From IDEs to AI Agents with Steve Yegge (Рубрика #Agents)

Посмотрел выпуск подкаста Gergely Orosz "The Pragmatic Engineer" с крутым гостем, Steve Yegge, известным инженером ex-Google, ex-Amazon, ex-Grab, у которого 40+ лет в разработке. Он любит и умеет писать провокационные тексты про индустрии, недавно стал со-автором книги "Vibe Coding", а также создателем open-source оркестратора агентов Gas Town. Ребята весь выпуск обсуждали как меняется единица инженерной работы в наше время. Основные мысли, что мне запомнились, такие

1️⃣ Главный навык смещается от написания кода к управлению агентами
Yegge описывает 8 уровней использования AI - от полного отказа до собственной оркестрации десятков агентов. Его тезис резкий, но полезный: застрять на уровне "иногда спросил IDE и очень тщательно посмотрел diff" - значит недоиспользовать новую модель работы. Для нас это означает: учить команды декомпозировать работу, создавать защитные барьеры (guardrails), способы оценки работы (evals), пайплайны ревью и мульти-агентные процессы и так далее. Примерно про это я писал в статье "От классического PDLC к AI-native разработке"

2️⃣ IDE становится не редактором, а диспетчерской
Одна из центральных мыслей выпуска: новая IDE может превратиться в интерфейс разговора с агентами и мониторинга их работы, а не в место, где инженер вручную набивает код. Для нас это сдвиг фокуса с кодинга на постановку задач, работу с разрешениями, sandboxing, observability и встраивание агентов в SDLC)

3️⃣ AI жестко подсвечивает архитектурный долг
В выпуске отдельно звучит, что монолитные кодовые базы - серьезный блокер для enterprise AI-adoption: агентам нужен обозримый и хорошо извлекаемый контекст. Для технических руководителей это практический сигнал: модульность, понятные границы, ответственность и владение кодом, документация и удобные для AI репозитории становятся не "архитектурной эстетикой", а прямым фактором скорости

4️⃣ AI меняет не только разработку, но и операционную модель команды
Yegge несколько раз подчеркивает, что AI - это прежде всего аугментация, а не просто замена: маленькие AI-усиленные команды могут двигаться быстрее больших организаций, у которых бутылочные горлышки уже не в кодинге, а в согласованиях, приоритизации и способности компании переварить output. Даже если не принимать буквально его тезис про "мертвые большие компании", вывод практичный: код писать можно быстрее, а вот принимать решения и доводить до production - не факт. Примерно про это я писал в статье "От AI-native разработки к AI-native организации"

5️⃣ Рост продуктивности легко превращается в рост выгорания
Стив рассказывает про эффект Дракулы или AI вампира - это мысль о том, что AI автоматизирует более легкую часть работы и оставляет человеку самые энергозатратные решения. В интервью Yegge говорит, что на максимальной AI-скорости у человека может быть всего около 3 продуктивных часов в день; ту же идею он отдельно развивает в своем эссе про AI Vampire. Для техлидов это, возможно, самый важный кусок: нельзя превращать 10x-инструмент в 10x-ожидание от людей.

Еще была пара интересных мыслей
- SaaS без API и platform-мышления рискует проиграть AI-native игрокам: если продукт плохо встраивается программно, его будут обходить или заменять
- Прототипирование становится почти production-моделью: по словам Yegge, команды делают много быстрых вариантов и выбирают лучший, а не месяцами полируют одну реализацию. Про популярность таких подходов я рассказывал, когда говорил про Lovable, продукт из этой категории

В общем, послушать Стива было интересно - он умеет размышлять о текущем и будущем широкими мазками, над которыми интересно поразмышлять и сравнить со своими мыслями.

#AI #Management #Future #Software #Engineering #Productivity

The State of DevOps Modernization 2026 (Рубрика #Devops)

Изучил недавно вышедший отчет "The State of DevOps Modernization 2026" от Harness. Отчет основан на опросе ~700 инженеров и руководителе, что был проведен в феврале 2026 года компанией Coleman Parkes. Основной вывод отчета в том, что AI резко ускорил локальный цикл кодирования, а остальная часть delivery контура во многих командах внутри корпораций не успевает его переварить.

Основная аналитическая модель отчета очень простая: почти все выводы построены через cross-tab по вопросу "как часто вы используете AI инструменты для кодирования" - от нескольких раз в день до более редкого использования. То есть это не анализ телеметрии и не каузальный инференс как в DORA, а срез восприятия и самооценок респондентов.

Авторы выделил следующие ключевые результаты

1️⃣ Скорость действительно выросла. 45% very frequent AI пользователей говорят о ежедневных или чаще развертывания против 32% у frequent и 15% у occasional users. Но рядом с этим идет налог на стабильность: 69% very frequent users говорят, что AI-generated code приводит к проблемам с развертыванием как минимум в половине случаев; 22% deployments в этой когорте заканчиваются rollback, hotfix или customer-impacting incident; MTTR по таким инцидентам у них выше - 7.6 часа против 6.0 и 6.3 часа в соседних когортах.

