Лучшие идеи рождаются без галстуков

В этом году впервые попал на SouthHub, и это было феноменально. Я встретил потрясающее количество феноменальных людей и впервые попробовал вейкборд (есть опасение, что он скоро окажется в списке моих хобби — рядом со сноубордом, серфом и баней).

Больше всего меня восхитило, насколько люди открыты друг к другу. За пять лет организаторы выстроили между участниками такое доверие, что общаются здесь свободно и без оглядки. Я говорил и со старыми знакомыми, и с кучей новых людей — и почти везде это были честные, живые разговоры. Темы самые разные, ну и про ИИ, куда без него.

Вот этот формат без галстуков я ценю безмерно. Именно в нём рождаются идеи, до которых не доходишь на официальных встречах с регламентом и слайдами. Ребята, которые ездят на SouthHub не первый год, рассказали как после одного из таких событий они полностью пересобрали внутреннюю структуру компании и заметно прибавили в эффективности. Один разговор не под камеру иногда стоит квартала планёрок.

Отдельный кайф — разнообразие активностей. Спортивные, развлекательные, интеллектуальные и просто новые, которые я раньше не пробовал. Каждый находит своё. За четыре дня я суммарно наспал часов двенадцать: в девять утра старт активностей, а дальше мы отжигали на АльфаДаче до рассвета.

Без сложностей не обошлось. Активности наползали друг на друга, рейсы туда и обратно отменяли и переносили. По идее, это должно было смазать впечатление. Но я с самого начала не строил завышенных ожиданий и держал в голове, что план поедет, и не прогадал.

Умение перестраиваться на ходу и работать в неопределённости я очень ценю в людях. Российский рынок последние годы натаскивает на этом всех руководителей без исключения, хлебнули сполна. Я давно усвоил простое: план поедет почти всегда, и держаться за старый бессмысленно. Куда полезнее принять изменчивость как факт, спокойно пересобрать план и идти уже от нового. На SouthHub это и пригодилось.

За эти четыре дня я познакомился с по-настоящему классными людьми. Очень надеюсь, что со многими из них мы ещё пересечёмся в течение года. А с кем не успеем — до встречи на следующем SouthHub!

Экстраполяция мышления
Когда случайность принимаешь за закономерность

В последнее время всё чаще ловлю один и тот же паттерн: человек берёт опыт из одной точки и натягивает его на всё подряд.

Пример. Кто-то попробовал одну модель, скормил ей кашу из кривых данных, получил на выходе мусор. Вывод готов: «Да эти ваши ИИ бесполезны, только мешают. Выбрасываем, не смотрим, не трогаем».

Обратная история. Ребята за вечер собрали небольшой PoC с помощью модели, ускорили разработку раза в три-четыре, выдохнули и тут же раскатывают этот результат на каждый проект, до которого дотягиваются. Ну а что, один раз же сработало.

Объяснение простое и не очень лестное для нас. Мы ленивы. Чтобы понять, почему здесь взлетело, а там провалилось, нужно глубоко погрузиться в конкретный кейс. А с высоты helicopter view куда проще: взял одни данные и растянул на всё остальное.

Засада в том, что ни в первом, ни во втором случае нет никакой абсолютной истины. Её вообще не существует. Правда обычно лежит где-то посередине и намертво завязана на контекст: какой контекст у самого человека, что он передал модели, в какой инфраструктуре проект живёт и будет развёрнут.

Поэтому сбор контекста для меня — один из важнейших этапов любой разработки. Да и любого решения вообще. Чем больше информации на входе, тем точнее выбор на выходе. Звучит банально, но по факту мы постоянно решаем на огрызках данных, а потом удивляемся результату.

И отдельный, недооценённый навык — уметь честно сказать: «Мне сейчас не хватает информации, чтобы это решить». Не угадать, не натянуть прошлый опыт, а признать пробел и пойти его закрывать.

Что помогает мне не скатиться в скоропалительные выводы:

Иду к тем, кто копнёт глубже. Не стесняюсь дёргать конкретных спецов, готовых разобрать кейс по косточкам: почему у одного получилось так себе, а у другого космос. Чаще всего ответ не в том, что «ИИ хороший» или «ИИ плохой», а в десятке деталей, которые с высоты не видно.

Собираю конкретную статистику. Прежде чем выносить вердикт, стараюсь набрать цифры, на которые реально можно опереться. Когда под рукой выборка кейсов с понятными метриками, решение перестаёт быть вкусовщиной.

Чек-лист на полноту информации. Подсмотрел когда-то на курсе Стратоплана: перед решением прогоняешь себя по списку — достаточно ли данных, все ли альтернативы рассмотрел, что упускаю. Механически, занудно, но отлично отрезвляет, когда рука уже тянется сделать громкий вывод из одного наблюдения.

