2026-11-22: Enterprise Agile-2026: ИИ в крупных компаниях и не только в ИТ

< Блог:Максима Цепкова

16 ноября был на конференции Enterprise Agile Russia. Десять лет назад она начиналась как Agile Business Conference, а позднее название поменялось. Фокус конференции – Agile в крупных корпорациях, применение OKR и SAFe, и потому она не многочисленна. Зато в этом году она поместилась в Метрополь, и площадка дала особую атмосферу конференции.

Крупные компании – консервативны, но им тоже нужно перестраиваться. Особенность конференций – выступления от компаний, в которых идет трансформация, а не коучей и консультантов, которые ее проводят. Консультанты присутствуют только с воркшопами, при этом в этом году они вынесены в онлайн и пройдут позднее, на самой конференции был только воркшоп про увольнения. Были выступления страховых компаний Росгосстрах и Ингосстрах, банков – Альфа, ВТБ, группы АК Барс (AB Digital) и таджикистанского Эсхата, а также реального сектора: ЕвроХим, ТрансМашХолдинг (ТМХ), Газпромнефть, S7, ФСК, Lada и государства – департамент природопользования правительства Москвы.

В этом году темой был не столько фреймворки управления, сколько применение ИИ, что логично. Сергей Рогачев рассказывал про адаптацию SAFe к современным условиям – AI Native SAFe. На канале конференции опубликован пост со ссылками, включая бесплатный перевод руководства по ИИ-трансформации от SAFe. А компании говорили о своем движении. Многие движутся осторожно, с фокусом на процессы и проверку человеком результатов от ИИ. Впрочем полгода назад так было в большинстве компаний, это сейчас многие убедились, что так не работает и перешли от SDD на TDD/BDD с фокусом на проверку результата тестами, а кода по чек-листам самими агентами. Так что, думаю, тут будет пройден аналогичный путь. А вот Вадим Миженский и Дмитрий Цыганков из ФСК и Юрий Юшкевич AB Digital рассказывали, как встроить в конвейер поставки прототипы, который вайбкодит бизнес для проверки своих гипотез. А Михаил Ушаков из правительства Москвы – про ускорение за счет ИИ-технологий подготовки и согласования проектов, касающихся экологии и природопользования.

Еще я бы хотел отметить выступление Галины Черновой из ТрансМашХолдинг по трансформации HR с помощью ИИ чтобы обеспечить потребность в кадрах за счет внутренних ресурсов: холдинг занимается разработкой и строительством электровозов, тепловозов и вагонов, а также дизелей для судов, это требует квалифицированных инженерных кадров, которые далеко не всегда есть там, где в них велика потребность, например в Тынде, и которые востребованы на рынке.

Ну и реальная правда жизни с панели об использовании ИИ для управления: «Так он уже управляет: как вы думаете, кто готовит помощникам руководителей стратегические презентации? Правильно, ИИ.» А насколько критично на такую презентацию смотрят – вопрос творческий: ведь и раньше помощник думает, что руководитель поправит, а руководитель – на помощника надеется, при этом текст ИИ выдает гладкий и убедительный, точно лучше чем раньше.

Дальше – мой конспект выступлений. Много интересного во всех, не только в упомянутых выше. Имейте ввиду, что это – не все: шло два трека и надо было выбирать. Само расписание было сделано компактно, три 30-минутных выступления объединены в блок, а между блоками – большие перерывы на общение.

Юрий Москалев. Цена одной кнопки

Юрий – руководитель отдела разработки LADA Цифра, это – дочка Автоваза, 10 продуктовых команд. Рассказ был о постановке работе с метриками, расчете стоимости инкремента и отдельной фичи. И об использовании ИИ, которое у них дало неоднозначный эффект. В налаженных процессах – замедление, а вот для создания новых продуктов дало хороший эффект. Они движутся дальше.

В выступлении был интересный совет – как узнать на собеседовании, пользуется ли человек ИИ-помощником и насколько критично относится к тому, что пишут. Задаешь вопрос о том, что явно не используется в жизни: «расскажи, что такое структурированная многозадачность?», и тут сразу видно, если человек механически воспроизводит ответ. Кстати, на эту тему на другой конференции слышал другой вопрос: «что такое системное требование», тут подвох в том, что в ИТ такой термин применяется редко, поэтому ИИ обычно дает ответ из системной инженерии, не учитывающий ИТ-контекста.

Максим Полунин и Алена Останина. Что общего между чемпионами велоспорта и командой инжиниринга ЕвроХима

ЕвроХим – производство минеральных удобрений. Максим и Алена два года назад с командой перешли из ИТ в инжиниринговый центр – проектирование новых производств. И ставят там 3d-моделирование. Путь трудный, но много успешного. Пока 3d-модель делают только для стратегических проектов, но со следующего года будет масштабирование на все.

В проектировании реальных зданий гораздо жестче чем в ИТ работа с требованиями, выше цена ошибки. ИТ-практики – применимы, однако попытка революционных изменений не взлетела, и они пошли иначе, методом постепенной эволюции и малых улучшений. Собственно, оттуда и велоспорт – опора на историю, когда в борную Великобритании пришел новый тренер и через постепенные изменения привел команду к успеху.

  1. Если заметил потери – сигнализируй
  2. Что может быть минимальным улучшением. У каждого изменения – один человек-драйвер. Не ответственный ,он напоминает. Набор метрик и ограниченный срок.
  3. Проверка, что достигли. И решение: сохранить, изменить или отказаться.

Что появилось.

