- Использование ИИ ускорило написание кода и документов, но это не всегда приводит к прогрессу команды. Чтобы связать личную скорость работы с производительностью команды, необходимо определить способности к усвоению, а именно возможность оценки, отслеживания и восстановления.
Сначала я думал, что будет достаточно доработать рабочий процесс AI, которым я пользовался, и поделиться им с командой. Я ожидал, что если упорядочить правила и команды и поделиться ими, то ускорение, которое я ощутил, распространится на всю команду.
Однако реальная узкая горлышко находилось в другом месте. Благодаря ИИ код и документация были готовы быстро, но эта скорость не полностью передавалась скорости команды.
Узнать, почему возникает эта разницаСпособность к поглощению (Absorptive Capacity)Я узнал о таком понятии. В теории организаций говорят оПризнавать ценность внешних знаний и информации и уметь преобразовывать их в внутренние возможности командыэто.
Код и документы, созданные ИИ, изначально близки к внешним знаниям. На первый взгляд, даже если они находятся в команде, они не становятся частью её возможностей сразу.
узкие места переместились от написания к поглощению
До появления ИИ тоже были PR, lacking контекст или формальные ревью. Однако тогда результаты не накапливались так быстро, как сейчас. Написание кода и редактирование документации занимало время, и это время давало автору возможность еще раз обдумать свой выбор.
Искусственный интеллект значительно сократил время на получение первого результата. Теперь он быстро выдает проекты, код и тесты даже в незнакомых областях.
Однако то, что кажется завершенным на поверхности, и то, что приемлемо для команды, — это разные вещи. Мы должны вместе рассмотреть, проверено ли это по стандартам команды, на каком этапе мы находимся и что еще осталось, а также остался ли контекст для следующего человека, который будет продолжать.
Команда, обладающая этим подходом, превращает выросшую индивидуальную продуктивность в командный прогресс. Напротив, команды, использующие недостаточно эффективный подход, сталкиваются с тем, что повышенная скорость работы приводит к узким местам.
Попадание в команду не делает тебя обладателем знаний команды
Результаты, созданные ИИ, легко интегрируются в рабочие процессы команды. Код загружается в репозиторий, документы остаются в вики, а аналитические результаты становятся повесткой дня для встреч. На первый взгляд, все выглядит как активы команды.
Однако, если не оставить записи о суждениях, сделанных в процессе создания, они не будут переданы. Суждения, оставшиеся только в сеансах ИИ и журналах разговоров, не становятся контекстом для команды.
Надеюсь, что форма соблюдена, но работа не продвигается, и результаты передаются получателю с нагрузкой на интерпретацию и верификацию, так называемые рабочие продукты (Workslop)проблема не ограничивается только увеличением времени на проверку. Получая такие результаты, не только увеличивается время на проверку, но и подрывается доверие внутри команды.
Это не вопрос личного внимания каждого автора. Если рабочие продукты повторяются, необходимо рассмотреть, на каких условиях команда принимает результаты.
Три условия, чтобы стать активами команды
Чтобы результаты стали активами команды, они должны ответить на три вопроса.
-
Можно ли судить по критериям, согласованным командой?
-
Можно ли отслеживать обоснование решения со временем?
-
Можно ли быстро осознать ошибку и исправить её или вернуть назад?
Этот вопрос относится не только к коду, но и к документам, техническим решениям, операционным политикам и всем результатам, которые команда принимает дальше.
Возможность судить
Возможность судить (Reviewability)означает, что результаты должны иметь достаточно обоснований, чтобы третье лицо могло их понять и оценить. Это не просто вопрос читаемости. Они должны быть организованы в единый модуль проверки и четко указывать, какую проблему пытались решить и на какую область они влияют.
Это также означает, что должно быть возможно рассматривать это как стандарт, согласованный командой. Даже если это выглядит правдоподобно, если это выходит за рамки архитектуры, именования, обработки исключений и методов тестирования, согласованных командой, это трудно принять как актив команды. Особенно выходы ИИ могут выглядеть очень завершенными, но на самом деле трудно судить, и это может легко создать иллюзию завершенности, как будто проверка уже завершена.
