AI-Disrupt PDLC и полный цикл ценности: продуктовая архитектура после ускорения Delivery
Habr ·
Почему утроение разработки не утраивает эффективность бизнеса Представим, что компания проверяет 100 гипотез в квартал. Предположим, что 20 из них подтверждаются и заметно двигают бизнес-метрики. После внедрения в процесс разработки AI-агентов , стоимость ее реализации снижается, а цикл от намерения до работающей фичи сокращается. Допустим, теперь компания, с теми же ресурсами, может проверять уже не 100, а 300 гипотез в квартал. На первый взгляд, бизнес должен радоваться, ведь производительность выросла втрое. Но Discovery, качество данных, экспериментальная инфраструктура и управленческое внимание не выросли втрое. Первые 100 гипотез могут сохранить прежнюю конверсию в 20%, а следующие двести — дать, например, по 5%. Получится 30 успешных гипотез вместо 20. Производственный output вырос втрое, а количество положительных результатов — только на 50%. Расчёт иллюстративный, но вопрос финансового директора по итогам года вполне реален: “Мы утроили производительность. Почему бизнес-результат не утроился?” Ответ на него — не в разработке. Сняв ограничение в Delivery, узкое место по Теории ограничений не исчезает, а переезжает. Организация обнаруживает следующие ограничения: достаточно ли у неё сильных гипотез, достоверных доказательств, качественных экспериментов, управленческого внимания и способности довести выпущенное изменение до принятия клиентом и роста бизнес-результата? Именно с этой точки я предлагаю посмотреть на whitepaper Сбера AI-Disrupt PDLC . Если кто ещё не знаком с ним, настоятельно рекомендую ознакомиться, потому что далее я буду опираться на изложенную в нем архитектуру, структуру и терминологию: вот исходные документы, обновлённые в июне, — короткая версия и длинная , за авторством Кирилла Меньшова, старшего вице-президента и главы блока “Технологии” Сбера. На Хабре уже есть разбор для тех, кто пишет код , поэтому я не буду подробно пересказывать содержание документа, но затрону несколько ключевых для данной статьи идей. Читать далее
Почему утроение разработки не утраивает эффективность бизнеса Представим, что компания проверяет 100 гипотез в квартал. Предположим, что 20 из них подтверждаются и заметно двигают бизнес-метрики. После внедрения в процесс разработки AI-агентов , стоимость ее реализации снижается, а цикл от намерения до работающей фичи сокращается. Допустим, теперь компания, с теми же ресурсами, может проверять уже не 100, а 300 гипотез в квартал. На первый взгляд, бизнес должен радоваться, ведь производительность выросла втрое. Но Discovery, качество данных, экспериментальная инфраструктура и управленческое внимание не выросли втрое. Первые 100 гипотез могут сохранить прежнюю конверсию в 20%, а следующие двести — дать, например, по 5%. Получится 30 успешных гипотез вместо 20. Производственный output вырос втрое, а количество положительных результатов — только на 50%. Расчёт иллюстративный, но вопрос финансового директора по итогам года вполне реален: “Мы утроили производительность. Почему бизнес-результат не утроился?” Ответ на него — не в разработке. Сняв ограничение в Delivery, узкое место по Теории ограничений не исчезает, а переезжает. Организация обнаруживает следующие ограничения: достаточно ли у неё сильных гипотез, достоверных доказательств, качественных экспериментов, управленческого внимания и способности довести выпущенное изменение до принятия клиентом и роста бизнес-результата? Именно с этой точки я предлагаю посмотреть на whitepaper Сбера AI-Disrupt PDLC . Если кто ещё не знаком с ним, настоятельно рекомендую ознакомиться, потому что далее я буду опираться на изложенную в нем архитектуру, структуру и терминологию: вот исходные документы, обновлённые в июне, — короткая версия и длинная , за авторством Кирилла Меньшова, старшего вице-президента и главы блока “Технологии” Сбера. На Хабре уже есть разбор для тех, кто пишет код , поэтому я не буду подробно пересказывать содержание документа, но затрону несколько ключевых для данной статьи идей. Читать далее