Почему команды замедляются, даже когда людей становится больше. И чем сможет помочь AI.

Есть популярная управленческая интуиция: если проект не успевает, нужно добавить людей. Логика простая: сказать "нас не хватает" психологически проще, чем признать архитектурные или организационные проблемы.

Но на практике часто происходит обратное: людей становится больше, а скорость падает. Про это ещё в 1975 году писал руководитель разработки в IBM, Фредерик Брукс. И "Законом Брукса" стали называть идею о том, что новые силы в проекте на поздних стадиях только отодвигают срок его сдачи.

На картинке показаны графы коммуникаций участников проекта. Если совсем просто: чем больше участников системы, тем больше усилий уходит не на работу, а на согласование работы. Сами графы коммуникаций - сильный визуальный инсайт.

Математика тут довольно жесткая. В команде из n человек количество потенциальных коммуникационных связей равно n(n−1)/2.
При росте команды с 5 до 10 человек людей становится вдвое больше, а связей - почти в пять раз.

Это явление называют communication overhead - издержки на коммуникацию.

На уровне ощущений увеличение команды проявляется быстро:
〰 появляется больше встреч
〰 растёт количество чатов
〰 решения принимаются дольше
〰 контекст всё чаще приходится пересказывать

Работа не исчезает, но вокруг неё нарастает шум. Возникает ложное чувсво прогресса: движухи больше, а проект не двигается. Вы сами могли заметить, сколько времени тратится на синки, выравнивания и координацию в больших проектах.

Важно, что Сommunication overhead - это не проблемы общения людей. Это структурная особенность любой сети. В компьютерных сетях ситуация точно такая же: чем больше узлов, тем выше доля служебного трафика. Полезная нагрузка растёт медленнее, чем координация.

Организации устроены аналогично. Процент полезных или бизнес-данных падает с ростом числа коммуникаций, а оверхед на синхронизацию контекста растёт. А это - плюс время и деньги.

Отсюда и эффект, описанный в законе Брукса: добавление людей в запаздывающий проект делает его ещё более запаздывающим. Новым участникам нужен контекст и/или обучение, а старые участники тратят время на его передачу и вкат новых людей. В моменте система становится тяжелее.

Важно понимать, что Communication overhead - не ошибка управления и не признак плохой команды. Это цена за масштаб. Пока команда маленькая, координация бесплатна. После определённого размера она становится основным ограничением.

Именно поэтому многие сильные организации сходятся в числе 5-7 человек на автономную команду. Это точка, где сеть ещё не начинает "говорить сама с собой" больше, чем работать.

А вот теперь, самое интересное. Как можно сократить число узлов и коммуникаций в "человеческой сети"?

В современных реалиях можно применять ИИ, и его уже применяют для этого. Но здесь важно не перепутать роли. Сам ИИ не уменьшает количество связей между людьми, а снижает трение в этих связях: сжимает контекст, делает саммари, помогает вспомнить решения. То есть уменьшает вес коммуникаций, но не отменяет их.

Для снижения оверхеда в команде можно:
1. Уменьшить число узлов сети. Или передать часть рутинной работы ИИ, снизив число участников проекта. При этом кратно упадет число связей.
2. Снизить уровень коммуникации. Это про сжатие контекста с помощью ИИ и использование его возможностей в качестве контекстного буфера.

Примеры по второму пункту:

Самая большая боль в командах не общение, а потеря контекста:
〰 можешь напомнить, почему мы так решили?
〰 где обсуждали?
〰 это актуально или уже поменялось?

ИИ может:
〰 читать чаты
〰 читать таски
〰 читать документы
〰делать саммари встреч
〰 помнить историю решений

Поэтому, ИИ может выступать как контекстный буфер. А это - минус сотни сообщений и минус десятки встреч. Кроме этого, ИИ может асинхронно взаимодействовать со всеми участниками команды, это - огромная экономия времени на синхронизацию контекста.

