«Один человек 10x-ит свою выкладку с Claude, а остальная организация не подтянулась». Так Борис Черный — создатель Claude Code в Anthropic — 17 июля 2026 года описал в X то, что мы видим почти на каждом проекте. Внедрение ИИ в команде почти всегда начинается одинаково: один инженер за пару недель разгоняется в разы, а рядом сидят пятеро, у которых «не взлетело». Разрыв не про таланты и не про выбор модели.
Мы внедряем AI-агентов и автоматизацию каждую неделю, поэтому читаем тред Черного не как красивую метафору, а как описание своей работы. У этого разрыва есть механика, он измерим, и закрывается он порядком внедрения, а не подпиской на модель посильнее. Ниже — четыре шага Черного, данные DORA 2025 и METR и то, что мы сами видим, когда энтузиаст не масштабируется на команду.
Разрыв, который видят все: один 10x-ит, команда стоит
Разрыв в adoption — это когда индивидуальная продуктивность от ИИ выросла, а командная стоит на месте. Он есть почти везде и легко измеряется.
Начинается всё с обнадёживающей цифры: ИИ-инструменты «пробовали» 84–91% разработчиков (Digital Applied). Но ежедневно ими пользуется только около 51%. Реальная интеграция в работу живёт именно в этом зазоре между «один раз потрогал» и «работаю так каждый день». И зазор дорогой: у ежедневных пользователей пропускная способность по pull request выше на 60% (медиана 2,3 против 1,4 PR в неделю), а экономия — около 4,1 часа в неделю (Digital Applied).
Сам Черный — верхняя граница этого распределения: он выкатывает 10–30 pull request в день, запуская несколько параллельных инстансов Claude (Lenny's Newsletter). И это не единичная аномалия. Внутри самого Anthropic продуктивность инженеров за год выросла примерно в 8 раз, а на Claude Code сегодня приходится около 4% всех публичных коммитов на GitHub — то есть верхний край распределения реально высок, если команда доводит внедрение до конца. За результатом Черного стоит не магия сеньора, а привычка, которую он выстроил и отладил. Поэтому команда и «не догоняет»: она видит результат, но не видит воркфлоу, который к нему привёл.
Почему индивидуальный 10x не масштабируется сам: ИИ — усилитель, а не уравнитель
Индивидуальный выигрыш не переносится на команду сам собой, потому что ИИ усиливает то, что уже есть, а не выравнивает всех до уровня лучшего.
Это главный вывод отчёта DORA 2025 от Google на опросе около 5000 специалистов. ИИ там называют «усилителем и зеркалом»: в собранных командах он ускоряет поток, в раздробленных — подсвечивает дисфункцию. 90% разработчиков уже пользуются ИИ (+14 п.п. за год), больше 80% отмечают рост продуктивности, но командные delivery-метрики при этом остаются плоскими (DORA / Google).
Вблизи цифры выглядят парадоксально. Команды с высоким уровнем adoption мёржат на 98% больше pull request и одновременно тратят на 91% больше времени на ревью, а сквозные DORA-метрики почти не двигаются (Philipp Dubach). Шесть независимых исследований сходятся примерно на одном потолке: около 10% системного прироста при 90%+ adoption. Больше кода не значит быстрее доставка.
Самое отрезвляющее — эксперимент METR (июль 2025). 16 опытных разработчиков на знакомой им кодовой базе с ИИ работали на 19% медленнее. При этом заранее они ждали ускорения на 24%, а после эксперимента были уверены, что ускорились на 20%. Разрыв между ощущением и реальностью — почти 40 пунктов (METR). «Мне кажется, я стал быстрее» — это не метрика.
Справедливости ради, в феврале 2026 METR повторили замер на более свежих моделях, и там замедление ушло почти в ноль. Вывод для тимлида не «ИИ бесполезен», а «эффект нельзя принимать на веру, его нужно мерить». Тем более что доверие к ИИ-коду низкое и без всяких экспериментов: по тому же DORA лишь около четверти разработчиков доверяют ему сильно, а примерно треть — почти не доверяет.
Мы разбирали эту механику подробнее в тексте про две скорости AI: способности моделей растут кварталами, а способность организаций перестраивать процессы — годами.
4 шага внедрения ИИ в команде по Борису Черному
Черный описывает внедрение ИИ в команде как четыре последовательных шага: эксперимент → осознанное внедрение → измерение отдачи → оптимизация затрат. Порядок здесь важнее скорости.
- Эксперимент. Люди пробуют инструменты на реальных, но некритичных задачах. Цель не мандат «всем использовать ИИ», а чтобы каждый хотя бы попробовал.
