решает сложные и неудобные моменты в работе (тот самый boilerplate-код или нудные тесты).
- 🥕 Административный рычаг: у меня такого нет, но некоторые компании прямо в цели аккуратно (или нет) "вшивают" обязательный AI в цели командам. Звучит жестко, но добавляет мотивации.
3. Knowledge (Знание как)
Цель: Дать конкретные навыки, а не абстрактную теорию.
- 👨🔬 Специализированные вебинары: отдельно для QA, Developer, System Analyst, DevOps — с разбором их специфических кейсов.
- 🤼♂️ Круглые столы: обмен опытом между командами.
- 📚 Единый реестр AI-решений (One-Stop Shop): документация "как делать", собранная в одном месте (единое окно).
4. Ability (Умение применять)
Цель: Перейти от теории к практике своими руками. Инструментов много, но ничерта непонятно как применять у себя на конкретном кейсе.
- 🛠 Воркшопы "Hands-on": садимся и решаем реальную задачу из JIRA / Youtrack с помощью AI. Это самый мощный драйвер adoption.
5. Reinforcement (Поддержка и закрепление)
Цель: Чтобы откат к старым привычкам не случился через неделю.
- 💬 Чаты и встречи: пространство для обмена опытом, нытья, (да, это важно!) и непонятных вопросов.
- 📖 Постоянно обновляемая база знаний, которая растет вместе с опытом команды (с этим сложно).
Короче - мы ведем пользователя за руку: от "слышал(а) что-то про AI" (Awareness) до "решаю свою JIRA-задачу за 15 минут вместо часа" (Ability). И постоянно спрашиваем - удобно ли, чо мешает? + трекаем метрики.
Именно так растет MAU и появляются реальные бизнес-результаты.
❓А как вы подходите ко внедрению AI в ежедневную рутину команд?
#ADKAR #ChangeManagement #AIAdoption
❤5👍1
Инструментарий и реалии: что именно внедряем и почему (4/5)
В прошлых постах я рассказывал зачем внедрять AI (T2M↓, объём работы↑), как измерять эффект (дерево метрик) и как системно менять поведение команд (ADKAR).
Но остаётся вопрос: а что конкретно мы внедряем? Какие инструменты? И почему именно их?
Наши реалии: слон в комнате 🐘
Мы в России не можем играть на том же поле, что OpenAI или Google:
- Железо. GPU производятся не у нас. По количеству серверов мы (по всей стране) не сравнимся даже с одним крупным дата-центром в США. Всё в РФ везётся через третьи страны, цена в полтора-два раза выше.
- Тренировать свои модели? Для большинства компаний это нереально дорого и долго. Даже крупные игроки вроде Сбера признают: их GigaCode по бенчмаркам уступает западным и китайским аналогам.
- Российские модели vs мировые. Если сравнивать русскоязычно-центричные решения (GigaChat, Алиса) с западными и китайскими - наши проигрывают даже в русском языке. Все потому что корпус данных и инфраструктура у мировых моделей прокачаны на всём пласте человеческих знаний.
- Ну и цена. Сравните Alice AI для B2B (релиз прошлой недели) с Anthropic-ценами: наша дороже в 10 раз. Нафига таким пользоваться?
Выход: Open Source и китайские партнёры
Хорошая новость! Есть открытые модели, и это наше спасение:
🇨🇳 Qwen (от Alibaba) - отличное соотношение цена/качество, хорошо работает с кодом.
🇨🇳 DeepSeek - сильная модель для генерации кода и reasoning-а.
🌍 Другие OSS-модели - Llama, Mistral, GPT OSS и т.д.
Их не нужно тренировать с нуля. Допиливать под свои задачи опционально.
Модели QWQ 3, Qwen UltraCoder 480B, GPT OSS 20b (идет даже на неплохом макбуке) / 120b. Этого за глаза хватает, чтобы покрыть 90% всех сценариев в разработке. Наши лидирующие провайдеры (мтс, селектел, ..) предлагают возможности запустить всё у себя и прокинуть API.
Вопрос: А чего у вас в компании развернуто из моделек и каким провайдером вы пользуетесь?
В прошлых постах я рассказывал зачем внедрять AI (T2M↓, объём работы↑), как измерять эффект (дерево метрик) и как системно менять поведение команд (ADKAR).
Но остаётся вопрос: а что конкретно мы внедряем? Какие инструменты? И почему именно их?
