Смотрите, в чём тут дело. Компания Nextdoor — это соцсеть для соседей, более 110 миллионов пользователей в 11 странах. Не стартап из трёх человек, а взрослый продукт с серьёзной инженерной командой. И именно оттуда пришёл один из самых показательных примеров того, как AI инструменты для разработки меняют не только скорость работы, но и саму логику того, кто что делает.
Разберём эту историю — и поговорим, почему она важна не только для разработчиков, но и для любого эксперта, который работает с контентом, продуктом или сервисом.
От «как сделать» к «что получить»: главный сдвиг
Раньше инженер думал так: «Мне нужно написать вот этот модуль. Какой фреймворк использовать? Как обойти это ограничение?» То есть значительная часть умственной энергии уходила на механику — на «как».
С появлением AI-инструментов вроде Codex от OpenAI фокус сместился. Глава инженерного отдела Nextdoor описывает это как переход к outcome engineering — проектированию результата. Инженер теперь думает: «Вот скриншот того, что я хочу получить. Вот тест, который должен пройти. Вот фича, которую нужно выпустить.» А дальше — агент делает работу.
Это не магия и не замена людей. Это смещение уровня, на котором работает специалист. Меньше рутины — больше решений.
Один инженер вместо трёх команд: реальный пример
Nextdoor выпустил функцию Opportunity Alerts — уведомления, которые помогают пользователям находить поставщиков услуг рядом. В какой-то момент один инженер решил: было бы здорово показывать этих поставщиков прямо на карте.
Исторически такая задача требовала координации трёх команд: мобильной разработки, фронтенда и бэкенда. При лучшем раскладе — несколько недель. При худшем — задача просто оседала в бэклоге и никогда не выходила в продакшн.
С AI-инструментом один инженер собрал фичу от начала до конца самостоятельно.
Тут есть нюанс: дело не только в скорости. Когда один человек видит задачу целиком — от логики данных до того, как это выглядит на экране пользователя, — он лучше понимает, что именно стоит делать. Меньше «сломанного телефона» между командами, больше продуктового мышления.
Бутылочное горлышко переехало
Вот наблюдение, которое стоит запомнить.
Когда разработка ускоряется в разы, главным ограничением перестаёт быть «мы не успеваем это построить». Главным ограничением становится «мы не знаем, что именно строить».
Команда Nextdoor столкнулась именно с этим: инженерное узкое место исчезло — и обнажилось стратегическое. Теперь самые важные вопросы звучат так: какую фичу выпускать следующей? Что действительно нужно пользователям? Куда вести продукт?
Это — про стратегию, а не про технологию.
И здесь начинается связь с вашей работой, даже если вы не пишете код. AI в маркетинге меняет ту же логику: инструменты берут на себя исполнение, а человек остаётся нужным там, где нужно думать о смысле и направлении.
AI ускоряет — но не отменяет экспертное мышление
Давайте честно. Всё это звучит красиво, но есть риск прочитать это как «AI делает всё, люди отдыхают». Это не так.
Посмотрите на то, что остаётся за человеком в примере Nextdoor:
- Понять, какая фича нужна пользователю.
- Сформулировать желаемый результат достаточно чётко, чтобы агент мог двигаться к нему.
- Оценить качество того, что вышло.
- Принять решение — выпускать или нет.
Всё это — суждение, опыт, понимание контекста. Именно то, что нельзя безоглядно отдавать AI, если вы не хотите потерять квалификацию и контроль над результатом.
AI отлично работает как усилитель человека, который понимает, что делает. Он плохо работает как замена человека, который ещё не разобрался.
Что это значит, если вы эксперт — не разработчик
Типичная ситуация: дизайнер или маркетолог смотрит на всё это и думает: «Ну, это про разработчиков. Меня не касается.»
Касается. Просто на другом уровне.
Та же самая логика работает в контенте, в маркетинге, в продажах. AI-инструменты берут на себя производство — тексты, картинки, черновики, структуру. Специалист, который умеет чётко формулировать результат («вот что должен почувствовать читатель», «вот какое действие я хочу получить»), начинает работать значительно быстрее.
А специалист, который ждёт, пока AI «сам придумает» — получает посредственный результат и теряет время на правки.
Разница — в том, насколько чётко вы мыслите о результате. Это и есть outcome thinking, просто без кода.
Если вам интересно, как AI-агенты берут на себя рутину в реальных рабочих процессах — там много конкретных примеров, как это устроено на практике.
Главный урок: когда исчезает одно ограничение, обнажается следующее
Это, пожалуй, самая ценная мысль во всей истории Nextdoor.
Раньше говорили: «У нас нет времени это сделать.» Теперь говорят: «У нас нет ясности, что именно делать.»
Это хорошая новость. Потому что ясность — это то, над чем можно работать. Это вопрос позиционирования, понимания аудитории, стратегии продукта или контента.
Для эксперта с блогом — это ровно та же история. Можно теперь публиковать контент быстрее, чем раньше. Но если нет понимания, какой контент ведёт к продажам и почему — скорость не поможет. Узкое место просто переехало из «производства» в «стратегию».
И это — хорошая точка входа для разговора о системе.
Если вы хотите разобраться, где именно у вас сейчас рвётся цепочка «контент → клиент» — приходите в мой Telegram-канал. Там разборы, примеры и живые ответы на вопросы без лишнего шума.
По мотивам материала OpenAI News «How engineers at Nextdoor use Codex to build without limits».
Частые вопросы
Что такое AI инструменты для разработки и как они работают?
Заменит ли AI разработчиков и других специалистов?
Как ускорение разработки с AI влияет на бизнес?
Как outcome thinking помогает в работе с AI?
100 нейросетей
для экспертов
Подборка, которой реально пользуются — пришлю на почту. Без спама, отписка в один клик.
любых задач
и эффективности
и карьеры
Комментарии
Будьте первым — поделитесь мыслями или задайте вопрос.
Чтобы оставить комментарий — войдите
Это пара кликов. Чтобы избежать спама — только зарегистрированные пользователи. Никакой рассылки, только если вы сами захотите.