- Осознанное внедрение. Появляются общие практики: где и как применяем, какие задачи отдаём агенту, что кладём в общий контекст (файл
CLAUDE.md, shared-промпты). Это переход от «я нашёл трюк» к «у команды есть способ». - Измерение отдачи. Здесь ломается большинство. Черный прямо пишет: usage полезно смотреть на дашборде, но он «измеряет активность, а не отдачу» (разбор dnyuz). Правильная метрика — сколько инженеро-часов вы сэкономили: во что обошлась бы эта задача вручную? Это и есть ваш ROI, а не число сожжённых токенов.
- Оптимизация затрат. Только теперь имеет смысл считать стоимость токенов и удешевлять пайплайн.
Главная ошибка — начать сразу с четвёртого шага. Как разворачивает эту мысль Swarmia: «если пойти прямо к оптимизации затрат, минуя предыдущие стадии, вы никогда не преуспеете с этими инструментами». Пока команда не прошла эксперимент и внедрение, экономить попросту не на чем.
По логике Черного, главный выигрыш приходит не когда ИИ пишет чуть больше кода, а когда рутинная починка и поддержка уходят в фон — и люди высвобождаются под новое. Мы писали, почему это не заменяет инженеров, а меняет, за что им платят.
Как перевести энтузиаста в команду: относиться к adoption как к продукту
Разрыв закрывается не рассылкой «пользуйтесь ИИ», а тем, что внедрение получает владельца, обучение и метрики — как отдельный продукт.
Лучший разобранный кейс — Plaid. Они прямо назвали adoption «своим продуктом»: выделенная команда следила за использованием и удержанием по когортам, вела дашборд и напрямую шла к тем, кто «отвалился», чтобы понять почему. Плюс внутренний AI Day с воркшопами (участие 80%+ инженеров, CSAT 90%+) и короткие видео по 1–3 минуты с реальными воркфлоу вместо общего вендорского обучения. К маю 2025 регулярно пользовались ИИ 75%+ инженеров (Plaid).
Что ещё работает по данным:
- Внутренние чемпионы. Программа champions поднимает adoption до +40%. Берут не самых громких, а технически сильных и уважаемых; важна не пропорция «чемпионов на сотрудника», а чтобы до чемпиона можно было дотянуться без тикета (Faros AI).
- Обучение промптингу. Команды без структурного обучения получают на 60% меньше прироста продуктивности (DX). Навык владения инструментом сам не приходит.
- Терпение к масштабу. PwC в Нидерландах прошёл путь от 300 энтузиастов до всех 6000 сотрудников примерно за год; Citi собрал сеть из 4000+ «ускорителей» (Lead with AI). Это месяцы, а не спринт.
Общий знаменатель — знание вынимают из головы одного человека и превращают в общий актив: промпты, чек-листы, короткие демо. Если этого не сделать, воркфлоу уходит вместе с автором.
Практический минимум, с которого стоит начать тимлиду, помещается в один спринт: назначить одного владельца внедрения, вынести рабочие промпты того самого «энтузиаста» в общий репозиторий, завести короткий еженедельный разбор «что зашло, что нет» и договориться про один общий файл контекста на проект. Это дёшево и не требует бюджета на новые лицензии, но именно эти вещи превращают личный трюк в командную практику. Дальше подключаются champions и обучение — но без базового каркаса они работают вхолостую.
Типичные ошибки — и что мы видим на проектах
Почти все провалы внедрения ИИ в команде управленческие, а не технические. По данным DX, компании, которые относятся к adoption как к процессу, а не к раздаче лицензий, получают втрое лучший результат.
Что ломает внедрение чаще всего:
- Мерить не то. Считать лицензии и токены вместо сэкономленных инженеро-часов. Дашборд «активности» зеленеет, отдачи нет.
- Скорость без ревью. На выборке в 22 000 разработчиков число закрытых epic'ов на человека выросло на 66%, но и багов — на 54%, а вероятность инцидента в проде выросла втрое (Faros AI). Больше кода без пропускной способности ревью — это долг, а не продуктивность.
- Мандат сверху без enablement. По данным MIT, до прода доходит лишь 5% корпоративных ИИ-инициатив; adoption — это проблема людей, а не технологий. И разрыв в восприятии огромный: внедрение ИИ считают успешным 45% сотрудников против 75% топ-менеджмента.
- Невидимые воркфлоу. Один человек держит всё в голове — команда не может это повторить.
На своих проектах мы начинаем ровно с этого: договариваемся, что считаем отдачей, кто владелец внедрения и какие задачи первыми отдаём агенту. Ровно к этим выводам мы пришли после 100+ AI-консультаций: дело почти никогда не в модели.
Если хотите разобрать внедрение ИИ под вашу команду и процессы — посмотрите наши услуги по внедрению AI или просто напишите нам.