Как системно повышать использование AI в разработке. И причем тут ADKAR (3/5)
В прошлом посте я рассказывал про метрики и как связать их с целями бизнеса. Но чтобы метрики росли нужна система. Как раз сегодня на митапе @agileufa кратко затрагивали тему внедрения и проблемы чистого листа.
1️⃣ Хаотичные попытки "насадить" AI часто заканчиваются сопротивлением: "Опять что-то новое, мне и так работы хватает!".
2️⃣ "Проблема чистого листа" - человек может много слышать про AI, но не понятно с чего и как начинать.
Чтобы этого избежать, я использую модель управления изменениями ADKAR. И разделяю активности на два потока: массовые ("вширь") и прицельные ("вглубь").
Вот как это выглядит на практике:
1. Awareness (Осознание необходимости)
Цель: Чтобы у людей появился контекст и понимание, что технологии уже здесь и это новая норма.
- 📢 Распространение "вширь": постоянные мероприятия (вебинары, лекции, митапы), где мы просто рассказываем "что это такое" и "зачем оно нам".
- 📧 Регулярная рассылка новостей и кейсов в корпоративном чате (это немного буксует, не всегда хватает времени).
2. Desire (Желание меняться)
Цель: Переключить отношение с "надо" на "хочу".
- 🔥 Демонстрация боли и решения:** показываем, как AI снимает рутину, решает сложные и неудобные моменты в работе (тот самый boilerplate-код или нудные тесты).
- 🥕 Административный рычаг: у меня такого нет, но некоторые компании прямо в цели аккуратно (или нет) "вшивают" обязательный AI в цели командам. Звучит жестко, но добавляет мотивации.
3. Knowledge (Знание как)
Цель: Дать конкретные навыки, а не абстрактную теорию.
- 👨🔬 Специализированные вебинары: отдельно для QA, Developer, System Analyst, DevOps — с разбором их специфических кейсов.
- 🤼♂️ Круглые столы: обмен опытом между командами.
- 📚 Единый реестр AI-решений (One-Stop Shop): документация "как делать", собранная в одном месте (единое окно).
4. Ability (Умение применять)
Цель: Перейти от теории к практике своими руками. Инструментов много, но ничерта непонятно как применять у себя на конкретном кейсе.
- 🛠 Воркшопы "Hands-on": садимся и решаем реальную задачу из JIRA / Youtrack с помощью AI. Это самый мощный драйвер adoption.
5. Reinforcement (Поддержка и закрепление)
Цель: Чтобы откат к старым привычкам не случился через неделю.
- 💬 Чаты и встречи: пространство для обмена опытом, нытья, (да, это важно!) и непонятных вопросов.
- 📖 Постоянно обновляемая база знаний, которая растет вместе с опытом команды (с этим сложно).
Короче - мы ведем пользователя за руку: от "слышал(а) что-то про AI" (Awareness) до "решаю свою JIRA-задачу за 15 минут вместо часа" (Ability). И постоянно спрашиваем - удобно ли, чо мешает? + трекаем метрики.
Именно так растет MAU и появляются реальные бизнес-результаты.
❓А как вы подходите ко внедрению AI в ежедневную рутину команд?
#ADKAR #ChangeManagement #AIAdoption
В прошлом посте я рассказывал про метрики и как связать их с целями бизнеса. Но чтобы метрики росли нужна система. Как раз сегодня на митапе @agileufa кратко затрагивали тему внедрения и проблемы чистого листа.
1️⃣ Хаотичные попытки "насадить" AI часто заканчиваются сопротивлением: "Опять что-то новое, мне и так работы хватает!".
2️⃣ "Проблема чистого листа" - человек может много слышать про AI, но не понятно с чего и как начинать.
Чтобы этого избежать, я использую модель управления изменениями ADKAR. И разделяю активности на два потока: массовые ("вширь") и прицельные ("вглубь").
ADKAR — модель для управления изменениями в организациях. Она состоит из 5 элементов-букв:
1. A (Awareness) - Осознание необходимости изменения. На этом этапе важно донести до сотрудников, почему изменения необходимы и какие проблемы они решают.
2. D (Desire) - Желание участвовать в изменениях. Нужно стимулировать мотивацию сотрудников поддерживать изменения.
3. K (Knowledge) - Знание о том, как измениться. Мы должны обучать сотрудников новым навыкам и знаниям, необходимым для внедрения изменений.
4. A (Ability) - Способность внедрять изменения на практике. Здесь оценивается, насколько сотрудники смогут применять новое знание в своей повседневной работе.
