Понравилась мысль Кагана из свежего эссе. Он, как и многие, ждал, что AI станет уравнителем и обесценит преимущество компаний с сильными инженерами и продуктовой культурой. Но вышло наоборот — они увеличили отрыв.
Преимущество сильных никогда не сидело в скорости производства. Оно сидело в способности выбрать, что производить: культура, стратегия, discovery. AI кратно ускорил первое и не тронул второе, то есть работает мультипликатором, а не уравнителем.
По факту команды используют AI, чтобы быстрее производить артефакты проектной модели (бизнес-кейсы, роадмапы, PRD, код). Проблема проектной модели в том, что модель заточена на output, а не на outcome. Ускорение output при неизменном качестве суждения, что строить, даёт ровно ноль.
Отсюда расслоение вместо уравнивания. По итогу строить стало так легко, что теперь легко бежать не туда в десять раз быстрее.
У Atlassian в исследовании 89% руководителей говорят, что AI ускорил работу, и только 6% уверены, что могут показать конкретный ROI в масштабе организации. Скорость есть, результата нет.
Правда, есть два нюанса. Первый — лаг. Ещё в 1987-м умные люди заметили, что компьютерный век виден везде, кроме цифр производительности, или моторы, которые были доступны с 1880-х, но прирост производительности пошёл только к 1920-м, когда заводы наконец перестали навешивать эти самые моторы на старую схему и перестроили цеха. Второй: если AI ускоряет всех симметрично, преимущества не получает никто, а выигрыш утекает к потребителю. Оба варианта дают то же самое «работаем быстрее, а метрики стоят».
svpg.com/the-ai-productivity-paradox
Преимущество сильных никогда не сидело в скорости производства. Оно сидело в способности выбрать, что производить: культура, стратегия, discovery. AI кратно ускорил первое и не тронул второе, то есть работает мультипликатором, а не уравнителем.
По факту команды используют AI, чтобы быстрее производить артефакты проектной модели (бизнес-кейсы, роадмапы, PRD, код). Проблема проектной модели в том, что модель заточена на output, а не на outcome. Ускорение output при неизменном качестве суждения, что строить, даёт ровно ноль.
Отсюда расслоение вместо уравнивания. По итогу строить стало так легко, что теперь легко бежать не туда в десять раз быстрее.
У Atlassian в исследовании 89% руководителей говорят, что AI ускорил работу, и только 6% уверены, что могут показать конкретный ROI в масштабе организации. Скорость есть, результата нет.
Правда, есть два нюанса. Первый — лаг. Ещё в 1987-м умные люди заметили, что компьютерный век виден везде, кроме цифр производительности, или моторы, которые были доступны с 1880-х, но прирост производительности пошёл только к 1920-м, когда заводы наконец перестали навешивать эти самые моторы на старую схему и перестроили цеха. Второй: если AI ускоряет всех симметрично, преимущества не получает никто, а выигрыш утекает к потребителю. Оба варианта дают то же самое «работаем быстрее, а метрики стоят».
svpg.com/the-ai-productivity-paradox