  • Обмен знаниям и практиками. Раз в неделю делимся одним приемом.
  • Совместная работа и парное ревью. В проектировании это не было распространено, в отличие от ИТ. На стыках – совместно тестирование компонента, чтобы уменьшить переделки.
  • В проектировании принято начинать работу без полных данных. И у них – чек лист, какие данные еще не получены, они ведут историю запросов и оценивают задержки и потери от переделок. Не запретили, а мониторят.

ИИ применяется – по месту, для разных задач. Обтекаемый шлем и облегченная велорама спортсмена не заменят, но ускорят. Поиск решений, анализ НСИ, производство документации, проверка типовых ошибок. Системное мышление – декомпозиция бизнес- среды, а не работа в функциональном колодце и проверка гипотез.

А отдельная тема – про вовлеченность. Это важно, потому что из ИТ пришла крутая команда, но работа в инжинири6нге оказалась сложнее, чем предполагалось. Они позвали нейропсихологов, есть цифровой профиль для человека – индивидуальные драйверы, демотиваторы, диагностика и регулярный health check. Люди загорелись, и видно изменение отношения к работе.

Трансформация лидерства. Это не только про инновации и пробы нового. Лидер – выносливый, он понимает, от чего отказываться, и ради чего. Он – архитектор созидания, он пробует новое, рискует.

Сергей Рогачев. Заглянем в будущИИе корпораций — ИИ-трансформация по AI-Native SAFe

Это планировался парное выступление с бизнесом, совместно с Александром Мольским из Ренессанса, но там форс-мажор, так что Сергей рассказывал один. Речь шла о переходе от Agile к AIgile. Точки ускорения указывает Теория ограничений. Scrum и Kanban ускоряли производство, затем узкое место перешло в передачу в эксплуатацию – пришел devops. И узкое звено ушло в начало – мы делаем не то. В SAFe есть discovery-этап. Но узкое звено на старте осталось: как ставить задачу, чтобы достигать бизнес-эффекта – задача обострилась.

Я тут отмечу, что это рассказ – в логике ускорения предсказуемого процесса. А у Agile был другой важный аспект: признать, что в ИТ-разработке невозможно составить реалистичный план, поэтому необходимо двигаться итерациями, сверяя результат с текущей ситуацией. Основная идея Scrum, на мой взгляд – в этом. Но в разных проектах непредсказуемость различается. Возвращаюсь к выступлению.

ROAI – институт возврата инвестиций от AI. Был опрос в крупных корпорациях. И большинство топов сказали «нам бы книжечку, мы привыкли к рекомендациям». Самостоятельно план трансформации собрали только 25% компаний, остальные – ждут. Смысл AI-SAFe – сборка в единый рецепт, как привыкли корпорации. Старая версия SAFe стала Core SAFe, и создали новую – AI-Native SAFe. В выступлении был обещан бесплатный перевод на русский (оригинал – продают), и во вторник на канале конференции был опубликован пост со ссылками.

Что меняется?

  • Важны не сроки, а метрики результата
  • Команды надо усилить ИИ
  • Исследования – в саму команду, она – не поставщик фич, а их изобретение
  • Фокус на OKR и цели.
  • Команда – уменьшается с 5-10 до 3-7
  • Вместо Scrum-мастеров – архитектор бизнес-ценности
  • Как и раньше, обеспечивается разработка на масштабе
  • И все это – не про увольнение

OKR – это чтобы лебедь, рак и щука тащили воз куда нужно, и был мониторинг движения по цифрам. Робот может очень быстро бежать не туда. Раньше бизнес раз в две недели давал какую-то обратную связь, корректировал. А сейчас корректировать робота каждый день робота он не сможет. Так что надо заранее задать направление.

Вертикаль связанных целей. Стратегия компании у топов, и там надо договориться, что целей и метрик – мало, 2-3, а не 10-15 – это сложно. А дальше – каскад, чтобы сверху вниз были метрики не в количестве фич, а в верхних метриках. Это – не новое, на рынке это выстраивают (Авито, Росгосстрах и др.). Квартальное планирование SAFe – гигантское количество задач, сейчас должно стать меньше, потому что будут не задачи, а гипотезы.

То есть, общее направление изменения – в сторону автономных продуктовых команд, направляемых через координацию

По бюджетам. Если на верхнем уровне связать бюджеты с нижним уровням будет круто. От фиксированных затрат к токен-экономике. Например, если по числу пользователей можно посчитать подписку – то команде можно сказать: если ваша команда привлекла больше пользователей – автоматически будет больше расходов. Автомат. И такой автомат исключает много сложностей на пути проекта, например, защиту в инвесткомитете. Впрочем, на мой взгляд, там где бизнес-результат очевиден – и так хорошо, проблемы возникают там, где влияние на бизнес не достоверно.

Для гибкого бюджетирования – надо делать дерево метрик, и от запаздывающих перейти к опережающим. Дерево у каждого продукта свое, учитывающее специфику. Но если сможете построить и ухаживать, то увидите, какие опережающие метрики на какие запаздывающие бьет. Но возможно не везде, и есть политические проблемы, которые этому препятствуют. Так что годовые бюджеты по-прежнему сохраняются.

Выверенные данные – целый процесс мероприятий по очистке данных на всех этапах. Нужны данные на старте, спецификации на этапе разработки и так далее.

SDD, а не vibecoding. Если надо поправить – не к программисту, а к аналитику. Раньше проще было пойти к программисту, ТЗ устаревало и источник правды – код. SDD хочет-таки это исправить, чтобы спецификация была источником правды.

