Гриненко про
О подкасте
Владимир Гриненко про ИИ, технологии, образование и бизнес
Telegram-канал: https://t.me/devspotting
Чат сообщества: https://t.me/grinenko_pro
Сайт: https://grinenko.pro
Выпуск на YouTube: https://www.youtube.com/watch?v=i2fExyLLke4
Рынок IT сегодня: на вакансии приходят десятки и сотни откликов, кандидаты генерируют резюме и проходят интервью с нейронками, а работодатели отвечают AI-скринингом и автоматизированными собеседованиями.
Вместе с Анастасией Бианко, Head of Recruitment в Циан, экс-Recruitment Partner Яндекса, разбираемся с ситуацией на рынке IT, говорим о судьбе джунов, фальсификации опыта, автоматизации найма, AI-интервью и о том, что действительно повышают шансы кандидата.
В ЭТОМ ВЫПУСКЕ
— почему кандидатов стало так много, а дефицит сильных специалистов при этом никуда не исчез;
— как работодатели распознают накрученный и полностью выдуманный опыт;
— почему рекомендации, профессиональная репутация и прямой контакт с компанией снова особенно важны;
— что произошло с наймом джунов и почему от студентов теперь ждут гораздо большего;
— нужно ли указывать конкретный стек, если с нейронкой можно быстро освоить новую технологию;
— как Циан использует ИИ для фильтрации резюме и интервью со стажёрами;
— какие AI-навыки уже стали гигиеническим минимумом для кандидата;
— заменит ли ИИ рекрутеров и как может выглядеть автоматизированный найм ближайшего будущего;
— почему компании пока продолжают нанимать роли, а не «универсальных продуктовых инженеров»;
— чем культура найма в Циан отличается от Яндекса.
ТАЙМКОДЫ
00:00 — Есть ли кризис найма и почему кандидатов стало намного больше
03:12 — Сокращения, курсы и фальшивый опыт: откуда берётся поток кандидатов
05:23 — Кризис доверия: что делать с накрученным опытом
09:12 — Сотни откликов на вакансию и AI-фильтры
12:22 — Может ли ИИ заменить рекрутера
14:39 — Почему люди всё ещё массово идут в IT
16:44 — Что стало с джунами и почему требования выросли
20:46 — Почему x10-продуктивность с ИИ не означает x10 найма
23:50 — Можно ли заменить экспертов дешёвыми джунами с AI
26:28 — Как менять отношение сотрудников к ИИ
30:39 — Фулстек против глубокой специализации
35:48 — Как Циан ищет людей с опытом работы с AI
37:38 — Почему удалёнка может помогать AI-native командам
39:56 — Как устроены воронки найма и отказы от оферов
43:37 — Как сегодня искать работу: отклики, рекомендации и репутация
47:50 — Резюме от нейронки: что в нём действительно важно
50:21 — Что делать джуну без выдуманного опыта
52:30 — Как Циан автоматизировал отбор стажёров с помощью ИИ
55:36 — Какие AI-навыки стали гигиеническим минимумом
58:30 — Как может выглядеть найм через год
01:03:04 — ATS, данные о кандидатах и AI-аналитика
01:06:43 — Нужно ли человеку конкурировать с ИИ
01:08:50 — Как AI изменил верх воронки найма в Циан
01:16:15 — Циан vs Яндекс: культура найма и право HR на вето
01:20:03 — Что стоит сделать уже сейчас
МАТЕРИАЛЫ ИЗ ВЫПУСКА
• LinkedIn Анастасии — https://www.linkedin.com/in/anastasia-bianco-14410292/
• Обзоры рынка труда hh.ru — https://stats.hh.ru/review
СМОТРИТЕ ТАКЖЕ
• Искусственный интеллект, найм и образование | Сергей Бережной, CTO Практикума, директор в Яндексе — https://studio.youtube.com/video/V3fahH0XA0M/edit
Telegram-канал: https://t.me/devspotting
Чат сообщества: https://t.me/grinenko_pro
Сайт: https://grinenko.pro
Выпуск на YouTube: https://www.youtube.com/watch?v=i2fExyLLke4
Telegram-канал — https://t.me/devspotting
Чат сообщества — https://t.me/grinenko_pro
Выпуск на YouTube: https://youtu.be/VhQPchnlwo8
ИИ делает знания почти бесплатными, но понять, чего мы на самом деле хотим, кому доверять и как отличить хорошее решение от нейрослопа проще не становится. Разбираемся, что происходит с IT-конференциями, когда доступ к информации и коду перестаёт быть дефицитом.
