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.
Шкала доказательности. В каждой секции — три точки. Наведите курсор, чтобы увидеть оценку полной доказательной базы центрального тезиса. 🟢🟢🟢 — несколько крупных независимых исследований или воспроизводимые результаты. 🟡🟡⚪ — отраслевые данные, полевые проверки и сходящиеся кейсы. 🔴⚪⚪ — единичная практика, мнение или реализация без независимой калибровки.
Привычка пришла раньше доверия
Доказательность:Высокая. Ключевые цифры (84% / 29%) — Stack Overflow Developer Survey 2025, около 49 тысяч респондентов. Свежий тематический опрос Stack Overflow 2026 года — 1100 респондентов. Jellyfish добавляет данные инженерных команд.
А вы знаете, какая доля ваших разработчиков доверяет AI-коду достаточно, чтобы принять его без ревью?
По ежегодному опросу Stack Overflow 2025 года, 84% разработчиков используют или планируют использовать AI, но только 29% доверяют точности его результатов. Это именно данные 2025 года: официальный ежегодный опрос 2026 года стартовал 23 июня, но его результаты пока не опубликованы.
Более свежий тематический опрос Stack Overflow 2026 года показывает, во что превращается этот разрыв: среди 1100 респондентов 59% используют агентов на работе, однако 63% редко или никогда не оставляют их работать полностью автономно, а 68% предпочитают предсказуемую схему с одним контролируемым агентом сложным многоагентным системам. Недоверие превращается в управленческую практику обязательного человеческого контроля.
Почти треть разработчиков считает, что отладка AI-кода съедает больше времени, чем он экономит (Stack Overflow (2025)).
Точка трения — доверие к ответу. Когда разработчики обращаются к человеку вместо AI, причина номер один — недоверие к ответу машины: так отвечают 75% (Stack Overflow (2025)). Инструменты уже стали инфраструктурой. Уверенность в результате осталась хрупкой.
Недоверие важно раскладывать на конкретные причины: неясную цель, страх за роль, слабый инструмент, размытые правила ответственности и очереди в процессе. В разборе «Почему команды сопротивляются AI — и что с этим делать» эти причины собраны в карту из шести зон с диагностикой и практическими шагами для руководителя.
Парадокс волн внедрения 2026 виден в двух цифрах. С одной стороны — 80% команд сообщают о росте продуктивности. С другой — сильную поддержку внедрения (обучение, инструменты) отмечают лишь 10% (Jellyfish (2026) eng. management платформаJellyfish (2026) — платформа engineering intelligence, телеметрия с тысяч команд.). Этот разрыв между «используем» и «получаем ценность» — точка, куда руководитель прикладывает усилия. Это управленческая работа, не инженерная.
Команда 2026: меньше людей, больше агентов, выше хрупкость
Доказательность:Средняя. Stanford AI Index — большой датасет (занятость по возрастам). Keller, HoolaHoop, Pragmatic Engineer — блоги и практика, кейсы единичных компаний (Anthropic, Bun). Тренд реален, но масштаб — единицы кейсов, не отраслевой стандарт.
Если заморозить найм джунов прямо сейчас — кто через три года станет сеньорами в вашей команде?
Структура команды меняется на уровне скелета.
Было: восьмёрка из PM + тимлида + пяти разработчиков + QA, цикл доставки 10–14 недель. Стало: AI Pod — под (небольшая автономная команда с общей целью) из 2–4 сеньоров плюс пулы агентов, цикл доставки 1–2 недели.
В части AI-нативных подов цикл сжимается с 10–14 недель до 1–2 (Keller (2026) репортаж с AI Engineer World’s FairDaniel Keller (2026) — личный блог, наблюдения с конференции.).
Подтверждение из первых рук — как меняется сборка софта внутри Anthropic: команды из 1–2 инженеров с агентами, верификация вывода становится центральной дисциплиной (Pragmatic Engineer (2026) Substack-рассылкаPragmatic Engineer (2026) — крупнейший SE-newsletter на Substack (~250K). Автор — Gergely Orosz, экс-Uber.).
