Очередной год я активно помогаю с нашей 🤝 всеБашкирской конференцией UfaDevConf 2025. Мы запустили билеты за донаты. Подробности в посте ниже.
Каждый год мы стараемся сделать конфу лучше (за что огромнейшее спасибо монументальной организаторке Наташе Кирилловой (@nkazaeva), которая, не побоюсь этого слова, ТАЩИТ конфу.
В этом году мы пригласили двух мастодонтов менеджмента:
- Лёшу Пименова, одного из главных тренеров по Канбану в СНГ из Neogenda с воркшопом "Создаем дейтвенную стратегию с помощью Карт гипотез" (огромное ему спасибо, что согласился, это та продуктовка, которой не хватает всем).
- А Лёша Пикулев, эксперт по командному доверию, проведет воркшоп по теме доверия в команде "Красные флаги в команде - как распознать и остановить токсичное поведение".
Конференция бесплатная, а мест всего 1000 (и они, как обычно, разошлись за пару часов). А запросов на то, чтобы как-то попасть на неё в личке у организаторов прорва.
Как обычно, мы открыли 30 мест за донаты. Кто хотел и не попал на регистрацию, налетай
Кстати,я тож выступаю с темой "Хватит сорванных дедлайнов: укрепляем доверие стейкхолдеров с вероятностным прогнозированием на основе Монте-Карло".
Каждый год мы стараемся сделать конфу лучше (за что огромнейшее спасибо монументальной организаторке Наташе Кирилловой (@nkazaeva), которая, не побоюсь этого слова, ТАЩИТ конфу.
В этом году мы пригласили двух мастодонтов менеджмента:
- Лёшу Пименова, одного из главных тренеров по Канбану в СНГ из Neogenda с воркшопом "Создаем дейтвенную стратегию с помощью Карт гипотез" (огромное ему спасибо, что согласился, это та продуктовка, которой не хватает всем).
- А Лёша Пикулев, эксперт по командному доверию, проведет воркшоп по теме доверия в команде "Красные флаги в команде - как распознать и остановить токсичное поведение".
Конференция бесплатная, а мест всего 1000 (и они, как обычно, разошлись за пару часов). А запросов на то, чтобы как-то попасть на неё в личке у организаторов прорва.
Как обычно, мы открыли 30 мест за донаты. Кто хотел и не попал на регистрацию, налетай
Кстати,
Please open Telegram to view this post
VIEW IN TELEGRAM
Ufacoder
#UFADEVCONF2025
1❤2
Forwarded from UFACODER (Наталья Кириллова)
Друзья, внимание! У нас хорошие новости! 🕺
После закрытия регистрации мы получили много запросов, поэтому решили добавить дополнительные места для меценатов.
30 донатеров с наибольшей суммой получат пропуск на конференцию, специальные бейджи меценатов и нашу безграничную благодарность!❤️
✨ Ваши средства помогут нам обеспечить профессиональное фото и видеосопровождение, что позволит каждому моменту конференции оставаться с нами навсегда. Кроме того, они поддержат и другие важные инициативы нашего IT-сообщества.
Пожалуйста, после доната обязательно заполните форму. Это является главным условием изготовления бейджа и получения места на конференции.
Поддержать конференцию можно до 18:00 5 ноября – присоединяйтесь и станьте частью нашего события! Обладатели бейджей будут размещены в нашем канале и на сайте конференции.
Не упусти последний шанс попасть на UFADEVCONF 2025.
После закрытия регистрации мы получили много запросов, поэтому решили добавить дополнительные места для меценатов.
30 донатеров с наибольшей суммой получат пропуск на конференцию, специальные бейджи меценатов и нашу безграничную благодарность!
Пожалуйста, после доната обязательно заполните форму. Это является главным условием изготовления бейджа и получения места на конференции.
Поддержать конференцию можно до 18:00 5 ноября – присоединяйтесь и станьте частью нашего события! Обладатели бейджей будут размещены в нашем канале и на сайте конференции.
Не упусти последний шанс попасть на UFADEVCONF 2025.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥2
Сегодня мы с командой проводим открытый вебинар для всех, кто работает с Jira Metrics Pro или только планирует начать.
📅 5 ноября в 17:00 (МСК)
🔗 Встреча будет в контур.толке по ссылке: https://3q048jse.ktalk.ru/p6n62hse4lxo
Что будет:
• разберём функционал плагина на живых примерах,
• покажем реальные кейсы,
• ответим на вопросы пользователей.
Подойдёт всем:
— новичкам, чтобы быстро разобраться в интерфейсе и ключевых метриках;
— опытным пользователям, чтобы систематизировать знания и найти новые точки роста.
Формат — практика и обсуждение того, как сделать процесс прозрачнее и быстрее.
📍 Участие открытое для всех по предварительной записи.
Присоединяйтесь — будет полезно независимо от уровня опыта.
📅 5 ноября в 17:00 (МСК)
🔗 Встреча будет в контур.толке по ссылке: https://3q048jse.ktalk.ru/p6n62hse4lxo
Что будет:
• разберём функционал плагина на живых примерах,
• покажем реальные кейсы,
• ответим на вопросы пользователей.
Подойдёт всем:
— новичкам, чтобы быстро разобраться в интерфейсе и ключевых метриках;
— опытным пользователям, чтобы систематизировать знания и найти новые точки роста.
Формат — практика и обсуждение того, как сделать процесс прозрачнее и быстрее.
📍 Участие открытое для всех по предварительной записи.
Присоединяйтесь — будет полезно независимо от уровня опыта.
8❤2👍2
Приходите на Ufa Developer Conference 2025, если вы будете на нашей конфе в Уфе 🙂
Forwarded from UFACODER (Наталья Кириллова)
Секция Management на UFADEVCONF 2025
Марат Киньябулатов - Agile-коуч в системно-значимом финтехе, где работает над повышением эффективности на периметре 45 команд. Руководил Technical Program Management Office в MetaMap (now InCode), отвечал за СНГ подразделение SkuVault, создал и развивает Agile Ufa. Активно помогает в создании инструмента Jira Metrics Pro. Обо всем этом пишет в канале.
На докладе вы узнаете:
Погрузимся в три ключевых принципа прогнозирования и продемонстрируем, как симуляции Монте-Карло отвечают на самые болезненные вопросы любого проекта:
— Сколько задач мы закроем за следующий месяц?
— Когда будут готовы эти 20 фич из бэклога?
— Клиент только что попросил добавить новую задачу — когда мы её сделаем?
— Как спрогнозировать завершение целого эпика, если в нём куча неопределённости?
Что вы получите:
После доклада у вас будет чёткое понимание, какие данные собирать, как их использовать и как создавать прогнозы. Это позволяет лучше аргументировать руководству и самой команде сроки завершения, показывая не только разброс дат, но и вероятность их выполнения. А ещё поможет ребятам меньше выгорать.
Этот доклад будет полезен руководителям проектов, agile-коучам, аналитикам и всем, кто устал от вопроса «Ну когда уже будет готово?»
Программа конференции: http://dc.ufacoder.com
Марат Киньябулатов - Agile-коуч в системно-значимом финтехе, где работает над повышением эффективности на периметре 45 команд. Руководил Technical Program Management Office в MetaMap (now InCode), отвечал за СНГ подразделение SkuVault, создал и развивает Agile Ufa. Активно помогает в создании инструмента Jira Metrics Pro. Обо всем этом пишет в канале.
На докладе вы узнаете:
Погрузимся в три ключевых принципа прогнозирования и продемонстрируем, как симуляции Монте-Карло отвечают на самые болезненные вопросы любого проекта:
— Сколько задач мы закроем за следующий месяц?
— Когда будут готовы эти 20 фич из бэклога?
— Клиент только что попросил добавить новую задачу — когда мы её сделаем?
— Как спрогнозировать завершение целого эпика, если в нём куча неопределённости?
Что вы получите:
После доклада у вас будет чёткое понимание, какие данные собирать, как их использовать и как создавать прогнозы. Это позволяет лучше аргументировать руководству и самой команде сроки завершения, показывая не только разброс дат, но и вероятность их выполнения. А ещё поможет ребятам меньше выгорать.
Этот доклад будет полезен руководителям проектов, agile-коучам, аналитикам и всем, кто устал от вопроса «Ну когда уже будет готово?»
Программа конференции: http://dc.ufacoder.com
1👍5🔥4❤3
В этом году посчастливилось привезти в Уфу Алексея Пименова с воркшопом по «построению стратегии с помощью Карты Гипотез» 🗺️🧭
Это, наверное, первый раз когда кто-то в Уфе говорит про модную нынче тему, которая систематизирует целеполагание и стратегирование. Мои метрики это хорошо, но они должны двигать наши цели - и правильная провязка помогает с этим работать. 🌟
Если вы на #ufadevconf2025 - тут в воркшоп можно впрыгнуть в любой момент с 15:20 - 18:00 👾
Это, наверное, первый раз когда кто-то в Уфе говорит про модную нынче тему, которая систематизирует целеполагание и стратегирование. Мои метрики это хорошо, но они должны двигать наши цели - и правильная провязка помогает с этим работать. 🌟
Если вы на #ufadevconf2025 - тут в воркшоп можно впрыгнуть в любой момент с 15:20 - 18:00 👾
❤7🔥2
Конфа прошла. Было очень круто), всем кто пришел на конференцию - огромное спасибо! Я всегда переживаю что айтишное сообщество в Уфе тухлеет и умирает, а оно - цветет и пахнет!
