#безвотэтоговотвсего

Ваша корпоративная культура чересчур “приятная”?

Август с космической скоростью пролетает, напоминая нам о скорых пожарах костров рябин, а мы в субботней рубрике #сережазаваспочитал изучаем статью для тех, кого бесит культура, в которой все пытаются быть миленькими, но результат отчего-то не получается.

Авторы считают, что стремление руководителей сохранять комфорт и избегать неудобных разговоров может постепенно превращаться из личной привычки в свойство всей организационной культуры. Такая “приятность” снижает требовательность, размывает ответственность и мешает результатам. По их опыту, компании с более строгой культурой чаще достигают финансовых целей и лучше выполняют свою миссию.

Один из примеров - компания, где почти все сотрудники по итогам года “соответствовали” или “превосходили” ожидания. Руководители избегали неприятных разговоров, оценки оставались высокими, а реальные результаты — посредственными. В другой компании все понимали, что отдел продаж тащит слишком много низкомаржинальных продуктов, но никто не хотел обсуждать с давними клиентами изменение их поведения. В некоммерческих организациях авторы видели и другую крайность: советы директоров поддерживали хорошие отношения с CEO, но почти не спрашивали за результат.

Проблема в том, что культура “приятности” вшита не только в поведение людей, но и в процессы: встречи, performance review, обсуждение результатов, принятие решений. Поэтому поменять её можно только системно. Авторы предлагают три направления.

Первое — начинать со топ-команды. Культура распространяется не через лозунги, а через то, что руководители сами делают и поощряют. Один из рабочих инструментов - структурированная обратная связь между руководителями: каждый получает конфиденциальные комментарии коллег о поведении, которое помогает или мешает команде, обсуждает их и принимает конкретные обязательства. Особенно важно, когда первым открыто говорит о своих слабых местах CEO. В одном из кейсов такая работа превратила вежливые, но бесполезные встречи в более открытые обсуждения, а затем эта модель пошла вниз по организации.

Второе - показывать эффект на данных. В Herman Miller культура “клиенту нужно дать максимум выбора” привела к 140 миллионам возможных конфигураций кресла Aeron, хотя регулярно заказывались только около 4 000, а основную часть продаж давали примерно 400. После сокращения вариантов маржа выросла без снижения объёмов продаж. Успех помог распространить привычку оспаривать принцип “чем больше, тем лучше” и в другие продуктовые направления.

Третье - сделать более строгими операционные обзоры. Авторы отдельно описывают fait accompli meetings: встречи, где формально что-то обсуждают, но фактически решение уже принято. Часто это тщательно отрепетированные презентации, после которых задать неудобный вопрос почти означает публично испортить кому-то выступление. В результате получается “театр обзора проектов”, а не рабочее обсуждение. Авторы предлагают строить такие встречи вокруг действительно нерешённых вопросов, влияющих на будущие решения и результат.

Тот же принцип касается советов директоров и других органов управления: “доверяй, но проверяй” полезнее вежливого консенсуса. В одном из кейсов небольшой и требовательный комитет по поиску CEO вместо широкого компромиссного процесса выбрал одного кандидата, которого считал безусловно лучшим; совет поддержал его единогласно, а новый CEO впоследствии вывел организацию на рекордный уровень фандрайзинга и запустил новую стратегию.

Главный вывод статьи: высокая планка и откровенность не возникают из призывов “говорить честно”. Топ-руководители должны сами показывать такое поведение, первые успешные кейсы - доказывать его пользу, а рабочие процессы - закреплять его в ежедневной жизни компании. “Хорошая” культура отличается от просто “приятной” тем, что результат и улучшение важнее постоянного комфорта.

Всем хороших выходных 🤗

От технического долга к когнитивному долгу и долгу намерения

Москвоский август упорно притворяется октябрем, мы замерзаем, но сегодня, в субботней рубрике #сережазаваспочитал изучаем саммари прекрасной, на наш вкус статьи, которая смотрит на ИИ—PDLC истерию в корпорациях под достаточно свежим угло.

Генеративный ИИ резко ускоряет разработку, но вместе с этим меняет профиль рисков.
Привычный технический долг - плохая структура кода, архитектурные компромиссы, сложность изменений - остаётся важным, но ИИ всё лучше помогает с рефакторингом, тестами и ревью. На первый план могут выходить два менее заметных вида долга: когнитивный долг и долг замысла.

Автор предлагает смотреть на программную систему как на три слоя:
1. Цели и намерение: требования, ограничения и причины решений.
2. Код и структура: архитектура, зависимости и реализация.
3. Общее понимание: ментальные модели команды о том, как система устроена и как её безопасно менять.

Технический долг живёт в коде и ограничивает способность системы меняться. Когнитивный долг живёт в людях и возникает, когда общее понимание размывается быстрее, чем восстанавливается. Долг замысла живёт в артефактах и появляется, когда цели, ограничения и обоснования решений не зафиксированы, устарели или существуют только в головах отдельных людей.

ИИ способен ускорять накопление двух последних видов долга. Когда разработчик пишет код сам, он по дороге строит хотя бы частичную модель системы. Когда код генерирует ИИ, можно принять работающий результат, не сформировав такого же понимания. Возникает «накопление незнания»: код работает, а команда всё хуже понимает, почему и что произойдёт после следующего изменения. Автор связывает это с «когнитивной капитуляцией» - принятием результатов ИИ при минимальной проверке. В отличие от обычной когнитивной разгрузки здесь человек перестаёт полноценно рассуждать о системе.

