ТЗ для кодингового агента: как написать так, чтобы создать результат, а не косячный код

Разработка с ИИ при неправильном подходе может превратиться в головную боль, особенно если вы не умеете читать код: вас засыпет кучей ошибок, вы начнете их править, создавая новые, и так по кругу. На воркшопе по ИИ-прототипированию в следующий вторник я буду показывать, что и как делать во время взаимодействия с агентом, но для хорошего результата также важно, что происходит до этого.

Чтобы сократить количество ситуаций, когда агент косячит (убрать их полностью пока невозможно), важен не только сам процесс, но и то, что предшествует ему. И тут мне хочется отметить роль правильно написанного ТЗ. По моему опыту, хорошо описанное ТЗ и работа с ним закрывают 80% проблем, которые возникают у кодинговых агентов. Сегодня делюсь тем, как надо и как не надо его писать.

Выбирайте стек и формат реализации сами
Даже если не шарите за языки программирования - погуглите, что и для чего используется. Ваша цель - выбрать более популярный язык и формат реализации. Почему? Потому что в нем больше примеров, на которых ИИ обучался. Например, реализовать что-то на React будет гораздо проще, чем пилить условный Telegram Mini-App, т.к. последние появились не так давно.

Продумайте UJM
Как минимум - базовые сценарии. Да, можно в процессе подправить, но у LLM есть один недостаток - они часто не убирают старую логику при добавлении новой. Результат - сломанный код и кривой User Journey.

Потратьте время на продумывание состояний
LLM неплохо продумывают стейты, но неидеально. Особенно в контексте ТЗ. Мой совет - нарисовать себе заранее схему возможных, критичных для вас состояний создаваемого приложения, а затем убедиться, что все они включены в ТЗ.

Разбейте ТЗ на этапы
Самое простое - сделать в соответствии с UJM. Цель - чтобы после каждого этапа вы могли потрогать результат. Так мы обеспечиваем себе больше контроля и отлавливаем ошибки на самом раннем этапе.

Не отдавайте задачу ИИ втупую
Если делать в формате одного сообщения - получите ТЗ с кучей недочетов. Ваша задача - коллаборировать, а не делегировать. 1 этап - всегда сетап окружения, 2 и последующие - в соответствии с вашим UJM.

На хорошее ТЗ, набив руку, вы потратите максимум час, без него - AI агент сожрет десятки ваших часов, а месячный лимит токенов вы потратите за один вечер.

Не забудьте залететь на эфир по ИИ прототипированию в следующий вторник, мой бот напомнит об эфире, а также пришлет вам ссылку и запись, если не сможете быть онлайн.

👉🏻 Записаться на эфир

Инсайты об AI, продуктах, команде и жизни: что я вынес из интервью Павла Дурова Лексу Фридману

Редко слушаю подкасты, но для интервью Дурова Фридману были причины: сильный интервьюер и очень интересный гость. Получился ценный разговор двух интеллектуалов. Восхищение, которое Фридман не скрывал по отношению к Павлу, ничуть не портит интервью - оно и правда заслуженно.

Своими ответами Дуров с самого начала выглядит как "сын маминой подруги". Не знаю, насколько он действительно придерживается того образа жизни, о котором говорит, а насколько это часть PR, но транслируемые им идеи и ценности мне очень резонируют. Их хочется внедрять в свою жизнь и рабочие процессы.

Вот, что я для себя подчерпнул

Про создание пользовательского опыта
Дуров явно следует принципам Джобса, делая акцент на отточенных интерфейсах и продуманных анимациях. Его перфекционизм проявляется в желании вызывать положительные эмоции у пользователя даже от банальной анимации удаления сообщения. При этом дизайн и инженерия работают в связке: нарисованное должно быть эффективно реализовано кодом. Это показывает глубокое понимание влияния даже мельчайших деталей на глобальный пользовательский опыт и производительность.

Про команду
Дуров подробно объясняет, почему команда Telegram такая небольшая. Он утверждает, что количество сотрудников ≠ качество продукта. Большая команда чаще приводит к проблемам с координацией и демотивации.