🙏🏽 Огромное спасибо Лешам (Пименову с воркшопом по Карте Гипотез, и Пикулеву по Доверию в команде) что согласились прилететь, провести. Я, честное слово, до последнего боялся что воркшопы в Уфе (формат-то новый) будут не востребованы. А тут - и народу нормально пришло, а какие дискуссии были. Зря носился с аудиториями, флипчартами, стикерам - всего хватило, аудитория вовлеченная, настроение отличное ♥️ круто что такие мастодонты жанра с радостью к нам приезжают :)
Ещё огромное спасибо Наташе Кирилловой, человеку на котором держится вся конфа. ♥️♥️
Упоминание в слайдах самих выступающих нашего сообщества @AgileUfa, с тёплыми словами как место, где люди обмениваются опытом и помогают с рабочими кейсами дало нам какой-то лютый буст аудитории - митапу в конце ноября чтобы все за-знакомиться быть + проговорим про применение ИИ в своей работе.
📽 Материалы с моего выступления: "Хватит пропускать дедлайны? Честная предсказуемость с методом Monte Carlo. Выстраиваем доверие со стейкхолдерами data-driven подходом" доступны в яндекс.диске по ссылке.
🔗 По ссылке:
- сама преза в PPTX (67 метров),
- sample file с данными по Throughput за 20 дней, чтобы строить прогнозы самостоятельно(!) в https://predictable.team
- и список источников (включая мои статьи на хабре), которые можно почитать чтобы подробнее и лучше понять сабж.
_
🧠 Coming Soon:
- На следующей неделе начну потихоньку писать про внедрение AI в разработку на периметре кучи команд - шишки, причем тут ADKAR, дерево метрик и всякое другое.
🙏🏽 Огромное спасибо Лешам (Пименову с воркшопом по Карте Гипотез, и Пикулеву по Доверию в команде) что согласились прилететь, провести. Я, честное слово, до последнего боялся что воркшопы в Уфе (формат-то новый) будут не востребованы. А тут - и народу нормально пришло, а какие дискуссии были. Зря носился с аудиториями, флипчартами, стикерам - всего хватило, аудитория вовлеченная, настроение отличное ♥️ круто что такие мастодонты жанра с радостью к нам приезжают :)
Ещё огромное спасибо Наташе Кирилловой, человеку на котором держится вся конфа. ♥️♥️
Упоминание в слайдах самих выступающих нашего сообщества @AgileUfa, с тёплыми словами как место, где люди обмениваются опытом и помогают с рабочими кейсами дало нам какой-то лютый буст аудитории - митапу в конце ноября чтобы все за-знакомиться быть + проговорим про применение ИИ в своей работе.
📽 Материалы с моего выступления: "Хватит пропускать дедлайны? Честная предсказуемость с методом Monte Carlo. Выстраиваем доверие со стейкхолдерами data-driven подходом" доступны в яндекс.диске по ссылке.
🔗 По ссылке:
- сама преза в PPTX (67 метров),
- sample file с данными по Throughput за 20 дней, чтобы строить прогнозы самостоятельно(!) в https://predictable.team
- и список источников (включая мои статьи на хабре), которые можно почитать чтобы подробнее и лучше понять сабж.
_
- На следующей неделе начну потихоньку писать про внедрение AI в разработку на периметре кучи команд - шишки, причем тут ADKAR, дерево метрик и всякое другое.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥11❤4
Начать серию постов про внедрение AI в разработку очень хочется с вопроса.
Все вокруг внедряют AI. Из каждого утюга лозунги (пока именно лозунги) про ускорение кодинга, автоматизация рутины, скоростную выкатку новых фичей.
Но чего Вы ждёте от AI-tools? Как объясняете коллегам на работе, почему это нужно именно сейчас? 🤔
Поделитесь в комментах: Зачем вы внедряете AI? Сократить время на JIRA-задачи, улучшить качество или что-то другое? Вы ждёте какой-то окупаемости? #AIAdoption
Все вокруг внедряют AI. Из каждого утюга лозунги (пока именно лозунги) про ускорение кодинга, автоматизация рутины, скоростную выкатку новых фичей.
Но чего Вы ждёте от AI-tools? Как объясняете коллегам на работе, почему это нужно именно сейчас? 🤔
Поделитесь в комментах: Зачем вы внедряете AI? Сократить время на JIRA-задачи, улучшить качество или что-то другое? Вы ждёте какой-то окупаемости? #AIAdoption
👍2🤔1🆒1
Зачем внедрять AI? (1/5)
В прошлом посте я задавал вопрос, а зачем вам вообще AI?
