Михаил Неверов, X5: «Код дешевеет, понимание задачи становится дороже»
Как X5 внедряет нейросети в процессы, считает эффект в деньгах и учит сотрудников самостоятельно собирать ИИ-решения
20 минут
Крупный продуктовый ретейл объединяет множество взаимосвязанных операций, а в X5 они охватывают сеть из более чем 30 тыс. магазинов в 75 регионах. Михаил Неверов, директор по развитию искусственного интеллекта X5, отмечает, что эффект от внедрения ИИ особенно заметен именно в масштабных и сложных процессах. Мы поговорили с ним о том, как X5 развивает действующие инструменты и новые направления, вовлекает сотрудников в создание ИИ-продуктов, проверяет пользу решений для бизнеса и пересматривает устройство технологических команд.
Содержание
Как в X5 распределяют ресурсы между работающими решениями, изменением процессов и экспериментами
— Как вы делите работу внутри дирекции по развитию ИИ — между текущими задачами, изменением процессов и экспериментами?
— Мы работаем на стыке стратегии, инженерии и бизнеса. Определяем, как должно развиваться направление ИИ в X5, строим платформы и инфраструктуру, следим за стоимостью решений и ищем новые возможности для бизнеса. Наша управленческая цель — при росте бизнеса увеличивать объём и качество результата без пропорционального роста затрат. Для этого нужно понимать, какие задачи выполняют люди, какие — агенты, а где эффективнее совместная работа.
Если очень крупно разделить нашу работу, получится три блока. Примерно 70% — . Это промышленное применение, поддержка и развитие работающих решений, на которых держится ретейл: ценообразование, прогнозирование спроса, пополнение запасов и логистика.
Около 20% — . Здесь мы адаптируем существующие процессы, добавляем новые функции и расширяем применение технологий. Например, внедряем агентные инструменты и цепочки ИИ-агентов в маркетинге, развиваем , с которыми сотрудники могут самостоятельно решать задачи без постоянного участия ИТ-команды.
Оставшиеся 10% — . Здесь мы экспериментируем с принципиально новыми подходами и процессами. Например, проектируем работу сразу как последовательность действий ИИ-агентов, а не добавляем отдельного помощника к существующей схеме.
Например, внутри X5 с нуля разработали собственное агентное ядро. Оно работает во внутренней инфраструктуре компании, подключается к корпоративным системам и учитывает разграничение прав доступа. Одно ядро можно использовать в разных продуктах: команды получают готовые механизмы доступа и проверок, не создавая их заново. Что выгоднее — готовые компоненты или собственная разработка, — зависит от требований и полной стоимости решения.
Михаил Неверов — директор по развитию искусственного интеллекта X5. До X5 работал в венчурном фонде и запускал стартапы. В X5 пришёл развивать продукты на основе машинного обучения. Ранее занимал должность директора по анализу данных компании.
— Вы не стали строить отдельную лабораторию искусственного интеллекта. Как тогда эта функция встроена в бизнес X5?
— С самого начала мы выбрали стратегию практического внедрения. Не создавали отдельное , которое бы годами разрабатывало собственные модели или исследовало их поведение в отрыве от бизнеса.
Мы сразу пытались соединять технологию с конкретными задачами компании. Поэтому продвинулись в том, что касается инфраструктурной обвязки: подключения моделей к данным и внутренним системам, безопасности, управляемости и стабильности решений.
Сделать базового ИИ-ассистента сегодня несложно. Какое-то время он может впечатлять людей, но без интеграции в реальные процессы пользы от него немного.
— Вы несколько раз упомянули агентные процессы. Что именно меняется при таком подходе?
— Пока сотрудник пользуется отдельными помощниками, он сам связывает все участки работы: одному ассистенту поручает найти информацию, другому подготовить документ, — затем проверяет результат и переносит его в следующую систему.