2️⃣ Но это напряжение распространяется далеко за пределы инцидентов. Среди very frequent AI users 50% говорят о росте vulnerabilities/security инцидентов и 50% - о росте non-compliance issues; 49% видят больше проблемы с производительностью; 51% - больше code quality/efficiency problems. При этом сами авторы специально оговаривают: явной причинно-следственной связи между AI coding и этими проблемами отчет не доказывает (такой дизайн эксперимента может показать только корреляции)

3️⃣ Coding автоматизируется быстрее, чем остальной SDLC. 84% респондентов используют AI ежедневно для coding, но для QA testing этот показатель 68%, для performance/cost optimization 63%, для refactoring 62%. 47% very frequent users говорят, что ручная работа дальше по пайплайну после кода стала проблемнее (это QA, code review, remediation); 69% теряют время из-за медленных и ненадженых CI/CD; 70% считают, что их pipelines страдают от flaky тестов and неуспешных развертываний; 75% связывают давление на шиппинг с выгоранием; 73% говорят, что у них почти нет стандартных темплейтов и golden paths

В итоге, видно, что проблема в том, что AI усиливает throughput там, где платформа, CI/CD, гейты контроля и координация остались на старой скорости. Авторы сами это почти проговаривают: у них есть гипотеза, что heavy AI users просто пытаются доставлять больше кода и поэтому острее чувствуют flaky tests и deployment failures; их pipelines не обязательно хуже, просто потребности уже выше. Это сильный инсайт, но как доказательств причинности отчет не дает:)

Примерно эти же мысли я писал в статье "От классического PDLC к AI-native разработке", но в основном опирался на другие исследования типа DORA или нашего AI4SDLC, который мы проводили от "Т-Технологий" в конце прошлого года и проведем еще раз в этом году

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

Как AI меняет инженерную культуру и что это значит для тимлидов и инженеров (Рубрика #Engineering)

Именно с таким докладом я выступаю сегодня в 15:40 на конференции "Dream Teamlead" от Яндекса. Я расскажу про то, как сейчас меняются инженерные процессы и что это значит для индустрии и для условного тимлида, которому надо уметь теперь не только работать в формате Software Engineering 1.0, но и в новом формате. Круто, что у ребят будет доступна трансляция на сайте конфы

Вообще мое выступление будет состоять из четырех частей

1️⃣ Как себя чувствует индустрия
Здесь я расскажу про наше исследование AI4SDLC, которое мы проводили в конце прошлого года и которое состояло из мета-исследования и опроса в котором поучаствовала примерно тысяча респондентов со всей России. Мы хотели ответить на вопросы
- В каких задачах разработки AI используется чаще всего, а где остаётся редким?
- Как соотносятся изменения продуктивности и качества (опросы, телеметрия, эксперименты)?
- Как доверие к AI-коду связано с практиками проверки (ревью, тесты, quality gates)?
- Какие элементы процесса превращают индивидуальный эффект в командный?
Сами результаты доступны здесь

2️⃣ От классического PDLC к AI-native-разработке
Здесь я расскажу про сдвиг индустрии от классических процессов к AI-native, как это выглядит и почему происходит. Здесь я поделюсь сигналами от западных бигтех компаний, а также расскажу как мы идем примерно в эту же сторону. На эту тему у меня есть подробная статья на моем сайте tellmeabout.tech.

3️⃣ От AI-native-разработки к AI-native-организации
Здесь я расскажу о том, как вслед за процессами разработки начинает меняться и огрдизайн компаний. Тут опять будут сигналы от западных бигтех компаний + размышления о том, почему так происходит, какие преимущества дает и какие вопросы при этом требуется решить. На эту тему у меня есть подробная статья на моем сайте tellmeabout.tech.

4️⃣ Как меняется роль тимлида
В последней части я расскажу а как меняется роль тимлида при этих изменениях, ведь ему приходится теперь не просто распределять задачи - он теперь проектирует контур разработки или human-agent систему. Про это у меня пока нет статьи, но я ее обязательно напишу как follow up к этому докладу.

P.S.
В докладе у меня не хватит времени поговрить про изменения в управлении задачами, но на своем сайте tellmeabout.tech я уже опубликовал статью "От классического управления задачами в Jira к AI-native task management (на примере Atlassian и Linear)", которая рассматривает этот интересный вопрос.

P.P.S.
Если будете очно на кофне, то можете поймать меня и пообщаться, а если вы будете онлайн, то сможете посмотреть доклад в трансляции.

#AI #Management #Future #Software #Engineering #Productivity #Agents #Processes

From Writing Code to Managing Agents. Most Engineers Aren't Ready | Stanford University, Mihail Eric (Рубрика #Engineering)

Интересное интервью Mihail Eric, Head of AI at Monaco и лектора Стэнфорда, где он ведёт курс "CS146S: The Modern Software Developer". Mihail Eric интересно рассказывает про то, куда реально двигается разработка софта. Основная мысль про то, что профессия не исчезает, но центр тяжести уходит от ручного написания каждой строчки к оркестрации AI-агентов, декомпозиции задач, проверке результатов и проектированию среды, в которой агентам можно доверять. Собственно, сам курс "CS146S: The Modern Software Developer" как раз про это.