AI — штука сугубо прикладная. Мы не внедряем AI ради AI.
Железки, GPU, доступы к API, токены - это не безлимитное и совсем не дешевое удовольствие. Бизнесу важно понимать к какому таргет-состоянию мы хотим прийти после внедрения.
Звучит логично, многие об этом думают. Но часто внятно ответить на вопросы не получается:
- А какую цель это закрывает?
- Как мы это измерим?
- Как мы будем в моменте понимать что достигаем их?
Две главные бизнес-цели
У любой организации есть два фундаментальных желания:
1️⃣ Сократить издержки (путем сокращения расходов (Cost Reduction) )
Гипотеза: инвестиции в AI должны окупиться тем, что затраты на персонал перестанут расти, а в идеале -> даже снизятся. Не увольнять людей (это отдельная, sensitive тема в связке с AI), а делать больше текущим или меньшим количеством людей. Еще это может быть сокращение COGS (cost of goods sold), иных операционных расходов и других показателей, которые часто съедают существенную часть бюджета (просто затраты на ФОТ обычно одни из самых больших).
2️⃣ Повысить доходы (путем снижения скорости вывода новой ценности на рынок (Time to Market))
Гипотеза: AI ускоряет разработку и позволяет быстрее доставлять новую ценность клиентам. Это нужно компаниям для удержания и роста доли рынка. Делаешь что-то быстрее конкурентов -> больше шансов сорвать куш.
✨А еще: AI автоматизирует то, что раньше было невозможно
По этому пункту мы зарубились с утра в коворкинге с @aigizK. И он заставил меня его добавить.
AI открывает двери для автоматизации задач, которые раньше просто нельзя или дорого было автоматизировать. Андрей Карпатый (сооснователь OpenAI и экс-глава AI в Tesla) называет это "Software 2.0". Новой парадигмой ПО, где ИИ автоматизирует не по жёстким правилам, а по проверяемым результатам.
Вкратце из его поста: "ИИ часто сравнивают с электричеством или промышленной революцией, но самая точная аналогия - это Software 2.0. В 80-х автоматизировали задачи по простым правилам (типа бухгалтерии). Сейчас с ИИ мы автоматизируем то, что вручную описать невозможно, но можно проверить. Задаём таргет и ищем лучшую нейросеть. Лучше всего автоматизируется то, что легко проверить (код, математика, головоломки). Непроверяемое (творчество, стратегия) отстаёт, но прогресс зубчатый и в проверяемых задачах он стремительный".
В разработке это значит: раньше рутина вроде boilerplate-кода или тестов была "ручной", потому что её сложно(сложнее) формализовать. Теперь AI генерирует и проверяет - и команды справляются с большим объёмом без доп. найма. Это, потенциально, усиливает обе цели: снижает затраты и ускоряет Time To Market.
Плоды внедрения появляются в работе с линейным персоналом: можно оцифровывать и проверять миллионы PDF-файлов, с вменяемыми результатами, которые раньше исчислялись бы миллионами рублей.
🎯 Вопрос:
Какие орг. цели вы приследуете при внедрении ИИ-инструментов?
*️⃣ Вопрос со звездочкой: сколько раз "AI" упоминается в этом посте.
В прошлом посте я задавал вопрос, а зачем вам вообще AI?
AI — штука сугубо прикладная. Мы не внедряем AI ради AI.
Железки, GPU, доступы к API, токены - это не безлимитное и совсем не дешевое удовольствие. Бизнесу важно понимать к какому таргет-состоянию мы хотим прийти после внедрения.
Звучит логично, многие об этом думают. Но часто внятно ответить на вопросы не получается:
- А какую цель это закрывает?
- Как мы это измерим?
- Как мы будем в моменте понимать что достигаем их?
Две главные бизнес-цели
У любой организации есть два фундаментальных желания:
1️⃣ Сократить издержки (путем сокращения расходов (Cost Reduction) )
Гипотеза: инвестиции в AI должны окупиться тем, что затраты на персонал перестанут расти, а в идеале -> даже снизятся. Не увольнять людей (это отдельная, sensitive тема в связке с AI), а делать больше текущим или меньшим количеством людей. Еще это может быть сокращение COGS (cost of goods sold), иных операционных расходов и других показателей, которые часто съедают существенную часть бюджета (просто затраты на ФОТ обычно одни из самых больших).