Резюме.

  • Скорость поставки уже не проблема. Если все еще проблема – прыгайте в будущее.
  • Бюджетирование придется делать динамическим – токен-экономика.
  • Озаботьтесь выверенными данными.
  • ИТ кардинально сожмется по людям – будут ИИ-агенты. И это политически будет сложно, потому что крутость руководителя меряют числом подчиненных.
  • SDD, спецификация как источник правды.
  • OKR – цели и бизнес-модель.

Что будет с людьми? Человекоцентричность – внутри методологии, что делать с дергающимися глазами людей. Но так или иначе бюджеты ИТ будут сжиматься, потому что большое количество лет они расширялись. Так что сжатие сейчас – объективный процесс, ИИ просто послужило катализатором. И у большинства ИТ-директоров есть цели на сокращение ФОТ.

Панель по ИИ в управлении компанией

Участники.

  • Руслан Юсупов, Лидеры изменений Партнер
  • Дмитрий Цыганков, ФСК, Вице-президент по ЦТ и ИТ
  • Михаил Ушаков, Департамент природопользования и охраны окружающей среды города Москвы, Заместитель руководителя департамента
  • Юрий Юшкевич, AB Digital (Барс), Head of AI, ИТ Лидер (CTO) направления IT4IT
  • Носир Орипов, Банк Эсхата, Заместитель главы департамента стратегии и цифровой трансформации

Панель всегда конспектировать сложно, так что здесь – что успел. Тезисы интересные.

Дмитрий Цыганков ФСК. Их сейчас 160 человек, было 400, они делают счастливыми 2000 сотрудников. Тезис. ИИ включится в управление и будет работать автономно. Это – вопрос времени. Они заразили акционера и к этому идут. Сначала – помощь эксперту, по мере того, как растет доверие – участие человека уменьшают. Сметчик и десятки других создают помощников. Задумываются про цифровой совет директоров: сначала роли приходят к единому мнению, потом адвокат дьявола шатает. И есть разные контура песочниц, есть простые модели внутри, и останутся внешние модели. И есть статистика, сколько токенов потребляет специалист, до 1 млрд для опытных, в среднем 100 млн.

Насир Орипов. ИТ в банке 400 в банке, из них 300 разрабы, 100 – аналитики и продукты, всего в банке 3000 человек. ИИ уже управляет. Приходит почта – мы идем к ИИ сделать ответ, и смотрим его по диагонали – это как бы наше решение. Формально человек, а реально делает ИИ, и что-то корректируют. И все постоянно сидят на совете ИИ, оно уже вместо нас решает. По природе человек экономит свои ресурсы.

Михаил. ИИ не остановится. Есть ограничения законодательства, на изменение требуется время.Но камеры штрафуют на дорогах давно без подписи инспектора. И контрольно-надзорные органы – стройки, финансы и так далее, и ИИ будет проникать все дальше и дальше. Проверить на масштабах Москвы людьми – не реально, поэтому перекладывают на алгоритмику. ИИ-агенты начинают на проверку документов госуслуг, фиксацию фотоловушками сброса строительных отходов там, где нет камер. ИИ-агент отбирает фото, где есть самосвалы и состав дела, дальше – инспекторы, финальное решение о возбуждении дела пока их, но это изменится лет через пять.

Что есть ли внутри департамента? Есть агент, который заменяет проектный офис – помогает руководителям вести проекты. Пока он – помощник, но он может заводить задания контролировать исполнение, дает дашбоард руководителям. И они планируют заменить питчинг историй – сделать виртуальный борд вместо предпроектного комитета.

Юрий. 500 человек в штате, 10% управленцев, 5 тысяч в банке. В малом среднем бизнесе популярная тема meat-proxy: руководитель поставил задачу одним агентом, подчиненный – выполнил другим агентом. Enterprise и финтех – есть ограничения на вынос в публичное поле, и регулятор тут работает.

Проверяют почту – многие. Но решения на год-полтора – ИИ не принимает, только исследования. Делали в этом году агента, который помогает в анализе рисков, и эти агенты реально могут принимать решения. Риски принимает компания, которая принимает таких агентов. В следующем году будет регуляция – как с ML-моделями. Но регулятор потребует надежность много девяток, так что человек формально останется, хотя он такую надежность не дает. В ИТ историю активно внедряют сверху, а бизнес – снизу к топам. Менеджера в отделении можно заменить на ИИ, зампреда банка – нет.

Вопрос. Как обучить агентов, чтобы принять управленческие решения.

Дмитрий. Почему мы думаем, что мы агента можем учить? Может, если агент сам себя настроит, это эффективнее, чем нынешний финдир. Может быть эффективнее поставить ему проблему.

Дмитрий. Кто заказчик истории с ИИ? Люди – в минусе, Nvidia – временно зарабатывают. Собственник заинтересован в эффективности – как Excel и инфосистемы. Гендиректор, возможно, будет чувствовать. Но реально они сейчас боятся, крутятся в этом колесе как белки, беспокоятся. И сильнейшие умы говорят «ребята, это всех погубит», 20-25%, техдиры слушают и отползают, но остановиться никто не может. У него аналогия – горящий автобус, которого гравитация тащит вниз и это эффективно. Все больше боятся. Заказчик – неясно. Есть тактика: когда боишься, можно получать удовольствие, если занимаешься ИИ, то не так страшно.