Сейчас уже есть агенты, частично покрывающие проблемы оверхеда. Я думаю, в будущем появятся корпоративные решения для полного контроля и синхронизации контекста

#AI

@data_bar 🍀

Про навыкоцентричность.

Headhunter на днях выпустил отчёт "Будущее навыкоцентричности". PDF в комментариях. Если кратко - рынок труда уходит от должностей и дипломов к навыкам. Любой сотрудник - набор навыков. Компания ищет конкретный скиллсет или дообучает недостающим навыкам. Естественно, это сильно влияет на процессы найма, оценки и развития сотрудников.

Интересно, что мы в проекте анализа зарплатных вилок в IT VILKY уже больше года работаем ровно в этом направлении: собираем все возможные навыки из вакансий, используем NPL и LLM для анализа описаний вакансий и нормализации данных.

Про анализ навыков в нашем проекте мы писали много, например, пост. В канале VILKY каждый день появляются самые дорогие и популярные навыки по IT-направлениям - можно буквально видеть "ценник" на Terraform, Python или Data Engineering.

Мы даже пытались считать стоимость любого скиллсета, сколько должен стоить специалист с определённым набором навыков. Собрали словари (до 10k навыков с их синонимами), научились дополнять вакансии скрытыми навыками и получать полный профиль позиции.

В продакшн это не раскатывали - слишком тяжёлый проект получался, да и бизнес в РФ ещё не был готов.

И вот сейчас об этом говорит HH со ссылками McKinsey, Microsoft, Coursera, Udemy и других. Ещё собрали мнения экспертов из разных отраслей. Мнения разные и интересные. Мне понравилось то, что вынес в заглавную картинку.

HH в отчете сообщает, что "Навыкоцентричный подход выбирают 68% российских компаний". Не знаю, откуда взяли 68%, но цифра кажется завышенной. Оцените просто сами что у вас в компании с навыкоцентричностью.

〰 Мировой, а теперь и российский тренд понятен. Так что готовимся к новому слову "Навыкоцентричность". Отчёт HH будет тоже прочитать нелишним любому, кто строит карьеру. У HH еще есть гайд "Как внедрить навыкоцентричный подход в компании".

〰 За стоимостью IT навыков можно следить в нашем канале VILKY или на дашборде - это бесплатно.

@data_bar 🍀

От запроса к вопросу. Google представил Conversational Analytics в BigQuery

Вчера Google в блоге показал возможности решения Conversational Analytics в BigQuery. Теперь можно задавать вопросы к данным обычным языком, а система сама строит и выполняет SQL запрос и показывает результат с графиками и пояснениями в веб-интерфейсе. Используются агенты с последними моделями Gemini.

Осенью такое решение было представлена для гуглового Looker. Но Looker - это BI-слой. А здесь - прямое взаимодействие с DWH, без BI посредника.

Это ещё один шаг к демократизации данных.

〰 Гайды Conversational Analytics для BigQuery и Looker.

Что это даёт бизнесу:
〰 Демократизация аналитики. Можно получать ответы без знания SQL и без очереди к аналитикам.
〰 Быстрее инсайты. Бизнес-пользователь напрямую взаимодействует с данными.
〰 Меньше ручного контекста. ИИ читает метаданные и описания таблиц, формируя контекст данных

Давате разберём, почему это не революция:
〰 Ответы ИИ надо проверять. Гугл сам об этом предупреждает.
〰 Для метаданных и описаний таблиц надо проделать колоссальную работу: их нужно описывать, поддерживать и тестировать как агенты работают с метаданными.
〰 Запросы BigQuery стоят денег. В крупных компаниях на запросы уходят десятки тысяч долларов в месяц. Неоптимальные SQL-запросы от ИИ будут сжирать бюджеты. Бизнес-пользователей придётся ограничивать и обучать формулировке вопросов.
〰 Сложные бизнес-инсайты пока это не даст. Нужно много контекста и процессинга данных.

Похоже, что в ближайшем будущем отдельным навыком станет умение формулировать правильные бизнес-вопросы к данным.


💚 А про то, как самому локально развернуть базу данных и подключить к ней Claude через MCP для Conversational Analytics, я писал в посте "AI отчеты на основе данных".
💚 На Хабре сделал полный гайд "Подключаем Claude по MCP к базе данных на домашнем компьютере".

#conversational_analytics #genbi

@data_bar 🍀

Нефтегаз, дата-центры и социальные сети

Все чаще звучит тема будущего дефицита энергии под вычислительные мощности. Глобальный AI , кроме софта, это физическая инфраструктура: дата-центры, электростанции, сети.

В конце 2000-х я работал на консалтинговых и производственных проектах для крупных нефтегазовых операторов в Казахстане: ENI, British Gas, Chevron и др..

Спустя несколько лет, году в 2014м, один из выпускников, после корпоративного обучения в ENI, рассказал интересную вещь: компания построила под Миланом несколько многоэтажных дата-центров. А он проходил там практику. При встрече он предложил мне догадаться, чем занимаются в дата-центре. Я не угадал - ответ оказался неожиданным.

Помимо геоаналитики, там активно шерстили и анализировали социальные сети. ENI управляет большим числом промышленных объектов по всей планете, а локальные инциденты не всегда сразу доходят до штаб-квартиры. А в соцсетях кто-то может сфоткать фото дыма или аварии буквально в первые минуты и выложить в соцсеть. Это только один пример.

Другими словами, данные из публичного цифрового пространства приходили быстрее внутренних каналов.

Стало интересно, что сейчас у ENI со строительством data-центров.

Сегодня ENI развивает один из крупнейших в Европе вычислительных кластеров в Ломбардии, с собственными суперкомпьютерами и энергоэффективной архитектурой. В 2025 году компания также объявила партнёрство с Khazna (ОАЭ) по созданию AI-кампуса на сотни мегаватт. Питать планируют от новой газовой электростанции.

На официальном сайте есть крутая инфографика про эволюцию суперкомпьютеров с 1948 года и дата-центры. А здесь - много фото дата-центра ENI.

Чем там будут заниматься, можно только предполагать. Но связка LLM + семантический анализ соцсетей + гигантские вычислительные мощности - это уже не просто мониторинг. Это инструмент раннего обнаружения рисков, прогнозирования событий и построения модели мира в реальном времени.

В догонку ноябрьская новость про инвестиции в новое направление для энергетических компаний - AI-инфраструктуру.
〰 Chevron выходит на рынок дата-центров и инвестирует в AI-инфраструктуру в Техасе
〰 Halliburton предлагает специализированные решения для ЦОД
〰 Liberty Energy партнёрится с Oklo (ядерные реакторы) с решениями для энергоёмких клиентов

Что из этого следует
〰 AI требует гигантских объёмов дешёвой и стабильной энергии.
〰 Нефтегазовые компании уже обладают ключевыми компетенциями: генерация, инфраструктура, капиталоёмкие проекты.
〰 Дата-центры становятся новым промышленным активом, сопоставимым по значимости с НПЗ или газовыми хабами.

В этом контексте выигрывать будут те регионы/компании, где есть:
〰 доступная энергия
〰 земля
〰 инженерные кадры
〰 политическая стабильность

Поэтому Казахстан тоже выглядит перспективно. Можно вспомнить инициативу "Долина ЦОД". И на уровне правительства такие инициативы поддерживают. Это оч круто!

@data_bar 🍀

Хроники пет-проекта. Как идея выросла в data-продукт.

Привет всем, кто недавно присоединился - вас уже больше 2000 👋

Сегодня расскажу, как мы вчетвером (я, Никита, Рома и Снежана) за год превратили простую идею в полноценный data-продукт.

Если вы делаете свои пет-проекты, возможно, этот путь будет полезен. У нас - опыт работы в больших и средних IT компаниям, и мы делали все так как принято в большом IT. Большую статью про проект писали на VC.

Всё началось с простых вопросов
〰Сколько стоят IT навыки?
〰Сколько денег предлагают на конкретных ролях?

Так появился маленький пет-проект.

Со временем он вырос в полноценный data-pipeline с LLM, дашбордами, алертами и автоматическими дайджестами.
В базе - несколько миллионов data-пойнтов. По некоторым источниками собрали историю с 2012 года.
Про проект писали телеграм-каналы с общей аудиторией более 2млн человек.

Мы делали всё по выходным, и сделали то, что еще никто не делал:
〰 объединили данные из разных источников и построили ежедневно обновляемый дашборд
〰создали телеграм-канал с автоматической аналитикой вакансий.
〰 подключили нейросети к базе данных и реализовали диалог с данными почти сразу после появления MCP.

Коротко весь путь по шагам:

〰 Постановка проблемы.
Про боль рынка, и зачем всё это. Первая версия дашборда.
"Дайте вилку" или IT вакансии с зарплатами

〰 Сбор данных и автоматизация.
Строим песочницу для экспериментов с данными.
IT вакансии и автоматизация парсинга зарплат.

〰 Проект становится системой.
От "скрипта на коленке" в продукт: пайплайн, хранилище, трансформации, дизайн.
Агрегаторы IT вакансий и их сравнение
Проект VILKY. Roadmap, API, dbt и MongoDB

〰 LLM + Telegram + автоматические дайджесты
Как мы придумали дополнительные фичи
Проект VILKY. LLM, телеграм канал и дайджесты
Пет-проект VILKY. Архитектура, исследования, дизайн.

〰 Неожиданный эффект Telegram.
Как проект подхватили крупные IT-паблики
VILKY в IT пабликах и эффект Telegram

〰 Инсайты и наблюдения про рынок IT
14000 открытых IT вакансий на одном дашборде
Hard и Soft навыки в IT профессиях. Алгоритмы NLP

〰 AI-репортинг как следующий слой
AI отчёты на основе данных
Нейрорепортинг Claude + MCP и технологические тренды в IT
Локальное подключение нейросетей к БД

〰 Взгляд сверху
Проекты, продукты и продуктовый подход в пет-проекте


Что мы видим сейчас

Мы собираем данные каждый день, и теперь доступны вещи, которых не было ещё год назад:
〰динамика вакансий по дням
〰сезонность найма
〰тримодальность зарплат (три кластера компаний с разными вилками)
〰распределение грейдов по IT-направлениям
и многое другое

Мы можем:
〰считать стоимость навыков
〰строить карты эволюции профессий
〰искать вакансии по любому описанию
〰общаться с данными через Claude или ChatGPT
〰находить скрытые паттерны в истории рынка

Пространство для анализа огромное. А времени, как всегда, меньше.


〰И вопрос про будущее:

Технически мы уже можем дать доступ к данным через ChatGPT.

Например:
〰 загружать резюме и искать релевантные вакансии
〰 задавать вопросы реальному рынку
〰 получать ответы из структурированных данных

В публичном виде такого пока никто не делал. Это полноценная связь LLM с данными.

Интересно ли вам было бы общаться с рынком вакансий напрямую через ChatGPT?
Ставьте "❤️" в реакциях.

@data_bar 🍀

Ипотечный график.
Почему "ипотека под 5%" не означает переплату 5%.

Ипотечный договор - один из самых важных документов в жизни, который вы подписываете.
Поэтому важно максимально понимать, как именно вы отдаёте долг банку и сколько заплатите в итоге. Особенно, если пользуетесь льготной программой, где проценты могут измениться, например "ИТ - ипотека" в РФ.

Я сделал калькулятор ипотеки буквально за полчаса, чтобы визуально (и себе в том числе) объяснить, как работает ипотека и сложный процент.
➕ Калькулятор

В сети полно калькуляторов, но большинство - просто таблицы ежемесячных платежей.
Мне хотелось интерактив: слайдеры, графики, возможность менять параметры и сразу видеть результат. Такой интерактив сразу дает быстрые визуальные инсайты.