Агентизация же позволяет передать системе всю связанную последовательность решений и действий. Человек определяет цель, правила и границы полномочий. Агент выполняет типовые шаги, обращается к нужным инструментам и возвращает результат. Там, где требуется решение человека, процесс останавливается на согласование.
Для нас следующий этап развития ИИ связан именно с такой перестройкой процессов. При этом ответственность остается у людей: нужно понимать, кто владеет процессом, что разрешено агенту и как действовать, если он ошибся.
— А как это выглядит на примере основного бизнеса — ритейла?
— Возьмем путь от прогноза спроса до наличия товара на полке. Сначала нужно оценить спрос, затем сформировать заказ, спланировать поставку и обеспечить пополнение магазина. Если мы повысили точность прогноза, а следующий этап по-прежнему задерживается или требует множества ручных действий, часть эффекта потеряется.
Поэтому важно улучшать всю цепочку. В ней могут одновременно работать классическое машинное обучение, обычные алгоритмы и агенты. Каждая технология решает свою задачу, а результат оценивается по тому, что произошло с наличием товара, запасами и затратами.
К этому мы и движемся: типовые решения выполняются в заданных рамках, а сотрудник получает исключения, которые требуют его опыта и ответственности.
— Что находится «под капотом» у корпоративного ИИ X5?
— Общий технологический фундамент мы называем . Это базовая технологическая инфраструктура, на которой работают ИИ-системы компании. Она объединяет вычислительные мощности, управление моделями, интеграции, инструменты проверки качества и прикладные сервисы. Вычислительная часть — собственный кластер видеокарт, облачные мощности и механизмы отказоустойчивости.
Следующий слой — . Здесь мы подключаем, развёртываем, настраиваем и контролируем языковые модели: одни работают внутри компании, к другим мы обращаемся через внешние сервисы.
Рядом находится платформа данных, которую развивает другая дирекция. Мы тесно взаимодействуем: для работы моделей нужны качественные, доступные и хорошо описанные данные.
За классическое машинное обучение отвечает . Этот слой позволяет обучать, внедрять и контролировать модели, а также отслеживать дрейф — постепенное снижение их точности по мере изменения реальных данных и условий.
За запуск и контроль ИИ-агентов, выполняющих цепочки задач, отвечает . Здесь важны безопасность, журналы операций, качество и наблюдаемость — . Она позволяет отслеживать действия агентов и видеть, где возникают ошибки.
Кроме того, у нас есть собственная платформа для A/B-тестирования решений онлайн и в офлайне, а также система управления доступами. Без неё нельзя безопасно подключать модели к корпоративным данным и внутренним сервисам.
Общая платформа позволяет переиспользовать уже созданные возможности. Например, у нас есть собственная платформа компьютерного зрения, которую применяют в магазинах, логистике, контроле качества продуктов и обработке фотографий от покупателей.
Распознавание документов — — тоже часть этой платформы. Распознавание можно встроить в юридический процесс, закупки или финансовые операции, чтобы извлечь данные из документа, проверить их и передать на следующий этап.
То есть отдельная команда получает готовую технологическую основу и сосредотачивается на своей бизнес-задаче. Это сокращает повторную разработку и ускоряет запуск.
— А что из этой системы видит обычный сотрудник?
— Один из основных пользовательских инструментов — ИИ-ассистент CoPilot Х5. Он даёт прямой доступ к нескольким языковым моделям, которые работают как внутри компании, так и во внешнем контуре.
При этом система разделяет персональные и неперсональные данные, учитывает коммерческую тайну, маскирует чувствительную информацию и проверяет запросы. Эти требования были заложены в архитектуру изначально.
В CoPilot Х5 также есть набор базовых ассистентов: например, помощники для работы с Excel, подготовки писем и других повседневных задач. По сути, это модели с заданными инструкциями и подключенными внутренними данными или методическими материалами.
