Поводом для написания третьей части стало желание разобраться с тем, почему же некоторые люди выбирают более рисковую стратегию поведения, связанную с «достигаторством», вместо того чтобы просто «сидеть на контракте». Почему и зачем кто‑то стремится выйти за рамки, повышая при этом риск провала.

Первая часть серии была про механизмы: как человек учится, как устроена деятельность, как работает мозг. Эта часть — про то, что человек не пассивный носитель этих механизмов. Он субъект, который сам определяет своё отношение к деятельности, строит стратегию жизни, действует из модели потребного будущего и стремится за пределы привычного.

В прошлом году кривая хайпа Гартнера мелькала буквально везде. На совещаниях, в телеграм‑каналах, в презентациях коллег. Кто‑то размахивал ей как аргументом: «Смотрите, генеративный ИИ на пике, скоро всех накроет разочарование!» Кто‑то, наоборот, доказывал, что модель устарела и ничего не предсказывает. Спорили все, разбирался мало кто.

Я тогда каждый раз думал: надо бы сесть и нормально разобраться, что это за кривая, откуда взялась, и правда ли она работает. Руки дошли только сейчас. Зато получилось основательно: с историей, с разбором конкретных отчётов и с честным ответом на вопрос, стоит ли вообще ей доверять.

Уже давно я задаю себе один вопрос. Не могу сформулировать его красиво, поэтому скажу как есть: почему некоторым людям надо больше, чем другим? Не в смысле денег или должностей. В смысле сложности, вызова, масштаба задач. Почему один человек спокойно живёт в рамках должностной инструкции, а другой физически не может не лезть за её пределы?

Вопрос не праздный. Я руковожу людьми больше пятнадцати лет. За это время насмотрелся на обе крайности. И понял, что ни корпоративные тренинги, ни западные учебники про мотивацию не дают мне ответа, который бы ощущался как настоящий.

На совещаниях мы постоянно слышим про CAPEX, OPEX, P&L и прочие термины из мира финансового управления. Но не всегда в моменте есть понимание, про что идёт речь. Ко мне периодически приходят сотрудники и просят разъяснить, что означает тот или иной термин. Кивать с умным видом, конечно, можно, но это путь в никуда.

Обезьянка с тарелками в голове Гомера Симпсона - лучшая визуализация лимбической системы, которую я видел. Внутри каждого из нас работает древняя система измерения эффективности. Она мгновенно даёт ответ: повторить действие или избегать. Не требует дашбордов. Не подвержена закону Гудхарта. Но есть проблема: она оптимизирована для мира, в котором мы давно не живём. Отсюда прокрастинация, хронический стресс и странные решения. Разбираемся с позиции менеджмента и ИТ.

Нейросети обещали магию: закидываешь код, получаешь оценку. На практике магия плохо масштабируется — разные результаты при каждом запуске, невозможность объяснить оценку, растущие счета за API. Тогда я сделал шаг назад и спросил: а что именно я пытаюсь автоматизировать? Оказалось, всё можно сделать детерминированно. Один скрипт, нулевые зависимости, одинаковый результат при каждом запуске. Завершающая часть серии про методологию EVA — от философии до готового инструмента.

Почему метрики перестают работать? История измерения эффективности от Адама Смита до наших дней. Закон Гудхарта, тейлоризм, Деминг и уроки четырёх промышленных революций.

Часть 2 из 3. [Первая часть - постановка проблемы]

Ван Эйк видел детали, которые другие пропускали. Разбираем методологию EVA, которая учит тесты делать то же самое.

Apidog позиционирует себя как универсальная платформа для работы с API: проектирование, тестирование, mock-сервер, документация. Всё в одном флаконе. Звучит как маркетинг, но интерфейс выглядел приятно, в общем решил сам проверить на практике.

Пройдём полный цикл: от создания проекта до запуска тестов. Со скриншотами и личными впечатлениями.

Вдохновлено Михаилом Ивановым, коллегой и товарищем, который напомнил про "Мир искусства"

Вы точно хотите это читать? Это длинная и местами сложная статья. Здесь философы XVII-XX веков, проблема индукции и ни одного туториала. Если всё же решитесь - читайте частями и старайтесь осмыслить. Не говорите, что вас не предупреждали.

В разговорах с коллегами иногда всплывает тема образования. Клинический психолог, говорю. Собеседник вежливо кивает и переходит к следующей теме. Понятно: какое отношение психология имеет к тестированию?

Прямое. Но не потому, что я умею "понимать людей" или "находить подход к разработчикам". Дело в другом предмете из учебного плана.

Крылатый гений сидит среди инструментов. Циркуль, весы, молоток, рубанок. Всё под рукой. Но он бездействует, подперев голову. Не от лени. Он видит проблему и понимает: имеющиеся инструменты не дают ответа.

Внедрение нейросетей всколыхнуло индустрию. Мы переживаем эпоху, схожую с Ренессансом. Все говорят о космических возможностях, о том как агенты изменят разработку. А я предлагаю посмотреть на то, что уже есть в руках.

Мастера северного Возрождения видели божественное в деталях. Не в грандиозных замыслах, а в складках ткани, в отражении света на металле. Может, и нам стоит взглянуть не на космические дашборды с метриками, а на содержимое каждого теста?

Это первая часть большого исследования. Материала получилось много, поэтому разбили на три части. Здесь погружаем в проблему. В следующих частях расскажем наше видение решения и покажем практический инструмент.

Начало года. Самое время пересмотреть рабочие процессы. Пока задачи ещё не навалились, можно спокойно попробовать что-то новое. Расскажу про подход, который изменил мою работу за последний год.

В какой-то момент понял, что нужен помощник, который возьмёт на себя рутину. Не замена мне, а усилитель. Чтобы я мог сосредоточиться на архитектурных решениях и сложных случаях, пока кто-то другой пишет типовой код по моим инструкциям.

Этим «кем-то» стали нейросетевые агенты. Расскажу про подход, который мы обкатали на нескольких проектах в рамках экспериментов с этими инструментами.

Все говорят, что AI пишет код за секунды. Это правда. Но почему-то редко уточняют: какой именно код он пишет. Спойлер — это сильно зависит от того, как вы спросили. И ещё сильнее — от того, что вы вообще знаете о предмете.

В Ростелекоме мы уделяем особое внимание развитию экспертизы сотрудников. Это не просто корпоративный слоган — это осознанная стратегия. Мы понимаем, что технологии меняются быстро, но фундаментальные знания остаются ценными десятилетиями. Поэтому в компании работает система внутреннего обучения: курсы по автоматизации тестирования, менторинг от senior-специалистов, разбор реальных кейсов из проектов.

И когда появились AI-ассистенты, возник логичный вопрос: может, теперь курсы не нужны? Зачем учить людей писать тесты, если нейросеть сделает это за них? Некоторые коллеги из индустрии уже начали сокращать обучающие программы, делая ставку на "AI справится".

Мы в Ростелекоме решили не гадать, а проверить эту гипотезу на практике. Провели эксперимент: попросили AI-ассистента написать автотесты для классического PetStore API тремя разными способами. Первый запрос — как написал бы новичок, который только что узнал про AI. Второй — как специалист с базовым пониманием автоматизации. Третий — как инженер после наших внутренних курсов, с глубоким пониманием архитектуры тестовых фреймворков.

Результаты оказались настолько показательными, что мы решили поделиться ими с сообществом.