2️⃣ Повысить доходы (путем снижения скорости вывода новой ценности на рынок (Time to Market))
Гипотеза: AI ускоряет разработку и позволяет быстрее доставлять новую ценность клиентам. Это нужно компаниям для удержания и роста доли рынка. Делаешь что-то быстрее конкурентов -> больше шансов сорвать куш.
✨А еще: AI автоматизирует то, что раньше было невозможно
По этому пункту мы зарубились с утра в коворкинге с @aigizK. И он заставил меня его добавить.
AI открывает двери для автоматизации задач, которые раньше просто нельзя или дорого было автоматизировать. Андрей Карпатый (сооснователь OpenAI и экс-глава AI в Tesla) называет это "Software 2.0". Новой парадигмой ПО, где ИИ автоматизирует не по жёстким правилам, а по проверяемым результатам.
Вкратце из его поста: "ИИ часто сравнивают с электричеством или промышленной революцией, но самая точная аналогия - это Software 2.0. В 80-х автоматизировали задачи по простым правилам (типа бухгалтерии). Сейчас с ИИ мы автоматизируем то, что вручную описать невозможно, но можно проверить. Задаём таргет и ищем лучшую нейросеть. Лучше всего автоматизируется то, что легко проверить (код, математика, головоломки). Непроверяемое (творчество, стратегия) отстаёт, но прогресс зубчатый и в проверяемых задачах он стремительный".
В разработке это значит: раньше рутина вроде boilerplate-кода или тестов была "ручной", потому что её сложно(сложнее) формализовать. Теперь AI генерирует и проверяет - и команды справляются с большим объёмом без доп. найма. Это, потенциально, усиливает обе цели: снижает затраты и ускоряет Time To Market.
Плоды внедрения появляются в работе с линейным персоналом: можно оцифровывать и проверять миллионы PDF-файлов, с вменяемыми результатами, которые раньше исчислялись бы миллионами рублей.
🎯 Вопрос:
Какие орг. цели вы приследуете при внедрении ИИ-инструментов?
*️⃣ Вопрос со звездочкой: сколько раз "AI" упоминается в этом посте.
❤4
Как измерять AI-Adoption и связать с бизнес-целями (2/5)
В прошлом посте я рассказывал, что надо задумываться - зачем внедрять AI (повторю что у нас только гипотеза что с AI станет лучше). Сегодня - как мы пытаемся измерять эффект.
Главный вопрос: как понять, что внедрение реально работает?
🌲Ответ: строим трёхуровневое дерево метрик (дерево тут с натяжкой, а еще напрашивается разложить это по карте гипотез).
⚙️ Результата финального еще нет. Что мы делаем чтоб влиять на метрики - будет в следующем посте (там про ADKAR).
Уровень 1: AI-Adoption (внедрение)
Мы трекаем:
- MAU (количество активных пользователей в месяц) / DAU (в день) / Stickiness (=DAU/MAU, не просто количество активных пользователей, а еще и насколько они часто пользуются)
- Retention (удержание пользователей) / Churn (отток пользователей)
- Количество запросов на пользователя
- % задач с #ai (пока ручная пометка в тикетах в jira)
Уровень 2: Изменение процессов (промежуточный слой)
Это ключ! Adoption/Внедрение выражается в том, что процессы меняются:
- 📉 Cycle Time (от In Progress → Closed)
Сравниваем задачи с меткой #ai vs без ai
Гипотеза: AI ускоряет доставку → Cycle Time↓ → T2M↓.
- 🐛 Defect Rate (баги на задачу)
Проверяем: AI не роняет качество.
Если Defect Rate ≤ baseline → ОК → масштабируем.
- 📦 Количество задач на команду
Команды с высоким adoption (например, >60% задач с меткой #ai) vs низким (<20%).
Гипотеза: больше adoption → больше задач → Объём↑.
Уровень 3: Бизнес-результаты
• Cycle Time от In Progress до Closed ↓ → T2M↓
• Defect Rate (кол-во дефектов) ≤ baseline → Качество OK
• Кол-во Задач↑ → Объём↑
🎮Все эти стрелки вверх-вниз-влево-вправо выглядят как комбо в файтинге
Пример может выглядеть так:
1. В прошлом месяце 50pp Cycle Time для задач с #ai = 3 дня vs 5 дней без AI.
2. Команды с adoption >60% закрыли 110 задач vs 78 задач у команд с <20%.
🔥 Мой эксперимент за 3 месяц: я еще не понял стало ли лучше. Изменения требуют куче образовательных мероприятий, гайдов, постоянной работы с аудиторией подразделения.
А еще надо сильно смотреть на ROI - железки-то дорогие (а в нашей геополитической ситуации еще дороже).
🙏 Я призываю вас комментировать и помочь мне пересмотреть дерево, если хотите поумничать - хочется взгляда со стороны и вашего опыта!