Юрий Ющкевич. Весной был хакатон, заменяли ИИ-агентом директора по ИИ-трансформации. Есть бюджет и цели на год-квартал, есть руководители твоего уровня, вышестоящие, и агент в стрессе должен отстаивать позицию и двигаться к цели с учетом мнений. За два дня сделали агента – он держал точку зрения и не провоцировался. Но это – лишь небольшая часть того, с чем сталкивается управленец. Рутина – заменяется, а решение под давлением и интуиция – не заменяется. Что такое стресс? Это когда у тебя бюджет 10, приходит финдир и говорит: давай 5, но те же целевые показатели. У руководителя – стресс. Нейронка может предложить варианты решения. В рамках хакатона был заданный трек, и все равно 80%, а в стрессе – вряд ли.

Приходим к руководителю, оцифровываем день. И самое простое – легко. А управленческие решения – сложно. Но – это воспроизведение людей в цифровых двойниках. Пока – воспроизводим как есть, потом уже будет архитектор, который будет делать иначе.

Михаил. Пока мы видим людей и оптимизируем их деятельность с помощью ИИ. Мы пересобираем процесс, и оно работает иначе – это уже видно, в том числе по надзорной деятельности, компетенции заменятся. Это не калькулятор, который одну операцию меняют, а ИИ – меняет по площади. Пока ИИ дополняет людей, например, написание справки – оформление и правильные акценты. И ИИ это умеет делать – надо закидывать задачу в оркестратор, а дальше он выбирает агентов. У вас редкая задача, где нужно разово, например, по защите окружающей среды, то теперь не специальное агентство берем, а берем агента. А людей – дополнят, и там будет ИИ-помощник, который говорит еще и говорит тебе про навыки, которые надо прокачать или докупить.

Юрий Юшкевич. От MVP до AI-платформы: как мы меняем PDLC на стыке ИТ-компании и Банка в SAFe

Юрий – Head of AI, ИТ Лидер (CTO) направления IT4IT в AB Digital. Рассказ был об изменениях в банке: переход на создание прототипов для проверки гипотез совместно с бизнесом, и после успешной проверки идет превращение в готовое решение.

Год назад от бизнеса до реализации 120 дней, из которых сама работа над задачей – только 45 дней, а остальное – ожидания и обсуждения. За год за счет организационных изменений и подключения ИИ получилось сократить до 50-55 дней. И это – основной результат.

В конце прошлого года запустили пилоты и начали формировать центр компетенций. Делаем прототипы на Qwen в локальном контуре. Один из бонусов – аналитик мог спрашивать у ИИ, как устроен код, не отвлекая разработку. В марте появилась новая роль – инженер полного цикла, аналитик, который закрывает задачу целиком. К мае – железо в стойке, в июне – запустили в пром, в августе – 10 пилотов совместно с бизнесом и 10 команд по новому циклу. Ноябрь – 400+ пользователей. Сейчас часть пилотов уже на проме.

Гибридная система. По ИБ код критичных систем нельзя выносить за контур банка. При этом аренда железа – но только в дружественном ЦОД, и стоимость аренды в год равна стоимости железа в стойке. Сроки поставки железа растут. Поэтому по критичным системам работа внутри, а некритичные – гибрид, в платформе есть блок, который фильтрует информацию так, что можно отправлять наружу. На подписках – треть компании.

Два контура: прод и тест. На тесте проверяют все новые модели. Агенты по ролям: аналитик, тестировщик, разработчик, они контролируют переходя с одного этапа на другой. Добавили доступ к внутренним системам.

Основная единица работы – гипотеза роста: проверка с бизнесом + требования + код + тесты + документация, и это все в едином репозитории. Есть аналитики, которые проверяют гипотезы с бизнесом, делают прототипы и делают требования с предварительной оценкой. А дальше – инженеры полного цикла, которые закрывают задачу. Devops и upsec – в сервисной функции, и у них скилы и агенты – кратный прирост. Потому что они без коммуникации решают свою задачу, и могут обслуживать все больше команд.

Срок от запроса до результата – со 120 – до 65-80, а с ИИ – до 50-55. Улучшение за счет всего цикла. Основное ускорение – в части проработки идеи. А работа над самой задачей – сократилось, но не сильно.

Прирост у инженеров не равен ускорению. А мышление меняется медленнее технологий. Сделали чемпионат про промптингу и хакатон для проработки идей, лучшие – запускаем. Внедрение без наблюдаемости – гадание, поэтому куча метрик. Развивают инфраструктуру – скилл-маркет, перевод новых команд, делают агентов.

Напутствие: сделайте пилот на малых моделях. И просите бюджет на центр компетенций, а не подписки всем. Внедрение в бизнесе и ИТ комплексно, а не точечно. И меряйте эффект.

Легаси – есть, и их стараются улучшать. На локальных моделях переписывать монолиты сложно, это – следующий вызов. Современные модели могут, но есть нюансы закрытого контура. Хорошо идет – во фронтовых системах и системах собственной разработки, там все быстро. Написание мобильного приложения ускорилось от месяцев до 3 дней после согласования эскизов экранов.

Отставание локальных от моделей по подписке – 3-4 месяца, они пользуются тем и другим, так что сравнивают. При этом никто не мешает использовать харнесс от клода с дипсик. И получается сопоставимый результат.

Вадим Миженский и Дмитрий Цыганков из ФСК. Как встроить AI-инициативы в продуктовый контур

ФСК – это Федеральная строительная компания. Для Бизнеса ИТ было неповоротливым конвейером. Сейчас бизнес на выходных проверяет идеи и приносит результат, и говорит: «Что я заказывал – не нужно, я за выходные собрал, а вы говорите – 90 дней». Они приняли это как вызов: брать такие поделки и эксплуатировать, доводя по необходимости.

