AI-команда будущего: как меняется разработка продуктов и какие навыки нам нужны
Доклад принят в программу конференции
Целевая аудитория
Тезисы
Две части: первая сильно техническая (как устроено) - минут на 25, вторая перетекает из первой - как с этим жить - на оставшиеся 15
-- Первая часть
Ключевой тейк технической части: AI-инструменты очень специфичны и "просто дать" их разработке может приводить к тому что, что две одинаковые команды перформят по разному: у одних все летит и радует, другие упираются в лимиты и переписывания по кругу.
Что под капотом: весь низкоуровневый флоу того, что происходит после команды "сделай мне фичу Х"
- Контекстное окно и харнесс
- Токенизатор и его особенности работы с кодом
- Проблемы контекстного окна, компактизация
Поиск кода: поиск, сигналы и документация
- векторный поиск против разновидностей grep, плюсы и минусы подходов
- high-signal tokens как философия ретрива
- культура документации и сложности
Экономика: где горит бюджет
- cache-hit и ttl
- План/реакт и effort
- cost per call / per outcome
Код как дашборд
- Какая телеметрия появилась
- acceptance vs revert
- silent drift & regression set
-- Вторая часть: Ключевой тейк: изменение скорости написания кода требует переосмысления SDLC целиком, а не просто одной части.
1) Что происходит со структурой команды — стафф-лок тает (когда знание про то как работает Х у одного-двух человек) — специализации размываются (T-shape становится шире, вертикаль мельче) — численность команд падает
2) Как меняется культура работы и процессы - толерантность к перетурбациям инструментво (новый софт скилл) - изменение роли код-ревью - дисциплина эвалов становится общей на разработку вместо только ML
3) Новые боттлнеки и роли людей - что становится узким местом - как меняется иерархия в команде
Финальный вывод о том что инструменты становятся не просто инструментами - они меняют весь процесс и требуют его переосмысления
Мастер спорта по AI-first разработке и энтерпрайз вайб-кодингу: люблю копаться внутри технологий и тулинга кодогенерации, строить evals/harness, считать экономику и реальную эффективность команд в пост-LLM эпоху и участвовать в пересборке того, как вообще будут выглядеть процессы создания продуктов в новой реальности.
Обожаю GenAI. Глубоко разбираюсь в AI-агентах и их внедрении в сложные бизнес-процессы (аналитика, обработка документов, описание данных). Руковожу разработкой и продуктизацией LLM-based/AI-продуктов, одинаково хорошо понимаю инженеров и бизнес-заказчиков.
Верю в голос как интерфейс и автономные системы с минимальным участием в них человека.
Видео
Другие доклады секции
GenAI и большие языковые модели (LLM)