Говорим с Алексеем Федоровым — сооснователем JUG Ru Group, продюсером конференций и Java Champion — о кризисе технической экспертизы, корпоративных AI-системах и о том, почему после первого восторга от ИИ-агентов начинается гораздо более сложная работа: описывать собственную картину мира и принимать решения.
ТАЙМКОДЫ
00:00 — Как ИИ меняет IT-конференции
05:13 — Что делать, когда все делают про ИИ
09:37 — Конференции перестают быть источником знаний?
11:23 — Почему «тусовка вместо докладов» — диагноз
13:57 — Как конференция пробивает информационный пузырь
15:26 — Почему принципы важнее конкретных технологий
18:24 — Что ИИ сделал с техническими докладами
21:41 — Доклад как перформанс, конференция как опыт
25:05 — Дефицит опыта и доверия
26:47 — Можно ли доверять советам нейронки
29:05 — Кризис экспертизы в эпоху ИИ
32:56 — Как JUG Ru Group использует ИИ и AI PDLC
34:24 — Этика корпоративных агентных систем
38:38 — Как AI помог починить рассинхрон видео
42:02 — Корпоративная онтология: как описать мир для агента
47:20 — Зачем самому строить AI-системы
48:56 — Почему нам не хватает языка для будущего
52:01 — Приносит ли корпоративная онтология реальную пользу?
55:14 — ИИ удешевляет реализацию. Но что меняется на самом деле?
57:54 — Может ли ИИ решить «все проблемы»?
59:38 — Руководители снова начали программировать
01:01:51 — Что происходит после первого AI-угара
01:03:18 — Почему даже лидеры AI-индустрии не знают, куда всё идёт
01:05:36 — «Заблуждались, но заблуждались искренне»
ССЫЛКИ ГОСТЯ
* JUG Ru Group https://jugru.org/
* Канал Алексея в Telegram: https://t.me/channel_23derevo
* Профиль Алексея на Joker 2026 https://jokerconf.com/persons/bd6c248fbfb841959ffd65dd4f00792d/
* Habr Алексея https://habr.com/ru/users/23derevo
МАТЕРИАЛЫ ИЗ ВЫПУСКА
* Подкаст «LLM и мышление» с Андреем Морозовым — https://www.youtube.com/watch?v=WswHn_mJo8I
* AI PDLC Сбера — https://developers.sber.ru/kak-v-sbere/events/arch_july_2026
О ПОДКАСТЕ
«Гриненко про» — подкаст о практическом применении искусственного интеллекта, разработке и людях, которые прямо сейчас меняют IT-индустрию.
Сайт — https://grinenko.pro/podcast/
Telegram-канал — https://t.me/devspotting
Чат сообщества — https://t.me/grinenko_pro
Ведущий: Владимир Гриненко
Telegram-канал — https://t.me/devspotting
Чат сообщества — https://t.me/grinenko_pro
Сайт — https://grinenko.pro
Coding agents уже умеют за часы делать то, на что раньше уходили месяцы работы команды. Но означает ли это, что разработчики становятся не нужны — или, наоборот, инженер наконец перестаёт быть «человеком, который пишет код» и поднимается на уровень продукта, архитектуры и управления агентами?
Говорим с Глебом Михеевым https://glebmikheev.ru — разработчиком с более чем 20-летним опытом, который сейчас развивает ГигаАгента в Сбере, — о новой роли инженера, экономике софта в эпоху AI и о том, почему главный дефицит теперь не код, а понимание того, что и зачем нужно построить.
Глеб работал в NVIDIA, основал и девять лет развивал собственную компанию по заказной разработке, затем работал в Skillbox и Сбере. Сейчас развивает ГигаАгента — автономного AI-агента Сбера — и руководит программным комитетом AgenticDevConf. Автор Telegram-канала «Уставший техдир» https://t.me/tired_glebmikheev и подкаста «Фичи Катятся» @tired_glebmikheev.