Его подход строится на трёх принципах:
- Догфудинг. Нанимать только активных пользователей Telegram, которые понимают продукт изнутри.
- Конкурсный отбор. Талант доказывается победами в кодинг-конкурсах, а не резюме из корпораций. По словам Дурова, работа в корпорации “учит системности, но не учит решать проблемы”.
- Никаких “игроков класса Б”. Один слабый сотрудник тормозит и демотивирует всю команду “А-игроков”. Вместо того чтобы раздувать штат, Дуров предпочитает применять автоматизацию.

Про AI разработку
Дуров не говорил об AI напрямую, но его философия разработки - лучший ответ на вопрос о будущем программистов. Большая часть кода Telegram написана с нуля, без стандартных библиотек с их уязвимостями, - вплоть до собственного языка для бэкенда.
Для меня главный вывод: AI не заменит разработчиков. Скорее, он сформирует новый “элитный” слой креативных инженеров, способных создавать по-настоящему инновационные и безопасные системы с нуля.

Про AI и идею изобилия
Очень интересный фрагмент интервью посвящен "мышиному раю" - эксперименту, где мыши жили в условиях изобилия, что привело к коллапсу общества и вымиранию. Дуров проводит параллель с человеческим обществом, говоря, что AI, предоставляя всеобщее изобилие, может лишить людей цели и смысла. Этот эксперимент ставит под сомнение идею Сэма Альтмана о безусловном базовом доходе от AI, предполагая, что нехватка и ограничения могут быть необходимы для развития и самореализации человека. Дуров верит, что ограничения должны исходить изнутри (самоограничение) для создания цели и смысла в жизни.

Про цифровую гигиену (и AI в ней)
Дуров придерживается строгой цифровой гигиены, не пользуясь телефоном для социальных сетей, чтобы не позволять другим определять, о чем ему думать. Он считает, что необходимо активно фильтровать источники информации, чтобы не стать "рабом алгоритмических лент", которые кормят всех одинаковым контентом . Он проводит много времени в тишине, размышляя, и рекомендует избегать телефона утром, чтобы сохранить ясность ума и не быть "существом, которому говорят, о чем думать”. Этот подход особенно важен в эпоху AI-управляемых рекомендательных систем, которые могут незаметно формировать наше мировоззрение, о чем я также писал ранее.

Про вдохновение
Здесь было много про то, как важно проводить время наедине с собой, влияние спорта на креативность, а также про близких. То, как тепло Павел отзывается о своем брате и насколько благодарен ему - вызывает улыбку и лишний раз напоминает о том, как важно иметь вдохновляющих тебя людей в своем кругу общения

Очень рекомендую подкаст к прослушиванию. Включите на тренировке, как это сделал я, скорость можно ставить минимум 1.5.

Google выкатили новый инструмент для персонализированного обучения

Кто знает про Google Labs - в курсе того, что туда обычно выкладывают ранние версии продуктов. Именно оттуда вышли Stitch и NotebookLM, которые я так люблю. И вот, около месяца назад компания представила очередной AI-тул.

Называется он Learn Your Way и предназначен для создания персонализированного образовательного опыта. История очень похожа на то, что я пытался сделать в Pearson в формате Teaching Pal (писал про него тут: 1, 2). По-сути он отличается от Teaching Pal во-первых тем, что предназначен для нескольких предметов, а во-вторых, его цель - это адаптация существующих материалов, а не генережка с нуля (как было у нас). Сейчас доступ к тулу дают только через Waitlist и если вы изучаете много нового - я очень рекомендую вам записаться (подавайте от лица образовательного учреждения, лучше с .edu почтой, я получал на домен NGI Academy).

Что крутого в Learn Your Way?
Если коротко, Learn Your Way - это не очередная умная тетрадка, коих дофига. При разработке гугл коллаборировали с экспертами по педагогике и даже выпустили про это отдельную статейку на arxiv. Цель этого всего - максимальная персонализация и интерактивность в процессе обучения.

Инструмент берет учебный материал и адаптирует его под тебя. Все, что нужно - иметь исходник контента, например, в pdf. Далее, я задаю контекст о себе, что я AI-продакт, который любит кататься на велосипеде. И система будет объяснять мне сложные концепции, вроде структур данных в программировании, на примерах из моей профессии и увлечений. В целом, такое несложно запромптить, но когда работает из коробки - это приятнее.

