«Я считаю важным не сводить AI-трансформацию к проекту технической функции. CTO может создать платформу, обеспечить безопасность и помочь выбрать инструменты, но за изменение процесса и бизнес-результат должны отвечать его владельцы»

Интервью с Александром Шепардом

Рубрика: интервью

Время чтения: 12 мин

Степень использования AI в создании этого материала: ИИ автором не использовался.

Мы считаем важным открыто информировать о том, в какой степени ИИ использовался в написании материала, поскольку только такой подход способен создавать доверие между нами и читателем.
Фото из личного архива Александра Шепарда
На нашем митапе VTORNIK.Вечер в сентябре (подробное саммари можно прочитать здесь) Александр Шепард, Заместитель технического директора в ГК «Солар», рассказывал о том, почему в эпоху ИИ компаниям важно научиться быстро адаптироваться.

Мы решили продолжить разговор и обсудить, какой должна быть ИИ-стратегия в условиях неопределённости, почему внедрение ИИ не всегда приводит к реальному ускорению бизнеса, как меняются требования к разработчикам и руководителям, где проходят границы автономности AI-агентов и другие вопросы.
— Александр, расскажи немного о своем профессиональном бэкграунде.

— По образованию я инженер-энергетик. Успел поработать электромехаником на подстанциях — условия были такими, что я до сих пор рад, что сменил специализацию на IT. В 2011 году начал карьеру в IT как фронтенд-разработчик на фрилансе. Перфекционизм тогда стал одним из главных двигателей роста. В 2016-м перешёл в первую продуктовую компанию и вскоре стал лидом фронтенд-разработки — после эксперимента с дизайн-системой.

В Почте Mail.ru мне доверили команду и задачи нового масштаба: несколько технологических стеков, сложные зависимости между командами и ответственность за ключевые функции продукта. Тогда я понял, что нужно развиваться не только технически, но и как руководителю. Начал осваивать Go и Python. До сих пор помню совет технического директора Андрея Сумина: если сам не знаешь нужный стек, найди человека, который знает, и мотивируй его помочь.

В 2021 году я возглавил отдел разработки из 180 человек в Robocash. На старте зрелость команд, процессов и технологий была низкой, а более опытного руководителя, который мог бы подстраховать, рядом не было. Я пересобрал структуру в кросс-функциональные команды, сформировал управленческий слой и выстроил системную работу над технологическим совершенством. В результате срок запуска новых продуктов сократился с 12 до 3 месяцев.

В 2023 году стал CTO в Т-Банке и занимался трансформацией продуктовой разработки в направлениях ипотеки и автокредитования. Помимо перестройки команд и процессов, я участвовал в развитии профессии IT-менеджера: сначала для линейных руководителей, затем — для всего IT-менеджмента компании.

С июля 2026 года я работаю заместителем технического директора в ГК «Солар». Это новый для меня домен — информационная безопасность. Мне по-прежнему интересно бросать себе вызов и помогать большим системам меняться.

— В своем выступлении на VTORNIK.Вечер ты говорил “не надо готовиться к конкретному будущему, организации надо уметь быстро адаптироваться”. Скажи, что тогда сегодня можно назвать ИИ-стратегией компании?

— Я бы называл AI-стратегией набор решений о том, как компания будет получать пользу от AI и учиться на опыте его применения. Она обязательно должна связывать бизнес-цели с конкретными процессами, а также учитывать готовность людей, данных и технологий к изменениям.

Такая стратегия должна отвечать на несколько вопросов: какие результаты для бизнеса мы хотим улучшить; где имеет смысл проверять гипотезы; какие данные и условия нужны для этих экспериментов; как люди и процессы будут работать с новыми инструментами; по каким показателям мы поймём, что изменился результат для клиента или бизнеса.

Важно смотреть на весь процесс. Если AI ускорил один этап, нужно увидеть, что произошло с остальными: не выросла ли очередь дальше по цепочке, не увеличились ли затраты на проверку и переделки. Поэтому стратегия должна задавать направление и правила выбора экспериментов, а затем регулярно пересматриваться с учетом результатов.