ТАЙМКОДЫ
00:00 — В этом выпуске
00:44 — Кто такой Глеб Михеев: NVIDIA, свой бизнес, Skillbox и Сбер
04:18 — Как coding agents вернули Глеба из менеджмента в разработку
07:33 — Переход в GigaChat и работа над автономным агентом
10:04 — Зачем идти в Individual Contributor внутри бигтеха
14:17 — Лидерство без административной власти
17:09 — Как самостоятельные инженеры работали ещё до AI
20:21 — Почему coding agents возвращают эпоху универсальных инженеров
22:00 — Product engineer вместо фронтендера и бэкендера
25:40 — Реальна ли компания на миллиард долларов из одного человека
33:14 — Почему AI увеличивает количество попыток, но не количество хороших идей
36:36 — Стартап теперь можно проверить за вечер
38:49 — Как Глеб за два дня сделал продукт вместо нескольких месяцев работы команды
42:32 — Бизнес или найм: где сегодня проще зарабатывать
48:07 — Что будет с SaaS, когда производство софта станет дешёвым
50:35 — Во что инвестировать, если любой эксперт может собрать конкурентный продукт
52:32 — Зачем Сберу делать собственного автономного агента
55:27 — Зачем нужны национальные и суверенные AI-модели
01:02:45 — Можно ли просто взять открытую модель и дообучить её
01:13:49 — Почему технологическая независимость может быть важнее цены
01:18:24 — Станут ли фундаментальные модели новой стратегической технологией
01:24:14 — Модели превращаются в commodity, а ценность переезжает в harness?
01:29:50 — Почему мы используем лишь небольшую часть возможностей современных моделей
01:34:35 — Зачем вообще нужен персональный AI-ассистент
01:38:22 — Где проактивные агенты действительно полезны
01:40:18 — «Цифровые сотрудники»: фантазия или следующая стадия AI
01:42:24 — Почему сейчас нужно инвестировать в R&D и совершать ошибки
01:46:20 — Как должно измениться образование в эпоху AI
01:50:48 — За какие навыки теперь будут платить инженерам
01:53:44 — Главный навык будущего — работать в неопределённости
01:55:51 — Итоги
ССЫЛКИ ГОСТЯ
• Telegram — «Уставший техдир» https://t.me/tired_glebmikheev
• YouTube — @tired_glebmikheev
• GitHub — https://github.com/glebmachine
• Сайт — https://glebmikheev.ru
О ПОДКАСТЕ
«Гриненко про» — подкаст о практическом применении искусственного интеллекта, разработке и людях, которые прямо сейчас меняют IT-индустрию.
Telegram-канал — https://t.me/devspotting
Чат сообщества — https://t.me/grinenko_pro
Сайт — https://grinenko.pro
Что такое мышление, если большую часть времени мы действуем по привычным схемам, а LLM уже умеют воспроизводить почти любую описанную практику? Разбираемся, зачем бизнесу корпоративный философ, почему определения и метрики одновременно помогают и ограничивают нас и где проходит граница между накопленным знанием и созданием принципиально нового.
Говорим с Андреем Морозовым — корпоративным философом, который в аспирантуре занимался компьютерным зрением и машинным обучением, затем прошёл путь от разработчика и тимлида до CTO, бизнеса и управленческого консалтинга — о философском мышлении в бизнесе, способности LLM мыслить и навыках, которые останутся людям.
По второму образованию Андрей — психолог-консультант; до философского консультирования также занимался маркетинговыми и стратегическими исследованиями.
В ЭТОМ ВЫПУСКЕ
— Чем мышление отличается от знания большого количества фактов
— Почему мы воспринимаем мир через «схемы» и как они предопределяют наши решения
— Что такое философское мышление и зачем бизнесу постоянно спрашивать «зачем?»
