Как ИИ трансформировал мою роль Product Lead

На практическом уровне:
1. Переход к ИИ-native — вся работа переехала в один интерфейс (Claude), где ИИ стал центральным слоем управления
2. Коннекторы (MCP/CLI/REST API) — основа моей системы
3. Мои знания о компании, клиентах, ICP, контексте — теперь это claude.md / user.md
4. Мои «коллеги» сегодня — Soul1.md , Soul2.md и наши отношения с ними теперь это heartbeat1.md , heartbeat2.md моих агентов
5. Мой уровень владения Hard Skill определяется качеством составленного SKILL.md
6. Рост продуктивности не снижает нагрузку — если я делал работу в 10 раз быстрее, то система требует в 10 раз больше результата
7. Сдвиг ценности от исполнения к принятию решений — ключевыми стали вкус, приоритизация, judgment и оркестрация, а не выполнение задач
8. Learning loop через GitHub — все эксперименты и инсайты сохраняются в репозитории как единый source of truth для команды и ИИ
9. Коллективная память теперь в GitHub, а не в Confluence. Гит превратился в базу знаний, где фиксируются результаты тестов и решения

На ментальном уровне:
1. Главная проблема — скорость изменений: даже профессионалы вроде меня, не успевают адаптироваться, постоянное ощущение «отставания» (писал тут)
2. Возникает иллюзия, что «все уже разобрались»: люди демонстрируют уверенность, скрывая неопределённость, что мешает открытому обмену знаниями
3. Происходит обесценивание накопленных навыков: области вроде маркетинга, продукта и продаж теряют «ремесленную» ценность, так как ИИ снижает порог входа
4. ИИ уравнивает грейд — менее опытные специалисты могут быстро создавать «достаточно хорошие» результаты, что размывает разницу в опыте
5. Меняется структура карьер и иерархий — традиционные признаки seniority ослабевают, опыт остаётся важен, но уже не даёт линейного преимущества
6. Новые навыки сложнее формализовать — decision-making и вкус нельзя легко масштабировать через курсы и playbooks
7. Прошлый сетап из инструментов перестал работать (CLI убрал переключение между инструментами, ускорил цикл тестирования и принятия решений)

Подал заявку в OpenAI

Они запускают партнерскую сеть для ускорения внедрения ИИ в компаниях перед IPO

По плану обучить 300 000 сертифицированных консультантов

OpenAI создает партнерскую сеть для организаций, которые помогают клиентам внедрять, развертывать и развивать продукты OpenAI.

Есть 3 грейда: Select, Advanced и Elite, каждый из которых имеет высокие требования к показателям продаж, техническим возможностям, участию в совместных продажах и опыту деплоя.

Почему вам не нужна ИИ автоматизация

80% запросов от бизнеса в духе “давайте внедрим ИИ” — мимо.

Потому что чаще всего это не запрос на эффективность.
Это попытка сбежать от скучной управленческой работы.

Почему?
Просто потому, что это новый способ прокрастинации (как Claude Code у вайбкодеров), эдакий мнимый святой Грааль, который спасет от рутины, с которым вы обгоните всех. (ну, а если вы слышали про AI-native организации, где 80% работы делают ИИ агенты, то забудьте. Ибо вам придется уволить всех, оставить 0-3 чел. и с 0 строить AI-native, agent-driven компанию, которая способна сама себя улучшать. Вы на это не способны).

Ну а если серьезно, то давайте с базы:
1. Если у вас <100 сотрудников в штате — ваш роскошный максимум: купить обучение сотрудникам. Серьезно. Это лучшая инвестиция, т.к. ваши бизнес-процессы либо вообще не регламентированы, либо их никто не выполняет по регламенту (нет контроля, ибо что такое контроль? это 1я ступень менеджмента = проектный/операционный менеджмент, должен быть «жандарм», который бдит что процесс исполняется, в т.ч. с применением ИИ. Вы, как собственник, не будет заниматься этим контролем. Это просто ваше желание, а не рабочий процесс)

2. CRM хотя бы есть? Не в том смысле, что у вас есть такой инструмент как Битрикс24, AmoCRM и т.д., и вы в нем ведете клиентов по воронке от лида до сделки, а в том смысле, что вы УПРАВЛЯЕТЕ отношениями с клиентами (CRM = customer relationship management), в этом случае CRM в контексте ИИ автоматизации для вас это способ собирать данные о клиентах, их проблемах И у вас есть культура системно это делать.

3. Данные организованы? Процессы работают?
- цели есть? OKR вниз до сотрудников?
- регламенты описаны? исполняются?
- метрики трекаете? дашборды есть хотя в Data Lense?
- должностные инструкции работают?
- бизнес-процессы описаны?
- данные, они где? хотя бы одна SQL база есть?

Если этого нет, ИИ не ускоряет бизнес, а только размазывает его слабые места (Amazon об это же и споткнулся, ИИ часть кода удалил в продукте AWS).