Рассматриваем только аннуитетные платежи - равные за каждый месяц. Дополнительные платежи (страхование и т.д..), инфляция и первоначальный взнос здесь не учитываются. Строим графики только по долгу и процентам банку.

У ипотечного кредита есть:
〰Долг
〰Проценты
И в первые месяцы доля процентов сильно больше доли основного долга.

Отсюда ошибка:
Некоторые думают, что при ипотеке под 5% переплатят всего 5%.

Важно понять простую вещь:
〰 каждый месяц вы платите примерно 1/12 × ставка от текущего долга

И это очень много на длинной дистанции. Банки про это не говорят.

Пример:
Если взять 10 млн рублей под 5% на 30 лет, переплата ×2 (20 млн)
Если ставка станет 20%, переплата уже ×5 (50 млн)
А ежемесячный платёж вырастет примерно с 53 000 до 167 000.

Типичный сценарий, когда слетает льготная IT-ипотека.

Главный вывод:
Ипотека - не только "ставка".
Это:
〰срок
〰риск изменения дохода
〰риск роста ставки
〰инфляция
〰стратегия досрочного погашения

Поэтому планировать её нужно как финансовый проект.
Стройте стратегию погашения, исходя из своих возможностей и рисков, а не из процентов в рекламе.

@data_bar 🍀

Токийское метро и предсказуемость систем.

В 2016 году я был в Токио на стажировке по программе «Умные города». Программу проводила японская сторона, совместно с МИД Японии и МИД РФ.

Нас было около 20 человек, и каждый день мы посещали предприятия, заводы, R&D-центры, инфраструктурные компании.

Одним из визитов стал завод Kyosan Electric Manufacturing - там производят решения для железной дороги, в том числе и для знаменитого Синкансэна. А ещё там делают системы управления метро и те самые двери, которые отделяют поезд от платформы. Компании более 100 лет, и на из сайте есть таймлайн за все время.

По заводу нас водил какой-то начальник. В одном из цехов, где собирают платформенные двери, нам рассказали интересные факты. В Токио метро частное: каждая линия принадлежит какой-то компании - оператору, и каждая их них сама формирует техническое задание на автоматизацию. Оказалось, что примерно половина заказчиков для систем управления выбирает реле, другая половина - контроллеры / компьютеры

Мы, конечно, удивились. Ведь у всех был стереотип: Япония - топ технологии. Спросили "Почему реле?"

Ответ был максимально японский:

"Реле больше 100 лет. Их логика предсказуема, системы просты в поддержке.
А компьютерам - всего около 40. Мы не всегда знаем, чего от них ожидать".

И это очень сильная мысль.

В критических системах, там, где на кону безопасность людей или данных, важнее всего предсказуемость и надёжность, а не новые технологии.

По этой же причине сегодня AI пока не готов для критических задач. Не потому что "плохой", а потому что мы до конца не понимаем, как именно он принимает решения, и чего от него ждать в нестандартной ситуации. Пока в таких системах человек и понятная автоматизация незаменимы.

Иногда прогресс - это не про "самое новое", а про "самое понятное".

@data_bar 🍀

График ипотеки. Часть 2

Недавно я писал про график ипотеки, как долг и проценты распределяются во времени. На дашборде можно менять параметры и сразу видеть, как меняется форма графика. Дашборд немного допилил (пока без мобильной версии). Сегодня - продолжение с анимацией.

Анимация показывает, как меняется форма графика при изменении ипотечной ставки. По сути, это визуальный инсайт о том:

почему +1% - это не "чуть-чуть"

Данные: ипотека 10 млн на 30 лет без учета инфляции

Цветами обозначены:
🔵 остаток долга
🔴 проценты по ипотеке
🟢 общая сумма выплат (долг + проценты)

Большие цифры на графике:
〰 ипотечная ставка
〰 во сколько раз итоговая выплата больше взятой суммы

Подобной анимации в сети я не встречал. Особенно нравится, как на ней сразу видно: резкое усиление нелинейности процентов и "гонка" столбцов на барчарте при росте ставки, а ещё - как в космос улетает ежемесячный платёж.

