ИИ ускорил разработчика. Почему компания всё ещё работает медленно

Разработчик за час подготовил то, на что раньше уходил день, но проверка назначена на завтра, согласование — на следующую неделю. Работа выполнена быстрее, но до результата для клиента ещё далеко.

Этому разрыву посвящён материал Nate's Newsletter.

Личный выигрыш от ИИ не обязательно приводит к росту производительности команды.

Покажем на условном примере, как ускорение одного звена меняет весь процесс.

Задача занимала десять дней: пять — выполнение, ещё пять — проверки и ожидание согласований. Допустим, ИИ ускорил выполнение в десять раз, до половины дня. Общий срок составит 5,5 дня вместо десяти. Ускорение всего процесса — примерно в 1,8 раза. Проверка и согласование не ускорились: они зависят от графика других людей, а не от инструмента конкретного разработчика.

Это иллюстрация на условных цифрах, а не вывод из реальных замеров. Эффект у каждой компании будет своим. Но принцип универсален: ИИ ускоряет ту часть работы, где он применён, а остальные этапы движутся прежними темпами.

Похожую ситуацию легко представить за пределами разработки. Операционист в банке начал готовить документы вдесятеро быстрее. Но клиент по-прежнему ждёт подписи руководителя. Если основное время уходит на ожидание, ускорение подготовки мало изменит срок обслуживания.

Внедрение ИИ стоит оценивать по тому, как меняется весь путь от запроса до принятого результата:

— Сократился ли общий срок?

— Стало ли меньше возвратов на доработку?

— Не выросла ли очередь на проверку?

— Сохранилось ли качество?

Если подготовка ускорилась, а очередь на ревью выросла, следующий шаг — разобраться с проверкой, передачей работы и полномочиями тех, кто принимает решения.

Если сотрудник сэкономил четыре часа, а компания не увидела ускорения — выигрыш остался личным.

Что показывают данные: по данным Cursor о поведении разработчиков, пользователь на 99-м процентиле объединяет примерно в пятнадцать раз больше pull request'ов, чем медианный активный автор. Это наблюдаемая разница в рамках одного продукта. Она не доказывает роста ценности для клиента в пятнадцать раз. Диапазон поведения расширился: личная производительность может отрываться от командной.

Подготовлено RD media

Источники:
• Nate's Newsletter — https://natesnewsletter.substack.com/p/scale-ai-developer-productivity
• Atlassian — https://www.atlassian.com/blog/ai-at-work/how-amdahls-law-still-applies-to-modern-day-ai-inefficiencies