4. Процесс привлечения клиентов управляемый? У вас несколько каналов откуда к вам приходят клиенты, и для вас это управляемый процесс (есть ответственный за каждый канал: SMM, РРС, SEO, Email, наружка, партнеры и т.п.) и вы «data informed», т.е. принимаете решение опираясь на данные (в бизнесе эту задачу обычно решает система сквозной аналитики, Roistat / CallTouch).

В этом случае тоже ещё рано думать про внедрение ИИ. Почему?
Потому что у вас дай бог 1 спец. на каждое направление, что вы там будете автоматизировать? Максимум часть какой-то рутинной работы специалиста, но это опять же на уровне KPI (квартальная фокус задача самого сотрудника купить себе подписки на ИИ-сервисы, и начать их применять)

4. Вы понимаете где вы теряете ПРИБЫЛЬ?
или проще: финансовый директор есть в организации?
Если нет — вам не нужен ИИ. Он съест вашу маржу на токены.

Сначала нужна не автоматизация, а нормальная диагностика:
- где теряется выручка → отв. финсист
- где ломается воронка → отв. директор
- где теряется время, качество → отв. сотрудник

Но при чем тут финансист?
Он должен показать вам СКОЛЬКО вы теряете, сколько должен переезд бизнес-процесса на AI (опытные спецы не будут заходить на проект дешевле $10 тыс., поэтому такие инвестиции должны окупиться. Я считаю срок окупаемости = 10 мес.).

Вряд ли вы как владелец, будете сидеть высчитывать по каждому БП срок окупаемости, закладывать поправочные коэфициенты, затраты на токены, на обучение, стоимость observability и т.п.).

Поэтому, если делать по уму, то делаем по PlayBook'у компаний из BigTech-а:
- садимся и считаем экономику расхода на токены
- стоимость обучения (если не вытесняем людей из цепочки на 100%)
- стоимость поддержки
- стоимость железа (если не хотим отдавать свои данные провайдерам)

И вводим метрику "интеллект за доллар". Так делает Microsoft, они оценивают LLM-модели по стоимости достижения производительности.

===

Многие компании хотят ИИ не потому, что понимают задачу, а потому что хотят отложить настоящую работу — регламенты, контроль, аналитику, ответственность и перепрыгнуть через ступеньку.

И вопрос не в том, нужен ли ИИ вообще.
Вопрос — есть ли система, к которой его можно подключить?

Забудьте о парсерах


Tabstack — это API для веб-данных и автоматизации, обеспечивающий надежный структурированный вывод. Передайте URL и схему, и получите JSON, который всегда соответствует запросу.

Один API предоставляет вашему коду все необходимое из веб-среды: структурированный JSON, чистый Markdown, ссылки на исследования и автоматизацию браузера. Вам не нужно запускать браузер, LLM или конвейер обработки данных. Используйте его из инструментов, с которыми вы уже работаете: MCP-сервер, CLI, расширение Raycast или в качестве скилла для агента.

Скиллы для продакта

pm-skills, с которыми нейронка будет любые ваши задачи дорабатывать и формулировать по методикам из известных продуктовых книг.

Каждый навык предоставляет Клоду знания в предметной области, аналитические инструменты или пошаговый рабочий процесс для конкретной задачи управления проектами.

навыки упакованы в плагины:
1. Разработка продукта — Генерация идей, эксперименты, проверка предположений, аудио- и видеоматериалы, интервью (13 навыков, 5 команд)
2. Стратегия продукта (PM-product-strategy) — Видение, бизнес-модели, ценообразование, конкурентная среда (12 навыков, 5 команд)
3. Выполнение плана проекта — PRD, OKR, дорожные карты, спринты, ретроспективы, примечания к релизу, управление заинтересованными сторонами (16 навыков, 11 команд)
4. PM-маркетинговые исследования — Персоны, сегментация, карты пути клиента, оценка размера рынка, анализ конкурентов (7 навыков, 3 команды)
5. pm-data-analytics — генерация SQL-запросов, когортный анализ, анализ A/B-тестов (3 навыка, 3 команды)
6. Планирование выхода на рынок — плацдармированные сегменты, идеальные целевые показатели, коммуникация, циклы роста, стратегии выхода на рынок, стратегическая карта (6 навыков, 3 команды)
7. pm-marketing-growth — Маркетинговые идеи, позиционирование, ценностные предложения, нейминг, ключевые показатели (5 навыков, 2 команды)
8. pm-toolkit — Проверка резюме, юридических документов, корректура (4 навыка, 5 команд)
9. pm-ai-shipping — AI Shipping Kit: документирование приложения, написанного на Vibe Code, аудит безопасности и производительности, составление карты покрытия тестов, компиляция пакета доставки (2 навыка, 5 команд)

ИИ ищет мне тендеры

Настроил ИИ агента для поиска и обработки тендеров, каждый день в 9:00 присылает подборку и записывает в Google таблицу.

