Один из навыков инженеров, который ещё долго будет в цене.

Было время, все гонялись за тем, чтобы освоить свежий фреймворк. Или я помнил по памяти большую часть спеки J2EE. Моргните чем-то, если свело олдскулы.

Но новые фреймворки сейчас AI умеет достаточно быстро осваивать, это уже не преимущество.

А вот умение видеть и оперировать со сложно связанными системами всегда было в цене и останется, с моей точки зрения. Теория систем называется. Помните, в школе рассказывали про ПИД-регулятор? Вот это оно.

Что это значит

Это умение понимать:

  • 🔗 какие элементы связаны между собой
  • ⚡ что именно вызывает последствия
  • 🔄 где возникают петли обратной связи и как они влияют на систему

Без этого легко попасть в ловушку локальной оптимизации или просто разнести всю систему случайно залетевшим дятлом.

Доставка в один день в Amazon

Амазон в этом плане всегда умел просчитывать системные последствия.

Например, доставка в один день (сделали в 2019) стоила колоссальных усилий в плане реализации, и куча людей говорили: «Да зачем оно надо?», но:

  1. Чем быстрее доставка → тем чаще люди делают спонтанные заказы.
  2. Чем больше заказов → тем точнее прогнозы спроса в каждом регионе.
  3. Чем точнее прогнозы → тем эффективнее склады раскладывают товары ближе к клиентам.
  4. Чем ближе товары → тем дешевле и быстрее доставка.

По оценкам, проект принёс Amazon +$40–50B дополнительного ежегодного оборота. Причём вложили деньги один раз, а приносить будет ещё долго.

В AWS такой подход, вместе с 5 Why, помогает делать сервисы надёжными за счёт управления «бутылочными горлышками» и разрыва циклов обратной связи между сервисами, когда система перестаёт быть стабильной.

Почему это критично именно сейчас

Но сначала внимательный читатель напишет в комментариях: «Миша, ты на прошлой неделе писал, что только скорость и важна, а на этой — что и архитектура уже не так важна. Делать надо, какие ещё циклы обратной связи?»

1. Это становится более важно как раз из-за скорости изменений. Каждое изменение — это риск, а ревью кода не поможет выловить моменты, когда вы объём трафика на сервис под вами увеличите в 10 раз. Или AI вам перестроит схему взаимодействия нескольких сервисов, и вы поймёте, что в реальности поменялось, только на рабочей нагрузке в проде.

2. AI уже везде, а AI-модели сами по себе уже сложные системы. Плюс вы в них данные какие-то загружаете, ещё и системные промпты. И всё это можно в разы быстрее поменять, чем раньше ML-модели. Да и автоматизация с AI будет создавать много разных и плохо предсказуемых петель обратной связи в системах.

3. И в целом системный подход позволяет не только избегать рисков, что уже ценно само по себе, но и находить новые возможности, чтобы сделать что-то лучше. Я считаю, что с текущей интенсивностью жизни и с тем, что AI может показывать в целом хорошие результаты в локальной оптимизации, для каких-то серьёзных улучшений остаётся только системный подход.

Как развивать системное мышление

  • Рисовать карты своих систем — архитектурные диаграммы не только в статике, но и в динамике: что на что влияет и как.
  • Разбирать чужие платформы: как AWS удерживает миллионы клиентов или как Netflix управляет трафиком и определяет, какие рекомендации вам показать.
  • Тренировать подходы к размышлениям: second-order thinking, bottlenecks versus constraints, feedback loops.

Хотите, чтобы вас не заменил AI? Разбирайтесь не только «как работает деталь», а как работает вся система.