Вы наверняка видели подобные мемы или читали шутки про абсурдность метрики количества потраченных токенов сотрудниками компании. Хочу слегка набросить на вентилятор и почелленжить бесполезность данной метрики. Для чего мы вообще придумываем метрики? Чтобы измерять и контролировать какой-то процесс. Особенно процесс, который находится на этапе раннего внедрения. Достаточно очевидно, что хорошая метрика должна измерять ценность процесса (outcome а не output). И с этой точки зрения метрика количества потраченных токенов действительно абсурдна. Ведь совершенно непонятно на что были потрачены токены и принесло ли это хоть какую-то пользу. Мало того, можно очень легко стать непобедимым чемпионом по этой метрике. Для этого достаточно поломать практики кэширования контекста, на которых держится вся экономика использования моделей в агентском цикле. А что если мы взглянем на процесс внедрения AI в организации немного с другой стороны и разобьем его на 2 этапа: 1. Adoption . Массовое ознакомление сотрудников с AI инструментами и старт практического применения. 2. Delivery . Оценка использования AI и тюнинг для достижения максимальной пользы организации. Зачем нам эти этапы? Потому что новые практики можно внедрять либо в глубину либо в ширину. В глубину - это когда мы хорошо настраиваем практику в одной команде или проекте, потом во втором, в третьем и дальше масштабируем опыт на всю организацию. В ширину - это когда мы сразу пытаемся запустить новую практику максимально широко в организации, а потом донастраиваем эмпирически на базе полученного опыта. Первый подход дешевле и надежнее, но сильно дольше по времени. Второй подход значительно быстрее, но сильно дороже и рискованнее. С AI основным фактором является временной. Все боятся опоздать и отстать от глобальной революции. Поэтому формат «в глубину» могут позволить себе небольшие организации. А большие вынуждены идти «в ширину». И тогда наши 2 этапа становятся очень явными, а к ним нужно придумать метрики для измерения и контроля. Для этапа adoption важно понимать что достигнута максимальная ширина и у людей не будет на втором этапе отговорки типа «мы просто еще не ознакомились с AI инструментами и не начали с ними работать, а так бы уже ого-го сколько сделали». Поэтому метрика количества потраченных токенов идеально подходит для данного этапа. Она позволяет: 1. Найти кто сопротивляется новой реальности и не готов адаптироваться. 2. Понять кто не готов инвестировать в свое обучение и использует AI инструменты неэффективно. 3. Найти потенциальные островки инноваций и исследовать их на предмет генерации ценности. 4. Взять под контроль на раннем этапе массовое использование LLM API и построить эффективную инфраструктуру. 5. Встряхнуть слегка организацию глобальной метрикой. Особенно важно для медленных энтерпрайз организаций. Дорого? Однозначно! Может интерпретироваться неоднозначно? Так и будет! Зато максимально быстро на всю ширину организации. А дальше начинается этап delivery, на котором можно брать конкретных людей, команды, проекты и тюнить использование AI для достижения максимальной ценности. В процессе будут увольнения, настройка эффективной инфраструктуры, тюнинг или замена инструментов, адаптация процессов и т.д. Но это уже совсем другая история со своими метриками…
xpxpinjection
CategoryOtherLanguageRUFirst seenJul 06, 2026QualityVerified
Subscribers3.2K
Avg views3.6K
ERR114.7%
Price-- RUB
Price / subscriber--
Price / view--
Metrics updated: Jul 06, 2026
Recent posts
Неожиданно освободилось 2 места на тренинг по эффективному использованию Claude Code , который стартует сегодня 8 июня . Отличная возможность принять решение в последний момент и присоединиться к группе! За 8 (или 9) модулей тренинга участники научатся конфигурировать Claude Code под свои потребности, строить надежное агентское окружение для разработки, параллельно работать с несколькими задачами одновременно, мониторить и контролировать затраты. По дороге мы разберемся со скилами, подагентами, написанием спецификаций и другими современными решениями из мира context engineering. Присоединяйтесь, будет интересно!