Для создания собственных помощников у нас есть ACE — платформа с визуальным конструктором ИИ-агентов. Она позволяет собирать решения из готовых компонентов и настраивать их под задачи своей команды. Сотрудник, который хорошо знает процесс, может самостоятельно проверить идею, а для сложных интеграций подключаются инженеры. CoPilot Х5 даёт доступ к готовым моделям и помощникам, а ACE позволяет создавать собственных. Для перехода от прототипа к регулярной работе нужны проверка качества, необходимые права доступа и конкретный специалист, ответственный за результат.
Сейчас CoPilot Х5 ежемесячно пользуются около 25–30 тысяч сотрудников. При общей численности сотрудников компании в 378 тысяч человек это заметный результат, хотя потенциал для дальнейшего роста остается большим.
— Вы обмениваетесь разработками и практиками с другими крупными компаниями?
— У нас есть общая рабочая группа по развитию искусственного интеллекта, которую мы запустили вместе с Альфа-Банком. Со временем она стала основной площадкой для обмена инженерными практиками между компаниями.
Взаимодействие в основном происходит естественно: у нас есть общие чаты, личные контакты и регулярные обсуждения. Когда нам непонятно, как коллеги решают задачу с , мы можем напрямую их спросить.
И наоборот: к нам обращаются за опытом в организации разработки и построении инфраструктурной обвязки — в этой части мы успели достаточно далеко продвинуться.
Есть и официальные встречи, и крупные совместные мероприятия. Но основной обмен происходит не столько по регламенту, сколько потому, что все находятся в одном информационном поле и могут напрямую обратиться друг к другу.
Как в X5 находят баланс между централизованным внедрением ИИ и инициативой сотрудников
— Как вы ищете сценарии, где искусственный интеллект действительно может изменить бизнес?
— У нас нет задачи внедрить ИИ ради самого внедрения. Есть подразделения, которые глубоко погружены в технологию: например, департамент агентов автоматизации и . Их задача — постоянно проверять новые модели, инструменты и подходы, искать сценарии применения. Они меньше привязаны к текущим финансовым результатам направлений — — и могут позволить себе больше экспериментов.
Но большая часть сильных идей приходит от бизнеса и продуктовых команд. Они лучше нас знают процессы и понимают, где находятся реальные проблемы. При этом уровень грамотности внутри компании уже достаточно высокий.
Получается движение с двух сторон. Одни команды постоянно исследуют возможности новых технологий. Другие отталкиваются от конкретных задач бизнеса. А между ними находятся продуктовые команды, которые соединяют технологию с процессом и оценивают, какой результат она даст.
Например, команда может понять, что ей нужен помощник для изучения задачи, подготовки технических заданий или организации разработки. Мы можем помочь подобрать технологию, построить решение и рассчитать его экономику. Но в итоге проект, в отличие от просто модного инструмента, должен приносить понятный эффект.
— Насколько самостоятельно продуктовые и бизнес-команды могут запускать ИИ-решения?
— Основная идея заключается как раз в том, чтобы дать командам платформу и набор инструментов, обучить их, а затем позволить самостоятельно собирать решения под свои задачи.
В нашей дирекции работает несколько сотен человек, но масштаб компании в десятки раз больше. Если все идеи и запросы будут проходить только через нас, система просто не заработает. Гораздо эффективнее создать общую инфраструктуру, подключить технологические команды там, где это необходимо, и распределить разработку по всей компании.
В целом X5 развивает несколько сотен ИИ-инициатив в разных направлениях: часть решений уже работает, другие находятся на стадии разработки или проверки гипотез. По внутренней оценке, совокупная экономия времени при создании систем с помощью ИИ составляет несколько десятков человеко-лет. Мы постепенно передаём инструменты и накопленный опыт продуктовым командам, чтобы они могли развивать такие решения самостоятельно.
— Что в таком случае остаётся за центральной дирекцией?
— Мы создаем массовые инструменты, развиваем платформу и работаем с наиболее сложными или пока неочевидными сценариями. Также определяем общие технологические принципы: например, где достаточно простого ассистента, а где нужно строить полноценный агентный процесс.