— Закон Гудхарда
— Может ли LLM мыслить, удивляться и создавать новое
— Почему нейросеть можно представить как «идеального отличника», прочитавшего почти всё
— Где проходят границы между алгоритмом, творчеством, субъектностью и свободой воли
— Какие навыки сохраняют ценность рядом с ИИ: креативность, коммуникация и критическое мышление
ТАЙМКОДЫ
00:00 — Хайлайты выпуска
00:35 — Кто такой корпоративный философ
02:04 — От инженера к философскому консультированию
03:11 — Почему история философии — ещё не философское мышление
04:00 — Отличник против троечника
14:23 — Что происходит, когда привычная картина мира перестаёт работать
18:04 — Мышление как создание новой схемы
21:01 — Что такое философское мышление: три уровня взгляда на проблему
25:34 — Как определения заранее программируют решения бизнеса
29:23 — Как компании конструируют проблемы
33:05 — Метрики, закон Гудхарда и хрупкие модели реальности
38:32 — Чем на практике занимается корпоративный философ
41:14 — Коучи, эзотерика, серебряные пули и страх неопределённости
47:52 — Философ как «психотерапевт для бизнеса»
56:51 — Почему невозможно один раз всё обдумать и выйти из рутины
01:01:12 — AGI без определения и гонка компаний за ИИ
01:09:14 — Способны ли LLM мыслить
01:17:31 — Где нейросеть перестаёт быть «идеальным отличником»
01:26:14 — Свобода воли, субъектность и технологическая сингулярность
01:38:53 — Как философ смотрит на прогнозы будущего
01:48:39 — Заменят ли LLM самих философов
01:52:36 — Как ИИ меняет маркетинговые исследования и работу с пользователями
01:57:06 — Три навыка для эпохи ИИ
02:12:04 — Как Андрей сам использует нейросети в работе
02:14:35 — Зачем делать конференцию про ИИ, если LLM уже знают почти всё
02:23:28 — Что нейросети всё-таки не заменят
ССЫЛКИ ГОСТЯ
• Telegram-канал Chief Philosophy Officer — https://t.me/chief_philosophy_officer
• Конференция «Разработка будущего» — https://future.jokerconf.com/
О ПОДКАСТЕ
«Гриненко про» https://grinenko.pro/ — подкаст о людях, технологиях и практиках вокруг искусственного интеллекта.
Telegram-канал — https://t.me/devspotting
Чат сообщества — https://t.me/grinenko_pro
Ведущий: Владимир Гриненко
ИИ уже радикально ускоряет производство, но чтобы получить реальный эффект, приходится заново разбираться с устройством команд, корпоративными знаниями, данными, контролем качества и самой ролью человека в производственном процессе.
Говорим с Дмитрием Бобылёвым — CEO и главным экспертом управленческого консалтинга FastForward — о том, как внедрять ИИ в уже работающие компании, почему организационный контекст становится одним из главных активов бизнеса и как может выглядеть AI-first организация, если строить её с нуля.
О ГОСТЕ
Дмитрий прошёл путь от разработчика до вице-президента по информационным технологиям СберМаркета, где руководил командой из более чем 1 000 человек. Сейчас строит AI-first консалтинг. Автор канала «Боб в помощь» https://t.me/ZhogloTech.
В ЭТОМ ВЫПУСКЕ
— Как внедрять ИИ через конкретную бизнес-боль, а не абстрактную «AI-трансформацию»
— Почему накопленный контекст компании становится ценнее погони за новыми моделями и инструментами
— Как выращивать внутренних AI-амбассадоров и что делать с сопротивлением сотрудников
— Почему производство становится дешевле, а постановка задачи и валидация — важнее
— Что произойдёт с программистами, которым нравится писать код руками
— Как могут измениться роли, оргструктура и место самых опытных инженеров в производственной цепочке
— Что Дмитрий перестроил бы в большой технологической компании, если бы снова управлял командой из 1 000+ человек
— Почему при всей AI-революции требования к хорошему менеджменту практически не меняются
ТАЙМКОДЫ
00:00 — Хайлайты выпуска
00:28 — Дмитрий Бобылёв
01:45 — Почему AI-консалтинг сложно продавать через обещания
04:20 — ИИ возвращает разработку к здравому смыслу
06:51 — Почему классическому консалтингу придётся перестраиваться
13:58 — AI-лабы и внутренние эксперты в компании
16:04 — Как выглядит AI-first консалтинг
20:33 — Главный актив компании — организационный контекст
25:00 — Почему сотрудники не хотят «выгружать» свои знания
27:22 — Внедрение ИИ через конкретную боль и быстрый результат
33:22 — SDLC схлопывается, а валидация становится важнее
39:02 — Что делать, если программисту нравится писать код руками
41:48 — Как изменится оргдизайн компаний в 2026–2030 годах
47:36 — Почему самых опытных людей нужно ставить на валидацию результата
50:53 — Код становится commodity: где остаётся инженерное мастерство
57:07 — Как ИИ меняет диагностику компаний и производство
01:01:22 — Почему ручное ревью перестаёт масштабироваться
01:09:13 — Передача знаний и зависимость компаний от моделей
01:13:19 — Что в управлении не меняется из-за ИИ
01:16:06 — Как строить AI-first компанию с нуля
01:25:32 — Что Дима сделал бы иначе, снова управляя 1 000+ людьми
01:29:59 — Новый BI: данные, метаслой и «окно-оракул»
01:34:03 — Как перестроить обучение и развитие сотрудников
01:36:53 — Инфраструктура, безопасность и выбор моделей
01:42:23 — Итоги
ССЫЛКИ ГОСТЯ
• FastForward — https://ff.pro/
• Telegram Дмитрия Бобылёва — https://t.me/zhoglo
• Канал «Боб в помощь» — https://t.me/ZhogloTech
О ПОДКАСТЕ
«Гриненко про» — подкаст о том, как искусственный интеллект меняет разработку, продукты и работу технологических команд.