— У стратегии обычно есть target state: мы хотим через три года оказаться вот здесь. А если в ИИ сам target state неизвестен, чем его заменить?

— Если мы пока не знаем, какие именно AI-инструменты и сценарии станут ключевыми, можно определить, каких результатов хотим добиться и какие способности компании для этого нужны.

Например, через три года мы хотим быстрее доводить продуктовые изменения до клиента (TTM, Lead Time), сохраняя качество (Метрики качества); уметь находить процессы, где AI действительно помогает (Повышение эффективности на 1 FTE); иметь данные и инфраструктуру для таких решений (веха); научиться оценивать результат и перестраивать соседние этапы процесса, если узкое место переместилось.

Тогда target state — это направление и измеримые результаты, а roadmap к нему можно уточнять по мере экспериментов. Мы фиксируем, куда хотим прийти для бизнеса, и оставляем возможность менять маршрут, когда лучше понимаем саму технологию и её эффект.
— Какие решения необходимо принять уже сейчас, а какие опасно фиксировать на 1–3 года вперёд?

— Что важно решить сейчас. Первое — как работать с данными: от вопросов защиты и выдачи доступов до проработки планов демократизации доступов.
Второе — кто владелец изменений и как проводить эксперименты: критерии приемлемого качества результатов, когда не требуется человеческое решение; с чем сравнивать результаты; как оценивать эффект; какие кросс-функциональные и много-сценарные способности надо развивать у сотрудников, например, работа с изменениями, практические навыки построения AI-решений, анализ данных.

На год и более вперёд опасно жёстко закреплять AI-связанные элементы: конкретную модель, поставщика, полный список сценариев и ожидаемый эффект от каждого. Технологии и ограничения меняются быстро, а реальная проверка может показать, что узкое место вообще в другом. Надо быть готовым выкинуть большую часть построенной системы, так как “ограничения”, которые определяют архитектуру, могут перестать быть таковыми уже завтра.

— Возвращаясь к конкретному будущему, которое мы не пытаемся угадать или предсказать. Что в ИИ для тебя уже прошло точку неопределённости? Что ты считаешь практически необратимым изменением?

— Как в свое время DevOps практики стали частью роли инженера, так уже сейчас AI-инструменты стали такой же неотъемлемой частью еще бо́льшего числа профессий. Это подтверждается, например, данными Stanford AI Index.

Часть интеллектуальной работы ушла в пайплайны инструментов. Это меняет представление о ценности работы. Интуитивно нам хочется продумать решение, сделать качественно, в голове есть какой-то образ результата, есть ощущение корреляции между временем анализа и результатом. Перенос этого процесса на агентскую разработку показал, что иногда достаточно результата, как это назвал Вовка в тридевятом царстве – “а и так сойдет”. Вот это для меня одно из важных необратимых изменений - на уровне предустановок.

— А как отличить разумную адаптивность от постоянного метания? То есть что в организации, на твой взгляд, должно быть гибким, а что, наоборот, стабильным фундаментом?

— В организации гибкими должны быть способы достижения результата: инструменты, устройство отдельных процессов, последовательность экспериментов и распределение ресурсов между ними.

Стабильным фундаментом в компании должны оставаться понимание ценности для клиента и бизнеса, приоритеты на выбранный период, требования к качеству и безопасности, ответственность за решения и способ оценки результата.

Для меня адаптивность — это когда команда меняет подход, потому что данные показали: исходное предположение не подтвердилось, узкое место переместилось или появился более эффективный способ работы. Чтобы такие изменения не превращались в метание, у эксперимента должны быть владелец, срок, исходная точка и критерии продолжения или остановки. Тогда компания может менять маршрут, сохраняя направление.

— Один из твоих тезисов на митапе был — «ускорение части системы не ускоряет саму систему». Можешь привести пример из своей практики, когда AI действительно сдвинул системную метрику, а не локальную? Что это была за метрика? Насколько улучшился показатель?

— У меня появился свежий пример с текущего места работы. За три месяца мы запустили пилот нового продукта, Solar AI Firewall, на основе агентской разработки.

