Справочник SENAR: Модель эффективности

Методики оценки эффективности внедрения SENAR. Все модели используют относительные коэффициенты и множители, а не абсолютные денежные величины — организации подставляют свои числа в любой валюте.

A. Измерения эффективности

Эффективность SENAR измеряется по четырём направлениям:

B. Модель пропускной способности

B.1 Сравнение производственных единиц

Множитель пропускной способности:

T_multiplier = Tasks_per_Pair_per_period / Tasks_per_Developer_per_period

Организации РЕКОМЕНДУЕТСЯ измерять этот коэффициент в пилотном проекте, чтобы установить базовую линию. Коэффициент сильно зависит от сложности предметной области, возможностей AI-инструментов, опыта супервайзера и качества контекста.

B.2 Эффективность масштабирования

Традиционное масштабирование: каждый новый разработчик даёт убывающую отдачу (закон Брукса — коммуникационные накладные расходы растут как n²).

Масштабирование в SENAR: каждая новая пара «Супервайзер+AI» даёт почти линейную отдачу вплоть до предела координации федерации, потому что пары работают независимо, а зависимости отслеживаются программно.

Traditional: Effective_capacity = n × Developer_output × (1 - communication_overhead(n))
SENAR:       Effective_capacity = n × Pair_output × (1 - federation_overhead(n))

Где federation_overhead(n) растёт медленнее, чем communication_overhead(n), потому что зависимости отслеживаются программно, а не через совещания.

C. Эффективность качества

C.1 Соотношение затрат на обнаружение дефектов

Чем раньше найден дефект, тем дешевле его исправить. Это соотношение устойчиво в разных организациях:

ROI шлюзов качества:

Gate_ROI = (Defects_caught × Avg_late_detection_cost) / Gate_operation_cost

Организациям РЕКОМЕНДУЕТСЯ измерять количество дефектов на каждом этапе и рассчитывать собственные коэффициенты затрат.

C.2 Эффективность первого прохода

Более высокая доля успеха с первого раза (FPSR) означает меньше переделок:

Rework_cost = Tasks_total × (1 - FPSR) × Avg_rework_cost_per_task
Efficiency_gain = Rework_cost_before_SENAR - Rework_cost_after_SENAR

FPSR улучшается по мере повышения качества контекста (более чёткие критерии приёмки, богатая база знаний, задокументированные тупиковые подходы).

D. Эффективность знаний

D.1 Повторное использование тупиковых подходов

Каждый задокументированный тупик (Dead End) не даёт будущим супервайзерам повторить ту же ошибку.

Dead_End_ROI = Documented_dead_ends × Avg_times_would_be_repeated × Avg_exploration_cost

Хорошо задокументированные тупики используются повторно почти в 100% случаев — практически каждый из них предотвращает минимум одно повторение в организации.

D.2 Эффект накопления знаний

По мере роста базы знаний качество контекста улучшается, что повышает FPSR и сокращает переделки:

Session N:    FPSR = f(KB_size_at_N, Context_quality)
Session N+K:  FPSR' > FPSR  (if KB is maintained and growing)

Так возникает эффект сложного процента — каждый инкремент эффективнее предыдущего, пока не наступает плато, на котором большинство типовых паттернов и подводных камней уже задокументированы.

E. Модель накладных расходов

E.1 Коэффициент накладных расходов на процесс

Overhead_ratio = Time_on_ceremonies_and_gates / Total_session_time

Целевой показатель: накладные расходы < 15% времени сессии для Базовой/Начальной, < 20% для Командной.

E.2 Точка безубыточности накладных расходов

Накладные расходы SENAR окупаются, когда экономия от предотвращения дефектов превышает стоимость процесса:

Break_even: Gate_cost + Ceremony_cost < Defects_prevented × Avg_defect_cost

Организациям РЕКОМЕНДУЕТСЯ рассчитывать этот показатель по итогам 3 инкрементов с измеренными данными.

F. Система сравнения

F.1 Традиционная команда vs команда SENAR

Для сравнения эффективности поставки при одинаковом объёме:

F.2 Критерии принятия решения

SENAR эффективнее, когда:

• AI-инструменты способны генерировать большую часть артефактов реализации в данной области
• Множитель пропускной способности (B.1) превышает коэффициент накладных расходов (E.1) — чистый выигрыш в продуктивности
• Экономия от предотвращения дефектов (C.1) превышает затраты на шлюзы — чистый выигрыш в качестве
• Накопление знаний (D.2) даёт эффект сложного процента со временем

SENAR менее эффективен, когда:

• Предметная область плохо подходит для AI-генерации (исследования, строго регламентированные ручные процессы)
• Затраты на AI-инструменты превышают выигрыш от роста пропускной способности
• Организация не может вложиться в инструментальную инфраструктуру (трекер задач, CI/CD, база знаний)
• Команда слишком мала, чтобы процесс приносил пользу (1 разработчик на побочном проекте)

G. Рабочий лист оценки

Организации, оценивающие SENAR, РЕКОМЕНДУЕТСЯ измерять следующие показатели на пилоте (минимум 3 инкремента):

Правило принятия решения

IF throughput_multiplier > 1.0 + overhead_ratio
AND defect_escape_rate <= baseline_defect_rate
THEN SENAR is providing net efficiency gain → consider scaling

H. Тревожные сигналы

Признаки того, что SENAR снижает эффективность вместо того, чтобы повышать её: