Покупка лицензий на ИИ-ассистента и высокий процент использования ещё не делают команду быстрее: в Snowflake выделили пять этапов, через которые должно пройти внедрение ИИ-инструментов. Для российских разработчиков и руководителей это полезная поправка к привычной логике «подключили сервис — ждём роста KPI»: главный дефицит часто не в модели и не в таланте инженеров, а в способе передать удачные приёмы всей компании.
Об этом сообщает Stack Overflow Blog со ссылкой на Вивека Рагхунатхана, старшего вице-президента по инженерии Snowflake. По его наблюдениям, спустя полгода после запуска AI-инструментов результаты в одной организации могут радикально различаться: часть инженеров берётся за задачи, которые прежде потребовали бы целой команды, а другие используют агента лишь как более удобное автодополнение кода.
Рагхунатхан предлагает не считать такую разницу свидетельством того, что одни сотрудники «умеют работать с ИИ», а другие — нет. Проблема возникает, когда компания перескакивает от свободных экспериментов сразу к требованию стабильного эффекта. Между этими точками должен появиться слой организационной работы: найти работающие подходы, описать их понятным языком и встроить в повседневную практику.
От экспериментов к общей системе
В Snowflake этот путь разбили на пять шагов: сначала дать командам экспериментировать, затем выяснить, какие приёмы действительно дают результат, оформить их как общие паттерны, масштабировать эти паттерны и только после этого менять роли или структуру подразделений. Логика намеренно обратна популярному корпоративному сценарию, где сначала объявляют новый процесс, а потом пытаются понять, подходит ли он реальной работе.
На первой стадии авторы советуют не увлекаться подсчётом строк кода, закрытых задач и смерженных pull request. Такие метрики легко улучшить на бумаге и почти невозможно использовать как доказательство того, что инженер научился эффективнее решать задачи. Важнее проверить две вещи: пользуются ли люди инструментом регулярно и применяют ли его не только для генерации кода, но и, например, для ревью или подготовки проектной документации.
Широкий разброс результатов на этом этапе не стоит немедленно объявлять провалом. Он показывает, где искать практики, которые уже появились внутри команды. У кого-то агент помогает разбить большую задачу на план, у кого-то — параллельно исследовать варианты реализации, у кого-то — быстрее проверить гипотезу. Если эти знания остаются в личных заметках наиболее любопытных инженеров, организация получает несколько локальных суперсил, но не меняет собственную производительность.
Команда Рагхунатхана собрала около 14 именованных паттернов. Среди них — сначала составлять письменный план, а потом переходить к коду; изолировать параллельную работу агентов в отдельных git worktree, чтобы изменения не сталкивались; не перегружать контекстом управляющего агента, оставляя ему возможность распределять задачи. Ценность здесь не в самих названиях и не в попытке превратить работу с моделью в ритуал. Именованный приём проще обсуждать на ретро, обучать ему новичков и проверять, подходит ли он конкретной команде.
Почему лицензии не заменяют процесс
Именно середину цикла компании чаще всего пропускают. Закупить доступ к инструменту, провести внутреннюю презентацию и отчитаться об охвате пользователей можно быстро. Системно наблюдать за экспериментами сильных инженеров, извлекать из них воспроизводимые методы и объяснять их остальным — заметно сложнее. Для этого нужен человек с достаточным влиянием и техническим контекстом, а также время, которого обычно нет внутри очередного спринта.
В Snowflake для распространения практик использовали регулярные тематические недели. В этот период команды могли освоить уже проверенный путь либо провести собственные эксперименты и принести новые результаты. Это важное отличие от рассылки с чек-листом или обязательного обучения: новый навык получает место в календаре, а не обязан незаметно появиться между планированием, инцидентами и дедлайном релиза.
Для бизнеса такой подход означает, что внедрение ИИ-инструментов следует оценивать не только числом активных лицензий. Полезнее смотреть, появились ли в компании повторяемые сценарии работы, кто их поддерживает и есть ли у инженеров защищённое время на освоение. Разработчикам это даёт более приземлённый ориентир: хороший результат с агентом — не магия промпта, а сочетание планирования, изоляции задач, проверки результата и обмена находками.
Самый соблазнительный, но рискованный шаг — заранее перекроить оргструктуру под «ИИ-команду будущего». Пока компания не разобралась, как именно у неё выполняется работа с агентами, новые названия ролей будут основаны на догадках. Вероятно, в ближайшие годы преимущество получат не те, кто первым подключил очередной инструмент, а те, кто сумел превратить хаотичные индивидуальные открытия в общую инженерную систему.