Если видео дало вам инсайт, ставьте реакции 🍀

В следующей части покажу, как всё это меняется с учётом инфляции.

@data_bar 🍀

График ипотеки. Часть 3. Инфляция

В прошлый раз я показывал, как ипотечная ставка меняет форму графика выплат, и почему +1% ипотечной ставки - это не "чуть-чуть".

Сегодня - анимация про инфляцию.

На первый взгляд 6% в год звучит спокойно.
Анимация показывает что инфляция - это экспонента. Поэтому она опасна на длинной дистанции.

Данные на анимации:
Берём 10 000 000 на 30 лет в ипотеку и смотрим, как меняется график выплат.
Инфляцию меняем от 0% до 10%

Все цифры пересчитываются с учетом инфляции (inflation-adjusted).

Цвета:
🔵 остаток долга
🔴 проценты по ипотеке
🟢 общая сумма выплат (долг + проценты)

Главный инсайт

6% - это не минус 6% каждый год.

Через 30 лет это:
〰-83% покупательной способности
〰10 000 000 превращаются примерно в 1 700 000

И самое важное - эффект ускоряется со временем.

Особенно нравится в анимации момент, как кривая инфляции "придавливает" график выплат.

То есть, если берёте 10 млн в ипотеку под 5% сейчас (пусть годовая инфляция 6%), на дистанции 30 лет отдадите 9 млн (с учетом обесценивания долга и процентов), а средний ежемесячный платёж обесценивается с 53000 до 25000. Последний платеж будет эквивалентен 4800.

За последние 25 лет годовая инфляция в России 9-10% по Росстату. Выводы делайте сами.

Если видео дало вам инсайт, ставьте реакции 🍀

В следующей части попробую придумать как совместить цифры без учета и с учетом инфляции на визуализации.

〰 Дашборд

@data_bar 🍀

Ищем будущих коллег в команды аналитики Авито

Моя роль в Авито - руководитель группы HR-аналитики.

Скоро стартует Avito Analyst Bootcamp. Это 12 месяцев интенсивной прокачки на реальных задачах компании.
Ребята с прошлых потоков уже работают у нас в команде.

Есть два направления:
〰Продуктовая аналитика
〰BI разработка

От Авито: зарплата, техника, наставники, обучение, реальные задачи в крутых командах.

Можно работать удаленно или из офисов. По итогам буткемпа часть ребят получит оффер в компанию.

Приглашаем студентов или недавних выпускников, готовых уделять 30 часов в неделю и расти в аналитике.
Это реальный шанс работать в бигтехе, в моей команде, команде Маши, Димы и других ребят.

〰 Все детали и ссылка на подачу заявки здесь.

Приходите, будет интересно 💚

Если посмотреть в глаза...

На картинке показано, как выглядело бы население Земли, если бы это были 100 человек. Hi-res

Распределение такое:
〰Карие (75%)
〰Голубые (10%)
〰Hazel (5%)
〰Amber (5%)
〰Серый (3%)
〰Зелёный (2%)

Янтарные глаза (Amber) имеют тёплый золотисто-медовый оттенок. Hazel - это смесь карего, зелёного и иногда золотистого оттенков. В русском языке нет точного аналога.

Конечно, это упрощённая версия. В реальности всё сложнее: у примерно 1% людей есть гетерохромия - когда глаза разных цветов или цвет радужки отличается. Также оттенок может меняться с возрастом.

В разных регионах мира картина сильно отличается. Например:
〰В Скандинавии большинство людей имеют голубые глаза.
〰В странах Африки и Восточной Азии подавляющее большинство - кареглазые.
〰В Центральной Европе часто встречается смешанный тип (hazel и серые).

Здесь есть калькулятор цвета глаз будущих детей.

Еще придумали несколько шкал категоризации цвета глаз. Одна из них - шкала Мартина-Шульца, в ней 20 оттенков.
Попробуйте найти свой цвет глаз.

@data_bar 🍀