РАЗРАБОТКА

CTO Braze поделился опытом трансформации инженеров в AI-команду

CTO Braze рассказал о том, как за несколько месяцев команда стала AI-first, и как это повлияло на процесс разработки.

✍️ Редакция iTech News | 13.05.2026 | ⏱ 2 мин | 👁 3 | Источник: Stack Overflow Blog
CTO Braze о трансформации инженеров в AI-команду

CTO Braze Jon Hyman отметил, что за несколько месяцев его команда полностью адаптировалась к AI-технологиям, что позволило увеличить долю AI-сгенерированного кода до 60%. Это изменение важно для разработчиков, так как демонстрирует стремительное развитие технологий и необходимость их интеграции в текущие процессы.

Трансформация команды в AI-first

Hyman рассказал, что за 15 лет работы в компании ему удалось наблюдать значительные изменения на рынке. Начав с мобильных решений, Braze в последние месяцы сделала резкий переход к AI. Это произошло не без трудностей: Hyman отметил, что внедрение новых технологий часто сталкивается с культурными и практическими барьерами среди 300 инженеров компании. Команда смогла преодолеть скептицизм благодаря высокой степени качества создаваемых моделей.

По словам Hyman, одним из поворотных моментов стало успешное завершение работы над сервером MCP, который был готов на шесть недель раньше запланированного срока. Секрет удачи заключается в подходе к качеству работы, а не в жестких требованиях и мандатах. Это изменило мнение многих сотрудников и открыло новые возможности для инноваций.

Проблемы и решения

Hyman также затронул важные аспекты, касающиеся масштабирования и измерения реальной ценности AI для бизнеса. Он обратил внимание на высокие затраты на инференс, которые могут достигать ощутительных сумм при больших объёмах данных. Также он подчеркнул, что не стоит относиться к «вибрационному кодированию» как к единственному способу достижения масштабируемости, так как это может привести к неэффективным решениям.

Всё это говорит о том, что разработчики и бизнес-менеджеры должны тщательно продумывать внедрение AI в свои команды. Правильный подход к качеству моделей может кардинально изменить процессы разработки и повысить эффективность работы. здесь нет универсального решения — каждая команда должна адаптировать эти методы к своим конкретным условиям.

Следующий этап для Braze — продолжение работы над оптимизацией AI-процессов и внедрение новых функций, которые смогут работать гораздо быстрее и эффективнее, чем раньше.

Поделиться: Telegram X LinkedIn