Кейс той же Anthropic по переписыванию Bun: 500K строк, 11 дней, $165K на токенах. То, что раньше было квартальным проектом, маленькая сеньорная команда с агентами закрывает за полторы недели.
Контроль качества смещается с ревью кода на верификацию вывода агентов. Это навык более высокого уровня суждения (HoolaHoop (2026) коучинг, CTO roundtableHoolaHoop (2026) — коучинговая компания; закрытые roundtable для CTO с 2019 года.).
Три роли, которых не было на орг-чарте 2024 года: AI Reliability Engineer (ARE) — роль, которая отвечает за надёжность агентных пайплайнов: мониторинг дрейфа, отладка зацикливаний, тесты качества вывода; по сути, SRE для агентов. Плюс Spec Author и Agent Orchestrator. Если в грейд-таблице их до сих пор нет, вы, скорее всего, проигрываете рекрутинговый разговор.
Без наблюдаемости агентных прогонов роль ARE остаётся титулом без работы. LeadDev (крупнейшее сообщество engineering leaders) разбирает это в «Inside the agentic black box»: без трейсинга шагов агента нельзя ни отлаживать failure-лупы, ни считать реальную стоимость прогона.
Параллельно коллапсирует найм джунов. Занятость разработчиков 22–25 лет упала примерно на 20% с 2024 года — первый сегмент офисных профессий с измеримым AI-эффектом (Stanford AI Index 2026, по: Wiśniewski (2026) синтез Stanford / Lightcast / ForresterWiśniewski (2026) — личный блог. Ссылки на Stanford AI Index, Lightcast, Forrester внутри.).
Вакансии Forward-Deployed Engineer — инженера, встроенного в продукт и доставляющего код «в поле»; в AI-контексте это маленькая сеньорная команда, которая быстро шипает и меньше ревьюит — выросли на +729% год к году. Faros AI (engineering intelligence платформа, клиенты Autodesk и Coursera, телеметрия с 22K разработчиков) называет это Acceleration Whiplash — термин для ситуации, когда скорость доставки нарастает быстрее, чем организация успевает её переварить (по: Wiśniewski (2026)).
Концентрированный сеньорный состав хрупок. Когда систему целиком знают двое-троих людей, их уход или болезнь — катастрофа. Некому подхватить, некому объяснить, некому задать «глупый» вопрос, который выявляет скрытый риск.
Это перевёрнутая пирамида. Нормальная: широкое основание из джунов, которые за 3–5 лет растут в мидлов и сеньоров. Заморозка найма вырезает основание — сверху тяжёлая сеньорная надстройка, снизу пусто. Через 3–5 лет pipeline пуст: джуны 2024 года стали мидлами, а новых сеньоров взять неоткуда. К тому моменту, когда разрыв станет виден на орг-чарте, его уже нельзя починить в текущем цикле найма.
Контрольный сигнал: KlarnaKlarna — шведский финтех, платёжный сервис (BNPL). В 2024 году CEO объявил, что AI заменил 700 сотрудников саппорта. В 2025 году компания вернула людей: качество упало. публично откатил AI-first стратегию в саппорте — «качество упало» (Fortune (2025)).
Скрытые AI-расходы: до $310–750/мес на инженера поверх зарплаты
Доказательность:Средняя. METR — ранний рандомизированный эксперимент плюс методологическое обновление 2026 года. DX — 400+ организаций, 14 месяцев. Разбивка $310–750 и ROI-водопад взяты из vendor-практик (NStarX, ForDel) и независимо не воспроизведены. Цифра порядка верна, точные проценты — оценочные.
А вы считали, во сколько обходятся подписки и токены каждому члену команды — не по бюджету, а по факту?
LeadDev ставит этот вопрос ребром прямо в заголовке: «10x AI productivity gains? Try 10%» — реальный эффект порядка 10%, не в десять раз.
Остальное съедает: рерайт (~12%), токены (6%), правила контроля качества и доступа (governance) (5%), постепенная деградация качества модели (model drift) (3%), failure-лупы (4%) (NStarX (2026) enterprise AI providerNStarX (2026) — AI-first engineering provider, ~10 лет enterprise-трансформаций.). Стоимость разработки меняет структуру: она становится иначе дорогой.
66% разработчиков бесит «AI-решение, которое почти правильное». 45.2% тратят на отладку AI-кода больше времени. 20% стали меньше уверены в собственном решении задач (Stack Overflow (2025)). Отладка «почти правильного» кода и есть скрытая статья расхода.
(Оценка одного консалтинга; сопоставимых независимых замеров пока мало.)
(Полный «ROI-водопад» до ~10% чистыми включает также ревью-оверхед, онбординг, переключение контекста и скрытый технический долг; перечисленные статьи — основные, остальное добирается отсюда.)
Цена места $20–40/мес — это только начало. Поверх зарплаты инженера накапливается до $310–750 скрытых AI-расходов в месяц на каждого: оверхед на ревью, архитектурный дрейф, security review, отладка «почти правильного» кода. Две крупнейшие статьи: накладные расходы на ревью и накопление архитектурного дрейфа. Сеньоры проводят в ревью на 25–35% больше времени, чем до AI; размер PR за год примерно удвоился (ForDel (2026) практика, 6 командForDel (2026) — практика, 6 клиентских команд. Не независимое исследование.).
Token FinOps — управление расходом на токены LLM: инструментация, бюджеты по командам, showback — превращается в обязательную управленческую дисциплину. LeadDev формулирует это так: «Is your AI coding budget running away?» — счёт уходит в отрыв раньше, чем вы это замечаете. Один финтех с ~50 инженерами дошёл до $67K/мес по токенам без пропорционального роста скорости (NStarX (2026) enterprise providerNStarX (2026) — AI-first engineering provider.).
Измеренный результат против маркетингового: DX, 14 месяцев, 400+ организаций — медианный прирост throughput PR всего 7.76% (по: Saas with Alex (2026), со ссылкой на DX DX, 400+ орг.Saas with Alex → DX — платформа dev experience. 400+ организаций, 14 месяцев.).
METR, рандомизированное исследование опытных разработчиков: в раннем RCT 2025 года с AI задачи делались на 19% дольше (95% CI: +2%…+39%). Сами разработчики считали, что стали быстрее на 20%. Обновление METR от февраля 2026 года объясняет, почему этот результат нельзя переносить на текущие инструменты: участники всё чаще отказываются работать без AI, параллельно используют нескольких агентов, оценки follow-up смещены самоотбором. Авторы считают актуальную пользу AI, вероятно, более высокой и одновременно не дают надёжной цифры ускорения. Старые 19% описывают инструменты и выборку начала 2025 года, не состояние 2026 года.
AI усиливает то, что уже есть
Доказательность:Высокая. DORA Report 2025 — многолетняя research-программа при поддержке Google, строгая методология, тысячи команд. Главный тезис подтверждён на данных. Udbjørg и LeadDev добавляют практические наблюдения поверх.
Прежде чем внедрять AI — спросите честно: ваши команды и без него работают хорошо?
Главный управленческий фрейм 2026: AI усиливает то, что в команде уже есть. Сильные команды становятся сильнее. Команды, которые буксуют, ломаются быстрее (DORA Report 2025).
Семь организационных способностей определяют, получите ли вы ценность от AI: понятная AI-позиция, сильный version control, качественные внутренние платформы, маленькие батчи, здоровые данные, AI-accessible внутренние данные, фокус на пользователе. Выбор инструмента в этот список не входит (Udbjørg (2026)).
Это подтверждается на уровне инструментов. LeadDev формулирует тезис комплементарности — «Claude vs Codex: The loser wins»: инструменты усиливают друг друга, каждый сильнее в своём контексте, и команда выигрывает, давая инженерам оба.