Смотрели на TTM, то есть на время от начала разработки до запуска продукта. Раньше запуск нового продукта занимал год и больше; этот пилот мы вывели за три месяца. При этом стоимость разработки команды запуска оказалась ниже, чем у сопоставимой команды. Это вторая метрика – эффективность единицы FTE. В этом и следующем году это одна из ключевых метрик для всех гипотез в работе.

Для меня это важный пример именно системного эффекта: изменилось время вывода нового продукта на рынок, а не только скорость выполнения отдельной задачи. Пилот ещё не даёт ответа на все вопросы о масштабировании, но уже показывает, что агентская разработка может повлиять на скорость и стоимость запуска продукта.
— Можно ли сказать, что ИИ неожиданно стал очень дорогим способом показать компании все ее старые проблемы? Назови топ-3 проблемы, которые проявляются первыми.

— Мне нравится это называть “платным обучением”. Я бы назвал три проблемы, которые обычно появляются первыми:
  1. знания о продукте и процессах плохо собраны: требования разрознены, контекст хранится в головах людей, данные трудно найти. Поэтому мы делаем шаг назад и агрегируем информацию, при этом результат потом все равно сложно оценить и проверить.
  2. неясные критерии качества и ответственности. Если в компании не договорились, что считать хорошим результатом и кто за него отвечает на разных уровнях, AI генерирует больше артефактов, но людям приходится тратить время на проверку, переделки и согласования. Фокус смещается в процессы, вместо результатов. Растет когнитивная нагрузка и при этом есть ложное ощущение “ускорения”.
  3. узкие места в операционных процессах или вообще отсутствие необходимых формализованных процессов. Один этап ускоряется, а следующий не может принять больше работы: не хватает автоматизации, экспертов или людей, которые принимают результат. Растут очередь и объем незавершенной работы. И так на разных уровнях компании.
— В своем выступлении ты говорил, что изменения начинаются с руководителей. Опиши образ идеального современного руководителя в компании, внедряющей ИИ на разных стадиях. Что он должен начать делать, что перестать, чем обладать, какие управленческие задачи может отдавать ИИ и пр.?

— Проще всегда начать с того, кем он не должен быть по-прежнему: самым сильным экспертом-практиком в выбранной технологии - например, знать все модели и инструменты. Важнее хорошо понимать цели бизнеса, видеть процесс целиком и уметь задавать “неприятные” управленческие вопросы. На старте руководитель на своем личном примере реализует подход к работе с изменениями, показывает команде и удачные примеры, и ошибки, выбирает ограниченные эксперименты и заранее договаривается о качестве, безопасности и метриках. Когда появляются первые результаты, он помогает перестроить весь процесс: готовит данные и людей, меняет распределение работы, проверяет, не переместилось ли узкое место. На зрелой стадии его задача — регулярно пересматривать портфель решений, правила доступа и контроля, а также навыки и роли, которые нужны команде.

Тогда не будет таких проблемных мест как KPI по числу запросов в LLM или количеству сгенерированных строк и “встраиваем AI, потому что у самурая нет цели, есть только путь”.

AI можно поручать подготовку черновиков, статусов, поиск по документам, извлечение фактов, гипотез и варианты решения. Руководитель сохраняет за собой постановку целей, приоритеты и ответственность за итог. AI может подготовить решение к обсуждению, а последствия выбора остаются на людях.

— Александр, у тебя большой опыт построения матриц компетенций, в связи с этим вопрос: что бы ты добавил в матрицу компетенций разработчика сегодня? Что стало менее важно? Что стало важнее?

— Я уже добавляю в матрицу компетенций разработчика работу с AI как часть инженерной практики. Важно уметь выбрать и четко сформулировать цель и задачу, дать модели нужный контекст, разбить работу на понятные шаги и проверить результат. Разработчик должен понимать сгенерированный код, уметь покрыть его тестами, заметить ошибки, уязвимости и неподходящие архитектурные решения. На старших уровнях – умение проектировать процессы с AI-агентами и задавать правила их использования в команде.

