Если вы выбираете таск-менеджер для команды и хотите считать разработку по метрикам поставки, то посмотрите в сторону Яндекс Трекера.

Из удобного в функционале есть мониторинг пропускной способности производительности команды (через измерение числа закрытых story points за спринт) и отслеживание эффективности потока (Throughput) команды, благодаря которому можно наглядно видеть, сколько закрывалось задач каждую неделю и сколько времени тратится на полезную работу.

Для измерения пропускной способности можно использовать виджет "График событий".

Как это работает:

1 – В качестве ключевого параметра задаётся дата завершения, в источнике задач задаются нужные типы задач: Задачи, Исследования и Ошибки (эпики не нужны) и выбирать статус "Закрыт" (для исключения задач в статусе "Отмена").

2 - При необходимости в "Источнике задач" можно отфильтровать задачи по каждому продукту/направлению. Группировку лучше делать по размеру спринта, например неделя или две.

3 - Чтобы строить такой график нужно заполнять "Дату завершения" во всех закрытых задачах, для чего в рабочем процессе во всех переходах в статус "Закрыт" нужно настроить заполнение даты завершения (и можно сразу настроить проставление резолюции).

Все эти и другие метрики можно легко найти, настроить и мониторить с помощью дашбордов в Яндекс Трекер.

Специальных знаний для настройки не требуется, а ответы можно найти в документации и в их группе поддержки в Telegram.

Читать полностью…

3 слоя интерфейса будущего ИИ

Layer 1. Отслеживание намерения пользователя

Сообщения, голос, местоположение, оповещения, календарь, привычки, биометрия и прочий контекст помимо базового ввода данных, благодаря которому Система понимает (и сразу на дальнейшее будущее предугадывает), что вы пытаетесь сделать, прежде чем вы явно начнёте что-либо делать или существенно измените паттерны своего привычного намерения поведения и Система "почувствует" это.

Layer 2. Область намерений активности ИИ

Вся фактическая работа Системы происходит через ИИ-агентов, управляющих ПО, API, файлами, почтой, календарями, процессами, транзакциями, биометрией и прочим контекстом и другими микро-сервисами, а большая часть использования пользователем компьютера превращается в наблюдение за монотонной работой машин.

Layer 3. Временные состояния UI/UX

Нам по-прежнему нужно проверять, сравнивать, редактировать, выбирать, утверждать, отклонять и получать результат сделанного нами ранее выбора ИИ.

Именно здесь сохраняется привычный графический интерфейс для пользователя, но работающий уже в виде неких одноразовых, специфичных для конкретной задачи поверхностей и суб-слоёв, создаваемых в каждый конкретный момент времени пользовательской задачи-ситуации.

Читать полностью…

Мы лишь придумываем проблемы,
Чтобы потом успешно их решать.
Весь рынок мир определён иным.
Пользователь – твой продукт.
Команда – продакт, а не ты.
Твой ум мешает росту.

Чувствуй, наблюдая.
Наблюдая, чувствуй.

Строй так мосты.
Влияй

Читать полностью…

Интересная новость: Авито Тех начали предлагать свою платформу для экспериментов Trisigma в формате VPC.

В рамках VPC-модели платформа разворачивается в изолированной инфраструктуре, что позволяет проводить эксперименты без передачи данных на сторону, а управление архитектурой и доступами полностью остается внутри компании. К тому же, новый формат поможет соблюдать жёсткие регламенты безопасности и легче проходить проверки.

В дальнейшем Авито Тех планирует выпустить полноценную версию для установки на собственные сервера клиента, что позволит закрыть потребности банков и госсектора, где требования к локализации данных максимально строгие.

Trisigma — платформа для автоматизации A/B-тестирования и комплексной аналитики продуктовых гипотез, разработанная командой Авито Тех.

Внутри компании на ней запускают более 7000 тестов, чтобы развивать ключевые сервисы и функции. Система справляется с огромными нагрузками, обрабатывая свыше 18 млрд событий каждые сутки.

Читать полностью…

Все проблемы в продукте растут из пространства неопределённости в принятии решений.

Попав в один из четырёх классических управленческих типов ошибок, проблема разрастается и постепенно оказывается во всем пространстве.

– Неясная цель. «Какую проблему-ситуацию мы решаем?»

– Неясные ограничения. «Есть ли у неё нас ограничения на ____?»

– Неясные компромиссы. «Что важнее, ____ или ____?»

– Неясный владелец. «Кто принимает финальное решение?»

Иными словами: 1) Зачем? (цель) 2) В каких условиях? (ограничения) 3) Что важнее при конфликте? (компромиссы) 4) Кто? (владелец).

После того, как вы определили, с чем была заминка, выполните рекурсию и если идея/фича/продукт/система отвечает на все четыре вопроса, то решение можно принимать. Если нет, то любое решение будет временным, а проблема 100% вернётся, но уже в другом обличье.

Читать полностью…

Среднее значенье — ложь. Сегменты — Истина

Причина 98% проблем в продукте – ты ничего не сегментировал

На какую бы идею/фичу/идею и под каким углом ты не смотрел, как бы обнадёживающе и радужно это всё не выглядело, причина того, что всё проваливается, почти всегда в том, что ты нашёл и смотришь на усредненную размытую идею/показатель/фичу, за которой скрываются два, три или даже четыре совершенно разных сценария/истории/JTBD/сегмента пользователей.

И плоская кривая их последующих метрик (приток, удержание, выручка, что угодно) часто скрывает ситуации, когда один сегмент стремительно уходит (отток), а другой агрессивно наращивает потребление, но именно за счёт этого, эти сегменты (которых ты не видишь) просто... взаимно нейтрализуют и выравнивают друг друга (и усредняют все метрики), вводя тебя в заблуждение и заставляя искать неведомые причины отсутствия роста.

Тоже самое с родмэпом. Если в нём за приоритет бьются сразу 3 сегмента пользователей, то у тебя 3 разных фичи (продукта?), 3 разных онбординга и 3 разных сценария, которые ты, из-за усреднения, спешно объединяешь и с гордостью называешь "единым решением". Нет, этотакнеработает.

Аналогичное вытекает в ценообразование и его продуктовое позиционирование. Пытаясь охватить сегменты с кардинально разными потребностями (и готовностью платить), твоя единая маркетинговая кампания + усредненная цена либо заставляет тебя недополучать и упускать прибыль в верхнем сегменте, либо закрывает продукт перед клиентами из нижнего.

– Даже если твой продукт пытается быть "всем для всех", его необходимо адаптировать под конкретные сегменты (проблем-пользователей-решений).

– Выбери Тот-Единственный-Сегмент, ради которого вы действительно создаёте продукт и отталкивайтесь от него соответствующим образом.

– Если высокоуровневые метрики выглядят криво или разнонаправленно, а интуиция, говорит, что что-то здесь не так, то разбей их по сегментам, которые определились выше.

Всякий раз, когда продуктовая задача кажется неразрешимой, раздели её на сегменты и взгляни на ситуацию заново.

Сегментируй ситуации и проблемы пользователей. Пользователи сегментируются сами. Далее, сами сегментируются идеи и решения. За ними подтянутся сегментированные посылы и цены.