Capability trap — ловушка возможностей (Repenning & Sterman): порочный круг, где давление на throughput заставляет резать работу над улучшениями, способность деградирует, давление растёт. AI сверху ускоряет спираль. Выход — инвестировать в способность, принимая краткосрочный провал в скорости (Udbjørg (2026)).
Сопротивление AI — это фасад. За ним обычно стоят: непонятная рабочая цель, страх за роль, мало практики на реальных задачах, медленный официальный инструмент, слепой к контексту, размытая ответственность. Тренинг это не чинит (Киньябулатов (2026); re:cinq (2026) consultancy, кейсы Trainline / JustEatre:cinq (2026) — engineering consultancy, кейсы сопротивления AI.).
Когда метрики активности растут, метрики потока остаются на месте — это внедрение для галочки.
Ревью стало дороже кода: новое узкое место
Доказательность:Средняя. Stack Overflow Survey (90K+) и Faros AI (22K разработчиков) дают согласованный сигнал. Данные по ревью-оверхеду — от vendor-практик (ForDel). Качественные наблюдения (Willison, LeadDev) подтверждают направление.
Сколько времени ваши сеньоры тратят на ревью кода, который они сами не писали — и растёт ли эта доля?
Генерация кода ускорилась. Верификация — нет. Ревью кода впервые обошло написание кода по времени, которое инженеры тратят в течение дня (Talwar (2026) Substack-блогNick Talwar (2026) — Substack. Анализ изменения инженерных ролей при работе с агентами.). Это не сдвиг нагрузки, а смена профессии: инженер всё больше работает редактором и арбитром, не автором.
Faros AI, телеметрия 22K разработчиков, фиксирует это в цифрах: размер PR вырос на 154%, время ревью — на 91%, а доля PR, вмерженных без единого ревью, выросла на 31.3%. При этом метрики доставки DORA — без изменений (Faros AI (2026) engineering intelligence платформаFaros AI (2026) — платформа engineering intelligence. Клиенты Autodesk, Coursera. Телеметрия с 22K разработчиков и 4K+ команд.). Кода больше. Ревью дольше. Скорости — нет.
66% разработчиков бесит «AI-решение, которое почти правильное» (Stack Overflow (2025)). Отладка «почти правильного» кода и есть скрытая статья расхода: сеньоры проводят в ревью на 25–35% больше времени, чем до AI (ForDel (2026) практика, 6 командForDel (2026) — практика, 6 клиентских команд. Трекает стоимость AI-ассистентов.).
Один быстрый инженер с агентами замедляет всю команду. Пока он генерирует код, остальные ждут в очереди на ревью — и выгорают от параллельного супервайзинга (Upsun (2026) platform blogUpsun (2026) — блог PaaS-платформы. Разбор типичных ошибок engineering-команд в 2026.). 70% лидеров фиксируют рост дефектов и отката кода в продакшене (Talwar (2026)).
Simon Willison формулирует сдвиг лаконично: «ваши тесты теперь дороже вашего кода» (Willison (2026) личный блогSimon Willison (2026) — создатель Datasette, co-creator Django. Анализ кейса Bun: 1M строк, 11 дней, $165K.). Когда генерация бесплатна, всё упирается в верификацию. Кейс Bun: 1M строк за 11 дней — но основная работа была не в генерации, а в проверке, что результат работает.
Без трейсинга шагов агента нельзя ни отлаживать failure-лупы, ни считать реальную стоимость прогона. LeadDev разбирает это в «Inside the agentic black box»: ревьюер без наблюдаемости работает вслепую (LeadDev (2026) engineering leadership сообществоLeadDev — крупнейшее сообщество engineering leaders. Статья «Inside the agentic black box».).
