Эпоха «чистого» написания кода стремительно уходит в прошлое, уступая место гибридным ролям, где инженер становится дирижёром сложных систем. Серийный предприниматель и основатель onsa.ai Байрам Аннаков уверен: выживание в ИТ-индустрии теперь зависит не столько от знания синтаксиса, сколько от системного мышления и способности интегрировать бизнес-логику в вероятностные алгоритмы искусственного интеллекта.
📈 От бухгалтерского учёта к архитектуре смыслов 0:05
Путь Байрама Аннакова начался с глубокого убеждения, что ИТ и бизнес — это не две разные сущности, а единый организм . Его отец, программист в Госплане, с ранних лет приучил его к тому, что для создания софта для бухгалтеров нужно в совершенстве знать бухучёт . Этот междисциплинарный подход стал фундаментом его карьеры: от Java-разработчика и создателя платформы для авиапутешествий Up in the Air до евангелиста ИИ-решений .
В современной разработке границы стираются ещё сильнее. Сегодня Аннаков совмещает роли CEO и CTO в своём стартапе onsa.ai, который автоматизирует до 70% процессов в B2B-продажах . Основные тезисы его подхода:
- ИТ как бэкбоун бизнеса: В крупнейших компаниях мира технология является ключевой компетенцией, а не просто обслуживающим департаментом .
- Смена роли инженера: Разработчик превращается в супервайзера, который должен понимать принципы кэширования, декаплинга и бизнес-логику, чтобы направлять ИИ .
- Отказ от разделения: Ошибка многих компаний в «пост-СНГ» пространстве — восприятие ИТ как убежища для интровертов, отделённого от коммерческих целей .
🧠 Системное мышление как главный софт-скилл 16:39
Системное мышление для современного техлида — это не абстрактная философия, а прикладной инструмент моделирования социальных и технических систем . Аннаков выделяет методологию системной динамики, которая позволяет проигрывать бизнес-процессы на компьютере и находить узкие места .
Ключевые законы из «Библии систем» (Systems Bible), которые должен знать каждый инженер :
- Закон эволюции: Любая сложная работающая система происходит от простой работающей системы. Попытка сразу построить «космолёт» обречена на провал .
- Порождение проблем: Каждое решение проблемы неизбежно создаёт новые проблемы. Важно понимать, какую полезную функцию выполняла «проблема» до её устранения .
- Контринтуитивность ускорения: Быстрая реакция системы на изменения не всегда полезна. Иногда излишняя автоматизация убирает «естественные буферы» (например, время на обдумывание человеком), что делает систему хрупкой и склонной к катастрофическому распространению ошибок .
Пример с «эффектом кнута» в логистике (на примере продажи пива) наглядно показывает, как мгновенная реакция на разовый всплеск спроса приводит к избытку запасов и краху эффективности .
🤖 Человек в петле: от кодера к Product Engineer 41:04
Разделение на «кодеров» и «разработчиков» становится критическим. Кодеры, выполняющие механическую работу, рискуют быть заменены автоматизацией. Разработчики же эволюционируют в AI Product Engineers . Это специалисты, способные пройти путь от идеи до MVP за часы, используя «вайб-кодинг» (программирование через описание намерений) .
Новая роль подразумевает владение тремя аспектами:
- Продуктовый дизайн: Способность самостоятельно протестировать гипотезу, используя ИИ для создания персон пользователей и проведения «виртуальных интервью» .
- Менеджмент агентов: Понимание вероятностной природы ИИ. Работа с языковыми моделями (LLM) больше напоминает управление людьми: нужно ставить задачи, вводить метрики контроля и создавать гардрейлы (ограничители) .
- Добавление контекста: Главная роль человека в мультиагентных системах — передача специфического бизнес-контекста, который отсутствует в обучающих данных модели .
🛠 Инструментарий и мотивация команд 1:04:19
Переход на новые инструменты, такие как Cursor или Claude Code, часто натыкается на сопротивление внутри команд . Аннаков выделяет три фактора формирования новой привычки у инженеров: мотивация, лёгкость использования и напоминания .
Техлидам рекомендуется:
- Снижать барьеры: Оплачивать подписки на передовые ИИ-инструменты за счёт компании .
- Демонстрировать личный пример: Показывать, как рутинные задачи (написание тестов, заполнение CRM, создание boilerplate-кода) решаются за секунды .
- Использовать конкуренцию: Проводить внутренние хакатоны, где «старая школа» соревнуется с пользователями ИИ-ассистентов .
Важно понимать экономический эффект: технология может работать в режиме автоматизации (замена человека) или аугментации (усиление способностей) . История показывает, что при аугментации (как в случае с экскаваторщиками) ценность сотрудника растёт вместе с его зарплатой .
🎓 Кризис обучения и «потолок» джунов 1:21:03
Одной из самых острых проблем является деградация фундаментальных навыков. Опыт часто приобретается через ошибки (например, забытый батчинг запросов к БД), а ИИ-ассистенты позволяют этих ошибок избегать, лишая новичков «мышечной памяти» .
Байрам Аннаков предлагает пересмотреть подход к обучению:
- Отказ от заучивания синтаксиса: Вместо этого учить архитектурным паттернам и пониманию того, почему нужны определённые решения .
- Симуляционные среды: Использование ИИ для создания «безопасных песочниц», где джун должен решить сложную проблему с подвохом, имитирующую реальный факап .
- Фокус на Tacit Knowledge: Передача неформализуемого опыта от синьоров через совместное дирижирование агентами .
⚖️ Этика, субъектность и «забывчивость» ИИ 1:32:06
В вопросах безопасности ИИ Аннаков занимает позицию умеренного оптимиста, склоняясь к взглядам Сэма Альтмана . Он вспоминает упражнение из Singularity University 2015 года, где участники судили компанию, решившую «затереть» старую прошивку робота, который считал это убийством .
В ближайшем будущем нас ждут дискуссии о субъектности:
- Будет ли ИИ иметь права субъекта или останется на уровне «законодательства о домашних питомцах» (ответственность несёт владелец)? .
- Как проектировать системы памяти ИИ, чтобы они умели «забывать» неважное, имитируя человеческий мозг для повышения эффективности поиска ?
🚀 Практические советы по автоматизации 1:49:28
Для тех, кто начинает внедрять ИИ в бизнес-процессы, Аннаков выделяет две главные ошибки:
- Отсутствие Human-in-the-Loop: Нельзя полностью делегировать процесс ИИ без надзора человека на ранних этапах. Доверие — это функция времени и проверенных метрик .
- Плохая декомпозиция: Попытка запихнуть в одного агента слишком много инструментов и контекста приводит к «галлюцинациям» и путанице семантически похожих функций .
Будущее — за системами, где агенты закупщиков договариваются с агентами продавцов, а люди лишь ставят финальную подпись под выгодной сделкой, подобно мудрому визирю из древней притчи .