5. R (Reinforcement) - Укрепление изменений, чтобы обеспечить их долгосрочное удержание. Это предполагает обеспечение поддержки, мотивации и мониторинга изменений.
Вот как это выглядит на практике:
1. Awareness (Осознание необходимости)
Цель: Чтобы у людей появился контекст и понимание, что технологии уже здесь и это новая норма.
- 📢 Распространение "вширь": постоянные мероприятия (вебинары, лекции, митапы), где мы просто рассказываем "что это такое" и "зачем оно нам".
- 📧 Регулярная рассылка новостей и кейсов в корпоративном чате (это немного буксует, не всегда хватает времени).
2. Desire (Желание меняться)
Цель: Переключить отношение с "надо" на "хочу".
- 🔥 Демонстрация боли и решения:** показываем, как AI снимает рутину, решает сложные и неудобные моменты в работе (тот самый boilerplate-код или нудные тесты).
- 🥕 Административный рычаг: у меня такого нет, но некоторые компании прямо в цели аккуратно (или нет) "вшивают" обязательный AI в цели командам. Звучит жестко, но добавляет мотивации.
3. Knowledge (Знание как)
Цель: Дать конкретные навыки, а не абстрактную теорию.
- 👨🔬 Специализированные вебинары: отдельно для QA, Developer, System Analyst, DevOps — с разбором их специфических кейсов.
- 🤼♂️ Круглые столы: обмен опытом между командами.
- 📚 Единый реестр AI-решений (One-Stop Shop): документация "как делать", собранная в одном месте (единое окно).
4. Ability (Умение применять)
Цель: Перейти от теории к практике своими руками. Инструментов много, но ничерта непонятно как применять у себя на конкретном кейсе.
- 🛠 Воркшопы "Hands-on": садимся и решаем реальную задачу из JIRA / Youtrack с помощью AI. Это самый мощный драйвер adoption.
5. Reinforcement (Поддержка и закрепление)
Цель: Чтобы откат к старым привычкам не случился через неделю.
- 💬 Чаты и встречи: пространство для обмена опытом, нытья, (да, это важно!) и непонятных вопросов.
- 📖 Постоянно обновляемая база знаний, которая растет вместе с опытом команды (с этим сложно).
Короче - мы ведем пользователя за руку: от "слышал(а) что-то про AI" (Awareness) до "решаю свою JIRA-задачу за 15 минут вместо часа" (Ability). И постоянно спрашиваем - удобно ли, чо мешает? + трекаем метрики.
Именно так растет MAU и появляются реальные бизнес-результаты.
❓А как вы подходите ко внедрению AI в ежедневную рутину команд?
#ADKAR #ChangeManagement #AIAdoption
❤5👍1
Люди, Лаборатории, Misleading* герои и технологический шум, спутывающий метрики: специфика работы с AI-сообществом (5/5)
*уводящие не туда, спутывающие
Мы много говорили про ADKAR, метрики и выбор инструментов. Но! Один Agile Coach/Change Manager или даже целый отдел внедрения не затащит AI в компании на 1000+ человек.
Нужны амбассадоры.
🏗 AI Labs на местах
Хорошая (при внедрении любых изменений) стратегия — искать волонтеров и техлидов внутри команд и помогать им создавать локальные внутри командные AI Labs - регулярные встречи по обмену опытом.
Это точки кристаллизации опыта.
Ребята сами пробуют, набивают шишки, находят крутые промпты под свою специфику (фронт, бэк, QA) и — самое главное — делятся этим (причем безопасно, внутри команды).
По сути, это децентрализация изменений. Ваша задача как орг структуры - дать им ресурсы и поддержку, они дают всему подразделению кейсы и повышение уровня внедрения ИИ-инструментов в повседневную работу.
🕵️♂️ Охота на Power Users
Как их находить? Кроме того что я опираюсь на техлидов и сообщество, ещё я смотрю в метрики.
Для меня отсечка — >500 запросов в месяц ("ха-ха" - скажете вы - "это же мало!". "Надо же с чего-то начинать" - отвечу я. )
Если человек перешагнул этот порог, скорее всего, он уже встроил AI в свой пайплайн, и с ним надо поговорить: узнать, как он это делает, и масштабировать его опыт.
Но тут начинается самое интересное. Метрики врут.
Иногда ты видишь power-user'a с тысячей запросов, идешь к нему за инсайтами, а там...
📉 Кейс 1: Задолбай автокомплитом
Вы видите дикую активность. Думаете: "Вау, он генерит тонны кода!".
В реале у человека просто включен AI-автокомплит (типа Copilot или Qwen в режиме ghost text). Инструмент в моменте, перед выдачей подсказки, "пулеметом" фигачит запросы к API, пытаясь понять контекст и предложить продолжение строки.
