Posts

Коротко. Агенту нужна спецификация. Она даёт сценарии, ограничения, примеры и критерии проверки. Проблема возникает в другом месте: команда может принять исходную гипотезу за знание о продукте, данных или интеграции. Агент быстро превратит эту гипотезу в сервисы, тесты и инфраструктуру. После этого смена курса стоит дороже. Этот текст основан на статье в корпоративном блоге Райффайзенбанка на Хабре и дополняет её самостоятельным разбором: где SDD помогает агентам, как не потерять точки принятия решений и что стоит измерять руководителю. ...

Всем привет. С вами Human Loop Weekly — еженедельный дайджест о том, как AI меняет инженерный менеджмент. Я подписан на десятки рассылок и каждую неделю сверяю их со свежими исследованиями, чтобы отделять рабочий сигнал от шума. В этом выпуске: требования ревью впервые превратились в исполняемые тесты — и треть «зелёных» патчей их провалила; проверка факта изменения встала перед проверкой поведения; инструкции для агентов стали массовым артефактом и начали стареть. Выпуск продолжает линию №3: тогда стоимость проверки выросла в цене относительно стоимости генерации. За прошедшие две недели исследователи и индустрия независимо друг от друга показали, из чего именно эта проверка собирается. ...

Проблема: тесты зелёные, задача не та AI-агент открыл pull request. Изменения выглядят аккуратно. Тесты зелёные. На ревью выясняется, что агент выбрал другую трактовку правила: клиент получает ответ, второй заказ при этом всё равно появляется. Код и тест согласованы друг с другом. Команда хотела проверить другое поведение. В этом месте легко обвинить модель, промпт или ревьюера. Проблема возникает раньше: агент получил задачу без заранее согласованного ответа на вопрос «какой наблюдаемый результат должен доказать тест?». ...

Коротко. AI-агент может открыть технически корректный pull request (PR) и всё равно решить не ту задачу: выбрать устаревшее правило, затронуть лишний сервис или обойти известное ограничение. Команде нужен короткий контракт, который до запуска фиксирует цель, границы, доказательства результата, момент остановки и владельца решения. Контракт работает вместе с техническими ограничениями: отдельными доступами, изолированной средой, обязательными проверками и review. Для изменения поведения этого недостаточно: до кода команда ещё согласует сценарий, который будущий тест обязан подтвердить. В статье — копируемый шаблон, сквозной пример и способ встроить эту практику в Git и CI. ...

Всем привет. С вами Human Loop Weekly — еженедельный дайджест о том, как AI меняет инженерный менеджмент. Я подписан на десятки рассылок и каждую неделю сверяю их со свежими источниками, чтобы отделять рабочий сигнал от шума. В этом выпуске за окно после 17 августа и до утра 24 августа: AI-метрики взрослеют, стоимость переезжает в проверку, агенты выходят в общий поток разработки, модельные обновления становятся операционной задачей. Шкала доказательности: 🟢🟢🟢 — сильная независимая база; 🟡🟡⚪ — несколько свежих источников, крупная телеметрия, опросы или согласованные кейсы с понятными границами; 🔴⚪⚪ — ранний сигнал для наблюдения. ...

Коротко. В 2026 году один из заметных AI-native нарративов звучит примерно так: несколько сильных инженеров с агентами теперь способны делать работу, для которой раньше требовалась полноценная продуктовая команда. В этом есть правда. AI ускоряет исследование, прототипирование, написание кода, тестов и документации. Исследование Management Science, 2026 фиксирует рост производительности разработчиков, а CircleCI в отчёте State of Software Delivery 2026 показывает существенный рост throughput у наиболее эффективных команд. Но из этого легко сделать слишком сильный вывод: будто tiny team становится новой универсальной единицей разработки. На практике жизнеспособность маленькой AI-native команды зависит не столько от того, насколько хороши модели, сколько от четырёх вещей: ...

Окно источников: 10 августа 2026, 08:00 — 17 августа 2026, 08:00, Asia/Yekaterinburg. Всем привет. С вами Human Loop Weekly — еженедельный разбор того, как AI меняет инженерный менеджмент. Я читаю десятки рассылок и проверяю сильные тезисы исследованиями и первоисточниками. В этом выпуске — путь задачи после локального ускорения: где возникает ожидание, как увидеть очередь и какие проверки помогают выпускать изменения без лотереи. В материалах этой недели повторяется один мотив. AI может за минуты подготовить черновик решения, кода или тестов. После этого возникает более практичный вопрос: когда изменение дойдёт до пользователя и что потребуется команде, чтобы выпустить его уверенно? ...

Неделя 3–9 августа 2026 Всем привет. С вами Human Loop Weekly — еженедельный дайджест о том, как AI меняет менеджмент в инженерных командах: структуры, стоимость, процессы, метрики. Я подписан на десятки рассылок и исследую свежие данные каждую неделю, чтобы приносить вам самое важное про AI в инженерке и менеджменте — без воды и хайпа. В этом выпуске: почему 84% разработчиков используют или планируют использовать AI, а доверяют его точности лишь 29%; как команды из 8 человек превращаются в команды по 3–5 сеньоров с агентами; где спрятан реальный ROI (~10%, не 3×); и почему ревью кода стало дороже самого кода — и что с этим делать. ...

Когда IT-команда сопротивляется AI, причина редко только в головах людей. Чаще это сигнал о слабом месте в системе работы: размытая цель, тревога за роль, слабый инструмент, неудобный официальный путь, неясная ответственность или очередь, которая переехала в ревью, QA, релиз и проверку бизнес-результата. На митапе я собрал эту логику в практический разбор для руководителей инженерных команд, технических руководителей, лидов доставки, лидеров изменений и руководителей AI-трансформации. ...

Мы прошли путь от первых пользователей LLM-инструментов до массового использования чатов и кодинг-агентов. На дашбордах всё выглядело правильно: люди заходили, пробовали, возвращались, приносили примеры, показывали демо, техлиды учили команды. Метрики потока при этом долго не двигались. Lead Time не снижался системно. Throughput не рос так, чтобы это было видно на уровне инженерной организации. Defect Rate не давал уверенного сигнала, что качество стало лучше. Эта статья — большая версия двух моих постов на Habr: части 1 про рост использования и метрики результата и части 2 про Agentic Engineering и AI-first команды. Здесь я собираю логику целиком: от первых LLM-чатов до следующего слоя измерения, который оказался важнее обычного дашборда внедрения. ...