Лучшие модели ИИ не сделают вашу инженерную команду эффективнее
Better AI Models Won't Fix Your Engineering Team — Nicholas Arcolano, Jellyfish
Выбор модели почти не объясняет разницу в продуктивности инженеров: по данным Jellyfish, инструмент задаёт меньше 1% вариации, основную часть дают люди, команды и компании.
- Навык использования важнее модели — по анализу 50 тысяч инженеров в 447 компаниях, 30 и более запусков skills в неделю связаны примерно с 30% ростом числа слитых PR при прочих равных. При этом почти половина недель без использования skills вообще.
- Токены с убывающей отдачей — топ-дециль по расходу выдаёт примерно вдвое больше слитых PR, чем медиана, при десятикратном объёме токенов.
- Среда задаёт разброс — при фиксированном расходе разрыв между лучшими и худшими компаниями около двух раз. Это то, чем управляют руководители, а не выбор инструмента.
- Разброс между людьми — индивидуальные различия объясняют около трёх четвертей вариации, разрыв между инженерами достигает 3,5 раза. За полгода из верхнего квартиля выпадают 44% инженеров, и после появления ИИ эта доля почти не меняется (41%).
Кому полезно: тем, кто управляет инженерными командами на Cursor и Claude Code и решает, куда вкладывать бюджет: в модели или в навыки, процессы и людей.
Статья по теме
Главы
Ещё доклады: Nicholas Arcolano
Страница спикера →Похожие доклады
Состояние ИИ в разработке ПО: данные более чем 400 организаций
Близко по содержанию
ИИ пишет код. Что остаётся инженерам?
Близко по содержанию
Токены — самая дешёвая часть
AI Engineer NYC 2026 Online Talks
Близко по содержанию