Наши реалии: слон в комнате 🐘
Мы в России не можем играть на том же поле, что OpenAI или Google:
- Железо. GPU производятся не у нас. По количеству серверов мы (по всей стране) не сравнимся даже с одним крупным дата-центром в США. Всё в РФ везётся через третьи страны, цена в полтора-два раза выше.
- Тренировать свои модели? Для большинства компаний это нереально дорого и долго. Даже крупные игроки вроде Сбера признают: их GigaCode по бенчмаркам уступает западным и китайским аналогам.
- Российские модели vs мировые. Если сравнивать русскоязычно-центричные решения (GigaChat, Алиса) с западными и китайскими - наши проигрывают даже в русском языке. Все потому что корпус данных и инфраструктура у мировых моделей прокачаны на всём пласте человеческих знаний.
- Ну и цена. Сравните Alice AI для B2B (релиз прошлой недели) с Anthropic-ценами: наша дороже в 10 раз. Нафига таким пользоваться?
Выход: Open Source и китайские партнёры
Хорошая новость! Есть открытые модели, и это наше спасение:
🇨🇳 Qwen (от Alibaba) - отличное соотношение цена/качество, хорошо работает с кодом.
🇨🇳 DeepSeek - сильная модель для генерации кода и reasoning-а.
🌍 Другие OSS-модели - Llama, Mistral, GPT OSS и т.д.
Их не нужно тренировать с нуля. Допиливать под свои задачи опционально.
Модели QWQ 3, Qwen UltraCoder 480B, GPT OSS 20b (идет даже на неплохом макбуке) / 120b. Этого за глаза хватает, чтобы покрыть 90% всех сценариев в разработке. Наши лидирующие провайдеры (мтс, селектел, ..) предлагают возможности запустить всё у себя и прокинуть API.
Вопрос: А чего у вас в компании развернуто из моделек и каким провайдером вы пользуетесь?
👍3❤2
Люди, Лаборатории, Misleading* герои и технологический шум, спутывающий метрики: специфика работы с AI-сообществом (5/5)
*уводящие не туда, спутывающие
Мы много говорили про ADKAR, метрики и выбор инструментов. Но! Один Agile Coach/Change Manager или даже целый отдел внедрения не затащит AI в компании на 1000+ человек.
Нужны амбассадоры.
🏗 AI Labs на местах
Хорошая (при внедрении любых изменений) стратегия — искать волонтеров и техлидов внутри команд и помогать им создавать локальные внутри командные AI Labs - регулярные встречи по обмену опытом.
Это точки кристаллизации опыта.
Ребята сами пробуют, набивают шишки, находят крутые промпты под свою специфику (фронт, бэк, QA) и — самое главное — делятся этим (причем безопасно, внутри команды).
По сути, это децентрализация изменений. Ваша задача как орг структуры - дать им ресурсы и поддержку, они дают всему подразделению кейсы и повышение уровня внедрения ИИ-инструментов в повседневную работу.
🕵️♂️ Охота на Power Users
Как их находить? Кроме того что я опираюсь на техлидов и сообщество, ещё я смотрю в метрики.
Для меня отсечка — >500 запросов в месяц ("ха-ха" - скажете вы - "это же мало!". "Надо же с чего-то начинать" - отвечу я. )
Если человек перешагнул этот порог, скорее всего, он уже встроил AI в свой пайплайн, и с ним надо поговорить: узнать, как он это делает, и масштабировать его опыт.
Но тут начинается самое интересное. Метрики врут.
Иногда ты видишь power-user'a с тысячей запросов, идешь к нему за инсайтами, а там...
📉 Кейс 1: Задолбай автокомплитом
Вы видите дикую активность. Думаете: "Вау, он генерит тонны кода!".
В реале у человека просто включен AI-автокомплит (типа Copilot или Qwen в режиме ghost text). Инструмент в моменте, перед выдачей подсказки, "пулеметом" фигачит запросы к API, пытаясь понять контекст и предложить продолжение строки.
Это просто "шум" инструмента. Полезно? Да. Power User? Не.
📉 Кейс 2: Натрави агента на монолитище
Вижу в топе парня, у которого за день улетел объем токенов, как у небольшого стартапа. Думаю: "Нашел гения!".
Иду общаться. Оказывается, он просто решил скормить Qwen Code весь монолит проекта разом, чтобы "посмотреть чего как работает и сделать карту проекта", а потом сделать большой рефакторинг.
Да, счетчик зашкалил. Но это разовая акция. За исключением этого дня он инструментом пользуется ощутимо реже.
