Работа у меня одна. Беру процесс, которым компания уже зарабатывает, и делаю так, чтобы он приносил больше. Эффект считаю заранее и в деньгах, а в план беру только то, где он в 3-12 раз больше стоимости моих услуг. Не вижу такого эффекта - говорю прямо, и на этом мы расходимся.
Дальше это число придётся называть вслух, и слушать вас будут финансовый директор, совет директоров или CIO. Вопросов там обычно два - на чём это измерено и где у этого граница. Ответы я записываю прямо рядом с числом, тремя строками: замер, поправка, граница.
Ниже - кейсы из моей практики, и каждый оформлен одинаково. Рядом с величиной стоят те же три строки, и пересказ такому числу не вредит.
lead time команды, платёжная платформа
- замер
- lead time на выборке ~60-70 пул-реквестов
- поправка
- на размер задач
- граница
- 2 инженера · ~1 месяц полной работы · пауза до согласования бюджета
Число без этих трёх строк вслух не называю.
Начну с кейса, по которому заполнены эти строки.
замер на поставке
Платёжная платформа: lead time короче в 2,5 раза
с ~20 до ~7,5 дня замер · выборка ~60-70 PR
lead time команды · 2 инженера · платёжный домен · ~1 месяц полной работы
граница - продуктовая сторона: весь выигрыш ниже по потоку
Запрос был узнаваемый. Технический директор видел оплаченные подписки на AI-инструменты, слышал от команды, что инструменты помогают, и не находил этому подтверждения в сроках поставки.
В работе участвовали два инженера: Senior-разработчик на Java и Infrastructure Engineer уровня Senior и выше. Домен платёжный, с интеграцией через Temporal Workflow, так что цена ошибки высокая.
Разбор процесса показал, куда уходило время. Сборки и тестов на каждый пул-реквест не было, так что о качестве узнавали поздно и большими порциями. Ревью оставалось единственным местом, где находились ошибки, и ограничивало скорость всей команды. Новые лицензии в такой конструкции ничего не меняли. Они ускоряли написание кода на участке, который узким местом не был.
Дальше мы собрали недостающее. Появились сборка и тесты на каждый пул-реквест с быстрым ответом, совместные сессии разработки - сначала на моём экране, потом на экране инженера, - и ежедневный канал в чате, куда можно принести застрявшую задачу, не дожидаясь встречи. Процесс я разбирал параллельно с поставкой, потому что изучить его и поменять в одну неделю дешевле, чем сначала месяц описывать, а потом месяц внедрять.
Под дорогой - сборка и тесты на каждый PR с быстрым ответом.
Первые две недели ушли на настройку и онбординг, поэтому результат относится к ~1 месяцу полной работы после них. Замер сделан на выборке ~60-70 пул-реквестов, с поправкой на размер задач, и lead time сократился с ~20 дней до ~7,5. Отдельно проверили нагрузку на ревью, и она не росла вместе с объёмом кода, созданного с AI. Обычно против таких результатов возражают именно этим.
Lead time входит в набор DORA, и в вашей отчётности эта метрика уже есть, поэтому переводить результат на внутренний язык компании не придётся.
Граница у этого числа проходит по продуктовой стороне. Туда, где формулируют задачи, я не заходил, так что весь выигрыш получен ниже по потоку, и задержка на входе никуда не денется. Окружение унаследованное, с ограниченной пропускной способностью. Работа сейчас на паузе, пока клиент согласует бюджет на продолжение.
арифметика до старта
Счёт, которого нет
Само по себе ускорение денег не приносит. Деньги появляются там, куда вы направите освободившееся время, и считать это надо до старта. Из цикла у этой команды ушло ~12,5 дня ожидания на каждый пул-реквест, а во что превращается день, зависит от того, сколько стоит день работы команды и что она успеет сделать вместо ожидания. Эту арифметику я собираю на диагностике вместе с вами, а не показываю готовой в чужом кейсе.
Когда мне отвечают, что AI уже внедрён, я спрашиваю о двух вещах - изменился ли после внедрения lead time и во что теперь обходится доставленная фича. Ответа ни на один из них я в таких разговорах не получил ни разу. Это сводка моих собственных встреч, а не чья-то прямая речь.
Готовой формулы перевода дня в деньги здесь тоже не будет. Формула на чужих допущениях относится к тому же сорту чисел, против которого написана эта страница. Пока ответов на те два вопроса нет, счёт за текущий процесс не выписан, и решения про AI принимаются без него.
оценка против замера
Telehealth-продукт: один инженер и ~2 недели
~20 раз сравнение с оценкой
против оценки «три инженера на три месяца» · бэкенд, фронтенд, мобильные клиенты на Flutter
граница - сравнение с плановой оценкой
Оценка на старте была обычной для такого объёма работ - три инженера на три месяца. Справился один инженер за ~2 недели. Это самое эффектное число в моей практике.