Сегментируй. Всегда сегментируй.
Сегментирование работает всегда.

Читать полностью…

Новая структура любого отдела в компании

Всего 3 типа живых участников:

0. ИИ-агент

1. Архитектор

Те, кто разрабатывают операционные ИИ-процедуры, которые обучают и задают принципы ИИ-работы процессов в продукте и для команды.

Создают с нуля ИИ-процессы и обеспечивают работу инфраструктуры для ИИ, тестовые песочницы, системы интеграций, триажа (нет, не тиража) и доставки, определяя архитектуру и границы таких систем и задавая критерии качества того, как должен выглядеть нужный результат работы ИИ-агентов. Ключевой навык – критическому мышление и умение видеть слабые места в ИИ процессах.

2. Оператор

Все остальные участники, между которыми архитектор и ИИ распределяет задачи: расследование и верификация ошибок, доработка пользовательского интерфейса (UI), коммуникации с пользователями. Они требуют мастерства и внимательности.

3. General Manager

Тот-Кто-Отвечает-За-Продукт. Вкус, Видение, Свет.

Читать полностью…

Вайбкодинг продукта глазами продакта

Продолжаю кодить создавать некий-довольно-объемный по продуктовым и техническим меркам продукт с Claude, поделюсь наблюдениями:

– Не парь себе и ИИ мозги, не пиши на вайбе продукт с нуля, юзай опенсорс CMS с уже: а) продуманной; б) раздельной архитектурой.

Мой случай – Wordpress, в котором есть ядро и есть отдельно /plugins и /themes. Ядро постоянно, стабильно и ИИ его не трогает, вся работа по разработке продукта ведётся через плагины (бэк) и темы (фронт). Всё ограничено, порционно, версионно и контролируемо. Сэкономишь ИИ мозги и себе токены и не будешь тратить 80% времени/нервов/токенов на ненужную проверку и переписывание одного и того же места (ядра) ради мелких фиксов по сто раз.

– Смотри в сторону Single Page Application с раздельными .js под каждую фичу/"страницу". Это снова про ограниченность, версионность и контроль работы для тебя и ИИ. Плюс, так снова правильно для архитектуры, когда приложения общаются между собой раздельно, а не один .js управляет всем и сразу (создавая конфликты и глюки сразу во всём).

– 1 фича-апдейт = 1 чат в рамках 1 проекта и не будет никаких галлюцинаций. Апгрейдишь фичу – в первом промпте прикладывай архив с исходником последней stable версии фичи с прода (или коннекть GitHub). Апгрейднул – CHANGELOG - чат закончен.

Иначе уже спустя 2 часа чата машина начинает путаться в данных/коде и любая попытка разрулить лишь закапывает её и тебя в галлюцинации и баги ещё больше.

– Фиксы/баги можно объединять в одном чате, ИИ лучше видит контекст и находит связи между ними, но лучше тоже не копить и делить по stable версиям.

– Объясняй всё для ИИ наглядным языком, уточняй контекст, расшифровывай механики, стейты и позиционирование объектов на странице c их идентификацией.

Помогает: а) единый словарь терминов и понятий для фич/механик в твоём продукте (определимся с терминами и понятиями, классика, 2018 год); б) через Console смотреть на название их css-стилей. Потому что даже одна оговорка или размытое понятие может быть непонятно для ИИ и она начнёт додумывать его за тебя, что приведет её к галлюцинации.

Твой промпт = тех. задание, "нет ТЗ = результат ХЗ", ещё одна классика середины нулевых передаёт привет из прошлого.

– Прикладывай к промптам скрины с выделенными ошибками, поясняя текстом что на скринах. Несколько раз Claude сама нашла на скрине места с дублирующейся багой, которые я проглядел, поняла их и это помогло ей пофиксить 2+ баги разом.

– Не торопи ИИ с кодом и не давай ей с ним торопиться, всегда проси подтверждений понимания твоих задач и уточнения со стороны ИИ и ты снова сэкономишь токены, нервы и время.

– Для сложных фич/механик вначале проси у ИИ описание двух вариантов возможных решений, потом проси третий вариант, потом проси придумать оптимальное и подходящее решение на основе этих трёх. У меня во всех случаях ИИ выбирала третий вариант и с первой итерации писала его без серьёзных ошибок, имея на руках полный контекст что ей делать и что не делать.

– CHANGELOG MD – ключ и мост между релизами. После каждого успешного апдейта (чата) проси ИИ писать: а) интро проекта с точки зрения обновлённого кода/архитектуры; б) выжимку по изменениям и включай их в него, прикладывая в новом чате и прося читать все изменения для понимания контекста.

Потому что ИЗМЕНЕНИЯ = КОНТЕКСТ. Веди его ручками, чтобы не жечь лишний раз каждым апдейтом токены на разрастающийся док (старую инфу можно нужно подчищать).

– Скиллы и прочие "ты в роли" зашей в CHANGELOG один раз, а не в системный промпт/скилс, чтобы не вызывать их скрыто в каждом промпте, прожигая твои токены (ты же не Ланнистер).

– Слышал, что рефакторить код лучше через разные модели, устраивать оркестрации, подключать тулзы и прочее. Я до этого ещё не дошел, Claude отлично справляется со всем своим добром сама прямо через окно чата и обмен файлами контекстом.

В общем, как-то так. Впервые столкнулся с тем, что код и прод убегают вперёд дизайна. Думаю скоро подрубить github, а там и до VS Code + copilot не за горами. Я знал, что рано или поздно мы перейдем и на эту дрянь.

Читать полностью…

Конференции про лидерство смотрю уже не первый год, субботняя Dream → Teamlead на прошлой неделе не стала исключением. Больше всего зашли два доклада: про стресс и лидерство.

Из интересного:

Евгений Антонов, ведущий технический менеджер проектов в Yandex Infrastructure, объяснил, что тимлидер(ство) – это сначала про стек навыков по управлению собой, и только потом про управление командой. При этом нужно комбинировать в себе все виды лидерства в зависимости от КОН-ТЕ-КСТА. Контекст – король. Таким образом, научившись управлять собой, научишься тимлидству как профессии.

Еще была интересная мысль о том, что в стрессе типы (грани) тимлида обостряются и либо эволюционируют, либо регрессируют, поэтому стрессом нужно уметь управлять. И иначе, стресс начнёт управлять тобой, а потом и всей командой.

Всё втекает и вытекает из другого. И в этом вся сложность и простота одновременно ☯️

Поэтому, лидер, застрявший в одном стиле управления, скорее всего провалится (и утащит за собой команду). Стресс лишь приблизит неизбежное.

Полезный совет – рост тимлида часто происходит по фидбеку команды. Спросите коллег: а) что они в тебе как лидере видят; б) чего им в тебе не хватает.

Про ИИ тоже говорили: продуктивность с ИИ растёт быстрее качества, поэтому непродуманный ИИ в процессах не только не помогает, но и создаёт дополнительное узкое горлышко в виде растущего объёма верификации и ответственности выросшего благодаря ИИ количеству результата работы.