Это просто "шум" инструмента. Полезно? Да. Power User? Не.
📉 Кейс 2: Натрави агента на монолитище
Вижу в топе парня, у которого за день улетел объем токенов, как у небольшого стартапа. Думаю: "Нашел гения!".
Иду общаться. Оказывается, он просто решил скормить Qwen Code весь монолит проекта разом, чтобы "посмотреть чего как работает и сделать карту проекта", а потом сделать большой рефакторинг.
Да, счетчик зашкалил. Но это разовая акция. За исключением этого дня он инструментом пользуется ощутимо реже.
Статистически — Power User. Фактически — экспериментатор. Кстати тоже классный кейс чтобы на уровне подразделения показать как цифры нас смущают.
Вывод
Осознанное повышение показателей внедрения AI это не только про дешик и предельные показатели.
Цифры >500 requests = сигнал "поди посмотри". Как, впрочем, и работа с любыми метриками команды 🤷♂️
Балансируйте количественные метрики качественным интервью. AI-трансформация — это на 20% про технологии и на 80% про психологию, работу с людьми и умение отличать реальный adoption (все мучаюсь с подбором слова на русском) от "технологического шума".
А у вас были случаи, когда метрики показывали одно, а реальность — совсем другое?
#AICommunity #PowerUsers #Метрики #ChangeManagement
*уводящие не туда, спутывающие
Мы много говорили про ADKAR, метрики и выбор инструментов. Но! Один Agile Coach/Change Manager или даже целый отдел внедрения не затащит AI в компании на 1000+ человек.
Нужны амбассадоры.
🏗 AI Labs на местах
Хорошая (при внедрении любых изменений) стратегия — искать волонтеров и техлидов внутри команд и помогать им создавать локальные внутри командные AI Labs - регулярные встречи по обмену опытом.
Это точки кристаллизации опыта.
Ребята сами пробуют, набивают шишки, находят крутые промпты под свою специфику (фронт, бэк, QA) и — самое главное — делятся этим (причем безопасно, внутри команды).
По сути, это децентрализация изменений. Ваша задача как орг структуры - дать им ресурсы и поддержку, они дают всему подразделению кейсы и повышение уровня внедрения ИИ-инструментов в повседневную работу.
🕵️♂️ Охота на Power Users
Как их находить? Кроме того что я опираюсь на техлидов и сообщество, ещё я смотрю в метрики.
Для меня отсечка — >500 запросов в месяц ("ха-ха" - скажете вы - "это же мало!". "Надо же с чего-то начинать" - отвечу я. )
Если человек перешагнул этот порог, скорее всего, он уже встроил AI в свой пайплайн, и с ним надо поговорить: узнать, как он это делает, и масштабировать его опыт.
Но тут начинается самое интересное. Метрики врут.
Иногда ты видишь power-user'a с тысячей запросов, идешь к нему за инсайтами, а там...
📉 Кейс 1: Задолбай автокомплитом
Вы видите дикую активность. Думаете: "Вау, он генерит тонны кода!".
В реале у человека просто включен AI-автокомплит (типа Copilot или Qwen в режиме ghost text). Инструмент в моменте, перед выдачей подсказки, "пулеметом" фигачит запросы к API, пытаясь понять контекст и предложить продолжение строки.
Это просто "шум" инструмента. Полезно? Да. Power User? Не.
📉 Кейс 2: Натрави агента на монолитище
Вижу в топе парня, у которого за день улетел объем токенов, как у небольшого стартапа. Думаю: "Нашел гения!".
Иду общаться. Оказывается, он просто решил скормить Qwen Code весь монолит проекта разом, чтобы "посмотреть чего как работает и сделать карту проекта", а потом сделать большой рефакторинг.
Да, счетчик зашкалил. Но это разовая акция. За исключением этого дня он инструментом пользуется ощутимо реже.
Статистически — Power User. Фактически — экспериментатор. Кстати тоже классный кейс чтобы на уровне подразделения показать как цифры нас смущают.
Вывод
Осознанное повышение показателей внедрения AI это не только про дешик и предельные показатели.
Цифры >500 requests = сигнал "поди посмотри". Как, впрочем, и работа с любыми метриками команды 🤷♂️
Балансируйте количественные метрики качественным интервью. AI-трансформация — это на 20% про технологии и на 80% про психологию, работу с людьми и умение отличать реальный adoption (все мучаюсь с подбором слова на русском) от "технологического шума".
А у вас были случаи, когда метрики показывали одно, а реальность — совсем другое?
#AICommunity #PowerUsers #Метрики #ChangeManagement
❤3