https://grinenko.pro
Telegram-канал — https://t.me/devspotting
Чат сообщества — https://t.me/grinenko_pro
Ведущий: Владимир Гриненко
Как превратить недетерминированную LLM в продукт, которому можно доверить ответы и действия с реальными последствиями?
Разбираем инженерный путь от классического чат-бота и точечных LLM-классификаторов до полноценной агентной системы: контроль качества, разметку, гардрейлы, A/B-эксперименты, контекст и инструменты.
Говорим с Федей Морозовым — CTO в Т-Банке и разработчиком инфраструктуры одной из крупнейших рекомендательных систем — о безопасном внедрении генеративных моделей, устройстве команд и личных принципах делегирования задач агентам.
В ЭТОМ ВЫПУСКЕ
— Как измерять качество генеративного продукта, работающего с реальными пользователями
— Почему наивный LLM-as-a-judge создаёт второй слой галлюцинаций
— Как выстроить пирамиду разметки и контролировать качество самих оценщиков
— Какие гардрейлы нужны агенту, способному выполнять действия
— Почему контекст и правильные инструменты важнее выбора конкретной модели
— Как внедрять LLM постепенно, не разрушая работающую систему
— Когда достаточно гибридного workflow, а когда нужен полноценный агент
— Как использовать агентов в разработке, управлении командой и повседневной жизни
— Какие решения и части собственного голоса не стоит делегировать
— Какие навыки сохранят ценность, когда большую часть кода начнут писать агенты
ТАЙМКОДЫ
00:00 — Хайлайты выпуска
00:50 — Начало
01:17 — Знакомство с Федей Морозовым
02:15 — Что генеративные модели изменили в ML-продуктах
05:43 — Avito.Tech.Conf
06:31 — Может ли банковский бот выполнять действия
09:09 — Главные риски генеративного продукта
11:49 — Как построить пирамиду оценки качества
15:10 — Почему наивный LLM-as-a-judge не работает
18:53 — Как устроена поддержка Т-Банка
23:25 — Гардрейлы, авторизация и детерминированные проверки
27:07 — A/B-эксперименты и контролируемые выкладки
31:57 — Почему контекст и тулы важнее модели
34:21 — Безопасная точка внедрения LLM: классификация запросов
36:47 — Гибридные сценарии вместо полного перехода на агентов
42:36 — Как перейти к полноценному агенту
45:18 — PydanticAI, Qdrant, Python, n8n и текстовые файлы
46:53 — Кто должен входить в команду AI-продукта
50:07 — Почему генеративная поддержка всё ещё остаётся ресёрчем
52:39 — Заменит ли диалоговый интерфейс кнопки и приложения
56:45 — Персональные ассистенты, доступ к данным и контроль
01:04:49 — Единственная вещь, которую Федя не делегирует агентам
01:12:11 — Как агент освобождает руководителя от рутины
01:19:05 — Агенты в разработке и архитектурных решениях
01:27:59 — Идеальный процесс разработки новой фичи
01:30:24 — Какие навыки останутся важными для разработчиков
01:34:29 — Что стоит делегировать агентам
01:34:58 — Итоги
grinenko.pro
Telegram-канал — https://t.me/devspotting
Чат сообщества — https://t.me/grinenko_pro
Что действительно ускоряет разработку с ИИ: новая модель, толпа субагентов или правильно собранная обвязка? Разбираем процесс AI-кодинга — от постановки задачи и подготовки контекста до тестирования, code review и ответственности за результат в продакшне.
Говорим с Алексеем Ярошевичем — руководителем команды Яндекс Банка и ex-CTO Яндекс Образования — о harness и скиллах для кодинговых агентов, spec-driven development, изменении ролей в продуктовой команде и образовании в мире, где инструменты устаревают быстрее учебных программ.
В ЭТОМ ВЫПУСКЕ
— Интуиция при работе с моделями
— Почему качество AI-разработки сегодня сильнее зависит от harness и контекста, чем от очередной модели
— Когда skills экономят время, а когда ухудшают результат
— Почему многоэтажная оркестрация агентов накапливает ошибки и расходует слишком много токенов
— Как применять spec-driven development, тесты и контракты при работе с микросервисами
— Что делать, когда модель не справилась: исправлять, декомпозировать или начинать заново
— Как AI смещает узкие места разработки от написания кода к проверке качества и согласованию решений
— Почему QA, ответственность и инженерная экспертиза остаются критически важными
— Как меняются роли продакта, дизайнера и разработчика, когда прототип можно собрать за несколько минут
— Чему учиться, если конкретные инструменты и навыки быстро устаревают
— Как использовать модели для структурирования данных, анализа продукта и управления организацией
— Какие рабочие роли и процессы, возможно, уже стали лишними, хотя компании пока этого не осознали
ТАЙМКОДЫ
00:00 — Хайлайты выпуска
00:33 — Знакомство с гостем
02:10 — Алексей — AI-энтузиаст или скептик?
03:33 — Остался ли кайф от программирования вручную
05:35 — Почему всё упирается в harness, контекст и предсказуемость
07:59 — Рабочий баланс: написать самому, поручить модели или доработать вместе
10:38 — Cursor, Claude Code и постоянно меняющаяся обвязка
12:33 — Skills как новые CLI-утилиты и проблема публичных инструкций
18:36 — Почему Алексей пока не верит в оркестраторов и толпы субагентов
22:12 — Практический процесс: от задачи и контекста до готового кода
25:12 — Что делать, когда модель не справилась
28:00 — Spec-driven development, тесты и контракты микросервисов
30:31 — Несколько AI-сотрудников, ручная оркестрация и ответственность человека
36:53 — Модели вышли на плато? Где искать следующий скачок
39:31 — Как AI-разработка работает в реальной продуктовой команде
42:19 — Продакт, дизайнер и разработчик: прототип вместо идеи
46:00 — От тикета до pull request: когда задача действительно решается за 15 минут
48:35 — Почему стартап может выпускать AI-код без проверки, а enterprise — нет
55:47 — Кто должен проверять сгенерированный код и почему QA всё ещё нужен
59:23 — Главный затык AI-разработки: harness или мышление людей
59:57 — Как искусственный интеллект меняет образование
01:05:02 — Устаревают ли знания быстрее, чем человек успевает их получить
01:15:24 — Недооценённый сценарий LLM: структурирование данных
01:22:33 — Персональный AI-помощник для проектов, чатов и домашней жизни
01:28:10 — Какие люди и рабочие процессы уже могут быть не нужны. Итоги
ССЫЛКИ ГОСТЯ
• Telegram-канал
• GitHub
О ПОДКАСТЕ
Telegram-канал — https://t.me/devspotting
Чат сообщества — https://t.me/grinenko_pro
Сайт — https://grinenko.pro
Может ли ИИ-агент написать автотесты не хуже человека — и как заметить момент, когда он просто подгоняет проверки под зелёный статус? Разбираем практический подход к тестированию с нейросетями: от продуктовых сценариев и legacy-кода до CI, code review и evals.
Говорим с Дмитрием Андрияновым — руководителем группы в Яндекс 360, экспертом по автоматизации тестирования и автором канала test_automation_pro — о том, как научить агентов командным практикам, выбрать подходящий уровень тестов и сохранить человеческую ответственность за решение «готово к продакшну».