На днях в работе с одним из клиентов услышал фразу «JIRA у нас настраивать некому, роли ScrumMaster у нас нет». И все на звонке покивали головами, мол так и есть. От этого как-то стало очень грустно. Как мы пришли за эти годы от революционного Agile Manifesto и Scrum фреймворка, культурных и диджитал трансформаций, построения адаптивных организаций к ожиданиям по настройке JIRA? Один фактор обесценивания роли ScrumMaster безусловно в массовой коммерческой сертификации после базовых тренингов. Но чтобы так…
Завтра мы стартуем тренинг по разработке автономных агентов на стеке LangChain/LangGraph . Есть еще несколько доступных мест для желающих запрыгнуть в группу в последний момент. Следующий раз такая возможность будет не раньше октября. За 8 модулей тренинга участники пройдут длинный путь от понимания как работают LLM до реализации, запуска, оценки и мониторинга агентов различной сложности на популярном open source стеке. По дороге мы разберемся с агентской памятью, работой с приватными данными, существующими инструментами и протоколом MCP, а также концепцией deep agents в сравнении с Managed Agents (новинкой от Anthropic). Присоединяйтесь, будет интересно!
Если вы имеете отношение к Java и хотели бы разбавить новости про AI в своем информационном пространстве, то рекомендую обратить внимание на записи докладов конференции Spring I/O 2026 . Сама конференция прошла в середине апреля, но доклады почему-то выкладывают постепенно. Что там есть интересного? Последние обновления в Spring Boot 4, новые интеграции в Spring экосистеме, немножко AI, модульный дизайн, работа с API и т.д. Просматривая список докладов этого года я задумался над одним вопросом - как стоит обрабатывать такие знания в 2026 году? Раньше мы смотрели доклады с конференций по нескольким ключевым причинам: вдохновление, расширение кругозора, накопление новых релевантных знаний для работы. Вдохновение, пожалуй, меньше всего изменилось. Мы по-прежнему можем вдохновляться чужим опытом и смотреть практические доклады с целью попытаться изменить что-то подобное у себя в организации. Расширение кругозора претерпело кардинальные изменения за последние годы. Доступ к знаниям стал на порядок проще. И на любой вопрос есть пачка AI ассистентов, которые готовы эти знания упаковать в нужном тебе формате. Ну и поток знаний сейчас сильно превышает способности нашего мозга по его анализу и восприятию. Поэтому мне кажется, что просмотр докладов с целью расширения кругозора уходит в прошлое. Последняя причина самая интересная. Раньше мы накапливали знания в нашем мозге. Эти знания помогали нам потом в работе и жизни. Безусловно, кто-то делал себе заметки по результатам прочтения книг, статей и просмотра видео. Но их оперативная доступность в момент принятия решений была очень низкой. В 2026 году мы привыкли работать с AI ассистентами, агентами и инструментами. Поэтому большая часть решений принимается с их помощью. И доступность накопленных знаний полностью меняется. Теперь по вашим заметкам AI ассистенты могут задавать релевантные вопросы по ходу работы, а для хранения персональных знаний появилось 100500 удобных инструментов. И это наводит на мысль - а нужно ли с целью накопления знаний смотреть видео докладов в современных реалиях? Или нужно взять описание доклада, слайды, транскрипт, видео и попросить AI ассистента сделать детальное глубокое саммари с дополнительным ресерчем? А потом просмотреть саммари и принять решение, будут ли эти знания полезны в персональной базе знаний. Если да, то трансформировать их в нужный формат и загрузить в свою персональную базу знаний. Что вы думаете по этому поводу? Изменились ли ваши подходы к потреблению и обработке информации? Останется ли при таком подходе мотивация у докладчиков готовить доклады и выступать на конференциях?