Читать полностью…

70% гипотез сгорают уже после запуска, просто потому, что их проверяют слишком поздно и чаще всего всё идёт по сценарию: идея → задачи → разработка → запуск и только в конце становится понятно, что что-то в этой цепочке было неправильным... с самого начала

📍30 марта, 18:00 пройдёт бесплатный воркшоп
«ИИ в исследовании продукта: как за 1 час собрать карту проверяемых гипотез»

Расскажут, как с помощью ИИ:

— превращать идеи в чёткие гипотезы
— собирать и анализировать данные заранее
— фильтровать и расставлять приоритеты
— собрать план проверки под реальные ресурсы

За 1 час у тебя будет карта гипотез, структура "проблема → аудитория → эффект → метрика" и план проверки с приоритетами, сроками и метриками.

Разберут как анализировать интервью и находить паттерны за минуты, генерировать гипотезы и принимать решения на основе данных, а не ощущений. Бонус: чек-лист «10 вопросов к гипотезе перед спринтом»

Эксперты: Дамир Байжуминов (продакт-менеджер Альфа-Банка по внедрению ИИ) и Артём Астапенко, эксперт по ИИ и архитектуре AI-решений

Если хочешь быстрее проверять идеи, а не тратить на них недели — приходи.

Бесплатное участие
👉 https://product-ai.ru/workshop

Читать полностью…

Мой старый знакомый не смог пройти мимо и прислал такой коммент к предыдущему посту. С его разрешения, дополняю пост своим ответом и накину на вентилятор свежей аналитеки от a16z (TLDR между строк: сокращайте операционку всех ещё сильнее)

>>>

Привет. Огромное спасибо за столь развернутый комментарий :) Дело в том, что я с ним и согласен и не согласен одновременно. Объясню почему.

Разрабы сейчас и разрабы пару лет назад — совершенно разные специалисты.

Как ты и описал их, большинство из них были долгое время такими: самодовольными, немного ленивыми и, к великому сожалению, неспособными понять и принять смыслов работы для пользователей.

И я думаю, что именно в этом всегда было главное недовольство к разрабам со стороны менеджеров и руководства, а не что-то личное непереносимое (с этим у большинства продактов проблем нет).

Сейчас с ИИ всё меняется (люди и процессы).

Те разрабы, кто оказался не такими и сохранили и пронесли до эпохи ИИ в себе немного пользовательской эмпатии, они поняли, что теперь с ИИ и агентами они могут СОЗДАВАТЬ продукты для пользователей, а не просто писать код для продуктов.

И такие спецы выстраивают вокруг себя на работе целую сеть из ИИ-агентов, которые работают и кодят и проверяют за них (и это видит руководство), либо... они уже пилят свои продукты. А те, кто этого ещё не понял и кто по старинке с самодовольным видом пытается кодить код, их, к сожалению, оптимизируют.

А с корпами просто – в корпах всегда всё было сломано: здравый смысл, процессы, стратегия, псевдо-культура, даже монетизация и та через одно место из-за влияния фондового рынка, инвестиций, кокаинума и оторванного от реальности восприятия мира вокруг (я не говорю уже о том, что мира внутри продукта под названием пользователи и их лояльность для корпы не существует в природе). Так задумано, в этом "дух" корпы.

Всё это было сломано до нас, и с приходом ИИ будет ломаться дальше, больше, сильнее и безумнее. Мы это уже сейчас видим в виде увольнений и сокращений и рандомного перекладывания работы уволенных на плечи кривого ИИ и разных там оркестров.

А кто рулит этим процессом? Кто решает кого нанимать, кого заменять, кого увольнять? Те же, кто раньше нанимал десятки тысяч сотрудников просто "потому что можем себе это позволить".

А значит их самодурство и недальновидность будут иметь место и дальше и будут только лишь усиливаться и одобряться ИИ. Просто потому что ИИ всегда говорит им «да».

И в один момент, ИИ+консультанты скажут "настало время управления с ИИ". и они согласятся, потому что: а) это легко/удобно/контролируемо; б) это выгодно; в) их ИИ не будет заменять (но это не точно, читай меж строк аналитику a16z про оптимизацию уровней + там ещё и статейка хорошая на десерт в ретвите).

А системы всегда стремятся к максимальному упрощению, строгости и автоматизации. Не просто же так в Матрице Архитектор сидит один в комнате 👨🏼‍💻

Читать полностью…

Неудобная правда продакт-менеджмента – большинство корпоративных продактов заменят разработчики с ИИ (а не наоборот)

Работа с обратной связью, аналитика тикетов, анализ конкурентов и рынка, продуктовое знание, еженедельные отчётики, внимательно слушание СЕО на совещаниях и всё такое – комон, всё это уже делает ИИ без продактов. Нужен лишь толковый оператор-оркестратор для ИИ.

Толковый оператор – тот кто умеет правильно общаться с ИИ и строить логику процессов для машин. А это всегда разраб, как бы мы не тешили себя иллюзиями вайб-кодинга.

Просто потому, что наш вайб-код не выйдет в прод на миллионы юзеров, он всегда пройдёт через верификатора в лице разраба/СТО.

В корпоративном менеджменте верификация идеи всегда начинается и идёт через руководство, и в корпах продакт часто выступает как номинал идеи и от него требуется только двигание тасочек менеджмент процесса разработки идеи, по которому он с этой идеей пойдёт к... разработчикам.

Зная любовь корпораций (и их консультантов) к оптимизации людей и процессов, не удивлюсь, если колесико снова сделает оборот и всё вернётся к тому, с чего начиналось, но с НЕБОЛЬШОЙ поправкой на ИИ: "СЕО ⇔ Разрабы-операторы + ИИ". Дизайн давно в руках ИИ, менеджмент уже вот плавно переходит.

Шансы на рынке остаются у дизайнеров со Вкусом, у продактов с Видением и у разработчиков с ИИ. Всех остальных заменят разработчики с ИИ.

Навеяно новостью о том, что Марк начал использовать ИИ-агента для ответа на вопросы сотрудников, а внутри самой компании персональные агенты стали обязательным условием работы и пунктом на перформанс ревью. И всё это под продолжающейся лавиной массовых сокращений.

– Developers, developers... 👏👩‍🦲

Читать полностью…

Что такое вайбкодинг и почему о нём так много говорят?

Битрикс24 выпустил бесплатный курс для гуманитариев из 11 уроков, где простым языком разбирают вайбкодинг и показывают, как делать первые проекты с ИИ без знания языков программирования.

Курс будет полезен руководителям, маркетологам, HR, менеджерам — всем, кому интересна тема. Формат практический: минимум теории, первые проекты, разбор ошибок, работа со структурой и сценариями.

Пройти курс можно на любой платформе:
YouTube / VK / RuTube

Читать полностью…

Продакты с амбициями, вам сюда

Т-Образование запускает курс по ML-Product-менеджменту для опытных специалистов с 12 мая по 7 июля.

Акцент на практику — участники создают свой ML-прототип и проходят через все этапы принятия продуктовых решений: от идеи и формулировки гипотез до MVP и масштабирования в формате Stage-Gate.

А еще в программе:

— восемь модулей с тестами и заданиями;
— лекции раз в неделю и задачи с обратной связью;
— работа с метриками, этикой, дрифтами, PDCA, мониторингом и scaling-фазой.