[!tip] Правило объяснимости Simon Willison: «я не вмержу код, который не могу объяснить другому человеку». Простое правило для PR-ревью: если автор не может объяснить, что делает AI-сгенерированный код, он не проходит. Это предотвращает большинство катастроф с агентным кодом.
Monte Carlo надёжен для одной команды; прогноз портфеля требует независимости команд
Доказательность:Средняя. Базовое прогнозирование по историческому Throughput поддерживают рецензируемая работа и полевая проверка ASOS на 25 командах и 1 200 прогнозах. Конкретное мультикомандное расширение Let People Work пока не прошло независимую калибровку и предполагает отсутствие общих людей, ожиданий передачи работы и зависимостей.
Ваш портфель действительно состоит из независимых команд — или общий специалист и одна передача работы уже делают расчёт слишком оптимистичным?
Monte Carlo многократно выбирает значения из истории Throughput — количества завершённых элементов за период — и строит распределение возможных результатов. Итог звучит как «с вероятностью 85% команда завершит 20 элементов или больше за четыре недели». Точечной даты в таком прогнозе нет.
Для проверки зрелости базового метода берём более ранние источники и помечаем их как фундаментальные. Рецензируемый анализ Monte Carlo для прогнозирования программных проектов (2021) фундаментальная научная работаИсследование на конференции ACM SAC 2021 анализирует применимость Monte Carlo к прогнозированию сроков программных проектов и влияние объёма исторических данных. Оно подтверждает зрелость направления, не свежесть текущего сигнала. сравнил подходы к прогнозу срока и трудоёмкости и оценил, как точность меняется с объёмом исторических данных и размером прогнозируемой работы. ASOSASOS — британский интернет-магазин одежды; его инженерная организация проверила прогнозы по историческому Throughput на 25 командах. провела полевую проверку: 25 команд и 1 200 прогнозов. Для 85-го перцентиля команды выполнили прогноз или превысили его в 361 из 400 случаев, то есть примерно в 90% (The Full Monte (2023) историческая полевая проверкаASOS Tech Blog: 25 команд, 48 прогнозов на команду, всего 1 200 прогнозов по историческому Throughput. Используется для оценки зрелости базового метода.). Эти результаты подтверждают применение метода внутри отдельной команды. Они не проверяют общий прогноз портфеля с реальными зависимостями.
Свежий пошаговый разбор Let People Work практическое руководствоLet People Work — консалтинговая команда по flow-метрикам и прогнозированию; руководство описывает алгоритм, его допущения и исключения без независимой калибровки. предлагает объединять полные распределения команд умножением вероятностей. Если у двух независимых команд вероятность завершения к дате равна 80%, общая вероятность равна 64%. Математика верна при независимости событий.
В руководстве прямо исключены параллельная работа над несколькими фичами и зависимости. Авторы также предполагают, что команды не делят людей, не ждут передачи работы и не задерживают друг друга. Поэтому результат для нескольких команд — верхняя граница: лучший сценарий при выполнении всех допущений. Он не учитывает Feature WIP — число фич, одновременно находящихся в работе, — и задержки между командами.
Практический вывод: сначала калибруйте прогноз каждой команды по фактическим результатам. Объединяйте распределения только для независимых команд. Общих специалистов, передачи работы и блокировки моделируйте отдельными сценариями. Подробный разбор перцентилей, качества данных и WIP-лимитов есть в моём гайде по Monte Carlo.
Домашка на эту неделю
Пять шагов, которые можно начать в понедельник. Пункты 1 и 2 — на эту неделю. Остальные — на квартал, но план можно набросать уже сейчас.
1. Посчитайте реальную стоимость AI на инженера
Цена подписки на Copilot или Cursor — $20–40/мес. Это цифра, которую видит финансовый директор. Реальная цифра — другая.
Поверх подписки накапливаются: токены на прогоны агентов, дополнительное время сеньоров на ревью AI-сгенерированного кода, отладка «почти правильных» решений, архитектурный дрейф (код работает, но нарушает принятые паттерны — и это всплывёт через полгода). По данным практик, наблюдавших за командами, суммарно это $310–750/мес на человека.
