Использование AI выросло, Lead Time не изменился. Что сломалось в потоке

Использование AI выросло, Lead Time не изменился. Что сломалось в потоке Статус: черновик. Пишем и редактируем прямо на сайте. Текст ещё не финальный: структура, формулировки и примеры будут меняться. Мы подняли использование LLM-инструментов примерно с 5% до 50%. Потом довели регулярное использование кодинг-агентов примерно до 35% активных пользователей в месяц. Люди правда начали пользоваться AI. Метрики потока при этом системно не изменились. Lead Time не поехал вниз. Throughput не вырос так, чтобы это было видно в системе. Defect Rate не дал понятного сигнала, что качество стало лучше. ...

15 июня 2026 г. · 6 минут · Марат Киньябулатов

Как идти к Agentic Engineering, когда структуру команды сейчас трогать нельзя

Как идти к Agentic Engineering, когда структуру команды сейчас трогать нельзя Статус: черновик. Пишем и редактируем прямо на сайте. Текст ещё не финальный: структура, формулировки и примеры будут меняться. Что усилит Habr-статью Telegram-пост уже держится как позиция. Для Habr стоит усилить несколько слоёв: Определения. Что в тексте называется Agentic Engineering, AI-native командой, E2E-ответственностью, run-процессом, микро-юнитом. Так читатель будет сверять текст с авторскими определениями, а не со своими трактовками. Контекст организации. Масштаб без NDA-рисков: крупная инженерная организация, финтех, регулируемая среда, много команд, сложные домены, годовые цели и бюджетные контуры. Картинка “просто сделать маленькие AI-native teams”. Почему она популярна, где работает, где упирается в домен, зависимости, роли, административную структуру, нехватку аналитиков/тестировщиков и стратегические проекты. Критерии готовности. Как понять, какой путь выбрать: низкая/средняя/высокая готовность команды, зрелость инженерных практик, частота работы с агентами, наличие run-процессов, уровень E2E-понимания. Практические сценарии. По 1–2 конкретных примера на каждый путь: какой процесс агентизировали, как выглядела ротация, что делали “no hands” люди, как устроены микро-юниты. Метрики. Что мерить: MAU/W50/W80 API или аналоги, lead time, throughput, defect rate, доля change/run работы, количество ручных проверок, время в ожидании зависимостей. Риски и анти-паттерны. Агентная демка без поддержки, ручная валидация как bottleneck, “один герой всё тащит”, микро-юниты без E2E, рост throughput без роста ценности. Что сделать в понедельник. Habr любит практический выход: короткий чеклист запуска для руководителя/тимлида. Рабочая структура статьи Вступление: красивая картинка AI-native команды и “фигушки” ...

15 июня 2026 г. · 9 минут · Марат Киньябулатов