Платформы и внедрение AI.

AI Operating Committee одобрял всё подряд, пока я не ограничил подачу заявок руководителями департаментов и не перенёс стоимость инструментов на бюджет того, кто просит. До того как ушёл хоть один доллар, всплыло 12 дублирующих бизнес-кейсов: Finance и Operations описали одну и ту же проблему с разными вендорами. С приёмом заявок в PMO сделал то же самое: меньше повторных проверок, жёстче гейты, время обработки сократилось на 30%.

В Medidata всплеск в 10 000 запросов в минуту через API положил Jira и показал, что за интеграциями никто не следит. Вместо разбора, о котором забыли бы через месяц, миграция на Data Center получила steering committee, первую в истории платформы политику доступа к API и SLA по времени ответа. Переезд занял 8 часов без потери данных, потом стало на 40% меньше внеплановых обращений в поддержку и на 25% меньше инцидентов с интеграциями. В Symbridge не хватало правил доступа: Security и Operations зашли в тупик, я предложил иерархическую модель RBAC по NIST, уязвимостей в админке стало на 30% меньше, а сертификацию SOC 1 и SOC 2 прошли за четыре месяца.

Три дедлайна окончания поддержки (MySQL 5.7 на 8.0, 8.0 на 8.4 и MSSQL 2016 на 2022 на 20+ клиентских инсталляциях Rave) несли $27 млн риска по расширенной поддержке, который R&D молча покрывал. Закрыть дедлайны было проще. Сложнее было перенести остаток на бюджеты бизнес-владельцев, а потом собрать Unified Ops Portal, где около 15 операционных инструментов сведены в одну платформу со слоем финансовой атрибуции, чтобы ответственность никуда не уехала. Те же реестры легли в основу готовности к FedRAMP Moderate, а оптимизация AWS и политика контроля облачных затрат добавили $20 млн экономии и $10 млн избежанных расходов за четыре года.

Критериями успеха пилота GitHub Copilot были плотность дефектов и code churn, а не количество выданных лицензий. На этих данных я убедил руководство не растягивать раскатку поэтапно: Copilot раскатили на всю разработку, а политика его использования стала стандартом для всех AI-инструментов после него. Дальше нетехнические команды на тех же условиях: общий Gemini Gem и обучение NotebookLM для 150+ человек из Finance, Operations и Marketing, так программа дошла до 1 200+ пользователей. В Lumine инструментом был процесс онбординга, а результатом то, как быстро новичок выходит на нормальный темп: срок сократился примерно вдвое.

Оценка качества Грамоты, как выяснилось, измеряла запоминание: 22,6% на данных, которые модель видела, и 4,4% на тех, что не видела. На грязных живых текстах выпущенный tagger оставляет полностью верными 24% предложений, а если ничего не делать, верными остаются 30%. Обе цифры лежат на этом сайте, потому что не знать было хуже. Просмотрщик МРТ, который агент собрал за $30,80, пришёл с инструкцией по установке, выдуманной почти целиком; это тоже есть в разборе. Привычка старше приложений: в Lumine проверка оценок задач с инженерами до планирования спринта подняла предсказуемость поставки с 70% до 85%, и цифру я показывал в любом случае.