❓ Вопрос к вам: как вы трекаете или пытаетесь трекать эффект от AI?
#AIметрики #T2M #Adoption
В прошлом посте я рассказывал, что надо задумываться - зачем внедрять AI (повторю что у нас только гипотеза что с AI станет лучше). Сегодня - как мы пытаемся измерять эффект.
Главный вопрос: как понять, что внедрение реально работает?
🌲Ответ: строим трёхуровневое дерево метрик (дерево тут с натяжкой, а еще напрашивается разложить это по карте гипотез).
⚙️ Результата финального еще нет. Что мы делаем чтоб влиять на метрики - будет в следующем посте (там про ADKAR).
Уровень 1: AI-Adoption (внедрение)
Мы трекаем:
- MAU (количество активных пользователей в месяц) / DAU (в день) / Stickiness (=DAU/MAU, не просто количество активных пользователей, а еще и насколько они часто пользуются)
- Retention (удержание пользователей) / Churn (отток пользователей)
- Количество запросов на пользователя
- % задач с #ai (пока ручная пометка в тикетах в jira)
Уровень 2: Изменение процессов (промежуточный слой)
Это ключ! Adoption/Внедрение выражается в том, что процессы меняются:
- 📉 Cycle Time (от In Progress → Closed)
Сравниваем задачи с меткой #ai vs без ai
Гипотеза: AI ускоряет доставку → Cycle Time↓ → T2M↓.
- 🐛 Defect Rate (баги на задачу)
Проверяем: AI не роняет качество.
Если Defect Rate ≤ baseline → ОК → масштабируем.
- 📦 Количество задач на команду
Команды с высоким adoption (например, >60% задач с меткой #ai) vs низким (<20%).
Гипотеза: больше adoption → больше задач → Объём↑.
Уровень 3: Бизнес-результаты
• Cycle Time от In Progress до Closed ↓ → T2M↓
• Defect Rate (кол-во дефектов) ≤ baseline → Качество OK
• Кол-во Задач↑ → Объём↑
🎮
Пример может выглядеть так:
1. В прошлом месяце 50pp Cycle Time для задач с #ai = 3 дня vs 5 дней без AI.
2. Команды с adoption >60% закрыли 110 задач vs 78 задач у команд с <20%.
А еще надо сильно смотреть на ROI - железки-то дорогие (а в нашей геополитической ситуации еще дороже).
🙏 Я призываю вас комментировать и помочь мне пересмотреть дерево, если хотите поумничать - хочется взгляда со стороны и вашего опыта!
❓ Вопрос к вам: как вы трекаете или пытаетесь трекать эффект от AI?
#AIметрики #T2M #Adoption
Please open Telegram to view this post
VIEW IN TELEGRAM
1🔥3❤1😎1
Как системно повышать использование AI в разработке. И причем тут ADKAR (3/5)
В прошлом посте я рассказывал про метрики и как связать их с целями бизнеса. Но чтобы метрики росли нужна система. Как раз сегодня на митапе @agileufa кратко затрагивали тему внедрения и проблемы чистого листа.
1️⃣ Хаотичные попытки "насадить" AI часто заканчиваются сопротивлением: "Опять что-то новое, мне и так работы хватает!".
2️⃣ "Проблема чистого листа" - человек может много слышать про AI, но не понятно с чего и как начинать.
Чтобы этого избежать, я использую модель управления изменениями ADKAR. И разделяю активности на два потока: массовые ("вширь") и прицельные ("вглубь").
Вот как это выглядит на практике:
1. Awareness (Осознание необходимости)
Цель: Чтобы у людей появился контекст и понимание, что технологии уже здесь и это новая норма.
- 📢 Распространение "вширь": постоянные мероприятия (вебинары, лекции, митапы), где мы просто рассказываем "что это такое" и "зачем оно нам".
- 📧 Регулярная рассылка новостей и кейсов в корпоративном чате (это немного буксует, не всегда хватает времени).
2. Desire (Желание меняться)
Цель: Переключить отношение с "надо" на "хочу".
- 🔥 Демонстрация боли и решения:** показываем, как AI снимает рутину, решает сложные и неудобные моменты в работе (тот самый boilerplate-код или нудные тесты).
- 🥕 Административный рычаг: у меня такого нет, но некоторые компании прямо в цели аккуратно (или нет) "вшивают" обязательный AI в цели командам. Звучит жестко, но добавляет мотивации.
3. Knowledge (Знание как)
Цель: Дать конкретные навыки, а не абстрактную теорию.
- 👨🔬 Специализированные вебинары: отдельно для QA, Developer, System Analyst, DevOps — с разбором их специфических кейсов.
- 🤼♂️ Круглые столы: обмен опытом между командами.
- 📚 Единый реестр AI-решений (One-Stop Shop): документация "как делать", собранная в одном месте (единое окно).
4. Ability (Умение применять)
Цель: Перейти от теории к практике своими руками. Инструментов много, но ничерта непонятно как применять у себя на конкретном кейсе.
- 🛠 Воркшопы "Hands-on": садимся и решаем реальную задачу из JIRA / Youtrack с помощью AI. Это самый мощный драйвер adoption.
5. Reinforcement (Поддержка и закрепление)
Цель: Чтобы откат к старым привычкам не случился через неделю.
- 💬 Чаты и встречи: пространство для обмена опытом, нытья, (да, это важно!) и непонятных вопросов.
- 📖 Постоянно обновляемая база знаний, которая растет вместе с опытом команды (с этим сложно).
Короче - мы ведем пользователя за руку: от "слышал(а) что-то про AI" (Awareness) до "решаю свою JIRA-задачу за 15 минут вместо часа" (Ability). И постоянно спрашиваем - удобно ли, чо мешает? + трекаем метрики.
Именно так растет MAU и появляются реальные бизнес-результаты.
❓А как вы подходите ко внедрению AI в ежедневную рутину команд?
#ADKAR #ChangeManagement #AIAdoption
В прошлом посте я рассказывал про метрики и как связать их с целями бизнеса. Но чтобы метрики росли нужна система. Как раз сегодня на митапе @agileufa кратко затрагивали тему внедрения и проблемы чистого листа.
1️⃣ Хаотичные попытки "насадить" AI часто заканчиваются сопротивлением: "Опять что-то новое, мне и так работы хватает!".
2️⃣ "Проблема чистого листа" - человек может много слышать про AI, но не понятно с чего и как начинать.
Чтобы этого избежать, я использую модель управления изменениями ADKAR. И разделяю активности на два потока: массовые ("вширь") и прицельные ("вглубь").
ADKAR — модель для управления изменениями в организациях. Она состоит из 5 элементов-букв:
1. A (Awareness) - Осознание необходимости изменения. На этом этапе важно донести до сотрудников, почему изменения необходимы и какие проблемы они решают.
2. D (Desire) - Желание участвовать в изменениях. Нужно стимулировать мотивацию сотрудников поддерживать изменения.
3. K (Knowledge) - Знание о том, как измениться. Мы должны обучать сотрудников новым навыкам и знаниям, необходимым для внедрения изменений.
4. A (Ability) - Способность внедрять изменения на практике. Здесь оценивается, насколько сотрудники смогут применять новое знание в своей повседневной работе.
5. R (Reinforcement) - Укрепление изменений, чтобы обеспечить их долгосрочное удержание. Это предполагает обеспечение поддержки, мотивации и мониторинга изменений.
Вот как это выглядит на практике:
1. Awareness (Осознание необходимости)
Цель: Чтобы у людей появился контекст и понимание, что технологии уже здесь и это новая норма.
- 📢 Распространение "вширь": постоянные мероприятия (вебинары, лекции, митапы), где мы просто рассказываем "что это такое" и "зачем оно нам".
- 📧 Регулярная рассылка новостей и кейсов в корпоративном чате (это немного буксует, не всегда хватает времени).
2. Desire (Желание меняться)
Цель: Переключить отношение с "надо" на "хочу".
- 🔥 Демонстрация боли и решения:** показываем, как AI снимает рутину, решает сложные и неудобные моменты в работе (тот самый boilerplate-код или нудные тесты).
- 🥕 Административный рычаг: у меня такого нет, но некоторые компании прямо в цели аккуратно (или нет) "вшивают" обязательный AI в цели командам. Звучит жестко, но добавляет мотивации.
3. Knowledge (Знание как)
Цель: Дать конкретные навыки, а не абстрактную теорию.
- 👨🔬 Специализированные вебинары: отдельно для QA, Developer, System Analyst, DevOps — с разбором их специфических кейсов.
- 🤼♂️ Круглые столы: обмен опытом между командами.
- 📚 Единый реестр AI-решений (One-Stop Shop): документация "как делать", собранная в одном месте (единое окно).
4. Ability (Умение применять)
Цель: Перейти от теории к практике своими руками. Инструментов много, но ничерта непонятно как применять у себя на конкретном кейсе.
- 🛠 Воркшопы "Hands-on": садимся и решаем реальную задачу из JIRA / Youtrack с помощью AI. Это самый мощный драйвер adoption.
5. Reinforcement (Поддержка и закрепление)
Цель: Чтобы откат к старым привычкам не случился через неделю.