В ЭТОМ ВЫПУСКЕ
— Почему тестировать нужно продуктовые сценарии, а не внутреннее устройство приложения
— Как превратить правила и договорённости команды в инструкции для ИИ-агента
— Как восстановить функциональные требования в большом legacy-проекте
— Когда использовать модульные, интеграционные и E2E-тесты
— Почему пирамида тестирования — это результат правильных решений, а не самостоятельная цель
— Чем приёмочное тестирование отличается от регрессионного и где остаётся ответственность человека
— Как встроить ИИ в CI, code review, анализ покрытия и разработку небольших задач
— Почему доверие к агенту необходимо заново проверять после смены модели или системного промпта
— Как evals помогают контролировать недетерминированные системы
— Могут ли разработчики с ИИ заменить QA-команду
— Когда агент сможет провести фичу от бизнес-требования до продакшна без участия разработчика
ТАЙМКОДЫ
00:00 — Хайлайты и начало
01:25 — Дмитрий Андриянов: опыт в автоматизации тестирования
02:09 — Могут ли агенты писать тесты не хуже людей
05:33 — Почему тестировать нужно продуктовые сценарии
09:55 — Требования, разработчики и ответственность за качество
14:56 — Исчезнет ли QA из-за ИИ
15:14 — Как команда учит агента писать стабильные тесты
18:57 — Ошибки нейросети и проблема доверия
24:22 — Когда агент сможет выкатить фичу от идеи до продакшна
25:13 — Как подступиться к большому legacy-проекту
27:47 — Шаг первый: восстановить функциональные требования
29:39 — Как сделать приложение тестируемым
35:47 — Пирамида тестирования: результат, а не цель
37:20 — Рефакторинг для дешёвых и быстрых тестов
39:16 — Стоит ли временно покрывать legacy E2E-тестами
43:51 — Приёмочное и регрессионное тестирование
48:19 — ИИ в CI и автоматизации пайплайна
50:27 — Нейросетевое code review и бот, который делает задачи
52:52 — Что происходит с доверием после смены модели
55:35 — Evals для недетерминированных систем
58:29 — Как Дмитрий использует ИИ вне работы
01:02:42 — Как закрывать старые side-проекты за два-три дня
01:03:41 — Space Engineers, телеметрия и улучшение игрового скрипта
01:06:10 — Главный миф об автотестах
01:06:37 — Итоги
ССЫЛКИ ГОСТЯ
• Канал
• GitHub
• Habr
• Доклад «Как сделать автотесты полезными. Эволюция автотестов в Яндекс ID»
О ПОДКАСТЕ
• Telegram-канал про ИИ
• Чат сообщества
• Сайт — grinenko.pro
#автотесты #ИИагенты #тестирование #AIразработка #CodeReview
Говорим с Даниэлем Левинишниковым — руководителем AI-продуктов Т-Банка — о том, как AI меняет продуктовую разработку, клиентскую поддержку и структуру компаний; почему работа middle-менеджера должна исчезнуть; как проверять качество агентов; зачем пользователю сообщать, разговаривает он с человеком или нейросетью; почему идея и даже реализация продукта становятся commodity — и что тогда остается конкурентным преимуществом.
Также поговорили про переход Даниэля в Higgsfield — самый быстрорастущий стартап в области генеративного видео. О 14–16-часовом рабочем дне в AI-стартапах, будущем интерфейсов, персональных базах знаний, MCP, агентной коммерции, GEO-оптимизации и профессиях, которые модели пока не способны заменить.
В выпуске:
— почему Даниэль считает, что его работа не должна существовать;
— как AI трансформирует поддержку Т-Банка;
— почему прозрачность в общении с ботом обходится компании в сотни миллионов рублей;
— смогут ли 30 сильных IC заменить корпорацию из 3 000 сотрудников;
— чему учиться начинающим продактам, инженерам и дизайнерам;
— как выпускать MVP за выходные и проверять несколько гипотез в неделю;
— почему пятилетние продуктовые стратегии теряют смысл;
— можно ли долго работать по 14–16 часов в день и не выгореть;
— какие интерфейсы исчезнут, а какие останутся;
— как строить evals, когда у нового AI-продукта ещё нет данных;
— почему классический поиск и SEO уступают место GEO;
— что произойдёт с консалтингом, программированием и массовыми профессиями.