Первый кейс был – бизнес сделал агента для расчета сметы. ИТ несколько раз подступалось, но не хватало бизнес-знаний. Таких поделок в августе было 14, сейчас 34: поделки появляются очень быстро. До этого жили кварталами и думали, что классный конвейер построили, а бизнесу надо быстрее.

Итак, бизнес отдает поделку, а внутри – проверенная гипотеза. Есть корпоративный ландшафт – безопасность и прочее, этого в поделке нет. Можно из поделки делать продукт, экономика проверена и сходится, но для этого не хватает продуктов, они – дефицит. У них было 60 продуктов, сейчас добавилось еще 34.

Поэтому решение другое: берем поделку и доводим до эксплуатации. Если раньше ИТ централизованно создавало новые продукты, то теперь создание децентрализовано и отдано в бизнес, при этом ответственность за эксплуатацию – на ИТ. И им пришлось делать инструменты – product operations.

Первое – данные, на чем это работает. Если персональные данные – то нужны какие-то варианты обезличивания. Коммерческая тайна – договариваться. Публичные данные – надо определить.

У поделки должен быть понятный жизненный цикл. Варианты судьбы:

  • Оставить локальным решением – пользуйтесь на своем компе
  • Встроить автономным модулем на UI
  • Выделить в сервис
  • Остановить

Есть формат описания и ответственности за него: владелец, где система, кто управляет, кто сопровождает и так далее.

Не все гладко. Бывает, что сделали сервис, человек уволился – сгнило. Или долгое опромышливание. Но все равно бизнесу лучше так, чем без этого.

Для эксплуатации поделок – метрики жизни продукта, которые меряют выхлоп (пользу) и стоимость эксплуатации – 57 метрик. Метрики превращаются в сигналы: если они видят, что затраты сохраняются или растут, а выхлоп – уменьшается, то появляются сигналы проблем, их обсуждают на встречах, и придумывают план действий. Важно: уже не обсуждаем, есть ли проблема или нет, это видно по метрикам, можно оценить критичность. И решать.

Пять правил работы

  • Признать поток поделок от бизнеса: ценную логику надо забрать
  • Начать с данных, научить бизнес с ними работать
  • Разработать сценарии развития – у них четыре варианта
  • Сформулировать обязательства Продукта
  • Управление по сигналам

Для бизнеса это привлекательно. Ему не говорят «нельзя». Ему дают свободу создавать в понятных ограничениях (например, персданные). Роль ИТ трансформируется.

Пока продукт – автор, а инженерная поддержка – в кластерах разработки. Договорились, что критичные поддержки обязательно затаскивают к себе в корпоративный контур поддержки. Их около 15 ключевых, из них 6 создали ИИ-платформу, 4 в процессе создания. С кибербезом работают, поделки сканируют и работают с этим. Безопасность помогает настроить как правильно – но потом. А локальные решения живут где хочешь.

Над первой системой они бились квартал: там было 50 пользователей и критичная функция. Сейчас успевают в рамках спринта приземлить. Хотя пока все равно не успевают в темпе появления поделок. Но бизнес сам приходит к топам и говорит «есть ценная штука, мы не можем начать использовать из-за правил» – и они драйвят демократизацию правил.

И да, забираем поделки, чтобы если человек ушел – оно осталось. Тут нет проблем: если сделано на опусе – сонет ее опишет. А потом оно развивается на платформе, и там нельзя в два промпта поменять. Да, говорят, что нельзя подхватить поделки. Но они считают, что если если один эксперт создал, то другой сможет подхватить. У всех финансистов есть 100 экселей – поделки было всегда, их теперь делаем быстрее, и их можно забрать в прод. А за бизнес-логику отвечает автор, а потом – лидер функционального подразделения.

Александра Сорокина и Илья Осипов. Ценность на сотрудника для балансировки ИТ-команд и стратегических приоритетов

Это S7 Airlines, они не только авиа, а еще крутой ИТ. Они первые в мире сделали блокчейн продажи авиабилетов. А сейчас – внедрение ИИ, и в контактном центре – как лидеры. Александра Сорокина – Директор коммерческих проектов в ИТ, Илья Осипов – Директор технологического развития в бизнесе. И они рассказывали о том, как устроено планирование, когда надо не просто взять приоритетные задачи, но и провести балансировку команд, потому что объем работ не соответствует ресурсам. У них более 100 команд.

Авиация – низкомаржинальный бизнес, и надо эффективно работать. Поэтому – скоринг задач, а над ним – надстройка. Планирование – раз в полгода на год. Получив с холдинга задачи, запускают скоринг. Разметка must have – законодательство, регуляторы, ИБ, стабильность критичных систем. Дальше – то, что дает дополнительный доход и эффективность (TTM, ФОТ, риски штрафов, удовлетворенность сотрудников). Веса – разные, и меняются – это фокус. И в некоторых сезонах – еще задачи, на которых фокусируется холдинг. Например, сбойные ситуации, когда ограничивают полеты – и задачи про это. Еще – трудоемкость, чтобы ценные-короткие оказались впереди. В первых оценках добавляли уверенность, риск, cost of delay – сейчас упростили.

Они всех стейкхолдеров просят оценить не только задачи свои, но и всего холдинга: не только свои оцени высоко, но и другие – не только коммерция, но и доставка запчастей, и софт пилотов работал при импортозамещении. «Мудрость толпы» большинство оценит ценные задачи. Задачи к скорингу готовят. Им важно ранжировать задачи между собой.