В этом интервью 15-минутном интервью были несколько интересных мыслей

1️⃣ Eric объясняет почему junior-рынок так штормит тремя факторами
- Перегретый найм после 2021 года и последующие сокращения
- Резкий рост числа CS-выпускников
- AI, из-за которого компании всё чаще думают не "кого ещё нанять", а "сколько AI-native инженеров нужно, чтобы закрыть тот же объём работы"

2️⃣ Eric объясняет, а кто такой AI-native engineer
- Это не просто про промпт инженер, а скорее разработчик с нормальной базой в system design, алгоритмах и традиционной разработке
- Этот инженер должен уметь работать с агентскими workflow
По мнению Eric основная ошибка - это попытка сразу запускать много агентов. Но лучше начинать наоборот: сначала один агент на один workflow, потом постепенно добавлять только изолированные задачи и лишь затем масштабировать оркестрацию

3️⃣ Eric рассказывает про дружелюбную для агентов кодовую базу
- Для агента тесты - это не "nice to have" фича, а фактически контракты
- Если тестов мало, README устарел, а одинаковые сущности создаются разными паттернами в разных местах, то агент начинает гадать - и очень быстро начинает плодить ошибки.
В итоге, тексты, документация и единые паттерны базы - это не просто инженерная гигиена, а просто база для AI-native разработки

4️⃣ Eric отмечает, что мульти-агентные workflows больше похожи на менеджмент, чем на классическое программирование
Нужно уметь быстро переключать контекст, держать в голове, чем занят каждый агент, понимать, где он застрял, и мягко возвращать его в правильную траекторию. По сути, сильный AI-native engineer - это уже немного менеджер команды из агентов:)

5️⃣ Eric отмечает важность вкуса продуктового и инженерного
Функциональный продукт и действительно сильный продукт разделяет не только корректность кода, но и желание пройти "последнюю милю": сделать фичу устойчивее, полезнее, глубже, довести UX и robustness. Eric связывает это с постоянным экспериментированием: даже команды, которые строят AI-инструменты, сами всё время переписывают и переизобретают свои workflow.

В общем, автор за 15 минут продал мне свой курс про современную разработку софта, лекции которого уже доступны на Youtube (правда, это не официальная версия, которую я не нашел, а сгенерированная через notebook lm на основе материалов курса)

#Agents #Software #Engineering #Management #DistributedSystems #SystemDesign #AI

[1/2] The State of DevOps Report 2026 от Perforce (Рубрика #DevOps)

Изучил новый "State of DevOps 2026" от Perforce, который фокусировался на вопросе: что на самом деле определяет успех AI в системе поставки ценности - сами AI-инструменты или зрелость инженерной системы. Этот вопрос обусловлен вендорской спецификой, так как Perforce - это вендор Devops стека, поэтому авторы исследовали связь между зрелостью DevOps процессов, глубиной внедрения AI, ролью платформенной инженерии и IDP, а также пробелами в измерениях и экономическим эффектом AI относительно стоимости. Ну и ребята пришли к логичному выводу, что для масштабирования AI нужны зрелые DevOps практики и процессы.

Методология выглядела как опрос 820 респондентов из глобального собщества, которые принимают IT решения, влияют на IT закупки, выбор инфраструктурных и платформеннных инструментов, а также на mission-critical приложения. С учетом такой выборки это скорее менеджерский взгляд на связь зрелости DevOps практик и AI, а не взгляд с позиции инженеров. Забавно, что авторы отфильтровывали из отчета менеджеров, которые не смогли бы объяснить коллегам термин "Agentic AI". А зрелость DevOps процессов авторы определяли операционно: через степень стандартизации delivery, качество работы с инцидентами, а также долю автоматизации деплоев, наличие автоматических rollback. В общем, авторы не претендуют на репрезентативность и выявление причинно-следственных связей, но дают интересную описательную статистику.

В основу исследования легли четыре ключевых вопроса
1) Влияет ли зрелость DevOps на успех AI?
2) Что нужно, чтобы AI масштабировался между командами - локальные инструменты или централизованные системы, IDP (внутренние платформы разрботки) и control planes?
3) Умеют ли компании измерять и аудировать AI, или пока просто "верят", что он помогает?
4) Есть ли экономический эффект, и не съедают ли его cloud/compute затраты?
Собственно, поэтому сам отчет и состоит из четырех частей:)

В следующем посте я расскажу подробнее про полученные авторами результаты по итогам этого опроса

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

[2/2] The State of DevOps Report 2026 от Perforce (Рубрика #DevOps)

Продолжая рассказ про новый отчет "State of DevOps 2026" от Perforce, поделюсь основными результатами, которые представляют менеджерский взгляд на связь зрелости DevOps практик и AI (ребята так подбирали респондентов, чтобы это были в основном менеджеры, что принимают решения по инфраструктурным и платформенным решениям в своих компаниях).

1️⃣ 70% респондентов говорят, что зрелость DevOps заметно повлияла на успех AI
При этом только 38% организаций реально встроили AI глубоко в несколько стадий SDLC, еще 38% используют его часто, но без стандартизации, а 17% остаются на уровне ограниченных пилотов. Разрыв по зрелости огромный: в high-maturity организациях 72% лидеров говорят о deeply embedded AI, в mid - 43%, в low - 18%. В итоге, видно, что для масштабирования AI инициатив важна не покупка AI инструментов, а скорее подготовленная почва в виде зрелых инженерных процессов

2️⃣ AI наследует операционную модель работы, а не чинит ее
В отчете 32% организаций описаны как highly standardized, 35% - mostly standardized, а 34% продолжают жить в частичной или хаотичном деливери. То есть примерно треть рынка по‑прежнему находится в зоне, где результат зависит от конкретной команды. Perforce называет это проблемой вариантивности: пока рабочие процессы, окружения и governance отличаются от команды к команде, AI будет давать столь же неравномерный результат. Отсюда и акцент на control plane: не "еще один инструмент", а шаренные шаблоны, шаренные стандарты, шаренные пайплайны и управляемые окружения.