Однако помимо персонализации, Learn Your Way работает еще и с разными форматами, на выбор их четыре:

1. Immersive Text: Материал разбивается на небольшие разделы с картинками, встроенными вопросами и теми самыми персонализированными примерами. Ты не просто читаешь, а постоянно взаимодействуешь с контентом, можешь потыкать подсказки, ответить на мини-вопросы и получить пояснение, почему ты прав или не прав.
2. Slides & Narration: Система генерирует видео-лекцию (пока из слайдов). Причем, в отличие от NotebookLM, который надо еще запромптить правильно (здесь писал как), здесь мы получаем глубокий разбор материала с различными активностями и вопросами к аудитории.
3. Audio Lesson: Формат подкаста, где AI-учитель и AI-студент обсуждают тему. В целом, особых отличий от NotebookLM не заметил. Просто переиспользовали то, что уже работает
4.Mind Maps: Этот модуль также взяли из NotebookLM без изменений. Хороший инструмент, которым я пользуюсь регулярно/

Кому будет полезно?
⁃ Если вы много учитесь ищите для себя новые способы поглощения информации.
⁃ Если вы пилите образовательный продукт - берите и копируйте, сделать такую же штуку довольно несложно на той же API-шке гугла.

Демо на мок-данных можете пощупать тут

Продолжаю набор на обучения по ИИ

Друзья, напоминаю, что в данный момент ведется набор на два моих обучения по ИИ в формате буткемпов, старт - 15 октября!

Те, кто давно на меня подписан, знают: я не буду нагонять FOMO и говорить, что те, кто не освоит AI, останутся за бортом. Напротив, я уверен, что умные люди в любом случае придут к этой технологии, как когда-то пришли к компьютерам.

Однако, те, кто делает это сейчас - ускоряют свою работу, расширяют горизонты возможностей и высвобождают время, которое можно потратить на себя, семью или сайд-проекты.

Именно для этого я полностью переработал и усилил обе свои программы. В основе каждой - принцип challenge-based learning: максимум практики, минимум воды, реальные и измеримые результаты на выходе.

📈 AI для личной эффективности
Это фундаментальная программа для тех, кто хочет освоить AI на системном уровне. Мы не просто поиграем с LLM. Мы разберем, как ИИ работает под капотом, научимся инженерному подходу к промптингу и управлению контекстом, и вместе накодим ваш первый AI-проект: лендинг, Telegram-бот или приложение. Вы освоите работу с локальными моделями для полной приватности и научитесь строить своих AI-агентов. В финале составим персональный план развития в сфере AI.

🚀 AI продакт менеджмент
Цель данной программы - научить вас делать AI-продукты, используя для этого AI. Я твердо убежден: каждый продакт должен стать AI-продактом, потому что AI в продуктах - это уже не фича, а гигиенический минимум. Помимо базы из курса по эффективности, мы сосредоточимся на AI-продакт-менеджменте: я поделюсь методологией AI-дизайна продукта, которую мы оттачивали в Skyeng, Pearson и EAI. Мы разберем нюансы формирования AI-команд, вы проведете свои первые исследования с помощью ИИ, создадите и протестируете прототип AI-продукта под моим менторингом, будь это ваш рабочий либо пет-проект.

Почему вам стоит пройти обучение в NGI Academy?

1. Вы получаете опыт из реальных бизнес-задач, которые я решал в ведущих компаниях в РФ и США
Я стоял у истоков R&D в Skyeng еще до хайпа ChatGPT, затем создавал AI-продукты для американского подразделения Pearson (топ-5 EdTech мира). Сейчас в рамках своего агентства я работаю со стартапами из топ-акселераторов вроде Ultra VC;

2. Вы получаете готовую систему, которую научитесь применять
Знания, которые я даю, получены не методом случайного тыка, а основаны на научных статьях, личном опыте работы в полях и обратной связи сотен тысяч пользователей продуктов, разработанных при моем непосредственном участии;

3. Я передаю вам огромный опыт AI-разработки и прототипирования
Вся экосистема NGI Academy, включая самописную LMS из более чем 100 000 строк кода, была создана мной в одиночку с помощью AI при бюджете в $50;

