Григорий Добряков

CEO / Founder

Если нужна инженерная организация, где AI — это операционная модель, а не эксперименты одного отдела, я беру на себя ownership всей функции и освобождаю ваше время для стратегии. Агент — множитель организации, не её конкурент: без владельца, проектирующего и носящего исход всей системы, агенты превращаются в costs; с владельцем — в operating model.

• • Фокус: AI как конкурентное преимущество, а не статья расходов; управляемый рост без пропорционального роста overhead.
• • Ценность: через 90 дней у вас есть карта — где AI работает, где нет, и кто конкретно за что отвечает.
• • Снимаемый страх: вложиться в агентский стек и через год обнаружить параллельные пилоты без production-исхода и никого, кто за это отвечает перед бордом.

CTO / VP Engineering

Если нужен человек, которому можно доверить и людей, и AI-архитектуру, и delivery — не двум людям, а одному — я закрываю все три уровня с единой ответственностью за production-исход. Чем зрелее агентский стек в команде, тем дороже мета-роль: кто решает, какие агенты на каких задачах работают, где их останавливать, и кто отвечает за то, что вся эта система работает как operating model.

• • Фокус: delivery predictability + AI embedded в SDLC + архитектурные компромиссы без роста технического долга.
• • Ценность: спокойствие на уровне C-level, меньше управленческой перегрузки, AI в pipeline как практика команды.
• • Дополнительный слой: владелец агентской системы, которая делает оба уровня (VP Engineering + Head of AI), а не просто человек, дублирующий две роли.

Head of AI / VP AI

Если AI-роадмап есть, но его перевод в инженерную практику буксует, я создаю связку между архитектурными решениями и тем, как команды реально работают каждый день.

• • Фокус: production readiness AI-систем, team enablement, governance и observability AI-контура.
• • Ценность: AI-инициативы доходят до production, а не умирают в пилотах.

Chief Digital Officer

Если нужно довести дорожную карту цифровизации до результата, синхронизирую бизнес-цели и инженерную реализацию без потери управляемости.

• • Фокус: реализация портфеля AI-инициатив, управление рисками трансформации, согласование бизнеса и технологий.
• • Ценность: цифровые проекты доходят до production в предсказуемом режиме.

HR-директор / Head of Recruitment

Редкая комбинация: engineering leadership + AI-системная экспертиза в одном профиле — закрывает роли, которые иначе потребовали бы двух отдельных людей с риском coordination overhead между ними.

• • Фокус: снижение риска найма на сложную комбинированную роль; явное попадание в JD по масштабу, стеку и зоне ответственности.
• • Ценность: кандидат, которого легко защищать перед CTO и CEO одновременно.

Chief Architect

Если важно сохранить архитектурную целостность при AI-трансформации, встраиваю новые практики так, чтобы не разрушить фундамент и не создать неуправляемый AI-технический долг.

• • Фокус: управляемый архитектурный долг, совместимость AI-решений с существующим ландшафтом, надёжность изменений.
• • Ценность: развитие платформы без роста хрупкости системы.

Что вы получите

• • AI как операционная модель, не как фича — диагностирую, где именно AI создаёт реальный leverage для вашей инженерной организации прямо сейчас; затем встраиваю его в три слоя: как команды работают, как продукт функционирует, как операции используют данные.
• • Предсказуемая поставка как baseline — начинаю с того, что ломает delivery сейчас: узкие места в SDLC, архитектурный долг, организационное трение. Сроки и качество без «чёрных лебедей».
• • Лидерство на масштабе — несколько команд и лидов, ясные boundaries ownership, развитие людей без размывания стандартов исполнения.
• • Один человек вместо двух — там, где VP Engineering и Head of AI не говорят на одном языке, я закрываю оба уровня с единой ответственностью за бизнес-исход.
• • Владелец агентской системы — проектирую и носит исход всей агентской системы компании: где агенты дают рычаг, где добавляют сложность, где их останавливать, кто отвечает перед бордом. Чем дешевле сам труд агентов, тем дороже эта мета-роль.

AI в SDLC

• • AI-assisted coding как командная практика — не личная инициатива одного инженера, а воспроизводимый рабочий процесс с явными стандартами и передачей паттернов команде.
• • AI в тестировании и ревью — генерация тест-кейсов, анализ дефектов, AI в code review: ускорение цикла без снижения quality bar.
• • AI-output eval как release criterion — структурированный eval перед каждым релизом, затрагивающим поведение модели: regression set из production-инцидентов, distribution check на реальных входных данных, один конкретный владелец, который даёт финальный ок. AI-output quality проверяется до релиза — а не случайно обнаруживается в продакшене.
• • Observability AI-решений в production pipeline — логирование решений модели, human-in-the-loop checkpoints, audit trails; AI в production виден и управляем, а не «чёрный ящик».

AI в продукте и операциях

• • Production-ready AI-архитектура — RAG с правильной структурой знаний (не «скинуть PDF в векторную БД»), агентные пайплайны, рекомендательные системы; проектирую под реальные enterprise-ограничения: security, legacy, governance.
• • Event-driven AI — LLM как consumer событийного потока (Kafka, webhooks, monitoring alerts, CI-события): интеллектуальная обработка событий, не чат-бот.
• • AI в маркетинговых и бизнес-процессах — воспроизводимые системы с измеримым выходом, а не «попросим ChatGPT».

Стек и домены

• • AI-слой: Anthropic Claude (API, MCP, tool use), OpenAI-совместимые интерфейсы, Gemini; RAG/agentic-паттерны в enterprise-контуре, n8n-оркестрация, Python + API.
• • AI tooling и протоколы: Cursor IDE, Claude Code, MCP-интеграции и tool-routing под инженерные и исследовательские сценарии.
• • Cloud и платформа: AWS, Ansible (IaC), Docker Hub; hybrid / multi-region; виртуализация и ВМ-слой.
• • Интеграции и события: Kafka, RabbitMQ, API, event-driven architecture.
• • Данные и аналитика: SQL, Elasticsearch, ELK, ClickHouse; vector stores.
• • Качество и поставка: phpunit, Cypress, CI/CD, automated testing pipelines.
• • Enterprise-интеграции: 1C, Bitrix, ERP / WMS / BI, SAP.

Методики

• • AI Engineering governance: observability, prompt injection defense, data isolation, human-in-the-loop.
• • Engineering governance и операционная дисциплина поставки.
• • Agile-практики планирования и исполнения (planning / review / refinement).
• • CI/CD, test automation, quality gates, release reliability.
• • DevOps, IaC, SRE-мышление для устойчивой эксплуатации.
• • Модернизация legacy с контролем архитектурного долга.

Почему это бьётся с ожиданиями рынка

• • Управляю несколькими командами и лидерами и выстраиваю воспроизводимую модель поставки — не героизм отдельных людей.
• • AI в SDLC — не точечные промпты, а управляемый операционный слой (governance, наблюдаемость, границы ответственности).
• • Позиционирование опирается на реальные production-кейсы: Askona — multi-party integration layer, RAG и event-driven AI в контуре $680M+; PersonaClick — ML на 199M+ профилях; nextmoveengine.com — собственная AI-система как «ем то, что готовлю».
• • В high-pressure среде удерживаю предсказуемость без искусственного торможения роста — за счёт приоритизации и прозрачных компромиссов.
• • Чем зрелее агентский стек, тем выше смещается ценность роли: не «делать вещи, которые ещё не умеют агенты», а проектировать систему агентов и нести её исход. Эту мета-роль нельзя купить как SaaS-подписку с SLA — она требует политической массы в организации и готовности ставить карьеру на исход.