К середине 2026 на рынке более десяти AI-ассистентов для кода, которые имеет смысл всерьёз оценивать. Цены — от $20 до $50 за seat в месяц. Octoverse 2024 от GitHub сообщил, что проникновение Copilot в инженерные команды Fortune 500 перевалило за 70%, а полевое исследование METR (Model Evaluation and Threat Research) 2025 года показало: опытные разработчики, использующие топовый AI-ассистент на знакомом им open-source-репозитории, оказались на 19% медленнее — хотя сами оценивали свою скорость как +20%. Разрыв между маркетинговыми цифрами и наблюдаемой продуктивностью никогда не был таким большим.

Это buyer's guide, который реально нужен engineering manager'у в 2026: для чего каждый из десяти ведущих инструментов, сколько они стоят, где ломаются, и как их комбинировать, не платя дважды за одно и то же.

Большинство платформ для engineering analytics требуют выходных, прежде чем вы увидите первый график. OAuth в GitHub. Подключить Jira. Подождать следующего деплоя, чтобы DORA дочиталась. Уговорить безопасников одобрить webhook. К моменту, когда всё взлетит, исходный вопрос «мы реально стали быстрее отгружать после реорга?» уже устарел на два спринта.

Chrome-расширение меняет порядок: установить, залогиниться один раз, и в течение 30 секунд у вас есть сигнал из GitHub, GitLab и Jira. Без backend, без согласования интеграций, без Looker-лицензии. У этой скорости есть жёсткие ограничения. Этот пост о том, что Chrome-расширение для инженерных метрик реально умеет, где оно выигрывает у SaaS, и какой пласт работы оно никогда не увидит.

В Q1 2026 мы инструментировали инженерную организацию, у которой в отчёте красиво стоял «$340K на проект X за квартал». Но если посмотреть в топ-5 тикетов внутри этого проекта, картина другая. PROJ-1245 рефакторинг auth: $4 820. PROJ-1281 баг с форматом даты: $3 140. Двухчасовой багфикс стоил больше половины архитектурного рефакторинга. Шесть инженеров трогали этот тикет три недели подряд, потому что у него не было хозяина.

Этот разговор невозможно вести с цифрой по проекту. С цифрой по конкретному тикету — можно. В этом весь аргумент поста — и причина, по которой большинство Engineering Intelligence тулов спорят про не тот слой.

Три названия в каждом shortlist по Engineering Intelligence в 2026 году: Pluralsight Flow, Jellyfish и LinearB. Три разных истории, три разных покупателя, три абсолютно разных ставки на то, какой должна быть EI-платформа. И при этом средний инженерный лидер в mid-market тратит две недели на сравнение всех трёх и уходит, так и не поняв, какая ему подходит.

Путаница не случайна. Все три вендора описывают себя пересекающимся языком — "engineering intelligence", "DORA-метрики", "data-driven engineering", — но внутри оптимизируют под совершенно разные ICP. DORA State of DevOps Report 2023 года (Forsgren et al., Google Cloud) отметил эту проблему явно: категория обогнала ментальную модель покупателя. Большинство команд выбирает не ту платформу не потому, что платформы плохие, а потому что они даже не конкурируют по одной оси.

Эта статья распутывает узел. Без вендорских питчей — назовём, где каждая выигрывает и где каждая вам точно не подойдёт.

Sprint planning, запланированный "на 10 утра, чтобы всем было удобно", — быстрейший способ потерять инженерное время в распределённой организации. Математика простая: с инженерами в Americas, EMEA и APAC слота "все могут прийти" не существует — хотя бы одна таймзона теряет 3+ часа, встречаясь в неудобное время. Microsoft Work Trend Index 2022 по 61 000 сотрудников: встречи вне локального 9-17 снижают вовлечённость на 52% и увеличивают частоту последующих недопониманий в 2.4×.

Это чеклист — не философское рассуждение — как запускать sprint planning для команды из 3+ таймзон. Он построен на паттернах нашего IDE heartbeat датасета, конкретно на 62 командах, работающих с распределённым планированием.

Около 80% Engineering Intelligence вендоров между 2024 и 2026 годами добавили «AI» в маркетинг. GitHub Octoverse 2024 показал, что генеративные AI-инструменты обогнали весь остальной сегмент developer tools по темпам внедрения. У каждого дашборда теперь есть «спроси у AI», каждый квартальный релиз привозит «AI insights» плитку. Мы протестировали платформы, которые действительно стоит рассматривать, и большинство «AI-фич» оказываются тем же SQL-запросом, поверх которого приклеен абзац LLM-прозы.

Это рабочий гайд для лида — что каждая AI-фича реально делает, где она оправдывает себя и где выдает статистически некорректные, но очень уверенные ответы.

Staff-инженер задаёт аналитику простой вопрос: «Сколько на самом деле стоила фича SSO?» Через сорок минут аналитик возвращается с числом. Оно ошибается на 35%. Не потому что аналитик плохой, а потому что SQL SUM(hours) × $50 потерял ветвление по rate type, не учёл месячный K-коэффициент и обработал контрактника на месячном инвойсе так же, как штатного сотрудника. McKinsey Developer Velocity Index (2023) ставит типичный engineering overhead в 30–55% от ФОТ; если ваш cost-per-feature запрос не умножает на это, вы живёте на неправильной половине этих чисел. Лекарство — настоящий PostgreSQL-запрос со всеми тремя слоями. Эта статья — про этот запрос.

Elite-команды деплоят в production в 973 раза чаще low-перформеров — и при этом ломают прод реже. Это главный вывод DORA 2023 State of DevOps, который перевернул десятилетие веры в «move fast and break things»: скорость и стабильность коррелируют, а не противоречат друг другу.

Deployment Frequency — самая простая на вид из четырёх DORA-метрик и самая часто читаемая неправильно. Команда может выкатывать 10 раз в день на staging, никогда не доезжать до прода — и называть себя elite. Этот глоссарий разбирает метрику до конца: формула, бенчмарки, что считается деплоем, и где число врёт.

GitPrime появился в 2014. Это был первый отдельный продукт, который брал события Git и превращал их в аналитику для руководителей — то, что позже назовут Engineering Intelligence. Категории ещё не существовало. Название было синонимом developer-аналитики примерно пять лет. Сегодня та же кодовая база живёт в портфеле Appfire под именем Pluralsight Flow, и три из четырёх инженеров, с которыми я говорил за последний месяц и которые активно пользовались продуктом при Pluralsight, описывают ситуацию одинаково: «продукт, который я покупал, — это не тот продукт, контракт по которому я сейчас продлеваю».

Десять лет, три владельца, один ребрендинг и стратегический заход через private-equity divestiture. Ниже — хронология, что менялось для пользователей на каждом шаге и куда экс-клиенты GitPrime реально уходят в 2026.

Ваша команда из 40 инженеров держит 34 репозитория. Звучит разумно? Мы видим эту форму часто. Типичный разработчик в такой конфигурации триггерит 11,4 переключения контекста в день между репо — почти все невидимы EM, каждое стоит ~23 минут рефокуса (UC Irvine, Gloria Mark, The Cost of Interrupted Work, 2008, и последующие репликации). Та же команда после миграции в monorepo: 3,2 переключения в день. Продуктивностная математика очевидна; стоимостная — интереснее.

Обе архитектуры работают. Google держит крупнейший известный monorepo (2B+ строк, ~85,000 инженеров). Netflix — тысячи polyrepo. Вопрос не в том, что лучше в вакууме — а что подходит вашему размеру команды, вашему CI-бюджету и вашей терпимости к координационному оверхеду.