Команды, в свою очередь, постоянно проверяют платформу на реальных задачах. Они находят нестандартные ситуации, показывают, чего не хватает, и тем самым заставляют нас дорабатывать инфраструктуру и инструменты управления агентами.
Основная масса сценариев должна постепенно развиваться в продуктовых и бизнес-командах. Бизнес определяет задачу, меняет процесс и отвечает за результат, а продуктовая команда обеспечивает внедрение и эксплуатацию. Мы же предоставляем общую технологическую основу, стандарты и экспертизу, помогаем со сложными решениями.
Таким образом, сотрудник может предложить идею или собрать прототип, а для включения решения в регулярную работу нужны владелец процесса, необходимые интеграции, проверка качества и понятные полномочия агента. Именно такой путь позволяет масштабировать инициативы по всей компании.
— Как объяснить пользу ИИ сотрудникам, которые не работают с технологиями каждый день?
— Мы начали довольно рано. Пилотный доступ к ChatGPT внутри компании появился в ноябре 2023 года — сотрудникам предложили зайти и самостоятельно попробовать инструмент.
В 2024 году мы начали создавать платформу для управления языковыми моделями, а летом выделили отдельную команду по генеративному ИИ. Также мы запустили обучение сотрудников работе с CoPilot Х5, а затем и созданию собственных агентов в ACE.
Команды проводили выездные обучения в регионах, организовывали ИИ-кафе и внутренние вебинары. Позже появились — сотрудники, которые помогают коллегам осваивать ИИ-инструменты и делятся успешными практиками.
Эта работа продолжается: когда появляется новый агент или сервис, сотрудникам объясняют, какие задачи он решает, показывают примеры и приглашают на обучение.
— Что лучше всего вовлекает людей: обучение сверху или польза, которую они находят сами?
— Лучше всего работает сочетание. Нужно объяснять возможности инструментов, но при этом давать людям возможность самостоятельно что-то делать.
Один из первых наших ассистентов помогал работать с Excel. В какой-то момент он стал настолько популярным, что вокруг него возникло самостоятельное сообщество: сотрудники создали отдельный чат, начали проводить встречи и обмениваться практиками уже без нашего участия. Для ретейла Excel остается одним из основных рабочих инструментов, поэтому польза была очевидна.
Когда люди видят, что технология решает их повседневную задачу, вовлечение начинает развиваться само. Наша роль — снизить порог входа, дать безопасные инструменты и показать первые сценарии. Дальше сотрудники сами находят новые способы их применения.
Как в X5 выбирают задачи для ИИ и считают результат в деньгах
— Какие решения сотрудники уже создают на базе этой платформы?
— Один из самых понятных примеров — создание упаковки для собственных торговых марок. Изображения, референсы и макеты теперь можно готовить внутри компании с помощью генеративного ИИ. Часть такой упаковки уже находится на полках, а экономия измеряется миллионами рублей.
Другое крупное направление — платформа распознавания и обработки документов. Она умеет работать со сложными таблицами, рукописными и нечёткими материалами. Точность извлечения и классификации данных достигает 97%. Платформу используют в финансах, кадровых процессах, логистике и операционной работе магазинов.
При этом система может не только вернуть распознанный документ, но и стать частью более длинного процесса. Например, получить скан, извлечь из него нужные данные и на их основе сформировать платёжное поручение.
Есть сервис интеллектуального протоколирования встреч. Он уже обработал около 7,5 тыс. разговоров: ИИ расшифровывает запись, готовит краткое резюме и выделяет задачи, которые затем можно передать ответственным сотрудникам.
Также агентные решения используют юристы, команды по работе с заявками и документами, сотрудники, которые занимаются заведением новых товаров. Таких сценариев уже достаточно много, причём значительную часть придумывает и собирает не наша дирекция, а сами продуктовые и бизнес-команды.
