Knowledge and bacon - Управление знаниями в IT

Bus factor – ноль

В 2018 я писала про долг компетенций: знания о системе сосредоточены у одного человека, и с его уходом код превращается в legacy. С AI появился вариант похуже. Код сгенерировали, приняли, выкатили – а как он устроен, не понимает никто.

Джейсон Горман называет это comprehension debt – долгом понимания. Команда выпускает код быстрее, чем успевает в нем разобраться, и платит потом: временем, которое уйдет на то, чтобы понять код, прежде чем его менять.

Что показывают исследования

– Anthropic, январь 2026: 52 разработчика, в основном джуны, осваивали новую библиотеку. Группа с AI набрала на тесте на понимание 50%, без AI – 67%. Сильнее всего просела отладка. При этом заметно быстрее с AI не стали.
– (Im)Paired Programming, июль 2026, 54 студента: агенты помогают сделать задачу, но свой код люди понимают хуже. Хуже всего у тех, кто копирует промпты и принимает правки не глядя – для этого уже придумали название: meat proxy, мясной прокси. И все равно предпочитают агентов.

Что интересно

AI сам по себе низкий балл не гарантирует. У Anthropic лучшие результаты у тех, кто задавал концептуальные вопросы и просил объяснить сгенерированный код. Хуже всех, в среднем меньше 40%, справились те, кто целиком отдал AI написание кода или отладку.

Что делать-то?

– просить не только «сделай», но и «объясни, почему так»;
– просить агента задавать как можно больше вопросов до начала имплементации;
– включать учебные режимы: Learning и Explanatory в Claude Code, Study Mode в ChatGPT;
– проверять себя до мержа: git-хук sphinx перед push спрашивает, что сделает ваше изменение (авторы честно пишут, что это тренажер, а не контроль);
– фиксировать «почему» в PR и ADR – пока причину решения еще хоть кто-то понимает.

Про свои техники понимания с AI – Сократ, Фейнман и не только – расскажу в следующем посте.

А у вас уже есть код или документация, которые никто в команде не может объяснить?

Где учиться управлению знаниями. Часть 2

В первой части собрала ресурсы по информационной архитектуре, процессам и lessons learned. Продолжаем: документация, таксономии и поиск, фасилитация, измерение эффекта. А по просьбе из комментариев – отдельный блок про AI.

Документация и тексты

– Курсы Google по техническому письму – бесплатные, с упражнениями.
– Гайд Write the Docs – от сообщества техписателей.
– Фреймворк Diátaxis – про него я писала отдельно.

Таксономии и поиск

– Хизер Хедден, The Accidental Taxonomist – базовая книга про таксономии и метаданные.
– Лу Розенфельд, Search Analytics for Your Site – как читать поисковые логи: что ищут и чего не находят.
– Находимость для генеративного поиска и агентов (AEO/GEO): исследование про Generative Engine Optimization и гайд Google про AI-функции поиска.
– Практика для агентов: стандарт llms.txt и гайд Vercel, как сделать сайт читаемым для агентов. Проверить себя можно в Is Agentic – про него я писала.

Фасилитация и сообщества

– Liberating Structures – бесплатный набор форматов встреч, где говорят все, а не только самые громкие.
– Введение в сообщества практиков от Венгер-Трейнер, одних из авторов самой концепции.

Измерение эффекта

– Дуглас Хаббард, «Как измерить все, что угодно» – как оценивать то, что кажется неизмеримым. Пригодится, когда KM нужно обосновать в цифрах.
– Серия из 10 частей про бизнес-кейс для документации в The Good Docs Project – мы написали ее вместе с Рави Муругесаном: от целей компании и аудита текущих доков до расчета ROI и ответов на возражения.

AI в управлении знаниями

– Том Джонсон, автор самого известного курса по документированию API, сейчас пишет курс про agent skills. Черновик уже открыт, подход системный: собираешь навык, тестируешь, сравниваешь с прогоном без него.
– Про сами skills – открытая спецификация и разбор от Anthropic.
– Effective context engineering от Anthropic – по сути KM для агентов: какой контекст дать модели и как его курировать.
– Writing documentation for AI от kapa.ai – практичные правила, как писать доки, по которым AI отвечает точнее.
– По-русски – раздел «ИИ в управлении знаниями» в Прагматичном гайде и серия постов Марии Мариничевой.

Бонус: продуктовое мышление

База знаний – тоже продукт: у нее есть пользователи, задачи и экономика.
– The Product is Docs – книга команды документации Splunk о том, как относиться к документации как к продукту и встроить ее в продуктовую команду.
– Роб Фитцпатрик, «Спроси маму» – как расспрашивать пользователей, чтобы они не врали из вежливости. Для KM это способ понять, что на самом деле нужно читателям базы знаний.

Какого навыка сейчас больше всего не хватает вашей KM-команде?