Преподаватели курса — лидеры профессии и практикующие ML-продакты.

В конце пройдет защита прототипов продуктов — шанс показать свои навыки и быть рассмотренным на роль ML-Product-менеджера в Т-Банке.

Если готовы сделать следующий карьерный шаг — подайте заявку.

Читать полностью…

Subagents vs. Agent Teams и в чём между ними разница

Субагенты – это параллелизм через изоляцию

Субагент — это специализированный экземпляр Claude/ChatGPT, работающий в собственном изолированном окне контекста. Представьте, что вы – руководитель исследовательской группы. Вы не читаете каждый первоисточник лично. Вы делегируете конкретные вопросы исследователям, они возвращаются к вам с квинтэссенцией полученных данных, а вы синтезируете всё это в единый, связный результат. Именно так работает механика с субагентами.

Каждый субагент получает:

– Собственный системный промпт, определяющий его специализацию.
– Конкретный набор инструментов, к которым он имеет доступ.
– Чистое, изолированное окно контекста.
– Одну конкретную задачу для выполнения.

По завершении, родительскому процессу возвращается лишь окончательный результат. Не полная цепочка рассуждений и не промежуточные шаги, а только сжатый вывод.

Смысл использования субагентов заключается не только в параллелизме, но и в компрессии. Вы дистиллируете огромный объём поисковой активности в чистый сигнал, не засоряя контекст родительского агента информационным шумом.

Существует одно жесткое ограничение: субагенты не могут взаимодействовать друг с другом напрямую. Все результаты возвращаются к родительскому агенту, который выступает в роли единственного координатора.

Это ограничение не то чтобы, недостаток, а скорее, особенность архитектуры и механики. Оно обеспечивает предсказуемость системы, в котрой вы всегда точно знаете, по каким каналам движется потоки информации и где принимаются решения.

Команды ИИ-агентов – это координация через коммуникацию

Команды агентов представляют собой принципиально иную модель. В то время как субагенты это недолговечные исполнители, которые выполняют конкретную задачу и исчезают, команды агентов – долгоживущие сущности, которые сохраняют своё состояние, напрямую взаимодействуют друг с другом и координируют свои действия посредством общего состояния.

Команда агентов состоит из трёх ключевых компонентов:

– Лидер команды, который координирует работу, распределяет задачи и обобщает результаты.

– Члены команды в лице независимых экземпляров агентов, каждый из которых обладает собственным контекстным окном и работает параллельно с остальными.

– Общий список задач, в котором отслеживается статус каждой задачи, а также зависимости между задачами.

Главное отличие от субагентов заключается в прямом взаимодействии по принципу «от равного к равному». Участники команды могут обмениваться сообщениями, делиться результатами, выявлять препятствия и вести переговоры, не пропуская всё через родительского ИИ-агента руководителя.

Вот как следует подходить к выбору между этими двумя подходами:

1) Суб-агенты работают по принципу «запустил и забыл». Вы ставите им задачу, они её выполняю и отчитываются о результате. Никакого взаимодействия или диалога между агентами.
Ни общей памяти, ни сохранения текущего состояния, потому что жизненный цикл каждого суб-агента ограничен рамками одной сессии.

2) Команды ИИ-агентов работают на принципах сотрудничества, сохраняют свое состояние и накапливают контекст с течением времени. Результаты, полученные в процессе выполнения любой задачи, мгновенно становятся доступны ИИ-коллегам по команде.

Кого использовать?

Используйте суб-агентов, когда ваша работа допускает «параллельное» выполнение: независимые потоки исследований, изучение кодовой базы или поиск информации, когда родительскому агенту требуется лишь краткая сводка результатов.

Используйте команды агентов, когда работа требует постоянного согласования действий: в ситуациях, когда агентам необходимо сверить свои результаты перед переходом к следующему этапу, или когда открытие, сделанное в одном потоке, влияет на дальнейшие действия другого ИИ-потока.

Пять важных шаблонов оркестровки

Читать полностью…

Вайб-кодинг мозгами и руками продакт-менеджера, новая порция наблюдений и советов, Часть 2 (часть 1):

– Кто-бы мог подумать, но изначально правильно выбранный стэк технологий – залог стабильного ИИ/кода, времени, нервов и токенов.

Нет, я знал это ещё с древних времен, но не думал, что в 2026 ИИ столкнется с той же самой проблемой и vanilla.js (хаха) окажется всё той же самой ванилой по сравнению с тем же React. Теперь я понял всю глубину этого мэма разрабов. Ну не знал я про ванилу, не смейтесь! ))

Поэтому писать проект с нуля на React/другом фреймоворке вместо рефакторинга ИИндийского ванилакода – отличная идея! Ошибок меньше, а если и есть, то находятся и фиксятся в разы быстрее за счёт рамок фреймворка.

– Особенно помогает просить написать ИИ новое тех. задание с учётом всех ранее найденных механик багов, но не используя какой-то один язык программирования, а оставаясь на уровне юзкейсов и общей архитектуры и связей. Далее, это тз можно применять к разных фрейморкам и языкам не переживая, что ИИ затащит в новое какую-то специфичную реализацию из старого языка.

– Разделяй всё. Не только на уровне модулей, но и на уровне написания кода в разрезе механик UX/UI (хотя, возможно, это об одном и том же).

Условный тулбар с переключением разделов, уведомлениями и настройками это 3 разных направления кодинга, несмотря на то, что они в 1 визуальном блоке.

Ты можешь попросить сверстать, ок, но если просишь ИИ скодить бэк и синкать фронт под это сразу, то она тупит из-за обилия зависимостей и связей и начинает костылять и глючить, поэтому иди по шагам по каждой механике/разделу/фиче, тестируй и фикси всё поэтапно и поштучно, а не проси всё сверстать и скодить за один промпт, иначе потом закопаешь себя и ИИ в фиксах всего и сразу. Да и в один промпт-прогон всё равно не влезет.

– Аналогично это и про приоритизацию последовательности кодинга для ИИ.

Образно для понимания: неправильно сначала делать условные уведомления, а потом пилить сущности под них. Это не-ло-гич-но и непоследовательно. Сначала детальная проработка и кодинг верхнеуровневых объектов, сущностей, зависимостей/связей, и только потом окружение и обвесы под и вокруг них.

– Объединяй всё, что нужно/можно. Образно, если у тебя форма комментов и форма создания записи и их use flow един (почему нет?), то тебе нужен единый и один редактор-скрипт-вызов (хз как правильно сказать, яжнеразраб) текста внутри них. 2+ разных функции и вот у ИИ уже 2+ потенциальных места для багов/рассинхрона/конфликтов и провалов памяти.

– Вырезай всё, что неважно. Безжалостно и без мыслей "нууу, ИИ всё равно же, что кодить, пусть пишет". Ей-то всё равно и она напишет, вопрос лишь в качестве ИИ-кода и багов, влияющих на корфичи и количестве тех. долга по ним.