3️⃣ На рынка уже есть разрыв в уверенности между доверием к AI и реальной интеграцией AI инструментов в процессы
77% респондентов говорят, что доверяют AI outputs, но только 38% действительно глубоко встроили AI в delivery, и лишь 39% имеют полностью автоматизированные данные для аудита. В части про измерения авторы формулируют риск прямо: организации доверяют AI быстрее, чем успевают построить проверяемость, auditability и согласованную измеримость. Это важный антидот против иллюзии, что рост локальной продуктивности в IDE уже означает зрелый AI-native delivery.

4️⃣ Экономический эффект есть, но он не возникает автоматически
74% опрошенных считают, что AI встречается с завышенными ожиданиями. Отдельно Perforce показывает, что ROI сильнее у тех, у кого зрелая система поставки: high-maturity организации на 36% чаще автоматизируют 61%+ деплоев от коммита до прода и на 66% чаще "very effectively" отвечают на продовые инциденты. У low-maturity организаций, наоборот, 78% delivery не стандартизованы а только 19% очень эффективно реагируют на инциденты. Если на пальцах, то без зрелого DevOps AI может ускорить работу, но одновременно увеличить долю переделок, вариативность результатов, время downtime и затраты.

На мой взгляд, отчет Perforce очень хорошо подтверждает базовый тезис из моей статьи "От классического PDLC к AI-native разработке", что AI-native - это не еще один умный инструмент, а перестройка всей системы создания, проверки и поставки изменений. Только я иду еще дальше и размышляю про отдельные роли в этом новом процессе:)

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

System-Design.Space (Update) (Рубрика #SystemDEsing)

В последние недели я не останавливался с доработками своего сайта system-design.space. И сегодня я решил поделиться тремя ключевыми изменениями

1) Я поменял дизайн главной страницы, чтобы прямо на ней был блок с онбордингом и описанием всех возможностей доступных на сайте:
- Выбор трека изучения
- Изучения графа знаний
- Доступ на страницу со всеми материалами с поиском и фильтрацией по ним
Надеюсь, что теперь сайт станет понятнее и удобнее для пользователей, а то я посмотрел ряд сессий из Яндекс Метрики, где пользователи попадали на сайт и как будто не могли понять а что на нем есть и дальше просто уходили

2) Теперь в каждой главе в начале есть блок, в котором рассказывается о чем глава, почему это полезно для проектирования систем, а также как эти знания можно использовать на интервью - это моя попытка объяснить почему главу стоит прочитать. Если вы по описанию видите, что глава вам не особо полезна или интересна, то сразу можно пролистнуть на следующую

3) Я сам устал от артефактов в мобильной верстке, поэтому мы с OpenAI Codex написали скрипты для e2e тестов layouts в десктопном и мобильном режиме и поправили 90+ проблемных глав. Теперь на мобилке должно быть гораздо приятнее изучать этот сайт.

Было еще какое-то количество небольших изменений, но эти показались мне достойными упоминания.

#SystemDesign #Architecture #Software #DistributedSystems #UX #Interview

GitHub будем учить свои модели на поведенческих данных пользователей (Рубрика #AI)

GitHub обновил правила для Copilot: с 24 апреля 2026 данные взаимодействия пользователей Free / Pro / Pro+ можно использовать для обучения AI-моделей по умолчанию, если это не отключить вручную. Причем речь идет не просто про prompts, ни и про остальную информацию: ответы Copilot, куски кода, комментарии и другой контекст, который пользователь отправляет в Copilot во время сессии. Причем содержимое приватного репозитория само по себе GitHub обещает не брать в обучение, но фрагменты приветного кода, которые вы сами отправили в Copilot, - уже другой случай. Старые настройки по отключению шаринга такой информации GitHub обещает сохранить.

Для небольших команд и отдельных рзаработчиков это неприятный сдвиг в дефолтных настройках приватности. Особенность в том, что если разработчик использует личный Copilot-аккаунт в рабочем репозитории, часть рабочего контекста потенциально становится тренировочными данными. А значит личная подписка Copilot больше не выглядит нейтральным вариантом для работы с чувствительным кодом, внутренними API, названиями сервисов, инцидентами, архитектурными заметками и т.д.

Для крупных корпораций сейчас ниже: GitHub отдельно выводит такие аккаунты и использование внутри организаций из обучения моделей в корпоративном контуре.
Но проблема никуда не исчезает - она смещается в теневое использование:
- сотрудники с личными Pro-аккаунтами,
- подрядчики вне корпоративного контура,
- сценарии личный аккаунт + рабочий репозиторий,
- отсутствие явной политики, что можно и нельзя отправлять в AI-ассистенты.
В общем, для больших компаний это проблема управления и повод пересмотреть границы разрешенного инструментария.