Статистически — Power User. Фактически — экспериментатор. Кстати тоже классный кейс чтобы на уровне подразделения показать как цифры нас смущают.
Вывод
Осознанное повышение показателей внедрения AI это не только про дешик и предельные показатели.
Цифры >500 requests = сигнал "поди посмотри". Как, впрочем, и работа с любыми метриками команды 🤷♂️
Балансируйте количественные метрики качественным интервью. AI-трансформация — это на 20% про технологии и на 80% про психологию, работу с людьми и умение отличать реальный adoption (все мучаюсь с подбором слова на русском) от "технологического шума".
А у вас были случаи, когда метрики показывали одно, а реальность — совсем другое?
#AICommunity #PowerUsers #Метрики #ChangeManagement
*уводящие не туда, спутывающие
Мы много говорили про ADKAR, метрики и выбор инструментов. Но! Один Agile Coach/Change Manager или даже целый отдел внедрения не затащит AI в компании на 1000+ человек.
Нужны амбассадоры.
🏗 AI Labs на местах
Хорошая (при внедрении любых изменений) стратегия — искать волонтеров и техлидов внутри команд и помогать им создавать локальные внутри командные AI Labs - регулярные встречи по обмену опытом.
Это точки кристаллизации опыта.
Ребята сами пробуют, набивают шишки, находят крутые промпты под свою специфику (фронт, бэк, QA) и — самое главное — делятся этим (причем безопасно, внутри команды).
По сути, это децентрализация изменений. Ваша задача как орг структуры - дать им ресурсы и поддержку, они дают всему подразделению кейсы и повышение уровня внедрения ИИ-инструментов в повседневную работу.
🕵️♂️ Охота на Power Users
Как их находить? Кроме того что я опираюсь на техлидов и сообщество, ещё я смотрю в метрики.
Для меня отсечка — >500 запросов в месяц ("ха-ха" - скажете вы - "это же мало!". "Надо же с чего-то начинать" - отвечу я. )
Если человек перешагнул этот порог, скорее всего, он уже встроил AI в свой пайплайн, и с ним надо поговорить: узнать, как он это делает, и масштабировать его опыт.
Но тут начинается самое интересное. Метрики врут.
Иногда ты видишь power-user'a с тысячей запросов, идешь к нему за инсайтами, а там...
📉 Кейс 1: Задолбай автокомплитом
Вы видите дикую активность. Думаете: "Вау, он генерит тонны кода!".
В реале у человека просто включен AI-автокомплит (типа Copilot или Qwen в режиме ghost text). Инструмент в моменте, перед выдачей подсказки, "пулеметом" фигачит запросы к API, пытаясь понять контекст и предложить продолжение строки.
Это просто "шум" инструмента. Полезно? Да. Power User? Не.
📉 Кейс 2: Натрави агента на монолитище
Вижу в топе парня, у которого за день улетел объем токенов, как у небольшого стартапа. Думаю: "Нашел гения!".
Иду общаться. Оказывается, он просто решил скормить Qwen Code весь монолит проекта разом, чтобы "посмотреть чего как работает и сделать карту проекта", а потом сделать большой рефакторинг.
Да, счетчик зашкалил. Но это разовая акция. За исключением этого дня он инструментом пользуется ощутимо реже.
Статистически — Power User. Фактически — экспериментатор. Кстати тоже классный кейс чтобы на уровне подразделения показать как цифры нас смущают.
Вывод
Осознанное повышение показателей внедрения AI это не только про дешик и предельные показатели.
Цифры >500 requests = сигнал "поди посмотри". Как, впрочем, и работа с любыми метриками команды 🤷♂️
Балансируйте количественные метрики качественным интервью. AI-трансформация — это на 20% про технологии и на 80% про психологию, работу с людьми и умение отличать реальный adoption (все мучаюсь с подбором слова на русском) от "технологического шума".
А у вас были случаи, когда метрики показывали одно, а реальность — совсем другое?
#AICommunity #PowerUsers #Метрики #ChangeManagement
❤3
Юмора в ленту:
в запрещённой в России X (в девичестве Twitter) вышел ироничный пост Питера Гирнюса: стебется над внедрением AI в энтерпрайзах.
Покупают за много денег решения, рисуют красивые графики, выводы делают умножая на выдуманные числа :)
Не пугайтесь объему текста - он читается весело и быстро. Для тех кто лишён доступа, в цитате можно раскрыть оригинальный текст.
в запрещённой в России X (в девичестве Twitter) вышел ироничный пост Питера Гирнюса: стебется над внедрением AI в энтерпрайзах.