— Насколько ИИ в действительности повышает продуктивность офисного сотрудника?
— Я бы сказал, что эффективность и разработчика, и офисного сотрудника благодаря таким инструментам может вырасти в диапазоне 10–200%. Но результат сильно зависит от задач и от того, какая инфраструктура выстроена вокруг человека.
Здесь есть два разных сценария. В первом мы окружаем сотрудника отдельными ассистентами: один помогает работать с Excel, другой ищет документы, третий назначает встречи. Человек выполняет привычную работу быстрее, но сам процесс не меняется.
Более сильный эффект возникает, когда человек уже не выполняет каждое действие сам, а проектирует процесс и подключается только в исключительных ситуациях. Например, система получает договоры, проверяет их на соответствие законодательству, находит расхождения и риски, отправляет документы на согласование и возвращает контрагенту. Сотрудник задаёт правила, контролирует риски и вмешивается, если система не справилась.
В таком сценарии человек может проверять уже не 10–15 договоров в день, а сотни. Он начинает не обслуживать процесс вручную, а управлять целым контуром.
Поэтому отдельные ассистенты не всегда дают заметный прирост результата. Если менеджер продукта теперь тратит на исследование задачи десять минут, он может начать выпускать в десять раз больше презентаций и документов. Станут ли они в десять раз лучше? Предсказуемо нет. Так что настоящий масштаб появляется там, где ИИ меняет сам процесс.
— Как агентизация меняет планирование работы и команды?
— Когда появляется новый объём задач, нужно понять, какие из них требуют человека, какие можно передать агенту, где эффективнее гибридная работа. Агентизация позволяет по-новому распределять эту нагрузку и пересматривать устройство самого процесса.
Например, агент может собрать документы, проверить их комплектность и подготовить результат. Сотрудник принимает решения в сложных случаях и подтверждает значимые действия. Чтобы такая схема работала, заранее нужны критерии качества, границы полномочий и ответственный за весь процесс.
Эффект тоже бывает разным. Команда может выполнять больше работы тем же составом, справляться с ростом нагрузки без дополнительного найма или обеспечивать прежний результат с меньшими трудозатратами. Высвободившееся время можно направить на другие задачи. Но экономию времени и снижение расходов нужно считать раздельно: одно не превращается в другое автоматически. При этом важно продолжать развивать людей и их навыки работы с новыми решениями.
— Как вы переводите этот прирост эффективности на язык финансов?
— Мы считаем чистую финансовую ценность для компании. В её основе — подтверждённый эффект за определенный период и финансовая модель проекта.
Там, где это возможно, проводим : сравниваем результат нового решения с контрольным сценарием.
Также учитываем экономию . Например, автоматизация может сократить расходы на обработку обращений или выполнение повторяющихся операций.
Из полученного эффекта вычитаем . В полную стоимость входят вычислительные мощности, инфраструктура, лицензии, команда разработки и резервные сценарии. То есть базовый принцип простой: мы считаем деньги. А конкретная методика уже зависит от подразделения и характера задачи.
Отдельная статья затрат — время людей, которые проверяют результаты, разбирают исключения и исправляют ошибки. Методика и глубина учёта зависят от конкретного кейса: мы часто адаптируем расчёт под сценарий, учитывая частоту вмешательства человека, сложность проверки и стоимость возможной ошибки. Например, если агент ускоряет подготовку документа, нужно посмотреть, сколько времени будет занимать его проверка. Нас интересует итоговая стоимость получения нужного результата с учётом работы и системы, и человека.
— А как вы тестируете новые решения?
— У нас две собственные платформы A/B-тестирования: для экспериментов в физическом ретейле и в цифровых продуктах.
В офлайне мы можем, например, сравнивать результаты сопоставимых групп магазинов: в одной проверяем изменение, другая служит контрольной. Так мы оцениваем влияние на продажи, затраты и другие показатели бизнеса. Эту платформу мы начали развивать еще в 2020–2021 годах.