Что внутри:
1. ~240 уникальных источников (58 гос + 182 коммерческих)
- Государственные: zakupki.gov.ru, Сбербанк-АСТ, РТС-тендер, ЕЭТП/Росэлторг, ТЭК-Торг, Национальная ЭТП, ЕТПРФ, Фабрикант, B2B-Center, Газпромбанк ЭТП, Оборонторг и десятки других федеральных площадок.
- Коммерческие: Роснефть, Сибур, Газпром Нефть, Лукойл, Норникель, РЖД, МТС, МегаФон, X5, Транснефть, Северсталь, Евраз, Русал, Татнефть, Полюс, СберB2B и 170+ корпоративных/региональных порталов.
- Казахстан: Самрук-Қазына, ЕЭП MITWORK, ЕТС-Тендер, goszakup.gov.kz.

2. Ищет только ИИ-релевантные закупки
- Якоря: «искусственный интеллект», «нейросети», «генеративный ИИ», «LLM», «RAG», «AI-агенты» и т.п.
- Отсеивает поставки ноутбуков, страхование, питание, мебель, книги и оборудование.

3. Проверяет, что это именно услуга, а не товар
- Внедрение, разработка, сопровождение, интеграция, обучение, SaaS, облако — пропускает.
- «Поставка», «приобретение», «робототехника», «оборудование» — отбрасывает.

4. Уточняет детали по каждому тендеру
- Название, заказчик, сумма, дедлайн, площадка, номер, регион, закон, ссылка на ЭТП.
- Проверяет дубли по ID тендера.

5. Записывает в Google Sheets и шлёт мне в Telegram
- Строка с кратким итогом: «Новых строк: X. Всего в таблице: Y».
- Ссылка на таблицу — в том же сообщении.

Сколько времени это экономит?
- Ручной поиск по 240 площадкам — часы.
- Агент — 90 секунд.

---

Если вам нужен такой же — пишите 🙂

Курс по coding агентам в OTUS

Ко мне пришли из OTUS с запросом «сделать лучшую программу по кодинг агентам».
Сижу собираю новую программу курса для сентябрьской когорты по кодинг-агентам,

и решил посмотреть конкурентов, открыл курс агентному программированию в Яндекс.Практикум, Разработчик c AI в GeekBrains

И это полная хуета!
(всё смешано в кучу)

В моем канале Videos of AI @ YouTube ГОРАЗДО больше полезной инфы и бесплатно.

А кто хочет всё и сразу, в групповой динамике и с ДЗ — я сделаю ЛУЧШИЙ курс по кодинг-агентам уровня MAVEN.

p.s.
А вообще, не учитесь в РУ сегменте, отставание в ср. на полгода

Vibe coding VS Agentic Engineering

Разница в уровне ответственности за качество.
Вайбкорды: "это ИИ виноват"
Инженеры: "это моя вина, что ИИ сделал ерунду"

Год назад Андрей Карпати придумал термин «вайб-кодинг», чтобы описать безрассудно-радостный способ программирования: вводишь промпт → передаешь управление ИИ → принимаешь все, что он выдает, не читая изменения в коде, тупо вставляешь сообщения об ошибках обратно и просишь изменить.

Это было отличное название для реального явления — быстрого создания прототипов или MVP на автопилоте.

Вайбкодеры = обезьяны, которые жмут кнопку "accept", по другому их не назвать.

Норм если делаешь для себя. Плохо если делаешь для пользователей / клиента на заказ.

Профи используют термин Agentic Engineering (Карпати об это тоже писал), и с ИИ получают огромный прирост производительности благодаря ИИ — в 2-5 раз. В чем отличие?
- пишут TDD (тесты до старта разработки)
- пишут спеки ещё до получения запроса
- относятся к ИИ как к быстрому, но ненадёжному джуну
- ИИ кодит, а человек отвечает за архитектуру
- вы постоянно проводите тестирование

==

Пока все учат вайбкодить.
Курс для OTUS будет про Agentic Engineering.

Вы тоже заметили рост вакансий с AI?

Например:
- AI Native Marketing Head, Финансист
- AI Product Manager, ВЛАДИС
- РМ по внедрению AI-инструментов, МТС
- Специалист по внедрению ИИ, АТЛАС
- AI Product Manager, Моё дело
и т.п.

Ищут джунов, Моё дело спрашивает "что такое HITL" в тесте...
Сбер ищет опыт с LangGraph.. Авито - опыт с RAG.
Требования минимальны, экспертиза нанимающих менеджеров слабая.
Т.е. меняются изнутри, локально внутри домена. Не сверху вниз.

Поэтому сильные либо:
а) идут работать в корпы (Гигачат / Алиса)
б) работают на зарубежные компании
в) тру строят Ai-native стартапы с фокусом на глобал (пример)

Большинство знакомых из Яндекса, Авито и др. переориентировались на Tier-1 рынки.

Что делать компаниям?
Увы, нет другого способа привлечь на борт группу «ИИ сталкеров», которые могли бы инициировать ИИ-трансформацию, кроме как позволить им разбогатеть.

Действуй как инвестор, оценивающий потенциал будущей капитализации, а не как менеджер, который изучает PnL.

p.s. Еще один важный момент: позволь своим энтузиастам разрабатывать продукт каннибализирующий текущую прибыль. Иначе либо они уйдут и создадут аналог с Claude Code, либо конкурент.