В SAFe есть очные мероприятия, где ЛПР должны договориться, у них – online. Не получают эффект за 2 очных дня, а дают 3 недели, чтобы услышать тех, кто в отпуске. И пока респонденты оценивают сами, а не загоняют в ИИ, тратят день на это. Знакомство с задачами соседних блоков помогает им свериться между собой, что-то увидеть, обсудить. С тем, что все ставят 10 – не столкнулись, ставят разумно.

Дальше ценность задач накладывают на емкость команд – у них 100+ команд. Можно раздать владельцам продуктов ранжированный список, и они смотрят ценность команд и блоков. И если раньше сокращение шло пропорционально, то сейчас смотрят с учетом задач. Берут суммарную ценность и делят на емкость команды развития (без поддержки). И видят, где зашкаливает, и за счет чего можно усилить. Это пока индикаторы, а дальше работают в командах. Бывает, когда всплеск достигается без усиления команды – когда коробочное решение. Если ценность ниже – смотрят, что там детально, возможно мощность команды можно снизить. Или есть хвост доделок. Или недооценка. И дальше – этап перестройки команд. Просто перетащить человека – непросто: разные компетенции, стеки, мотивация. Проще работать со списком вакансий, при этом есть месяц доделок и 3 месяца на вхождение. Поэтому чаще, чем раз в полгода – нет смыла.

Итого: задачи размечены, есть фокус на ценных задачах, статистика показывает, что получается.

Процесс внедрен внутри ИТ с активным вовлечением бизнеса, и бизнес – видит эффект. Бизнес – коммерческая часть увидела рост своих команд. А еще бизнес увидел, чем другие занимаются и кто и на что тратит ресурс, это – ценно. И очень заметный рост качества проработки задач – кратный рост задач, у которых есть просчитанный бизнес-эффект. Этому способствовала оценка чужих задач: в первую итерацию ресурс получили те, кто хорошо описал. И со второй итерации все начали описывать более доходчиво. От улучшения описания улучшилось понимание.

Оценка ценности с объемом задачи не связано – задачи разные. Они стремятся стандартизировать по емкости. Они трудоемкость учитывают при выборке в работу, но вообще стремятся к сопоставимым задачам. Про достоверность оценки пока сказать сложно, потому что многие задачи – долговременные.

Галина Чернова. Масштабируемый HR: как сократить time-to-hire и time-to-productivity

Галина Чернова – Директор корпоративного университета ТрансМашХолдинг. Это проектирование и изготовление поездного состава – поезда и вагоны, и сервис, 118 тысяч человек. Им требуется квалифицированные кадры: найти, обучить, привести к станку, и смотреть, чтобы не ушел. Задача сложная: рынок перегрет, а делать производству надо качественно, при этом станочников и технологов – нигде не учат, а от них все зависит. Так что надо не просто нанять, надо вывести на продуктивную работу, вывести просто человека на место недостаточно. И Галина рассказывала, как это у них устроено с помощью ИИ, как они обеспечивают обеспечение потребности в сотрудниках за счет внутренних ресурсов, отказавшись от найма и перераспределяя людей внутри холдинга.

Для начала – надо понимать, кто нужен на конкретном месте. Бизнес это умеет описывать плохо, он свою работу делает, на заявки на вакансии от него плохие получаются. Они пошли по пути создания целевого профиля должности: навыки, умения, оборудование. Что человек должен уметь делать, чтобы быть полезным, с учетом нештатных ситуаций, ремонтов и поломок оборудования. Отдельной задачей было научить все заводы говорить на одних стандартах, на одном языке.

Общий профиль позволил с помощью ИИ проводить оценку человека – они стали быстрее проводить и меньше отказов стали получать на пилотах, где внедряют модель. Быстрее приводить сотрудников и меньше отвлекать мастера. А раз описали профили и можем провести оценку – то ИИ еще строит траекторию дообучения до нужного уровня для конкретного человека. Это позволяет адаптировать и выводить на нужный уровень производительности, сокращает время найма и вывода.

И дальше, видя обучаемость – мы можем говорить о траектории развития в компании и создании кадрового резерва. Если передать на ИИ рутину мониторинга откликнувшихся – повышается качество. Рекрутер смотрит не 700 резюме, а 100.

Кастомный план развития на 3-6 месяцев новичку. И есть метрики и показатели, что будет, если он придет на место, и что будет, если его отсеять. Потери – они хорошо считаются.

Дальше они проводят оценку всех сотрудников – комплексная оценка софтов и квалификации. Сейчас пилот по компетенции дизелестроению. Задача – выявить потенциал кадров и понять, что делать. Есть большой бизнес, и если в одном месте заказов нет, в другом – дефицит компетенций, то можно проводить перебалансировку. Есть большой дефицит в Тынде, но людей, согласных на переезд нет, закрыть вакансии сложно. Но есть те, кто готовы поехать в командировку, и имея оценку мы понимаем – кого конкретно послать. Но благодаря современным технологиям они могут сами для себя стать рынком труда, сделав акцент на удержании и развитии сотрудников.

При этом они мониторят hh по резюме сотрудников – для своевременного удержания. И людей получается удержать, задавая вопросы. И это как раз в части снижения затрат на поиск новых, и оценки. Удержание изнутри системы – значительно лучше и правильнее. Переход, уход и возвращение – с ушедшими они тоже работают.