Важнее стали формулировка проблемы, системное мышление, архитектурные решения, отладка и проверка качества. Если код генерируется быстрее, ценность смещается к пониманию того, что именно нужно построить, как это связано с остальной системой и как убедиться, что решение работает.

Менее важными стали скорость написания типового кода вручную и запоминание синтаксиса или деталей API, которые легко проверить. При этом фундаментальные знания не обесценились: они нужны, чтобы оценить корректность, безопасность и последствия предложенного AI решения.

В матрице я бы оценивал уровень самостоятельности: может ли человек продуктивно использовать AI для ограниченной задачи, принять его работу.
— Какие привычные инженерные метрики ИИ может сделать бессмысленными или даже вредными? Как теперь оценивать эффективность людей?

— AI снижает ценность метрик, которые считают объём работы без учёта её результата: строк кода, коммитов, pull request’ов, закрытых задач, story points или запросов к модели. Выпускать больше артефактов стало проще, поэтому рост таких показателей сам по себе мало говорит об эффективности.

На уровне процесса и команды я бы смотрел на срок от согласованной потребности до работающего изменения, качество, переделки, надежность и стоимость поставленного результата. Производительность на FTE может быть полезна как бизнесовый показатель, если рядом стоят метрики качества и ценности. Я бы не превращал её в прямую оценку отдельного человека.

Личный вклад оценивал бы по сложности и масштабу решаемых задач, техническому совершенству, ответственности за результат, умению проверять AI-выводы, предотвращать проблемы и работать в команде.

— Давай немного про агентов поговорим. Как далеко ты готов пустить автономного агента сегодня? прочитать → проанализировать → предложить → изменить код → сделать merge → изменить production → совершить бизнес-действие? Где лично для тебя сейчас проходит красная линия? Будет ли эта линия в будущем смещаться и каким образом?

— Перефразирую своего друга: готов пустить настолько далеко, насколько это позволяет УК РФ и требования регулятора. Для меня красная линия проходит там, где агент начинает самостоятельно совершать действия с ощутимыми последствиями для продукта, компании или клиента, а необходимых мер обеспечения безопасности при этом нет.

Эта граница будет смещаться по мере того, как появятся доказательства надежности для конкретного класса действий. Важны не только качество агента, но и ограниченные права, журнал действий, мониторинг, понятный способ остановить его и быстрый откат. В общем, это инструменты из области информационной безопасности, в которой я сейчас работаю.

Автономность я бы расширял постепенно — отдельно для каждого типа задач и уровня возможного ущерба.

— Если CTO прочитает это интервью и завтра захочет что-то сделать — какие три действия ты ему порекомендуешь?

— Первое: выбрать один важный процесс и посмотреть на него целиком: от запроса до результата для потребителя. Найти, где сегодня копится очередь, и зафиксировать исходные показатели, например, метрики потока, качество и стоимость.

Второе: запустить ограниченный пилот AI или агента именно на этом участке. Назначить владельца, определить доступы и точки человеческого подтверждения. Сразу договориться, какой результат будет основанием расширить эксперимент и какие условия прекращения.

Третье: регулярно смотреть на эффект по всему процессу, а не только на скорость работы агента. Если пилот ускорил этап, проверить, не выросли ли очередь, затраты на проверку или число ошибок дальше по цепочке. По результатам решить: масштабировать, изменить подход или остановить.

— О чем я не спросила, но ты считаешь важным про это сказать?
— Считаю важным не сводить AI-трансформацию к проекту технической функции. CTO может создать платформу, обеспечить безопасность и помочь выбрать инструменты, но за изменение процесса и бизнес-результат должны отвечать его владельцы.

Руководителям важно вовлекать команды в поиск сценариев и обсуждать, как меняется работа людей. Если считать успех по количеству лицензий или сгенерированных материалов, можно получить больше активности без улучшения результата. Поэтому начинать стоит с задачи потребителя или бизнеса, смотреть на процесс целиком и принимать решения вместе с командой.

Другие материалы нашего блога