В онлайне же мы распределяем пользователей между вариантами работающего продукта и сравниваем результаты. Платформу для таких экспериментов мы запустили в 2026 году. В обоих случаях задача одна: понять, какой дополнительный эффект даёт изменение и стоит ли его масштабировать.
Сначала мы рассматривали готовые решения с открытым исходным кодом и продукты российского рынка, но ни одно из них нас не устроило. Поэтому сделали собственную систему и глубоко встроили её в инфраструктуру X5.
Например, сейчас мы можем применять один и тот же инструмент разделения пользователей на тестовые группы для разных продуктов. За счёт такого переиспользования каждая следующая проверка запускается быстрее.
В целом внутри X5 существует процесс подтверждения эффективности инициатив. И речь не только об ИИ или других цифровых продуктах: через эксперименты могут проверяться даже датчики или кофемашины — разумеется, когда такой метод уместен.
Дизайн эксперимента готовит отдельная команда. В оценке также участвуют финансовые специалисты, риск-менеджеры и представители других функций. Это часть общей финансовой и продуктовой дисциплины: перед масштабированием решения нужно понять, какой эффект оно действительно даёт.
— Что вы вкладываете в понятие «токеномика»?
— — расчёт полной стоимости выполнения задачи ИИ-агентом и её сравнение со стоимостью работы человека. Она помогает понять, кому рациональнее передать конкретную задачу — человеку или агенту.
С одной стороны, мы считаем стоимость , то есть обработки запроса и формирования ответа обученной моделью. Сюда же входят расходы на инфраструктуру и эксплуатацию решения. С другой — смотрим на стоимость рабочего времени сотрудника.
Компания должна решить, какие задачи оставить человеку, потому что они критически важны, требуют ответственности или слишком сложны для автоматизации. А рутинные операции можно передать агентам, когда это дешевле и проще.
Токены — одна из основных единиц, через которые можно измерить расходы на работу языковых моделей, но далеко не единственная. В расчёт также входят инфраструктура, разработка, контроль качества и участие людей. Мы сравниваем стоимость успешно выполненной задачи при заданном качестве, включая работу агента, проверку человеком, исправления и сопровождение.
— А как агенты могут изменить взаимодействие X5 с покупателем?
— Мы изучаем и развиваем агентную коммерцию — сценарии, в которых человек поручает помощнику подобрать товары и помочь с покупкой. Например, собрать продукты на неделю с учётом бюджета и предпочтений. Такая задача может начинаться как в нашем сервисе, так и у внешнего помощника. Если покупатель начинает выбор во внешнем ИИ-помощнике, часть решений о магазине и составе корзины принимается ещё до входа в наше приложение.
Для ретейлера это ставит несколько вопросов. Доступно ли наше предложение такому помощнику? Учитывает ли он реальное наличие, условия доставки и возможные замены? Насколько удобно продолжить покупку? Здесь нужна связь с реальными коммерческими и операционными системами.
Поэтому мы развиваем собственные покупательские сценарии и изучаем взаимодействие с внешними агентами. Для нас важно участвовать в подборе товаров и персональных предложений, сохранять отношения с покупателем и прибыльность заказа. Покупательский сценарий может работать в нашем приложении или внутри интерфейса партнёра. Но новый канал должен приносить дополнительный бизнес с понятной экономикой.
Как дешёвый код меняет команды и работу специалистов
— Как изменится роль человека, когда рядом с ним появятся ассистенты и ИИ-агенты?
— Вокруг человека появится новый слой из ассистентов, агентов и агентных цепочек, которыми он будет управлять. Это изменит не только скорость работы, но и сами роли.
Сотрудники будут реже выполнять рутинные операции и чаще проектировать процессы, принимать решения и разбирать исключения. Для этого потребуется шире понимать участок работы, за который ты отвечаешь. При этом глубоко погружаться в каждую отдельную операцию уже не обязательно.