Список мер может быть примерно таким:
1. Проверить, кто и на каких планах использует Copilot
2. Для рабочей разработки по возможности переводить команды на Business / Enterprise
3. Явно запретить личные AI-аккаунты в продовых и чувствительных репозиториях
4. Обновить vendor/privacy ревью: что считается данными взаимодействия, где opt-out из программы отгрузки телеметрии, что покрывает DPA (data processing agreement)
5. Зашить это в IDP/SSO/policy уровень: согласованные инструменты, обучение для инженеров

В итоге, видно, что AI рынок сильнее сдвигается в сторону разделения
Скорее да. Рынок AI все сильнее делится на две модели:
- consumer/self-serve продукты учатся на пользовательских взаимодействиях,
- enterprise продукты продают privacy и no-training как часть контракта.

#AI #Engineering #Software #Productivity #DevEx

Как бигтехи планируют внедрять AI-native разработку у себя в 2026 году (Рубрика #Management)

В предыдущих текстах этой серии я писал, что индустрия движется от классического PDLC к AI-native разработке, а затем — к AI-native организации. В этой статье я планировал рассмотреть подходы бигтехов к организации этого перехода и постановке целей внутри организации, а также измерения результатов.

По публичным сигналам Microsoft, GitHub, Google, Amazon, Meta, Uber, Stripe и Netflix видно, что AI становится полноценным слоем инженерной операционной модели. Он встраивается в PR (pull requests), ревью кода, тестирование, миграции, триаж багов, CI/CD пайпланы и все чаще — в агентские workflow, где система не только подсказывает, но и выполняет bounded task под контролем человека.

Мерить этот переход они тоже начинают по-новому: не одной метрикой usage, которая была популярна в прошлом, а целой цепочкой adoption → throughput → quality/risk → economics. Именно эта связка постепенно становится новым языком для технических топ-менеджеров и платформенных команд. Эта четверка выглядит примерно так

1) Adoption. Насколько AI вообще вошел в повседневный контур работы, сколько активных пользователей, каков adoption агентов, как распределено использование по командам, IDE, CLI и workflow.
2) Throughput. Сократились ли cycle time на PR и ревью, что произошло с time to merge, ускорился ли путь от первого коммита до открытого PR, выросла ли инженерная velocity.
3) Quality/risk. Что происходит с полезными комментариями, обратной связью, предотвращением дефектов, обработкой дубликатов ошибок, эффективностью тестирования и частотой инцидентов (это контр-балансирующие метрики относительно скорости и througput)
4 )Economics. Сколько сэкономили часов на конкретных джобах, человеко-лет спасено при миграциях, какое значение у CTS-SW (cost to serve software от AWS), какое ROI и какова стоимость масштабирования всего этого слоя AI.

Именно такая связка всё чаще просматривается в официальных материалах GitHub, Google, AWS, Uber и Amazon..

#AI #Management #Future #Software #Engineering #Productivity #Agents #Processes

The programming language after Kotlin – with the creator of Kotlin (Рубрика #Engineering)

Очередной интересный выпуск "The Pragmatic Engineer" на этот раз с Андреем Бреславом, создателем Kotlin и основателем CodeSpeak, в котором Гергели Орош обсуждает с Андреем как появляются и приходят к успеху инженерные платформы и языки - через правильное время для появления, компромиссы, важность инструментария, совместимость с экосистемой и ясное понимание, что должен делать человек, а что - машина.

Если кратко описать содержимое, то ключевые вопросы и ответы звучат так
1. Почему Kotlin вообще появился
2. Как принимаются языковые компромиссы
3. Почему Java interoperability стала не просто технической деталью, а стратегией успеха Kotlin
4. Как Android неожиданно стал важным ускорителем для Kotlin
5. Что сейчас происходит в рзаработке во время LLM эры

Основные инсайты:
1. Лучшие инженерные решения побеждают не из-за "красоты", а потому что попадают в реальную боль рынка. Kotlin выстрелил не в вакууме: он появился в момент, когда Java тормозила, а разработчикам нужен был более удобный язык без разрыва с существующей экосистемой.
2. Tooling важнее, чем многие думают. Первая версия Kotlin была не компилятором, а IDE-плагином. Сначала язык сделали демонстрируемым и удобным в среде разработчика, а уже потом дотягивали execution path. Это хороший урок для любых platform teams и внутренних developer tools.
3. Дизайн платформы - это управление необратимостью. В Kotlin есть красивые решения вроде smart casts, за которыми скрывается сложная логика компилятора, а есть и сожаления вроде отказа от ternary operator, который позже уже нельзя было аккуратно вернуть. Для техлидов это напоминание: ранние API- и platform-решения цементируются быстрее, чем кажется.
4. Совместимость - это не компромисс второго сорта, а стратегия дистрибуции. Ставка на двустороннюю совместимость с Java и готовность работать в существующих ограничениях экосистемы оказались важнее, чем попытка сделать идеальный "язык с нуля". Android-поворот только усилил этот эффект
5. В эпоху LLM ценность инженера смещается выше по стеку абстракций: от написания каждой строки к описанию intent, ограничений, тестов и гейтов качества. CodeSpeak строится вокруг идеи "поддерживать спецификации, а не код", а сам Бреслав отдельно подчеркивает, что работа с AI coding tools - это навык, которому можно учиться. Он также ожидает новый виток специализированных, agent-first IDE.