Отслеживаемость
ПрослеживаемостьЭто вопрос о том, можно ли проследить основы решения и связи даже спустя время. Используя ИИ, результаты появляются быстро, и история разговоров или сводка также могут быть сохранены. Но наличие записи не означает, что команда сразу поймет это. Должно быть сохранено в читаемой команде форме, от какой проблемы началось, через какие суждения прошло до кода, документа и результатов.
Таким образом, вы сможете не повторять те же самые решения в будущем и пересматривать предыдущие решения, если ситуация изменится.
возможность восстановления
ВосстановляемостьЭто означает способность быстро обнаруживать и исправлять проблему, когда она возникает.
Результаты, созданные ИИ, могут выглядеть прекрасно, поэтому их легко пройти через процесс проверки, но позже могут возникнуть неожиданные риски. Поэтому цель состоит в том, чтобы не полностью предотвратить ошибки, а создать систему, которая позволит команде безопасно справляться с проблемами в пределах допустимого.
Критерии, которые необходимо проверить на границе команды
Личные способы работы могут отличаться, но когда результаты выходят за пределы команды, необходимо проверить три предыдущих условия.
Рассмотрим самый привычный пример — PR.
Часть PR, над которым работали в соответствии с методом, изложенным в последнем посте - 60-дневный рабочий процесс с AI-агентами.
Цель состоит не в том, чтобы подробно написать текст PR. Нужно указать, в чем заключается причина проблемы, до какой степени проведена проверка, на что должен обратить внимание рецензент, как реагировать на возникшие проблемы и т.д., чтобы минимально необходимая информация не была упущена до того, как команда примет это.система крепления)должно быть.
Однако, если полагаться на добросовестность автора каждый раз, это не будет устойчиво. Это должно быть встроено в рабочий процесс команды, а не только в личные контрольные списки. Какой бы инструмент ни использовал кто-то из команды, информация должна оставаться одинаковой, когда команда пересекает границы.
Стандарты хорошего PR не изменились с появлением ИИ. Однако, теперь, когда существует усилитель в виде ИИ, можно сказать, что то, что когда-то было хорошей практикой, теперь имеет гораздо большие последствия, если это не будет соблюдено.
Прогресс команды происходит благодаря усвоению.
ИИ не создал новых стандартов, которых не существовало раньше. Однако, поскольку скорость, с которой результаты ИИ поступают в команду, изменилась, сильные и слабые стороны существующих инженерных систем стали проявляться быстрее.
Процесс принятия индивидуальной работы на ответственность команды позволяет крепким командам впитывать увеличившуюся скорость благодаря ИИ в свою продуктивность. В противном случае команды, в которых этот процесс недостаточен, лишь увеличивают скорость генерации чего-то, но не могут продвинуться вперед.
Места узких мест могут различаться в каждой команде. Однако, если скорость выполнения индивидуальной работы возросла, а прогресс команды остался прежним, сначала стоит проверить, есть ли у команды система, способная обработать эту скорость.
То, о чем говорилось до сих пор,командаэто не только людиСледующей сущностью, принимающей задачу, может быть человек или ИИ. ИИ также работает на основе контекста, оставленного командой. Если контекста нет, он тратит ресурсы на повторное обоснование этого содержания, и попытки заполнить пустоту могут привести к галлюцинациям или ошибочным суждениям.
То, на что должна ориентироваться организация, это не «сколько ИИ было использовано» или «сколько результатов было создано».
Сможет ли команда впитать результаты, созданные ИИ, как знания, за которые она несет ответственность?
Если на этот вопрос не ответить, увеличившаяся скорость останется бременем, которое должна понести команда.
Справочные материалы
- Коэн и Левинтал, ["Абсорбционная способность: новый взгляд на обучение и инновации"] (Administrative Science Quarterly, 1990)
- Кейт Нидерхаффер и др., ["Искусственный интеллект генерирует 'работу' и разрушает продуктивность"] (Harvard Business Review, 2025-09)
TaeZ