Описали большую часть профилей – ключевые позиции. И если раньше у них на дивизион с 4000 профилей уходил год, то сейчас – 2 месяца и основная часть – верификация специфики предприятия с экспертами. Удержание и снижение сроков вывода на нужный уровень производительности. На 100 тысяч сотрудников с 10% текучести – считаемые цифры. И это не считая не производственных потерь линейных менеджеров на адаптацию новых сотрудников.

Централизованный конструктор – на 1С. И есть сотрудник, ответственный за обновление – когда позиция меняется, одна уходит, а другая вводится – актуализируется или делается новый профиль, и по их оценке 1 человека достаточно.

А про будущее. Если сделают платформу для балансировке персонала. Когда понимаем профициты и дефициты – это повышение утилизации ресурса. Сейчас зарплата растет быстрее производительности.

Вопрос. Сейчас ИИ написали качественные инструкции и вакансии, а кандидаты написали резюме. И что? Ответ. Мы не пойдем на рынок труда, а будем работать внутри, а с рынка будем брать сильно меньше. Своих сотрудников мы знаем хорошо. А то, что происходит на hh их тоже не устраивает.

Михаил Ушаков Как ИИ делает discovery предсказуемым: кейс Департамента природопользования Москвы

Михаил Ушаков – заместитель руководителя департамента природопользования и охраны окружающей среды города Москвы. Это контрольно-надзорная деятельность в сфере экологии, формирование экологической политики, проектирование экологии – озеленение и др. У них громадное НСИ, которые регулируют деятельность. ИТ нужно погружаться в деятельность, но найти дендролога, который станет бизнес-аналитиком – сложно. При этом разработку ведут внешние подрядчики, есть большой процесс согласования. Релизы раз в квартал – надо согласовать со всеми, и это – трудоемко. И в рассказе было про использование ИИ для поддержки всех этих задач.

Проблемы процесса подготовки требований.

  • Тяжело определить, что лечим автоматизацией: решаем реальную проблему, или просто автоматизация, чтобы все было в цифровом виде
  • Надо собрать кучу участников, посмотреть что еще есть – собрать все данные
  • Проверка решения затягивается. Вроде есть поделки, но есть формат ФТ, который подается в рамках госконтракта 44-ФЗ подрядчику – надо в ней работать.

Процесс подготовки составлял 60 часов, это без этапа согласования: Материалы → Повестка → Интервью → Протокол → Требования. Пример – порубочный билет, там есть пересчетная ведомость – в ней 7 интеграций с разным набором данных и нормативка. А еще надо было съездить с дендрологами, реально понять как они рисуют бумажные документы. И много других деталей.

Решили, что так жить нельзя, давайте знания векторизуем. Взяли obsidian, подогнали операции, чтобы агенты бегали. Более 1000 документов. В требования к найму добавили опыт вайбкодинга, хотя бы для личных целей. И сделали среду для людей, чтобы были локально-разворачиваемые модели – это важно, хотя формально идет работа с публичными НСИ. С созданием базы – заморочились, он запретил писать в confluence, чтобы все новое было в obsidian в md. Для переноса истории – писали обработчики. Есть неявные знания – оргштатная структура, и для агента она важна – факт оргструктуры – отдельно загоняли и правили руками.

Дальше начали пилотировать модели. Qwen – тексты, Whisper – транскрибация, планы и другие изображения – тоже есть локальные. И в результате pipeline исполняем локально на компьютере аналитика, это обеспечивает мобильность. Нагенерили навыков, чтобы обрабатывать результаты интервью, создавать требования. Завели шаблоны и начали обрабатывать сценарий.

Большинство продуктов с интерфейсной частью, они работают с прототипами. И начали забивать прототипы в figma, стали с ИИ делать супер-MVP продукта, чтобы отдать подрядчику как требование внутри ТЗ. И при этом микроMVP еще накладывают условия дизайн кода, который есть по многим продуктам. И для некоторых молодых пробуют ФТ в виде комиксов – понятнее. Но за текстом – следят, таблицы и схемы тоже есть.

В результате человек остался там, где коммуникация. Интервью, согласование требований. Время на согласование упало с нескольких месяцев. С 60 часов – 10.5, и еще часть работы аналитика с агентов. Есть процесс – порубочная ведомость при аварийно-восстановительных работ. И было 14 дней – стало 3 дня, и сама работа – несколько часов. Это все агентская сеть делала. Человек думал, как сделать процесс лучше, а не делать правильный ФТ. Конкретный кейс: переделка 16 требований за 2 дня место 3 месяцев. Предсказуемость – за счет, что база собрана вместе, зависимости видны до релиза. Если все связали, то можно проверять согласованность требований. Подготовили изменения, pull request на требования и агент проверяет.

Сокращение сроков согласования – за счет учета связей. Требования – 30-40 страниц, а бывает и 160. И легко что-то просмотреть, дать явные комментарии, потом доуточнять построчно. Это убралось – потому что связи видят заранее по нормативки и их отражают сразу. И еще транскрибацию процесса – ее агент сразу переносит в bpmn, а второй bpmn агент делает из нормативки и регламентов, и аналитик работает с не стыковками, и as is быстро получается. Агент унифицирует язык аналитиков, делает понятное – чтобы дендролог понимал, а не уточнял, что аналитик имел ввиду – агент умеет найти понятней язык. И обратная связь приходит, что ТЗ без непонятных терминов, у согласующих нет чувства неполноценности.

Выделили отдельную историю по стратегическим показателям, связанных с федеральным уровнем. И медиаактивности – формирование контента. И это тоже дает пользу для сотрудников – потому что меняется быстро.

