⏪ К предыдущей части

Гибридные роли как часть трансформации Мода на «инженера-оператора агентов» преждевременна. В отчёте DX нет ни одного примера устойчивой гибридной роли. Вместо этого компании пока что выстраивают внутренние центры компетенций.

Glassdoor, например, ввела модель зрелости:

• AI Aware
• AI Experimenter
• AI Fluent
• AI Champion
• AI Czar

Это не должности как таковые, а уровни экспертизы в AI. Цель достаточно простая — выявить тех, кто не просто использует AI, а понимает, как применять его в контексте своей должности, архитектуры проектов, культуры самой компании и внутренних процессов. Эти люди становятся консультантами, а не новым типом сотрудников.

Почему это важно? Потому что массовое смешение ролей ведёт к когнитивной перегрузке персонала. Инженер не может одновременно быть и архитектором, и аудитором, и оператором AI — без потери качества в каждой из этих функций. Устойчивая модель все еще подразумевает — разделение труда, а не его концентрацию вокруг одной персоны.

Цель — не переопределять должности, а ускорить адаптацию через лидеров компетенций, которые понимают, как применять AI в контексте своей организации/функции/процесса/продукта. И да, безусловно, — это временный механизм, пока не сформируются чёткие процессы верификации, аудита и ответственности за AI-генерируемые решения.

Автономные агенты пока что эксперимент Несмотря на хайп, агентные системы почти не измеряются и прогнозы о массовом внедрении автономных агентов преждевременны. В отчёте DX прямо сказано: “Agent telemetry is not measured today – but this will likely also change. Most teams don’t yet track AI impact at this level, and telemetry data remains limited.”

Единственный пример — Block (бывший Square), который разрабатывает собственного агента «goose». Остальные работают с инструментами типа Copilot — а это AI помощники, но не AI агенты. Кто отвечает за решение, принятое агентом? Сегодня — никто.

Таким образом, переход к автономии потребует не только новых метрик (человеко-эквивалентные часы), но и новой архитектуры ответственности, которой сегодня нет ни у одной из 18 компаний.

Личное мнение о влиянии трендов: стартапы и корпорации Позволю себе базовый тезис: AI снижает порог входа, но только для тех, кто уже что-то измеряет внутри на фоне внедренных процессов. Эти мысли как раз на фоне цитаты из отчета DX: “60% engineering leaders cite a lack of clear metrics as their biggest AI challenge.”

Стартапы Стартап без baseline по Core 4 не увидит, как AI создаёт технический долг. Вместо этого, кофаундеры получат рост PR throughput, но с ростом Change Failure Rate — и далее коллапс при масштабировании продукта. Преимущество получат не те, кто использует AI, а те, кто связывает его с инженерной дисциплиной.

AI снижает порог входа в разработку высокотехнологичных решений, но усиливает последствия отсутствия метрик.

Корпорации Крупные компании сталкиваются с фрагментацией зрелости. Dropbox достигает +20% к PR throughput, но только благодаря когортному анализу: “Tracking adoption thresholds (heavy, moderate, and light usage) can give more detail into exactly how and where AI is accelerating delivery.”

Без такого анализа корпорации получают локальные успехи и системные провалы. Также растёт давление на финансовые метрики: “ICONIQ’s 2025 State of AI Report predicts internal AI productivity budgets will nearly double in 2025.”

Поэтому компании, не связавшие затраты с инженерными результатами, столкнутся с неоправданными расходами.

Общие выводы 1️⃣ AI не уравнивает, а усиливает существующие различия в зрелости инженерных практик 2️⃣ При внедрении AI необходимо оптимизировать влияние на инженерные результаты:

• скорость delivery
• качество delivery (change failure rate, количество инцидентов)
• поддерживаемость поставок (change confidence)

AI, увеличивающий PR throughput при росте change failure rate — это не ускорение, а создание техдолга. AI, экономящий время инженера, но ухудшающий change confidence — это операционные потери.