До конца никто не знает, как именно будет выглядеть этот переход. Модели развиваются скачками: долго изменения могут быть небольшими, а затем происходит заметный технологический рывок. Поэтому рынок труда очевидно изменится, но точную конфигурацию ролей сегодня предсказать сложно.
— Верно ли, что код сейчас дешевеет? Что это меняет внутри компании?
— Раньше разработчик был дорогим звеном. Чтобы он написал нужный код, перед ним выстраивалась целая цепочка: системный аналитик, бизнес-аналитик, менеджер продукта, бизнес-партнёр. Все должны были договориться и подготовить максимально точное задание, потому что ошибка в разработке стоила дорого.
Сейчас опытный разработчик с ИИ-инструментами может гораздо быстрее собрать прототип и проверить гипотезу. В некоторых задачах уже дешевле сделать работающий вариант и получить обратную связь, чем долго согласовывать подробное описание будущего решения.
Это меняет соотношение затрат внутри разработки: если создание кода ускорилось, нужно пересматривать и подготовку задач, и согласования, и распределение ответственности. Инженер может брать на себя более широкий участок работы и быстрее доводить его до проверяемого результата. При этом промышленная система по-прежнему требует специальных интеграций, тестирования, безопасности и сопровождения. Повышенная скорость создания прототипа не отменяет этой работы.
То же самое постепенно происходит и в бизнес-функциях. Системы создаются и дорабатываются быстрее, поэтому алгоритм гораздо раньше может приблизиться к уровню человека.
Автоматизации не обязательно превосходить лучшего специалиста в каждом отдельном случае. Она должна обеспечивать необходимый уровень качества и допустимый риск, а сложные случаи передавать человеку. После этого уже можно сравнивать стоимость, скорость и масштаб выполнения работы. Поэтому людям придётся пересматривать свои роли: их ценность будет всё меньше связана с ручным выполнением операций и всё больше — с постановкой правил, контролем качества и работой со сложными случаями.
— Как удешевление разработки влияет на устройство вашей команды?
— В небольших командах, создающих новые ИИ-продукты, инженер может вести более широкий участок работы, совмещая часть продуктовых и аналитических функций. Поэтому отдельной позиции менеджера продукта там может не быть, хотя сами задачи продуктового управления никуда не исчезают. Это практика отдельных команд, а не правило на уровне X5.
При этом бизнес отвечает за результат процесса, инженер — за техническое качество решения, а платформенная команда — за условия его эксплуатации. Такое распределение позволяет небольшим командам быстрее получать обратную связь и доводить идеи до результата.
В некоторых командах люди перешли на другие задачи, а прежний объём работы сохранился за счёт ИИ-подписок и внутренних агентных инструментов. В критических системах, например кассовых, изменения идут осторожнее из-за высокой стоимости ошибки.
Общий вектор — небольшие команды и разработчики- — инженеры, которые понимают весь участок продукта и могут довести отдельную функцию от идеи до запуска. Особенно ценны люди, которые понимают, что и зачем создают.
— Что бы вы посоветовали тем, кто только собирается войти в индустрию?
— Рынок в целом сжался. При этом я знаю команды, которые нанимают опытных разработчиков и новичков, но не берут специалистов среднего уровня. Новичок с подходящими инструментами, понятными ограничениями и сильным наставником иногда может работать на сопоставимом уровне.
В любом случае начинать стоит с базовой экспертизы. Например, будущему дизайнеру сначала нужно разобраться в типографике, композиции, балансе объёма и воздуха. Уже после этого инструменты смогут его усилить.
ИИ — универсальный стероид профессионализма. Если человек понимает свою работу, он получает ускорение. Если нет — начинает гораздо быстрее производить посредственный результат.
Средний результат агенты скоро смогут выдавать самостоятельно. Ценность человека останется в насмотренности, знании принципов и способности точно сформулировать задачу. Это видно и по текстам: если ты не знаешь, что хочешь написать, вода появляется вместо пустоты.