– Даже если ты попросил о чём-то ИИ, то эта дрянь всё равно рано или поздно забывает и начнёт торопится, выдавая тебе свои мысли и советы о том, как бы она всё это уже сделала и реализовала, забивая и размывая себе память и прожигая токены вариантами и догадками. У меня она, походу, чухнула мою профессию, и уже начала гипотезы выдвигать вместо уточнений. Серьёзно, так и пишет: "Гипотеза №1 в том, что это может быть...".

Тормози её! И допом к переспрашиванию её понимания баги/фикса/задачи, проси её написать по ней.... полноценный use case/story.

Так ты увидишь насколько правильно машина видит и понимает весь use flow процесса/продукта, твою задачу, что ограничит и сузит её гадания и, заодно, ты и сам в голове прокрутишь всё это ещё раз.

– Тоже самое про тебя – не ленись читать аннотации и размышления ИИ о том, что она там пилит для тебя. Всё довольно понятно и у тебя у самого в голове структурируется продукт, его сущности и механики. Не всё же на дизайн-системы медитировать.

– Кстати, с дизайн-системами под вайб-кодинг новый приятный трип в виде организации в Figma компонентов, variables, стэйтов и всего прочего, чтобы скормить это потом Claude Code. Новая форма релаксации мозгов. Каеф. Но они там уже Clade Design катнули под дизайн-системы, придётся скоро переучиваться, похоже.

– И, да – я перешёл на эту дрянь.

Читать полностью…

Есть идеи продуктов, которых еще нет на рынке?

Т-Банк ищет ML-продактов, которые работают с LLM/AI и управляют продуктом от гипотезы до продакшена.

Вы сможете:
— превращать бизнес-проблему в измеримую ML-задачу;
— запускать эксперименты с моделями;
— работать в связке с дата-сайентистами, ML-инженерами и разработчиками.

В Т-Банке ценят автономность и предлагают прозрачную систему развития. Работать можно в офисе разных городов России.

Успейте откликнуться!

Читать полностью…

Закрой глаза
Чувствуй как ты дышишь
Всё между дыханием
Воздух и пространство
Слов не существует
Мы знаем Всё
Мурашки – точки мыслей
Линии крови течений
Свет изнутри наружу
Вокруг. "Наоборот"
Всегда – не Время
"ты" – Это, Это – Ты
Будь Водой

Читать полностью…

«Установки по умолчанию» как незримая архитектура нашего мышления, образа действий и продуктов (с)

«Установки по умолчанию» устраняют трение, экономят энергию и позволяют нам двигаться быстро, не переосмысливая каждый шаг. Без них мы бы застряли из-за когнитивной перегрузки.

С ними же мы редко останавливаемся, чтобы спросить себя:

– А имеют ли они всё еще смысл?

И именно в этом заключается риск.

В 2009 году компания BlackBerry была самой быстрорастущей компанией в мире. Ее видение мира было целостным и последовательным. И когда на рынок вышел iPhone, в BlackBerry не поддались панике....

И этот сценарий повторяется гораздо чаще, чем мы готовы признать. Kodak создала первую цифровую камеру и плёнку. Сеть Blockbuster отказалась от сотрудничества с Netflix, поскольку ритуал пятничных вечеров и поход в видеопрокат казался им незыблемым.

Это были лидеры, действовавшие, опираясь на логику, глубокое понимание потребностей клиентов и дисциплинированное исполнение с «хорошим менеджментом» и моделями поведения, закрепляющими существующие «настройки по умолчанию».

Но когда меняются базовые допущения и парадигмы, эти действия лишь ускоряют упадок. Полезная когда-то «настройка по умолчанию», применяемая уже после истечения срока её актуальности, превращается в обузу.

Сейчас мы переживаем очередной этап перезагрузки

Последние пятнадцать лет доминирующей «настройкой по умолчанию» был SaaS. ПО, поставляемое через облако, продаваемое из расчёта на одно рабочее место и монетизируемое по модели подписки.

Теперь же этот фундамент подвергается испытанию со стороны ИИ. Когда агент может оказывать поддержку клиентам, обрабатывать счета, составлять контракты и управлять рабочими процессами от начала до конца, единица измерения ценности меняется.

Вы больше не платите за доступ к ПО. Вы платите за результаты, а ценообразование за рабочее место начинает выглядеть несоответствующим.

Выбор между разработкой ПО и покупкой ПО тоже меняется, когда это ПО можно создавать за недели, а не за кварталы.

Компании, которые справляются с подобными ситуациями, не ждут подтверждений, а подвергают сомнению собственные предположения на раннем этапе, пока у них еще есть время и возможность действовать:

– Netflix делал это, трижды переходя от DVD к стримингу и оригинальному контенту, каждый раз разрушая свою собственную модель до того, как это мог сделать кто-то другой.

– Microsoft, после того как упустила крупные сдвиги в интернете и мобильных технологиях, перезапустила всю систему, сделав ставку на облако и ИИ.

– В Zappos мы прошли через более мелкие версии этого процесса. На ранних этапах навигация определяла пользовательский опыт; затем на первый план вышел поиск; и, наконец, мобильные устройства вынудили полностью переработать дизайн.

Каждый переход был болезненным. Системы ломались. Команды сопротивлялись. Конверсия первоначально падала, и требовались большие усилия и время, чтобы восстановить ее.

Мы понимали, что в этих решениях есть асимметрия. Изменение настроек по умолчанию может быть чрезвычайно болезненным, но эта боль временна. Ибо каждый раз, после некоторого времени на адаптацию и после каждого перехода старая модель всегда выходила на новый уровень по силе, масштабам и перспективам.

Сохранение настроек по умолчанию комфортно, но сохранение неправильных настроек по умолчанию фатально

В настоящее время, на рынке одновременно подвергаются сомнению сразу несколько настроек по умолчанию:

– написание кода;
– люди как единица работы;
– ПО, цена которого зависит от количества рабочих мест;
– статические модели.

Ни одна из этих настроек по умолчанию не исчезнет в одночасье, но в эпоху ИИ период полураспада сокращается.

И какими бы очевидными ни казались "правила по умолчанию", мы всегда должны подвергать их сомнению, потому что в удивительно большом проценте случаев то, что считается истинным, оказывается лишь частично истинным, неточным или просто пережитком мира, которого больше не существует.

То, что вчера было особенностью, сегодня является всего лишь правилом по умолчанию, а завтра может стать ошибкой.

Читать полностью…

Проблема не в ChatGPT

Проблема в том, что никто не учит думать о задаче до того, как написал ИИ.

Просишь разобрать данные — получаешь уверенный текст с придуманными цифрами. Просишь конкурентный анализ — получаешь воду, которую стыдно показать. Закрываешь чат, выключаешь агента, делаешь сам.

Дело не в модели. Дело в подходе.

«Сигнал» — цикл занятий от ProductSense про принципы работы с ИИ, которые остаются, когда выходит новая модель.

– как ставить задачу, а не «задавать вопрос»;
– как проверять результат без перечитывания каждой строки;
– как встроить ИИ в рабочий процесс, а не использовать как Google.

7 занятий по 2 часа. Разбор + практика. Ведёт Юра Агеев, основатель ProductSense и ведущий подкаста make sense.