В общем, это был интересный подкаст, который только краем задевал тему AI, что теперь редкость в моем плейлисте:)

#SystemDesign #Engineering #Leadership #Architecture #AI #Software #DevEx

Я решил устроить небольшой опрос ^ , чтобы понять какие материалы вам больше нравятся на канале. Я постараюсь учесть ваше мнение и подкорректировать плотность постов в нужную сторону. И спасибо вам, что подписаны и читаете канал.

State of AI4SDLC на DevOpsConf 2026 (Рубрика #DevOps)

Завтра я открываю конференцию DevOpsConf первым докладом в главном зале и расскажу про наше исследование AI4SDLC, а также что это значит для нас как инженеров, занимающихся разработкой и поставкой софта в продакшен. Я расскажу про то, как выглядят новые процессы разработки, а также про то, как их внедряют в зарубежных бигтехах, а также как действуем мы в Т-Банке.

Вообще мое выступление будет состоять из следующих частей

1️⃣ Как себя чувствует индустрия
Здесь я расскажу про наше исследование AI4SDLC, которое мы проводили в конце прошлого года и которое состояло из мета-исследования и опроса в котором поучаствовала примерно тысяча респондентов со всей России. Мы хотели ответить на вопросы
- В каких задачах разработки AI используется чаще всего, а где остаётся редким?
- Как соотносятся изменения продуктивности и качества (опросы, телеметрия, эксперименты)?
- Как доверие к AI-коду связано с практиками проверки (ревью, тесты, quality gates)?
- Какие элементы процесса превращают индивидуальный эффект в командный?
Сами результаты доступны здесь

2️⃣ От классического PDLC к AI-native-разработке
Здесь я расскажу про сдвиг индустрии от классических процессов к AI-native, как это выглядит и почему происходит. Здесь я поделюсь сигналами от западных бигтех компаний, а также расскажу как мы идем примерно в эту же сторону. На эту тему у меня есть подробная статья на моем сайте tellmeabout.tech.

3️⃣ От AI-native-разработки к AI-native-организации
Здесь я расскажу о том, как вслед за процессами разработки начинает меняться и огрдизайн компаний. Тут опять будут сигналы от западных бигтех компаний + размышления о том, почему так происходит, какие преимущества дает и какие вопросы при этом требуется решить. На эту тему у меня есть подробная статья на моем сайте tellmeabout.tech.

4️⃣ От классического task management к AI-native: как меняется сама единица работы. Тут я расскажу про подходы Atlassian и Linear, которые практикуют разные подходы к управлению задачами и являются лидерами рынка для корпораций и стартапов соответственно. На эту тему у меня есть подробная статья на моем сайте tellmeabout.tech.

5️⃣ Как бигтехи планируют внедрять AI-native разработку у себя в 2026 году. Тут я расскажу про то, как бигтехи подходят к организации этого перехода и постановке целей внутри организации, а также как они планируют измерять результат. На эту тему у меня есть подробная статья на моем сайте tellmeabout.tech.

P.S.
У нас есть отдельный сайт ai4sdlc.tbank.ru про наши AI решения для разработки. И мы их не только используем внутри, но и продаем крупным компаниям.

P.P.S.
Если будете очно на кофне, то можете поймать меня и пообщаться.

#AI #Management #Future #Software #Engineering #Productivity #Agents #Processes

Как AI меняет инженерную культуру / Александр Поломодов (Рубрика #Engineering)

Появилась запись моего выступления на конференции Dream Teamlead, что устраивал Yandex в прошлую субботу. Я уже рассказывал про него, но кратко в нем было 4 темы
1) Как себя чувствует индустрия разработки софта в эру AI - тут анализ основан на нашем исследовании AI4SDLC 2025
2) Как мы движемся от классического PDLC к AI-native-разработке (у меня есть статья на эту тему)
3) Как AI-native-разработка приводит к AI-native-организации (у меня есть статья на эту тему)
4) Как меняется роль тимлида в такой организации (так как выступал на конференции для тимлидов, то надо было поговорить о том, а что эти изменения значат для них)

#AI #Management #Future #Software #Engineering #Productivity #Agents #Processes

"Экономическое равновесие. Теория объемной геометрии в экономике" (Рубрика #Economics)

Прочитал эту тонкую книгу Ильи Кунцевича, которая вышла в 2015 году. Я выбрал эту книгу, так как был привлечен центральной мыслью о том, что экономику следует рассматривать как закрытую систему, моделируемую с помощью геометрии, а не привычной линейной математики. Илья говорит о том, что линейные модели не справляются с описанием реальной экономики и именно это стало одной из причин кризиса 2008 года. В итоге, книга рассматриваются базовые понятия и инструменты экономики, анализ состояния мировой экономики, критерии экономического роста и распределения материальных ценностей, а также понятие фракталов, которое автор считает важным для понимания теории экономического равновесия. Забавно, что одна из ключевых идей автора про то, что идеальная схема экономики - это окружность, где люди вкладывают и получают взамен то, что действительно заработали. Ну и по все книге присутствуют треугольники и перевернутые треугольники, которые нарисованы одинаково, хотя автор рассказывает про углы наклона и нестабильность. Это и есть вся глубокая геометрическая теория, которая оказалась разочаровывающей:)