Как сделать: возьмите одного сеньора и одного мида. Посчитайте за последний месяц: стоимость их AI-подписок + расходы на токены (если есть отдельный счёт) + оцените, сколько часов в неделю они тратят на ревью кода, который не писали сами. Умножьте часовую ставку на эти часы. Сложите. Сравните с ценой подписки.
Почему это важно: вы не сможете защитить AI-бюджет на следующий год, если не знаете его реальную стоимость. Финансовый директор спросит — и у вас должен быть ответ, а не «ну, Copilot стоит $20».
2. Перестаньте измерять внедрение. Начните измерять результат
Доля разработчиков, использующих AI-инструменты (adoption rate) — самая популярная метрика на дашбордах внедрения. И она почти бесполезна. 84% разработчиков уже используют или планируют использовать AI. Ранний RCT METR показал: сам факт использования не гарантирует ускорения. Обновление 2026 года подчёркивает вторую проблему измерения — самоотбор участников и параллельная работа с агентами мешают получить надёжную актуальную оценку.
Что мерить вместо: три метрики, которые показывают, меняется ли доставка, а не активность:
- Lead Time — время от момента, когда задача взята в работу, до момента, когда она в продакшене. Если AI реально помогает, этот срок должен сокращаться.
- Throughput — количество закрытых задач в единицу времени. Если AI ускоряет команду, throughput растёт.
- Defect Rate — доля задач, которые возвращаются после релиза (баги, переделки). Если AI пишет код быстрее, но дефектов больше — чистая потеря.
Как сделать: возьмите значения этих трёх метрик за квартал до массового внедрения AI. Сравните с текущими. Если adoption rate вырос на 80%, а Lead Time и Throughput стоят на месте — у вас не внедрение, а показуха.
Почему это важно: наверху рано или поздно спросят: «Мы вложили в AI — где результат?» Если ваш ответ — «84% команды пользуются инструментом», следующий вопрос будет жёстким. Если ваш ответ — «Lead Time сократился на 12%, дефектов не прибавилось» — разговор другой.
3. Проверьте свою грейд-таблицу
Откройте документ с грейдами (или разговорите HR). Найдите ответы на три вопроса:
- Есть ли роль, отвечающая за надёжность агентных пайплайнов (мониторинг, отладка, тесты качества вывода)?
- Есть ли роль человека, который пишет спецификации — точные описания того, что агент должен сделать — как отдельный навык?
- Есть ли роль человека, который оркестрирует пулы агентов — распределяет задачи, контролирует прогоны, собирает результат?
Как сделать: если ни одной из этих ролей в грейд-таблице нет, это нормально — большинство компаний в той же точке. Но теперь вы знаете, что когда на рынке появится кандидат с таким опытом, у вас нет позиции, на которую его нанять. И когда ваш собственный инженер начнёт развиваться в эту сторону, у вас нет грейда, под который это подвести.
Почему это важно: рекрутинг идёт не за зарплату, а за название роли и карьерный путь. Кандидат с опытом агентной разработки выберет компанию, где это — признанная роль с собственным грейдом, а не «ну, будете делать то же самое, но назовётесь Senior Developer».
4. Сделайте стоимость токенов видимой
Инженер с доступом к AI-агентам может потратить $1000/мес на токены, и никто не заметит — пока не придёт счёт. Один финтех с 50 инженерами дошёл до $67K/мес, прежде чем кто-то обратил внимание.
Token FinOps — это практика управления расходом на LLM-вызовы. Три шага:
- Инструментация: каждый AI-вызов помечается — команда, проект, среда. Вы видите, кто и сколько тратит.
- Showback: раз в месяц каждая команда получает отчёт «ваша команда потратила $X на токены». Не для того, чтобы запретить, а чтобы каждый видел свою цифру.
- Бюджет: команда получает лимит. Превышение — не блок, а разговор.