После занятий заберёте с собой:

– шаблон задачи;
– чек-лист проверки;
– карта того, что отдавать ИИ, а что нет;
– набор контекста про твой продукт;
– описанный процесс для автоматизации.

Бесплатно.

🗓 Старт 21 апреля
👉 signal.productsense.io

Читать полностью…

Два пути, Семь врат

⛩️Путь внедрения новых функций

1. Архитектор определяет задачу как структурированное задание с полным набором: 1) контекста (данных/метрик/кода/отзывов/чего угодно); 2) целями; 3) ограничениями.

↓

2. ИИ-агент декомпозирует задачу, планирует реализацию, пишет код и генерирует собственные тесты.

↓

3. Создаётся запрос на слияние (PR). Он проходит три этапа проверки Claude. Оператор проверяет всё на краткосрочные/долгосрочные риски, а не просто корректность ответов ИИ.

↓

4. CI проверяет типизацию, линтинг, модульные тесты, интеграционные тесты, сквозные тесты.

↓

5. Очередь слияния выполняет перебазирование и выполняет слияние, если оно успешно.

↓

6. Включается контроль функциональности для команды. Постепенное развёртывание в процентах. Мониторинг метрик и обратной связи. Шестифазный конвейер развёртывания продвигает проект по всем этапам исследования/дизайна/разработки/производства с тестированием на каждом этапе.

↓

7. Доступен аварийный выключатель в случае ухудшения работы и автоматический откат для серьёзных проблем.

⛩️Путь исправления ошибок =

1. CloudWatch и Sentry обнаруживают ошибки.

↓

2. Система сортировки Claude оценивает серьёзность, создаёт линейную задачу с полным контекстом расследования.

↓

3. Оператор проводит собственное расследование.

↓

4. ИИ уже провёл ИИ-диагностику и предложил исправления. Оператор проверяет и внедряет исправление.

↓

5. Тот же процесс проверки, развёртывания и мониторинга.

↓

6. Система обработки запросов повторно проверяет ошибку.

↓

7. Если проблема решена, заявка автоматически закрывается.

Оба пути используют один и тот же конвейер. Одна система. Один стандарт.


∞ Петля самовосстановления на основе обратной связи ∞

Это – центральный элемент системы.

1. Каждое утро запускается автоматизированный процесс проверки работоспособности. Claude Sonnet опрашивает CloudWatch, анализирует паттерны (ошибок) во всех сервисах и формирует сводный отчёт о состоянии системы, который отправляется команде через мессенджер (и никому не приходится запрашивать его вручную).

↓

2. Час спустя запускается механизм триажа (система ИИ, которая автоматически оценивает и распределяет поступающие задачи по приоритету, важности или срочности).

↓

3. Он кластеризует ошибки, возникшие в production-среде (на основе данных из CloudWatch и Sentry), оценивает каждый кластер по девяти критериям критичности и автоматически создает тикеты на расследование в системе Linear.

Каждый тикет содержит примеры логов, информацию о затронутых пользователях и конечных точках (endpoints), а также рекомендации по путям расследования.

↓

4. Система выполняет дедупликацию. Если уже открытый тикет охватывает тот же самый паттерн ошибок, система обновляет этот тикет. Если же вновь возникает ошибка, по которой тикет ранее был закрыт, система выявляет эту регрессию и автоматически открывает тикет повторно.

↓

5. Когда инженер отправляет исправление (fix), его обработку выполняет тот же самый конвейер. Три итерации проверки с участием Claude оценивают запрос на слияние (PR). Система CI выполняет валидацию.

6. После завершения развертывания механизм триажа повторно проверяет данные в CloudWatch.

7. Если исходные ошибки устранены, соответствующий тикет в Linear закрывается автоматически.

Так семиэтапный конвейер развёртывания последовательно продвигает изменения через среды разработки и production, выполняя тестирование на каждом этапе.

⚠️ Каждый ИИ-инструмент отвечает за выполнение лишь одной конкретной фазы и ни один инструмент не пытается взять на себя абсолютно всё.

Этот ежедневный цикл формирует "петлю самовосстановления", в рамках которой ошибки выявляются, проходят триаж, исправляются и верифицируются с минимальным участием человека.

«ИИ будет создавать запросы на слияние, а человеку останется лишь просматривать их, чтобы убедиться в отсутствии каких-либо рисков».

Входите тесными вратами, потому что широки́ врата и пространен путь, ведущие в погибель, и многие идут ими; потому что тесны́ врата и узок путь, ведущие в жизнь, и немногие находят их.

Читать полностью…

Эпоха SaaS меняется, а вместе с ней и роль тех, кто управляет её решениями

Мы видим, что происходит с теми же Figma и Notion – ИИ-индустрия автоматизирует создание интерфейсов и функционала сервисов (и сами сервисы) за считанные дни, поэтому растет ценность специалистов, способных проектировать сложную простую логику процессов и управлять продуктом как Системой.

Чтобы стать тем самым «оператором-оркестратором», особенно в ИИ-сфере, нужны передовые знания и много практики.

22 апреля в 19:00 мск на онлайн-дне открытых дверей магистратуры «Управление продуктом в цифровом бизнесе» ИТМО в партнерстве с Яндекс Практикумом будут обсуждать, как собрать необходимые специалисту навыки системно.

👉 Зарегистрироваться на встречу

Разберут образовательные треки, дисциплины и то, как вообще сейчас выглядит актуальное обучение управлению продуктом. Для тех, кто хочет грамотно рулить продуктами в эпоху ИИ эта программа маст-хэв.

Читать полностью…

👆 P.S. И да, о чём бы с удовольствием подискутировал про стресс в айтишке с молекулярным биологом Сергеем Харитоновым:

– Яркое холодное освещение ночью и блэкаут днём – самое плохое решение для "ночных тимлидов" какое может быть, и такой подход лишь усугубляет негативные ощущения, что, собственно, Сергей и подтвердил в конце – оно не работает на долгосрок (в отличии от тимлидов).

Долгосрок – свеча рядом с экраном/ноутом, блики света от огня на стене которой идеально заменяют естественный(!) свет Солнца, которого нет ночью и успокаивают глаза-мозг. Просто потому что в свете Солнца много есть чего. Оно же есть в огне. Смотри в огонь, будь сам огнём, Огонь-Внутри-Тебя 🔥

– Днём можно спать при свете Солнца и блэкаут-шторы не нужны (читай – они только вредят). Спи днём также, как спишь ночью – с обычной шторой или без. Все эти попытки обмануть себя приводят лишь к одному – мозг-глаза-сознание всё равно знают, что его пытаются обмануть, их не обманешь, от этого только хуже.

– Спать можно дважды в сутки по 4 часа без вреда для здоровья. Говорю об этом как практик с 10+ летним опытом стабильной работы с полуночи и до 8 утра. Со здоровьем всё в порядке (тьфу х3). Спать 10+ часов я тоже могу и люблю, при правильном мышлении и подходе, переключение между режимами вообще не чувствуется, потому что режимов-не-существует.

– Пить магний вредно, как и пить любые витамины. Пить витамины – это дисбаланс. Лучше витамины есть органикой через постоянно полезную пищу и травы и качать ей то самое "нейробиотическое чувство" (но я называю это по-другому).