А дальше вопрос уже к изменению контрактов: раньше на требования уходило половина цикла, сейчас ускорили, и discovery стал занимать 16%. Так что актуально стало сокращение сроков реализации. И этот рассказ был про требования, а есть CJM и другие части – там пока по-старому, будут менять.

Сергей Лебедев. AI-Native: зачем менять мышление и операции

Рассказ о процессе ИИ-трансформации в Yadro. Сергей Лебедев – Заместитель директора департамента разработки внутренних систем, 160 сотрудников, 5 ART, 20 лет опыта. 25+ продуктов автоматизации. И 4-5 систем сделаны с помощью ИИ и содержат ИИ внутри. Yadro – Лидер рынка серверов и СХД в России, свое производство в Дубне, 70% команды – инженеры. Подход инженерный.

Полгода назад мечтал о х100, но реальность – х1.7 – х10.4. Это замер на 10 тысяч задач. Процессы построены с прицелом на детальное логирование, так что эффект достоверный. В Антропик был аудит внутренней разработки – там похожие цифры, эмпирическая оценка 10-12 раз, а фактически – в 2 раза в этом году. А там токены не считают.

Как попасть в 10, а не 1.7? Трансформация – способ перестроить процессы. Для радикального ускорения нужна революция. Полезно посмотреть: как бы процесс был устроен, если бы его целиком делал ИИ. Трансформация идет по процессам, а не вся компания, этапы неоднородны.

  1. Показать заинтересованным, что работает и ускорение хотя бы в 2 раза.
  2. Дальше – команда изменений – владелец, ИБ, платформа и другие.
  3. Обучение: чтобы было высокое ускорение – не контролируем каждый шаг, а оцениваем качество статистически.
  4. Оцениваем сам процесс – уровень зрелости. Надо декомпозировать. Смотреть что сразу, что потом. И дальше выбираем, где пилотировать. На начальном этапе ставим человека, который контролирует каждый результат, но это – не целевая конструкция, а для того, чтобы настроить процесс – получить качество и устранить недостатки.
  5. Метрики для статистического управления процесса, и человек смотрит только эскалации и метрики. У каждого процесса – владелец от бизнеса и он отвечает за процесс, как за процесс из людей. Любая эскалация на человека – не только исправление за агентом, но и выработка правил, чтобы не надо было в следующий раз исправлять.

Если дошли до последнего пункта, то будет х10. Пока агент – консультант человека – ускорение небольшое. Если человек что-то делает в каждом экземпляре, то получается х2. А х10 – человек иногда.

Зрелость.

  1. Если контекст процесса в голове, он не описан – его невозможно ИИ-зировать. И если человек в каждой задаче, результат нельзя пощупать цифровым способом. Тогда ИИ – только помощник человека
  2. Процесс и человек описан, результат виден в трассировке его моно оценить и есть владелец – большинство шагов может исполняться ИИ.
  3. Процесс исполняется автономно, а человек работает по исключениям – есть описание фаз и результатов каждой фазы для проверки.

В чем проблема? Есть страхи у человека: я отвечаю, а делают агенты. Он начинает проверять все задачи, и оказывается заваленный задачами. И видит 20-50 задач, начинает не глядя согласовывать. В результате агентская схема делает что разрешили, человек снова начинает контролировать, скорость падает. Надо найти статистические метрики для наблюдения.

У них 24 роли, 10 тысяч задач, разработка софта и агенты – помощники операционного директора. Когда контроль в каждой задаче – максимум х1.7, главный агент с эскалацией – все равно 1.75.

В контуре разработки – сразу спроектировали автономно, и ускорение в 10 раз, на реальных историях, да еще полная спецификация, бизнес-требования, тесты. Ускорение – за счет того, агент работает без выходных и круглосуточно, и чем больше убираешь человека – тем больше ускорение, потому что x4 по часам. Эффективность потока с ожиданием человека – маленькая, потому что процесс ждет человека.

И они видят по репозиториям, что происходят – увеличение коммитов. И там вопрос не только количество, но и качество – тесты и документация тоже обновляется.

Как оценить процесс?

  1. Есть ли все: владелец процесса, ИБ про категорию данных, как с качеством данных, есть ли какие-то инструменты, которые можно использоваться, есть ли этот процесс сейчас или новая задумка?
  2. Сопоставляем ценность с готовностью. Не делаем – требуется подготовка – персональную эффективность сотрудник сделает – делаем пилот. И еще риски по данным – персональные, коммерческая тайна. И дальше – детали оценки на слайдах. Доступность данных, измеримость качества.
  3. Получаем портфель на карте, в пилот идеи двигает готовность процесса. Один коннектор двигает много процессов.

Внедрение ИИ – изменение поведения человека. Для инженера – из позиции «у меня есть руки и опыт» – он ставит задачи и принимает результат. Руководитель – не проверяет каждый шаг, а работает по статистике и исключениям. Владелец отвечает не за людей и регламенты, а за агентскую роль и мониторинг, аналогично.

Каждая эскалация на человека – в стандарт. Каждые 2-3 дня идет анализ. И оно сокращается. Метрики – сколько ждем человека, повторные ожидания.

ИИ масштабирует модель, которая есть. Недостатки он преумножит. И – оценивайте объективно стоимость.

Эффект: цена проверки гипотезы – мгновенна. Раньше приходили и планировали проверку, а в следующий квартал – результат. Сейчас проверка до прототипа или фичу получаем сразу.

[ Хронологический вид ]Комментарии

(нет элементов)

Войдите, чтобы комментировать.