- 💬 Чаты и встречи: пространство для обмена опытом, нытья, (да, это важно!) и непонятных вопросов.
- 📖 Постоянно обновляемая база знаний, которая растет вместе с опытом команды (с этим сложно).
Короче - мы ведем пользователя за руку: от "слышал(а) что-то про AI" (Awareness) до "решаю свою JIRA-задачу за 15 минут вместо часа" (Ability). И постоянно спрашиваем - удобно ли, чо мешает? + трекаем метрики.
Именно так растет MAU и появляются реальные бизнес-результаты.
❓А как вы подходите ко внедрению AI в ежедневную рутину команд?
#ADKAR #ChangeManagement #AIAdoption
❤5
Инструментарий и реалии: что именно внедряем и почему (4/5)
В прошлых постах я рассказывал зачем внедрять AI (T2M↓, объём работы↑), как измерять эффект (дерево метрик) и как системно менять поведение команд (ADKAR).
Но остаётся вопрос: а что конкретно мы внедряем? Какие инструменты? И почему именно их?
Наши реалии: слон в комнате 🐘
Мы в России не можем играть на том же поле, что OpenAI или Google:
- Железо. GPU производятся не у нас. По количеству серверов мы не сравнимся даже с одним крупным дата-центром в США. Всё везётся через третьи страны, цена в полтора-два раза выше.
- Тренировать свои модели? Для большинства компаний это нереально дорого и долго. Даже крупные игроки вроде Сбера признают: их GigaCode по бенчмаркам уступает западным и китайским аналогам.
- Российские модели vs мировые. Если сравнивать русскоязычно-центричные решения (GigaChat, Алиса) с западными и китайскими - наши проигрывают даже в русском языке. Все потому что корпус данных и инфраструктура у мировых моделей прокачаны на всём пласте человеческих знаний.
- Ну и цена. Сравните Alice AI для B2B (релиз прошлой недели) с Anthropic-ценами: наша дороже в 10 раз. Нафига таким пользоваться?
Выход: Open Source и китайские партнёры
Хорошая новость! Есть открытые модели, и это наше спасение:
🇨🇳 Qwen (от Alibaba) - отличное соотношение цена/качество, хорошо работает с кодом.
🇨🇳 DeepSeek - сильная модель для генерации кода и reasoning-а.
🌍 Другие OSS-модели - Llama, Mistral, GPT OSS и т.д.
Их не нужно тренировать с нуля. Достаточно развернуть или подключить через API. Допиливать под свои задачи опционально.
Модели QWQ 3, Qwen UltraCoder 480B, GPT OSS 20b / 120b. Этого за глаза хватает, чтобы покрыть 90% всех сценариев в разработке.
Вопрос: А чего у вас в компании развернуто из моделек?
В прошлых постах я рассказывал зачем внедрять AI (T2M↓, объём работы↑), как измерять эффект (дерево метрик) и как системно менять поведение команд (ADKAR).
Но остаётся вопрос: а что конкретно мы внедряем? Какие инструменты? И почему именно их?
Наши реалии: слон в комнате 🐘
Мы в России не можем играть на том же поле, что OpenAI или Google:
- Железо. GPU производятся не у нас. По количеству серверов мы не сравнимся даже с одним крупным дата-центром в США. Всё везётся через третьи страны, цена в полтора-два раза выше.
- Тренировать свои модели? Для большинства компаний это нереально дорого и долго. Даже крупные игроки вроде Сбера признают: их GigaCode по бенчмаркам уступает западным и китайским аналогам.
- Российские модели vs мировые. Если сравнивать русскоязычно-центричные решения (GigaChat, Алиса) с западными и китайскими - наши проигрывают даже в русском языке. Все потому что корпус данных и инфраструктура у мировых моделей прокачаны на всём пласте человеческих знаний.
- Ну и цена. Сравните Alice AI для B2B (релиз прошлой недели) с Anthropic-ценами: наша дороже в 10 раз. Нафига таким пользоваться?
Выход: Open Source и китайские партнёры
Хорошая новость! Есть открытые модели, и это наше спасение:
🇨🇳 Qwen (от Alibaba) - отличное соотношение цена/качество, хорошо работает с кодом.
🇨🇳 DeepSeek - сильная модель для генерации кода и reasoning-а.
🌍 Другие OSS-модели - Llama, Mistral, GPT OSS и т.д.
Их не нужно тренировать с нуля. Достаточно развернуть или подключить через API. Допиливать под свои задачи опционально.
Модели QWQ 3, Qwen UltraCoder 480B, GPT OSS 20b / 120b. Этого за глаза хватает, чтобы покрыть 90% всех сценариев в разработке.
Вопрос: А чего у вас в компании развернуто из моделек?
❤2👍1