Как сделать за понедельник: попросите платформенную команду (или одного девопса) добавить тег project/team к API-ключам для AI-сервисов. Большинство провайдеров поддерживают это из коробки. Через неделю у вас будет первая разбивка.
Почему это важно: когда финансовый директор спросит «почему счёт за AI вырос втрое за квартал», вы должны уметь ответить «команда X — 40%, потому что вот эта фича требует дорогих прогонов; команда Y — 15%, всё под контролем». Без разбивки ответ один: «ну, AI стал дороже».
5. Введите правило объяснимости
Одно правило на PR-ревью: если автор не может объяснить своими словами, что делает AI-сгенерированный код — PR не проходит. Не «опишите каждую строку», а «расскажите, что этот блок делает и зачем он нужен».
Как сделать: добавьте один пункт в шаблон PR: «Я могу объяснить назначение каждого блока этого кода». Галочка. Без неё — merge не нажимается. Это не slows down ревью — это делает его осмысленным.
Почему это важно: PocketOS потерял продакшен-базу за 9 секунд, потому что Cursor-Claude-агент выполнил деструктивную команду, и никто не был в позиции её остановить. Правило объяснимости — самый дешёвый страховочный тормоз, который не требует ни инструментов, ни бюджета, ни согласования. Внедряется за один разговор с командой.
Что ещё почитать
- Your AI-coding agents might need an org chart — LeadDev разбирает исследование: Codex ломает 13 правильных решений Claude, чиня 3. Иерархия ревьюеров важнее, чем «второе мнение».
- How AI Coding Tools Are Changing Engineering Headcount — junior-вакансии −28% от пика 2022, senior −11%. Claude Code — $8B run-rate. Данные по уровням, а не в среднем.
- AI Coding Costs Hit $28K Per Dev — медианная стоимость AI-стека: $28K/инженер/год. Uber сожгла годовой AI-бюджет за 4 месяца. Финансовые директора требуют обосновать ROI до следующего бюджетного цикла.
- Roll Out Coding Agents Without Chaos — 92.6% adoption, 10% потолок. Playbook на 90 дней: единый owner, policy в pipeline, старт с дешёвых задач.
- When Engineers Manage Agents and Managers Engineer — ревью впервые обошло написание кода по времени. Роли инженера и Engineering Manager (руководителя разработки) сходятся. 70% лидеров фиксируют рост дефектов и отката кода в продакшене.
- What Engineering Teams Are Getting Wrong in 2026 — один быстрый инженер с агентами замедляет всю команду. Выгорание от параллельного супервайзинга.
- If I Built My Engineering Org From Scratch Today — команда из 4 человек (в Team Topologies такой формат называют «под» — небольшая автономная кросс-функциональная команда) + агенты. Отдельная роль Quality Engineer с собственным KPI. Career ladder ломается первой.
- AI Coding Agents Are Blowing Through Budgets — Replit, Kilo Code, Symbotic: cost-per-PR как ключевая метрика. Multi-model routing: дорогие модели для архитектуры, дешёвые для рутины.
- Game Studios Shrinking to One-Person Teams — Турция: соло-разработчик выпустил игру за 2 месяца. Студия сократила 17 из 20. Конкретный кейс коллапса junior-ролей.
- 79% of Companies Overspent on AI in 2026 — цены на токены упали 60–90%, счета выросли втрое. Model routing, prompt caching, batch API — 6 фиксов.
- Rewriting Bun in Rust — Simon Willison разбирает кейс Bun: 1M строк, 11 дней, $165K. Главное — верификация, не генерация. «Ваши тесты теперь дороже вашего кода».
Какой из этих пунктов выглядит страшнее всего на вашей следующей встрече с руководством?
Human Loop Weekly выходит по понедельникам. Ещё больше про AI в инженерке и менеджменте:
- 📱 Telegram: @predictableteam
- 🌐 Сайт и статьи на английском: maratkee.com