AI сэкономил разработчику десять часов. Почему команда не стала быстрее
AI сэкономил разработчику десять часов. Почему команда не стала быстрее
Представим, что с AI разработчик пишет код в два раза быстрее.
Логично ожидать, что фичи тоже начнут выходить в два раза быстрее.
Но delivery почти не изменился.
Причина простая: написание кода занимает лишь часть пути от задачи до продакшена.
До AI:
- код — 20%
- ревью — 20%
- ожидание — 40%
- релиз — 20%
После внедрения AI:
- код — 8%
- ревью — 25%
- ожидание — 47%
- релиз — 20%
Это условный пример, но он хорошо показывает механику.
AI сократил активную работу разработчика. Однако задача по-прежнему ждёт ревью, уточнений, согласований, тестового окружения и окна для релиза.
Более того, если кода стало больше, нагрузка на ревью и тестирование может вырасти.
Именно поэтому локальная экономия десяти часов не превращается в десять часов для всей команды.
Исследования DORA предлагают смотреть не на скорость написания кода, а на весь поток: lead time, частоту поставки, стабильность изменений и время восстановления.
Atlassian приходит к похожему выводу со стороны developer experience: значительная часть рабочего времени теряется из-за организационных препятствий, переключения контекста и неэффективных процессов.
AI редко устраняет бутылочное горлышко.
Чаще он просто переносит его из написания кода в ревью, тестирование или ожидание.
Поэтому после внедрения AI полезно спрашивать не «насколько быстрее мы пишем код?», а:
насколько быстрее изменение доходит до пользователя?
Представим, что с AI разработчик пишет код в два раза быстрее.
Логично ожидать, что фичи тоже начнут выходить в два раза быстрее.
Но delivery почти не изменился.
Причина простая: написание кода занимает лишь часть пути от задачи до продакшена.
До AI:
- код — 20%
- ревью — 20%
- ожидание — 40%
- релиз — 20%
После внедрения AI:
- код — 8%
- ревью — 25%
- ожидание — 47%
- релиз — 20%
Это условный пример, но он хорошо показывает механику.
AI сократил активную работу разработчика. Однако задача по-прежнему ждёт ревью, уточнений, согласований, тестового окружения и окна для релиза.
Более того, если кода стало больше, нагрузка на ревью и тестирование может вырасти.
Именно поэтому локальная экономия десяти часов не превращается в десять часов для всей команды.
Исследования DORA предлагают смотреть не на скорость написания кода, а на весь поток: lead time, частоту поставки, стабильность изменений и время восстановления.
Atlassian приходит к похожему выводу со стороны developer experience: значительная часть рабочего времени теряется из-за организационных препятствий, переключения контекста и неэффективных процессов.
AI редко устраняет бутылочное горлышко.
Чаще он просто переносит его из написания кода в ревью, тестирование или ожидание.
Поэтому после внедрения AI полезно спрашивать не «насколько быстрее мы пишем код?», а:
насколько быстрее изменение доходит до пользователя?