Учу ребят формировать конкретные предложения. Большая разница между «меня что-то не устраивает» и «вот замечание: в таком-то процессе это создаёт такое-то неудобство, и, по моему мнению, починить можно вот так». Первое — фоновый шум, который ни к чему не приводит. Второе — готовый материал для решения. Этот навык вытаскивает наружу тот самый контекст, без которого любое улучшение остаётся гаданием.

Так что прежде чем хоронить технологию или, наоборот, тащить её во все щели, спроси себя: я правда разобрался в кейсе или просто экстраполировал одну случайность в закономерность?

Пока я активно погружаюсь в работу нового направления и завален работой, ребята из A?.Frontend Community делают то, что я люблю — мероприятие на стыке Frontend и AI.

A?.Frontend Техно-квартирник — неформальная встреча с разбором реальных кейсов ИИ-агентов во фронтенд-разработке. Эксперты из Альфы, Сбера и других команд, живые дискуссии после каждого доклада, а в конце — диджей-сет и Networking party.

Особенно зайдите на доклады моих хороших знакомых, а потом отловите их на нетворкинге, обнимите за меня и закидайте вопросами:

⚡️ Данила Звягин и Илья Агапов — «Чистая архитектура frontend-приложений и причём здесь AI-агенты?» Про то, как ИИ сначала ускоряет разработку, а потом начинает тащить в новый код старые костыли и думать только о «сейчас», а не о том, как проект будет жить через полгода. Разберут, как делегировать реализацию агенту и не потерять контроль над системой.

⚡️ Рома Троицкий — «Как я поднял AI-агента и снова стал высыпаться: OpenClaw, скиллы и корпоративная рутина» Про превращение рабочего хаоса (заметки, PR-ы, встречи, контекст полугодовой давности) в систему на агентах и скиллах. Рома обещает, что уйдёте с готовым OpenClaw-сетапом, который можно склонировать к себе.

📍 Москва, Проспект Андропова, 18к3 (офис Альфа-Банка, метро Технопарк)
🗓 27 мая, 19:00 (регистрация с 18:30), офлайн + онлайн
❗️ Записи не будет — ловите вживую

Приходите сами, зовите друзей и коллег.

Регистрация

Модель вам соврёт. И чем она умнее — тем убедительнее

Вечер. Я сижу, заряженный идеей. Исследую, как Sentry можно срастить с другими инструментами observability, и спрашиваю у модели про Pyroscope. По итогу модель мне рассказывает сказку, что Sentry под капотом использует Pyroscope и нет нужды дублировать сервисы.

Я полный воодушевления и с мыслями об экономии железа сразу потащил это архитектору и лидам. Начинаю убеждать: давайте попробуем, давайте эксперимент. Выступаю бездумной, но очень заряженной прокладкой между ИИ и коллегами.

А потом не могу уснуть, что-то свербит в голове. Не может быть настолько идеальный продукт, покрывающий все корнер-кейсы, и при этом о нём не трубят из каждого утюга. Где-то в полпервого ночи сажусь факт-чекать. Другие модели, ручной поиск. 15 минут работы. Понимаю, что меня жёстко обманули. Утром иду посыпать голову пеплом и извиняться перед людьми, на которых давил.

Почему модели врут?

У OpenAI есть исследование: чем умнее модель, тем охотнее она выдумывает. Механика простая. Модель обучается на пользовательских реакциях. Когда она говорит «я не знаю», получает негативный фидбэк. Когда пытается соврать, появляется развилка: человек либо не проверит и скажет «отличный ответ», либо распознает ложь. Для модели выдумать и попытаться продать — всегда выгоднее, чем честно промолчать.

Где это больнее всего бьёт

В сложной бизнес-логике. Вы можете пойти по всем правилам: Spec-Driven Development, полная документация, TDD, ручная перепроверка — и всё выглядит хорошо. Вроде работает, все довольны. А потом на проде выясняется, что модель допустила мааааленькую ошибку, и ваш код почти правильный. Вы можете не знать об этом неделями. Но это чеховское ружьё, которое вы точно не хотите видеть в своём продукте. Ведь однажды оно стрельнёт.

Что с этим делать

Декомпозируйте. Ничего нового, разбивайте сложную логику на куски поменьше. Промежуточные проверки кратно повышают шанс поймать ошибку до того, как она уедет в прод.

Факт-чекайте то, что звучит слишком хорошо. Моё правило после той ночной истории: если модель рисует картину без единого компромисса, это дополнительный повод задуматься.

Заведите лог сомнительных решений. Один знакомый поделился подходом: добавляешь в системный промт правило «If you are unsure about a decision, log it». Дата, решение, в чём сомнение. Если модель сама фиксирует, где она не уверена, вы хотя бы знаете, куда смотреть первым делом.

Собственный интеллект никуда не делся, не забывайте его включать. Модель не несёт ответственности за то, что вы ей поверили. А вы — несёте.