Проекты Даниэля:
Телеграм-каналСайтСтатья «Тебя нет в ответах ChatGPT. Пошаговый гайд, как это починить за один вечер»Репозиторий персонального сайта для GEO-оптимизацииОбсуждаем создание AI-агента для BI-системы с Андреем Мелиховым, автором телеграм-канала melikhov_dev и разработчиком DataLens: почему агент живёт в браузере, как он вызывает тулы, строит чарты, работает с данными, проверяет себя через eval harness и почему просто прикрутить LLM в продакшне быстро превращается в большую инженерную задачу.
Обсудили:
— почему готовых фреймворков не хватает;
— как устроены AI-агенты в браузере;
— SSE-стриминг, BFF, tool calling и agent loop;
— проблемы разных моделей и инференсов;
— evals, LLM-as-a-judge и железного пользователя;
— доверие к числам в BI и проверяемые чарты;
— заменит ли GenBI аналитиков;
— MCP, серверные агенты и будущие API;
— как Claude Code, Codex, OpenCode и другие coding agents меняют разработку;
— почему AI ускоряет разработчика в 3–5 раз, но задач становится только больше;
— безопасность, permissions, sandboxing и корпоративные ограничения;
— AI вне работы: ремонт, ресёрч, медицина, презентации, NotebookLM и новостные боты;
— bus factor, spec-driven development и контекст для агентов.
Больше про ИИ я пишу в Telegram-канале «Гриненко про»: https://t.me/devspotting, а обсудить нейронки можно в чате сообщества — https://t.me/grinenko_pro
ТАЙМ-КОДЫ
01:24 — Андрей Мелихов
03:30 — Почему собрать агента за 15 минут не работает в продакшне
05:08 — Что такое DataLens и GenBI
06:29 — Почему нейронке нельзя просто скормить все данные
07:45 — Что значит «фронтендер» в Яндексе
09:31 — Браузерный state, сессии и Responses API
13:38 — Разные модели, инференсы и проблемы tool calling
16:14 — Первые ошибки: Vercel AI SDK, OpenAI SDK и свой слой
18:28 — Почему без evals нельзя развивать агента
20:33 — Eval harness, LLM-судья и железный пользователь
24:52 — Архитектура агента: BFF, SSE, тулы и agent loop
28:59 — Как агент строит интерактивные чарты в чате
31:06 — Классификатор запросов и отсечение не-BI вопросов
34:55 — Заменит ли GenBI аналитиков
38:51 — Доверие к цифрам: почему LLM не должна считать сама
41:38 — Тула-судья и проверка фильтров
43:38 — Стоимость диалогов и оптимизация контекста
47:55 — MCP, API и перенос агента на сервер
51:14 — Как AI-агенты меняют работу разработчика
54:35 — Flow: план → ревью → реализация → ревью второй моделью
56:46 — Автоматизация багрепортов и тикетов
59:07 — Дежурства, логи и нейронка как третья линия поддержки
01:04:46 — Безопасность coding agents: permissions, sandboxing, open source
01:09:49 — Родные harness’ы, универсальные агенты и бенчмарки
01:14:51 — Ускорение разработки в 3–5 раз
01:18:44 — AI вне работы: ремонт, медицина, презентации
01:21:07 — NotebookLM, подкасты и подготовка к докладам
01:22:09 — Бот для AI/Frontend-новостей
01:24:01 — Что будет с разработкой через 1–2 года
01:25:26 — Bus factor, spec-driven development и контекст для агентов
01:30:28 — Финал
ССЫЛКИ ПО ТЕМАМ:
DataLens: https://datalens.ru/
OpenAI Responses API: https://developers.openai.com/api/docs/guides/migrate-to-responses
OpenAI Chat Completions: https://developers.openai.com/api/reference/chat-completions/overview/
LangGraph: https://docs.langchain.com/oss/python/langgraph/overview
Vercel AI SDK: https://ai-sdk.dev/docs/introduction
Langfuse: https://langfuse.com/docs
Playwright: https://playwright.dev/
NotebookLM: https://notebooklm.google/
Telegram-канал «Гриненко про»: https://t.me/devspotting
Ставьте лайк, подписывайтесь на канал и делитесь выпуском с теми, кто строит AI-агентов.