Не пугайтесь объему текста - он читается весело и быстро. Для тех кто лишён доступа, в цитате можно раскрыть оригинальный текст.
Last quarter I rolled out Microsoft Copilot to 4,000 employees.
$30 per seat per month.
$1.4 million annually.
I called it "digital transformation."
The board loved that phrase.
They approved it in eleven minutes.
No one asked what it would actually do.
Including me.
I told everyone it would "10x productivity."
That's not a real number.
But it sounds like one.
HR asked how we'd measure the 10x.
I said we'd "leverage analytics dashboards."
They stopped asking.
Three months later I checked the usage reports.
47 people had opened it.
12 had used it more than once.
One of them was me.
I used it to summarize an email I could have read in 30 seconds.
It took 45 seconds.
Plus the time it took to fix the hallucinations.
But I called it a "pilot success."
Success means the pilot didn't visibly fail.
The CFO asked about ROI.
I showed him a graph.
The graph went up and to the right.
It measured "AI enablement."
I made that metric up.
He nodded approvingly.
We're "AI-enabled" now.
I don't know what that means.
But it's in our investor deck.
A senior developer asked why we didn't use Claude or ChatGPT.
I said we needed "enterprise-grade security."
He asked what that meant.
I said "compliance."
He asked which compliance.
I said "all of them."
He looked skeptical.
I scheduled him for a "career development conversation."
He stopped asking questions.
Microsoft sent a case study team.
They wanted to feature us as a success story.
I told them we "saved 40,000 hours."
I calculated that number by multiplying employees by a number I made up.
They didn't verify it.
They never do.
Now we're on Microsoft's website.
"Global enterprise achieves 40,000 hours of productivity gains with Copilot."
The CEO shared it on LinkedIn.
He got 3,000 likes.
He's never used Copilot.
None of the executives have.
We have an exemption.
"Strategic focus requires minimal digital distraction."
I wrote that policy.
The licenses renew next month.
I'm requesting an expansion.
5,000 more seats.
We haven't used the first 4,000.
But this time we'll "drive adoption."
Adoption means mandatory training.
Training means a 45-minute webinar no one watches.
But completion will be tracked.
Completion is a metric.
Metrics go in dashboards.
Dashboards go in board presentations.
Board presentations get me promoted.
I'll be SVP by Q3.
I still don't know what Copilot does.
But I know what it's for.
It's for showing we're "investing in AI."
Investment means spending.
Spending means commitment.
Commitment means we're serious about the future.
The future is whatever I say it is.
As long as the graph goes up and to the right.
1😁3💯3🔥2
Помните я писал про ADKAR.
У компании andChange (я учился этому подходу в прошлом году в Алматы), вышли карточки-шпаргалки:
- На какие вопросы отвечать при внедрении AI в работу в большой организации, на каждом этапе изменений.
🚂 Предлагаю проверить себя: можете ли вы ответить на вопросы, на каждом из этапов. На каком этапе застопоритесь - на том примерно и находитесь :)
У компании andChange (я учился этому подходу в прошлом году в Алматы), вышли карточки-шпаргалки:
- На какие вопросы отвечать при внедрении AI в работу в большой организации, на каждом этапе изменений.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2
Forwarded from Управление изменениями и трансформация бизнеса
До этого мы делились карточками как применять ChatGPT при внедрении изменений. Сейчас же делимся в таком же формате полезными карточками, как внедрять ИИ в компании через призму ADKAR.
Как они могут быть полезны?
То есть нам нужно не просто сказать: "Они не хотят/сопротивляются/относятся формально/игнорируют/боятся" (нужное подчеркнуть), а понять, в чем же причина:
- Мы плохо объяснили причины внедрения или был неправильный отправитель?
- Мы не показали очевидные положительные стороны внедрения и не объяснили, что конкретно подвергнется изменению в их процессах, инструментах, метриках и т.д.?
- Мы просто выдали доступ и дали доступ к ИИ вместо четкого обучения с кейсами?
- Мы не поддерживаем своих сотрудников и не отслеживаем их прогресс, не принимаем корректирующие действия?
- Мы не празднуем "быстрые победы", наши руководители не выступают в качестве ролевых моделей?
Забирайте карточки себе в работу, чтобы управление изменениями при внедрении ИИ было точным и эффективным. Они звучат просто и понятно, но попробуйте честно ответить на эти вопросы и составить конкретные системные действия на их основе!
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥3❤1👍1