Признаки когнитивного долга: люди боятся менять систему, изменения дают неожиданные эффекты, онбординг остаётся медленным даже при документации, команда теряет понимание того, кто что знает, а критическое знание концентрируется у одного-двух человек. Снижать его помогают code review, парное программирование, walkthrough систем, ретроспективы, постмортемы и передача знаний. Общий принцип - делать неявное знание явным в процессе работы.

Долг замысла особенно опасен в мире агентов. И людям, и ИИ мало знать, что система делает сейчас; им нужно понимать, для чего она существует, какие ограничения важны и почему решения были приняты именно так. Без этого агенты могут выдавать технически корректные изменения, которые промахиваются мимо цели. Поэтому нужны «живые» артефакты намерения: спецификации, тесты, ADR, планы, доменные модели, критерии приёмки, инструкции и контекст для агентов, а также фиксация того, для кого создаётся система и как выглядит успех для пользователя.

Все три вида долга связаны. Плохо зафиксированное намерение мешает строить правильные ментальные модели; слабое понимание ведёт к плохим техническим решениям; технический хаос ещё сильнее разрушает понимание. Поэтому здоровье системы нельзя оценивать только по качеству кода.

Главный практический вывод: понимание должно стать отдельным результатом разработки, а intent-first подход — нормой при работе с ИИ. Не стоит автоматизировать само понимание, подменяя его сгенерированной документацией. В будущем ключевым навыком разработчика может стать не столько написание кода, сколько способность сохранять правильное понимание того, что система делает, зачем и как должна развиваться.

Открытыми остаются вопросы: всегда ли стоит документировать намерение, может ли ИИ делать неявное знание явным без потери человеческого понимания и какой уровень когнитивного долга допустим ради скорости. Главный тезис: в эпоху ИИ команды должны инвестировать в понимание и намерение так же системно, как раньше инвестировали в качество кода.

P.S. Настойчиво рекомендуем почитать оригинал статьи, прям стоит того.

И всем хороших выходных 🤗

Сколько времени ваши сотрудники тратят на ботситтинг?

Август никак не хочет напоминать что скоро осень и включает безумную жару, а мы в субботней рубрике #сережазаваспочитал смотрим на любопытное исследование и прекрасный новый термин, так релевентный всем любителям ИИ со всех сторон.

ИИ обещает экономить время, но во многих компаниях создаёт новый вид скрытой работы — необходимость постоянно контролировать, исправлять и «докармливать» системы контекстом. Авторы называют это botsitting — невидимым, неучитываемым и обычно невознаграждаемым человеческим трудом, необходимым для того, чтобы ИИ действительно приносил пользу.

В исследовании Glean Work AI Institute опросили 6 000 сотрудников из США, Великобритании и Австралии, чья работа в основном связана с компьютером и цифровыми инструментами. 75% сказали, что с ИИ стали продуктивнее, а в среднем он автоматизировал 11 часов их работы в неделю. Но только 13% сообщили, что благодаря этому результаты их организаций заметно улучшились.

Одна из причин разрыва - botsitting. В среднем сотрудники тратят на него 6,4 часа в неделю, почти полный рабочий день и 37% всего времени, связанного с ИИ. На непосредственное выполнение работы с помощью ИИ приходится 36%. В botsitting входят передача системе недостающего контекста — 2,3 часа в неделю, поиск и исправление ошибок и неожиданного поведения — 2,2 часа, а также проверка результатов перед использованием — 1,7 часа. Цена здесь не только во времени: постоянная проверка и корректировка создаёт дополнительную ментальную нагрузку.
Авторы выделяют три системные ошибки руководителей:

1. Недооценка объёма управления, который требует ИИ. Сотрудники вынуждены вручную давать контекст, проверять точность, исправлять полуправильные ответы и разруливать последствия ошибок. Поэтому компаниям нужно отдельно измерять время на botsitting, понимать, создаёт ли этот контроль ценность, и по возможности встраивать ИИ прямо в существующие рабочие процессы, а не плодить отдельные инструменты.

2. Путать доступ к данным с наличием контекста. ИИ может видеть документы и системы, но не знать, какая версия презентации актуальна, кто реально принимает решение, где официальный процесс расходится с практикой и что именно означает «хорошо» в конкретной компании. 53% опрошенных сказали, что критически важная информация недоступна через их ИИ-системы. В компаниях с бедным контекстом сотрудники почти втрое чаще чувствуют усталость от ИИ: 50% против 18%. Поэтому контекст нужно рассматривать как инфраструктуру и фиксировать не только формальные данные, но и метазнание о том, как работа действительно делается.

3. Измерять не то. Компании часто следят за количеством лицензий, токенов, входов и другой видимой активностью. Это быстро превращается в гонку за цифрами: сотрудники начинают использовать ИИ даже там, где быстрее справились бы сами. Авторы предлагают оценивать одновременно эффективность, качество и опыт сотрудников, а также отдельно считать стоимость botsitting: сколько раз приходится переписывать промпт, как часто результат требует проверки человеком и сколько времени уходит на восстановление контекста между системами.

Кроме того, людям должно быть безопасно сообщать, что ИИ не работает или добавляет им лишнюю работу. Иначе сотрудники будут молча исправлять сбои, а руководство продолжит видеть красивые показатели использования.
Главная мысль статьи: botsitting нельзя считать личной проблемой сотрудника. Руководство должно решить, какие задачи вообще стоит отдавать ИИ, где он ошибается и кто отвечает за исправление процессов. Инструменты будут становиться лучше, но рост реальной эффективности зависит не только от качества моделей, а от того, насколько хорошо организация умеет встроить их в работу людей.

Всем хороших выходных 🤗