В продукт входили бэкенд, фронтенд и мобильные клиенты на Flutter под iOS и Android. Спецификации я писал до генерации, каждый цикл был коротким, а результат проверялся после каждого шага.
Наверху план, внизу то, что понадобилось.
Сравниваю я с плановой оценкой: в другом составе этот проект никто не делал, так что замера рядом нет. Слабое место назову сам - сквозные тесты интерфейса. Проверка того, что человек видит и делает на экране, автоматизируется хуже всего, и её приходится писать руками.
готовность, измеренная вопросами
SaM Solutions: три ступени за четыре месяца
23, затем 26 вопросов счёт вопросов на митапах
14-15 инженеров · вопросы поднялись от «что такое MCP» до политик под купленные лицензии
граница - это подготовка команды, метрик поставки здесь нет
SaM Solutions разрабатывает enterprise-системы на заказ; компанию называю с её согласия. С февраля по июль 2026 года работа прошла три ступени, и каждую следующую заказывали после предыдущей.
Первая ступень - два открытых митапа. Первый прошёл 19 февраля, про спецификации как основу разработки и про то, как AI меняет работу на Java. В зале было от 20 до 40 инженеров уровня middle и выше. Вопросов было 23, и почти все про ориентацию в теме: что такое MCP, какую подписку брать, с чего начать без ошибки. Агентами пользовались поодиночке и по-разному, общего метода в компании не было. Три вопроса из 23 при этом были из управленческой повестки - как объяснить пользу подписок заказчику, какими метриками показать влияние AI на команду, каким цифрам про ускорение вообще можно доверять. На последний вопрос эта статья и отвечает, а задал его инженер в зале, не покупатель.
Второй митап был про enterprise-практику и порядок внедрения. Вопросов стало 26, и десять из них были про устройство поставки - кто оркеструет агентов в промышленной разработке, на каком шаге остаётся человек, что делать, если ревьюер меняется, как читать ситуацию, когда автоматический ревьюер молчит.
Живое демо на втором митапе
На том же митапе я собрал в прямом эфире сервис feature-флагов на Spring Boot, с тестами, CI/CD и Swagger UI, без записи и монтажа. По замеру вышло 2 010 строк Java, но объём здесь побочный итог. Ценнее оказалось другое. Аудитория увидела весь путь от задачи до проверки, включая то, как выглядит ошибка и как её чинят. Приложение было простое, обычный CRUD, и в продуктив за эфир его, конечно, никто не выкатывал.
ступень 1 · два открытых митапа
открытый зал · 20-40 инженеров«что такое MCP?»
23 вопроса · почти все - ориентация в теме«кто оркеструет агентов в промышленной разработке?»
26 вопросов · 10 - про устройство поставкиступень 2 · программа из 4 занятий
закрытая группа · 14-15 инженеров · старт 22 апреля«приживётся ли это на legacy со слабой документацией?»
«лицензии купили, политик нет - что сначала?»
счёт вопросов не вёлся между занятиями - домашние задания и разбор работ в чатеКаждый участник написал и защитил собственный 30-дневный план внедрения. Планы прошли взаимное ревью.
ступень 3 · снова открытый зал
третий митап · прошёл после программы«что происходит после первого успешного демо?»
тема - multi-agentic разработка-
опрос после программы
- замер
- рекомендуют коллеге - 8,0 из 10
- знаменатель
- ответили 9 из 14-15 участников
- граница
- это подготовка команды, метрик поставки здесь нет
Вторая ступень началась после второго митапа: компания собрала закрытую группу и заказала программу из четырёх занятий. В группе было 14-15 инженеров уровня middle и выше, преимущественно с Java и Spring Boot, а также с SAP Commerce и .NET; старт 22 апреля. Между занятиями шли домашние задания и разбор работ в чате, а сквозным для всей программы был один реалистичный enterprise-сервис - Audit Log и Compliance Event Service.
На четвёртом занятии спрашивали уже про своё: как не дать спецификациям устареть на большой команде, приживётся ли подход на legacy-проекте со слабой документацией, что делать с противоречивыми PRD и с чего начинать, когда лицензии на AI куплены, а политик и процессов их применения нет. К финалу каждый участник написал и защитил собственный 30-дневный план внедрения, и планы прошли взаимное ревью.
Опрос после программы дал 8,0 из 10 за готовность рекомендовать при девяти ответивших из 14-15. Это подготовка команды, метрик поставки по ней нет.
Третий митап прошёл уже после программы, и тема была другая - multi-agentic разработка и то, что происходит после первого успешного демо. За четыре месяца компания прошла путь от вопроса «что такое MCP» до разговора про то, как управлять несколькими агентами сразу.