В итоге, книга показалась мне местами интересной по рассуждением, но практически без теоретической основы, без особой глубины геометрической концепции и без достойных иллюстраций идей. Рекомендовать ее читать не буду, но мне понравилось заочно дискутировать с автором в своей голове:)

#Economics #PopScience #History

Внедрение AI в организации в стиле Григория Остера (Рубрика #AI)

Недавно было первое апреля, а сегодня еще и суббота, поэтому я решил сегодня рассказать в канале про свою статью о внедрении AI в организациях по заветам Григория Остера и его книг из серии "Вредные советы". Эти книги предназначалась для непослушных детей и их родителей и в ней давались абсурдные советы, что приводили к катастрофам. Именно так в детстве я учился “от противного” как поступать правильно. Эта статья примерно в таком стиле рассказывает про внедрение AI в организацию, которое очень напоминает подход к “цифровым трансформациям” бизнеса, которые были популярны 10–15 лет назад у бизнесов, построенных не вокруг IT (условно не digital native).

P.S.
Если после прочтения статьи вы захотите испробовать альтернативный подход, то можете почитать мои статьи о том, как это стоит делать, правда в домене разработки софта (или как мы это называем AI4SDLC). Я про это много писал уже, например, можно посмотреть статьи
1️⃣ От классического PDLC к AI-native-разработке
Здесь про сдвиг индустрии от классических процессов к AI-native, как это выглядит и почему происходит. Подробная статья на моем сайте tellmeabout.tech.
2️⃣ От AI-native-разработки к AI-native-организации
Здесь про то, как вслед за процессами разработки начинает меняться и огрдизайн компаний. Подробная статья на моем сайте tellmeabout.tech.
3️⃣ От классического task management к AI-native: как меняется сама единица работы.
Здесь про Atlassian и Linear, которые практикуют разные подходы к управлению задачами и являются лидерами рынка для корпораций и стартапов соответственно. Подробная статья на моем сайте tellmeabout.tech.
4️⃣ Как бигтехи планируют внедрять AI-native разработку у себя в 2026 году.
Здесь о том, как бигтехи подходят к организации этого перехода и постановке целей внутри организации, а также как они планируют измерять результат. Подробная статья на моем сайте tellmeabout.tech.

Серия этих статей описывают концептуальный подход, который положен в основу нашей стратегии и тактики на этот год в направлении внедрения AI в разработке внутри компании.

#AI #Management #Future #Software #Engineering #Productivity #Agents #Processes

Answer Engine Optimization (Рубрика #Search)

Наткнулся на еще не законченную книгу Rodrigo Stockebrand для O’Reilly про то, как интернет переходит от поиска к ответам. Книга позиционируется не как новый подход к SEO в мире AI, а скорее как попытка описать новую реальность веба после смерти десяти синих ссылок (из выдачи поисковиков). Автор ставит себе целью рассказать практические советы о том, как сделать контент более обнаружимым и цитируемым для gen AI систем. Интересно, что по этой теме я уже разбирал интересный эпизод подкаста Ленни "Why ChatGPT will be the next big growth channel".

Но если возвращаться к книге, то ее автором является практик с почти 20-летним опытом в SEO/AEO, который работал с Amazon, Pfizer, NASA, преподавал в University of Miami и выступал в Harvard Business School. Но сама книга пока написана на малую толику и доступно всего три главы
1) The Death of Ten Blue Links - эта глава задает правильный фрейм: сначала признать, что интерфейс поиска уже меняется, а потом обсуждать тактику
2) How Answer Engines Work - здесь автор пытается объяснить механику выбора источников, а не просто сказать "оптимизируйтесь под AI"
3) RAG Fundamentals - это база про работу retrieval augmented generation, но скорее для маркетологов, чем для инженеров:) Наличие этой главы дает надежду, что автор не остановится на советах SEO-оптимизаторам, а расскажет про управление знаниями поглубже:)

В общем, книга может быть интересной и я ее себе добавил в список work in progress книг, которые я отсматриваю по мере появления новых глав.

#SEO #AI #Markerting #Search

Не усложняй! Управление проектами по методу P3.express (рубрика #Management)

Прочитал книгу Дмитрия и Валерии Ильенковых про управление проектами и она мне понравилась. Саму книгу мне дал почитать Дима, с которым мы знакомы со времен Teamlead Conf 2020, где оба выступали. По моему ощущению "Не усложняй" - это "Пиши, сокращай" для управления проектами, но в хорошем смысле этого слова (сама "Пиши, сокращай" вышла противоречивой для меня). В "Не усложняй" много примеров, простые слова, ясная структура и подача без ощущения, что тебя сейчас завалят терминологией ради терминологии. При этом книга не "про поговорить", а про вполне прикладной каркас: метод P3.express разбит на 33 шага и 7 стадий, чтобы сделать проект более прозрачным и предсказуемым без тяжелой трансформации процессов. Мне понравилась эта простота - так как я слишком испорчен теорией IPMA, PMI, многослойным PMBoK и всем тем прекрасным бюрократическим великолепием, которое часто идет в комплекте с project management:)