А магний лучше всего усваивается через кожу нервами водой в ванне с английской солью, которая его и содержит (рекомендую миксовать с розовой гималайской). Добавь темноту и снова огонь, и вот уже эффект Х10.

– Физические тренировки и мышцы – очень тонкая тема в контексте разгрузки ими от стресса. Знаю много случаев, когда под воздействием стресса физическое переходило в фанатическое и люди гробили своё пошатнувшееся здоровье ещё больше с мыслью "сожгу стресс спортом". В итоге, выгорание и стресс уходят на более глубокий ментально-физиологический уровень и бетонируются там тренировками.

Ключ в медитации, дыхании и фасциях. Баланс и Тишина внутри тебя 😌

Читать полностью…

Бэдтрип эпохи Web 2.0

Поймал вчера короткий бэдтрип в попытке начать работать с чистым Wordpress. В сознании сразу пронеслась куча воспоминаний из эпохи web 2.0, когда всё делалось руками: от контента до кода. А бэдтрип возник даже не из-за боязни чистого листа или сложности с кодом, нет (нет ничего прекраснее чем чистый белый лист).

Устанавливая нулёвую сборку WP, вдруг осознал (вспомнил), что большинство продуктов эпохи 2.0 характерны одним свойством – структурностью и ограниченностью во всём: от кода до механик работы с данными, которая лишала нас, как пользователей, той «магии» ПО и данных, на которую, на самом деле, они способны. И нам приходилось всё допиливать руками разработчиков, постоянно выслушивая сначала про те или иные технические ограничения тех времён, а после них и просто про ограничения времени.

(моя любовь в этом плане к Wordpress была безгранична, как и безгранично кол-во комьюнити плагинов к этому чудесному движку).

Традиционным продуктам 2.0 не хватало внутренней и внешней свободы механик и данных и UGC, которую даёт (и так жаждет) ИИ.

Мы, как пользователи, это всегда чувствовали, мы были недовольны этим, но нам приходилось пользоваться старыми продуктами, потому что не было ИИ.

А бэдтрип возник из-за того, что даже спустя 20 лет, в Wordpress до сих пор нет решения, которое бы позволяло продавать статьи на сайте поштучно (я не говорю уже даже про то, чтобы их можно было поштучно сдавать для чтения в аренду).

...Основная бизнес-модель контента.
Миллионное комьюнити.
20+ лет развития продукта.
Решений нет...

...ИИ написала плагин с моих слов за 5 минут.

Во Вселенной, где единственной постоянной является Хаос перемены, метод проверки гипотез и создания продуктов должен быть настолько быстрым, что на это должна уходить всего одна минута/один час/один день/неделя.

Проверка идей, развитие продуктов и написание кода в стиле 2.0 – это не просто медленно. Это, blyat, очень медленно.

(Фух, отпустило)

Читать полностью…

Вещи, которые должен уметь игнорировать продакт для сохранения своего внимания, видения и намерения (времени-энергии):

0. 100%-ый перфекционизм
1. Дословные требования пользователей
2. Громкость голосов стейкхолдеров
3. Авторитет "экспертных" мнений
4. Блеск фич и метрик конкурентов
5. Нужда совещаний и ответов
6. Просто срочность
7. Ожидание момента
8. Мнимая определённость планов
9. Запрос на определённости извне
10. Одержимость рационализацией
11. Процесс ради процесса
12. Потребность в одобрении командой
13. Стремление к консенсусу со всем(и)
14. Шёпот. Шум рыночного хайпа
15. Страх от признания пустых работ
16. Чувство вины за фичи (те работы)
17. Сравнение себя с другими
18. Свой собственный "успех"

Безупречность не про идеальность

Читать полностью…

Продуктовое мышление — навык для вашего роста 🧠

Если вы уже работали с продуктом, но до этого двигались на ощупь и без уверенности — возможно, пора систематизировать знания.

До 31 марта на расширенный курс «Продакт-менеджер» действует скидка 10% на все курсы, кроме программ ВО и Медицины, по промокоду НЕТОЛОГИЯ10.

За 10 месяцев вы научитесь:

- анализировать рынок и ЦА, проводить A/B-тесты и CustDev;
- разрабатывать концепцию продукта и создавать MVP;
- составлять ТЗ исполнителям;
- использовать гибкие методологии;
- рассчитывать юнит-экономику.

Для итоговой работы создадите концепцию продукта: с анализом ниши и конкурентов, списком гипотез, первым прототипом и юнит-экономикой.

🔗 Записаться со скидкой → https://netolo.gy/eFWv

Реклама ООО "Нетология"

Читать полностью…

Каждая фича старого SaaS теперь переосмыслена ИИ

Подумай же и ты об этом:

– Old school SaaS полагался на жёсткие предопределённые правила и данные. Теперь ИИ заменяет их контекстной логикой.

– Сбор данных раньше был в виде статичных форм с фиксированными полями, которые нужно было заполнять руками (своими или пользователей). С ИИ это а) автозаполнение; б) обогащение данных за секунды.

– Workflows раньше строились руками менеджеров и разрабов как цепочки «If-This-Then-That», где люди проектировали каждый шаг. Теперь ты описываешь всё текстом и ИИ собирает и проводит процессы.

– Импорт данных раньше был по жёстким шаблонам CSV, который ломался на любой ошибочной строке и приходилось тратить часы на её поиск и исправление. Теперь ИИ ест данные за минуты.

– Поиск внутри продукта... Помню, на заре 2010-ых был целый сегмент продуктов по поиску внутри продуктов. Где они сейчас, где будут завтра?

– Обучение/документация были протухшей базой знаний FAQ. С ИИ документация жива и актуальна.

– Аналитика была взглядом на месячную задержку данных. ИИ анализирует онлайн.

– Дизайн был делом вкуса и времени. Теперь с ИИ остался только вкус.

– Старый спам уведомлений. ИИ-саммари и группировка.

– Онбординг? ИИ-адаптация!

– API? MCP!

– SaaS теперь источник данных для ИИ.

– Новые фичи = интеграция данных, а не фич

– Новый UI/UX = голос-чат

Читать полностью…

Как там дела у Фигмы

1. Тул №1 для прототипирования
2. Отказа от поглощения Adobe, компенсация в $1B
3. Скандал вокруг прав на слов dev mode и Config
4. Выход на IPO
4. 6-ти месячный lock-up акций после IPO
5. Акции упали на 80% (на языке биржи они превратились в мусор)
>> Figma сейчас здесь <<

Figma в 2026 году убыточна на -120% (они тратят $220 чтобы заработать $100), а рост выручки замедлился до 30%, что по стандартам компаний стартапов её уровня считается весьма слабым результатом.

Для понимания особой печали сотрудников Фигмы – после IPO они стали богатыми на экране, но из-за локапа не могли продать акции и выйти в кеш и наблюдали за падением цены своих акций.

Ко всему прочему, Фигме на хвост наступают конкуренты типа https://penpot.app (рекомендую изучить как альтернативу Фигме, есть self-hosted и тот же MCP) и, в целом, вся ИИ индустрия, готовая в любой день выкатить и выкатывающая очередной уникальный ИИ-тул для создания дизайна и интерфейсов.