Тот же замер вы можете сделать у себя, ничего не покупая. Послушайте, о чём спрашивают ваши инженеры на внутренних встречах. Подписки и «с чего начать» - это низ лестницы. Оркестрация и governance - середина. А когда спрашивают про спецификации на большой команде и про политики под уже купленные лицензии, команда уже наверху. Час внимания на такой встрече скажет вам больше, чем любой мой кейс.
масштаб работы
На каком масштабе я работаю
от 2 до ~1 000 инженеров везде живая работа
пять точек шкалы: 2 инженера · 14-15 · 31 · 220 в IT · ~1 000 инженеров
граница - замер поставки пока только на командном масштабе
У каждого числа выше есть свой масштаб. Кейс на двух инженерах не доказывает эффекта на тысяче, поэтому вот шкала целиком.
Из завершённых работ самая крупная - продуктовая компания на 1 500 человек, где я год отвечал за инженерную стратегию в роли Head of Development и Principal Software Engineer. В IT там 220 специалистов и ~30 команд. Стратегия была документом, который постоянно менялся. Я интервьюировал руководителей и инженеров, определял проблемные зоны, запускал изменения как эксперименты и смотрел на отклик. Так сложился повторяемый цикл, и работал он в масштабе всей инженерной организации. AI был там одной из частей общей работы, и полного AI-rollout всей компании в этом кейсе нет.
Самая крупная работа идёт прямо сейчас, в геймдев-компании на несколько тысяч человек, где инженеров около тысячи. Компания переводит одну из игр на собственный движок и хочет выстроить вокруг этого перехода единый процесс разработки с AI. Заказал работу руководитель внутреннего центра компетенций по AI, позже отдельный запрос пришёл от технического директора и директора разработки продукта. Я провёл три платные сессии для разработчиков, тех-лидов и архитекторов, собрал ответы инженеров продуктовой команды и построил по ним программу из пяти занятий под их стек и названные ими боли. На третьей сессии самым активным участником оказался технический директор.
- 2 инженераплатёжная платформа · единственный замер поставки
- 14-15 инженеровSaM Solutions · закрытая программа из 4 занятий
- 31 человекпродуктовая компания · платная диагностика
- 220 в ITгод инженерной стратегии · ~30 команд
- ~1 000 инженеровAI-центр геймдев-компании · работа идёт сейчас
Красным отмечено, где у меня есть замер поставки.
- инструмент
- платная диагностика: 31 интервью, 3 055 задач, 942 страницы
- срок
- ~10 дней на разбор; 1-2 недели - стандартный объём
- граница
- замер поставки пока только на командном масштабе
Разбор процессов и эксперимент внутри команды там ещё впереди, поэтому измеренного эффекта на поставке по этому клиенту у меня пока нет. За полный AI-rollout всей компании я берусь после того, как метрики уже показали эффект на выбранном участке, - до этого он остаётся дорогой ставкой на чужую уверенность.
Вход при этом одинаковый на любом масштабе - платная диагностика. В последний раз за ~10 дней я провёл 31 интервью, разобрал 3 055 задач трекера и 942 страницы базы знаний, а финансовую модель пересчитал независимо. Под каждой гипотезой лежал артефакт, и любую из них я честно пробовал опровергнуть. Из 47 гипотез 30 подтвердились, 6 я опроверг, 2 переписал, по остальным твёрдого вывода нет. На выходе - карта узких мест и три варианта следующего шага, у каждого цена и заранее названный негативный сценарий. В план я беру только те шаги, где ожидаемый эффект в 3-12 раз больше стоимости моих услуг. Заканчивается диагностика решением, а эксперимент по её итогам начинается отдельно. Одна-две недели - стандартный объём для такой работы, на большей области срок растёт.
три строки переносятся
Куда это приложить у себя
Три строки из первой картинки - инструмент для ваших входящих чисел, а мои кейсы тут только образец заполнения.
Возьмите ближайший отчёт вендора и допишите к главной цифре три строки: на чём замер, чем нормировано, где граница. Сделайте то же со слайдом собственной команды и с историей успеха, которую принёс инженер, самостоятельно освоивший агентов. Утверждения, которые эту процедуру проходят, можно называть вслух; на остальных лучше споткнуться у себя за столом, чем в кабинете у CIO.
Если платёжный кейс похож на одну из ваших команд, начало будет тем же. Во время диагностики я только читаю и задаю вопросы, а команда продолжает работать в обычном ритме. Через одну-две недели у вас появится первое собственное число, у которого все три строки заполнены. Рядом с ним будет посчитано, во что обходится текущий процесс и сколько стоит каждый следующий шаг, и за это число вы сможете ответить перед кем угодно.
Ближайший шаг один. Двадцать минут на звонке, чтобы понять, ваш ли это случай, после я присылаю агенду, вилку бюджета и ближайшие даты. Звонок бесплатный и ни к чему не обязывает.