Если говорить про плюсы книги, то они такие
1. Она очень приземленная. Советы почти всегда подкрепляются историями и кейсами - от Boeing и SpaceX до Сиднейской оперы, Денверского аэропорта и собственных факапов авторов. Из-за этого рекомендации не висят в воздухе.
2. Ее можно спокойно давать новичкам, которым надо просто и доступно понять, как начинать работать с проектами. И ее же можно дать опытным людям, которые устали от бюрократии и хотят упростить процессы, не разваливая управление совсем. Авторы прямо пишут, что книга полезна не только проджектам, но и тимлидам, владельцам IT-компаний, аналитикам и другим людям, которые регулярно делают проекты.
3. Для технических руководителей и инженеров книгу точно стоит читать. Не потому, что всем срочно надо стать PM, а потому, что она хорошо объясняет базовые опоры: кто такой спонсор проекта, зачем нужно краткое резюме проекта, как декомпозировать результаты, почему полезны регулярные Go/No-Go и как не тащить мертвые инициативы только потому, что в них уже вбухали силы и деньги.

Отдельно понравился кусок про sunk cost fallacy через "Конкорд". Авторы напоминают, что эффект Конкорда - это когда проект уже очевидно не летит, но его продолжают тащить просто потому, что слишком много вложили. В P3.express для этого есть повторяющийся момент проверки Go/No-Go: не "как бы дожать", а честно спросить, проект все еще нужен или мы страдаем по инерции. Очень здравая мысль для корпораций и больших внутренних инициатив.

Если совсем коротко, шесть принципов подхода p3.express такие:
- Выбирать результат и факты, а не привычки и привязанности
- Беречь энергию команды и экономить ресурсы
- Действовать проактивно
- Искать слабое звено системы
- Ничего не делать без ясной цели
- Опираться на переиспользуемые элементы: шаблоны, чек-листы, повторяемые шаги

Жизненный цикл проекта в P3.express тоже собран минималистично и понятно:
- Старт проекта
- Планирование цикла
- Еженедельный контур управления
- Ежедневный контур управления
- Закрытие цикла
- Завершение проекта
- Этап после проекта, где оценивают полученные выгоды и новые идеи

В общем, если вам нужен не еще один "великий свод знаний" аля PMBoK, а вменяемая книга, которую можно рекомендовать людям рядом - продактам, тимлидам, инженерам, молодым менеджерам и уставшим руководителям, - "Не усложняй" выглядит очень удачным кандидатом. Не как замена PMBoK, а хороший антидот к нему (а я PMBoK читал в трех разных изданиях)

P.S.
С Димой мы договорились записать эпизод подкаста и обсудить управление проектами в общем, а также эту книгу в частности. В общем, stay tuned ...

#Management #Leadership #ProjectManagement #Processes #Engineering

A Day in the Life of a Senior Leader (Рубрика #Management)

За свою жизнь я прочитал немало книг про управление, но с Майклом Лоппом интересная история - он пишет не просто книги про менджмент, его книги напоминают байки у костра:) Это третья книга, которую я у него прочел и все они выглядят как коллекция эссе, что объединены одной темой. В этот раз Майкл пытается снять с senior leadership ореол супергероики и показать, из чего этот день реально сделан: время, люди, приоритеты, встречи, пожары и поиск смысла.

Предыдущие две книги это
- "Managing Humans" - книга про управление разработкой, где автор приводил набор управленческих “стрел”, говорил процессы и описывал человеческие типажи
- "The Art of Leadership" - книга, которая выстраивала leadership как последовательность практик на трех уровнях: менеджер, директор и топ-менеджер
А в новой книге Майкл рассказывает не только про красивые истории из жизни топов, а скорее про реальность, где надо принимать сложные решения, выстраивать коммуникации, ходить на встречи, двигать вперед продукт и не умереть от нехватки времени. Книга пока пишется и я прочитал только 8 глав, где есть следующие интересные моменты

1) Мантра Майкла в одной из первых глав звучит примерно так "ask questions, repeat the hard parts, and listen" - это про то, как хороший лидер не отбирает решение у команды, а вопросами, повторением сложных мест и внимательным слушанием доводит людей до собственного решения.
2) Глава про "contagion" рассказывает о том, как по компании расползаются ложные нарративы и почему в условиях стресса люди охотнее верят в удобное объяснение, чем в точное
3) Главы "The Seven Circles of Meeting Hell" и "Late Again" рассказывают про дисфункции лидерства: плохие совещания, хроническую занятость и опоздания как не "забавную особенность", а вполне стратегический дефект управления (а вы замечали такие системные опоздания у коллег?)
4) Глава "Managing Up" рассказывает почти про сюжет из Бравого Солдата Швейка, где честная передачу важной информации подменяется удобным сюжетом маскирующим сложные моменты реальной жизни
5) Глава "Prestige Writing" мне нравится тем, что Майкл описывает это как центральный навык: чем выше роль, тем больше ты управляешь не руками, а через тексты, фрейминг и нарративы. Я давно заметил, что многие недооценивают этот навык
6) Глава "The Product Engineer" про то, что люди, которые реально строят продукт, должны иметь равный голос в продуктовых решениях и это про инженеров и условных продакт менеджеров или дизайнеров

Интересно, что эти главы основаны на свежих эссе - они актуальны, интересны и остры. Планирую дочитать и остальные главы, которые появятся в течение квартала (на странице книги указано, что она выйдет в июне 2026 года).

#Management #Leadership #Software #Engineering #Product #Writing #Processes