Я это всё плавно подвожу к тому, что эпоха SaaS с приходом ИИ ОЧЕНЬ сильно изменилась и рыночек в лице акций самого популярного инструмента для создания интерфейсов тому наглядный пример.

И подкидывая дров в печку AI Free Zone, скажу, что self-hosted продукты в эпоху ИИ рулят по 3 главным причинам:

– с self-hosted вы перестаёте зависеть от хотелок продактов условных Figma/Notion в эпоху ИИ-хайпа;

– с self-hosted вы платите $50/m за машину на DO вместо того, чтобы платить тысячи $ за каждого сотрудника Figma/Notion/Slack за... а за что мы платим им тысячи долларов?

– вы не кормите чужой ИИ своими данными.

И для меня приятным удивлением в этом году было обнаружить https://anytype.io для ведения тасочек и доков. Русские ребята в Швейцарии пилят удобную self-hosted замену Ношена/Обсидиана, в которой есть всё, что надо от таск-менеджера и Слака, плюс шифрование ✨

Возвращаясь к Фигме, предположу, что её всё же выкупят и это будет OpenAI/Claude или может быть опять Adobe за миллиард?

Читать полностью…

Subagents vs. Agent Teams: в чём между ними разница + 5 паттернов оркестрации

Субагенты – это параллелизм через изоляцию

Субагент – это специализированный экземпляр в Claude/ChatGPT, работающий в собственном изолированном окне контекста. Представьте, что вы выступаете руководителем исследовательской группы. Вы не читаете каждый первоисточник лично, а делегируете конкретные вопросы исследователям, они возвращаются к вам с квинтэссенцией полученных данных, и вы синтезируете всё это в единый, связный результат. Именно так работает механика с субагентами.

Каждый субагент получает:

– Собственный системный промпт, определяющий его специализацию.
– Конкретный набор инструментов, к которым он имеет доступ.
– Чистое, изолированное окно контекста.
– Одну конкретную задачу для выполнения.

По завершении, родительскому процессу возвращается лишь окончательный результат. Не полная цепочка рассуждений и не промежуточные шаги, а только сжатый вывод.

Смысл использования субагентов заключается не только в параллелизме, но и в компрессии. Вы дистиллируете огромный объём поисковой активности в чистый сигнал, не засоряя контекст родительского агента информационным шумом.

Существует одно жесткое ограничение: субагенты не могут взаимодействовать друг с другом напрямую. Все результаты возвращаются к родительскому агенту, который выступает в роли единственного координатора.

Это ограничение не то чтобы, недостаток, а скорее, особенность архитектуры и механики. Оно обеспечивает предсказуемость системы, в котрой вы всегда точно знаете, по каким каналам движется потоки информации и где принимаются решения.

Команды ИИ-агентов – это координация через коммуникацию

Команды агентов представляют собой принципиально иную модель. В то время как субагенты это недолговечные исполнители, которые выполняют конкретную задачу и исчезают, команды агентов – долгоживущие сущности, которые сохраняют своё состояние, напрямую взаимодействуют друг с другом и координируют свои действия посредством общего состояния.

Команда агентов состоит из трёх ключевых компонентов:

– Лидер команды, который координирует работу, распределяет задачи и обобщает результаты.

– Члены команды в лице независимых экземпляров агентов, каждый из которых обладает собственным контекстным окном и работает параллельно с остальными.

– Общий список задач, в котором отслеживается статус каждой задачи, а также зависимости между задачами.

Главное отличие от субагентов заключается в прямом взаимодействии по принципу «от равного к равному». Участники команды могут обмениваться сообщениями, делиться результатами, выявлять препятствия и вести переговоры, не пропуская всё через родительского ИИ-агента руководителя.

Вот как следует подходить к выбору между этими двумя подходами:

1) Суб-агенты работают по принципу «запустил и забыл». Вы ставите им задачу, они её выполняю и отчитываются о результате. Никакого взаимодействия или диалога между агентами. Ни общей памяти, ни сохранения текущего состояния, потому что жизненный цикл каждого суб-агента ограничен рамками одной сессии.

2) Команды ИИ-агентов работают на принципах сотрудничества, сохраняют своё состояние и накапливают контекст с течением времени. Результаты, полученные в процессе выполнения любой задачи, мгновенно становятся доступны ИИ-коллегам по команде.

Используйте суб-агентов, когда ваша работа допускает «параллельное» выполнение: независимые потоки исследований, изучение кодовой базы или поиск информации, когда родительскому агенту требуется лишь краткая сводка результатов.

Используйте команды агентов, когда работа требует постоянного согласования действий: в ситуациях, когда агентам необходимо сверить свои результаты перед переходом к следующему этапу, или когда открытие, сделанное в одном потоке, влияет на дальнейшие действия другого ИИ-потока.

Читать полностью…

5,000 лет д.н.э: Проект-менеджмент
1855: Структура ж/д компании
2026: Структура ИИ-агентов

В 1855 году у Нью-Йоркско-Эрийской железнодорожной компании возникла проблема. Железнодорожный транспорт в то время представлял собой крупнейшую в истории страны структуру по сложности своей организации.

Начальнику железной дороги Дэниелу МакКаллуму, который в то время был ведущим мыслителем в области менеджмента, было поручено найти решение. Так, он разработал первую в истории современного мира сложную, многоуровневую, древовидную организационную схему (хайрес).

Схема представляет собой дерево, корни которого символизировали президента и совет директоров. Ветви – пять оперативных подразделений и сервисных отделов (ремонт локомотивов, автомобильный мост, телеграф, типографию, а также казначейство и секретариат. Листья же обозначали местных агентов по продаже билетов, грузоперевозкам и экспедированию грузов, подчиненных руководителей, поездные бригады, бригадиров и так далее.

Одной из отличительных особенностей схемы Маккаллума для Эри является то, что она функционирует одновременно и как карта и как организационная схема. Вы можете видеть как структуру всей железной дороги и расположение её подразделений, так и организационную структуру каждого подразделения.

На схеме Маккаллума самые высокопоставленные руководители компании расположены внизу, что противоречит современному пониманию иерархических организационных схем.

Это совершенно другая организация, нежели пирамидальная структура, в которой руководители находятся на вершине, в отличие от этой, где они находятся внизу

Несмотря на достижения МакКаллума в конце XIX века, организационные схемы получили широкое распространение лишь спустя почти сто лет, с появлением бизнес-школ в США. До этого момента организационные схемы появлялись в исторических документах лишь в контексте военных действий.

P.S. Маккаллум просто скопировал всё с языка Кипу среднего горизонта (периода до инков), в котором цифры завязывали узелками и могли использовать для учёта расходов и доходов. Некоторые из узлов так же, как другие особенности, такие как цвет, представляют нечисловую информацию, которая до сих пор ещё не была расшифрована.

В 2006 году американский исследователь Гари Уртон обнаружил, что в узелках Кипу заложен код, напоминающий двоичную систему. 5,000 лет до нашей эры. Заложен код.

Всем пятницы и выходных!

Читать полностью…