4. Вы учитесь управлять AI, а не слепо делегировать.
Я начал работать с AI задолго до появления однокнопочных агентов. Благодаря этому я знаю как не просто делегировать задачу, а  как управлять процессом ее решения. Вы научитесь понимать, почему AI предлагает именно такой подход, как его скорректировать и как добиться нужного результата экономно и осознанно;

5. Моему подходу доверяют специалисты из ведущих технологических компаний
Мои программы уже прошли более 70 студентов, включая спецов Яндекса, Т-Банка, Flowwow, Flo, Авито и многих других технологических компаний;

6. Вы получаете персональное менторство и регулярную обратную связь
Для меня важны ваши результаты. Поэтому я сознательно ограничиваю группы до 10-15 человек. Это позволяет мне лично проверять ваши домашки и давать персонализированную обратную связь.

7. Ценность останется с вами и после буткемпов
- Вечный доступ и обновления: Все материалы, записи и база ресурсов остаются с вами. Плюс вы всегда можете бесплатно присоединиться к любому будущему потоку;
- NGI Community: доступ к закрытому комьюнити выпускников из ведущих тех-компаний для нетворкинга и обмена опытом;
- Вы попадаете в закрытый пул сертифицированных AI-специалистов на платформе Профессионалы 4.0

Промокод ngi_ru даст скидку на все тарифы и годовую подписку на Perplexity AI стоимостью $200.

👉 Выбрать программу

Почему нарративы про то, что AI сделает вас “настоящим разработчиком” - маркетинговый буллшит

Еще полгода назад модно было везде кричать про то, что AI заменит разработчиков. Потом до людей дошло, что данный кейс несколько проблематичен в реализации, и даже прогнозы главы Anthropic Дарио Амодеи о том, что 90% кода будет писаться AI - все еще не сбылись.

Проблема здесь очевидна: для того, чтобы что-то реализовать с AI - нужен человек. Минимально - чтобы протестировать и скорректировать результат. В идеале - опытный разработчик, который поправит архитектуру, обеспечит масштабируемость и уберет лишнее из кода. Однако маркетологи по-своему подхватили новые вводные и начали тупо приравнивать минимальные требования к рекомендуемым.

На лендингах и в маркетинговых материалах AI-тулов для вайбкодинга, включая известные вам Bolt и Lovable гордо красуются формулировки “production ready”. Инфобиз тоже тут как тут: вам обешают помочь “стать разработчиком" за пару месяцев. И здесь неясно, что хуже: наивность, с которой они повторяют этот буллшит, или циничное желание нажиться на тех, кто не разбирается в теме. В результате, кому повезет больше и кто копают чуть глубже - что-то строят, в то время как другие получают кривые продукты, слитые API-ключи, дыры в безопасности и теряют деньги.

Самое интересное начинается, если заглянуть этим инструментам под капот
Если зарыться в AI-тулы поглубже, то мы видим, что нам нагло врут. Взять тот же Bolt V2. Готовясь к эфиру на выходных, я решил поковыряться в том, что они называют Bolt Database, который пришел на смену Supabase. Оказалось, что ребята из Bolt сделали свой MCP, который маскирует встроенный Supabase-проект под этим новым именем.

И казалось бы, что в этом плохого? Но здесь два фундаментальных обмана:
- Вас вводят в заблуждение, продавая старую, известную технологию под видом инновации.
- Вас подвергают риску. Маскировка сделана настолько криво, что вчера мне удалось сломать этот самый MCP и вытащить API-ключи для доступа к БД. В грамотных руках это прямое приглашение к атаке на ваш проект.

Вот вам и "production-ready”! Нам продают иллюзию простоты, скрывая под ней дыры в безопасности 🙂

Быстрый результат ≠ освоение навыка
Главная причина, почему такой маркетинг работает - это невероятно крутая кривая обучения на старте. Да, вы быстро получаете первый результат. Да, первые 3-5 проектов вы чувствуете себя гением. Люди вайбкодят сутками напролет, получая новую дозу дофамина. Этого достаточно, чтобы собрать MVP и, возможно, привлечь первых клиентов.

Но дальше вы неизбежно упираетесь в плато, ограниченное возможностями AI. И в этот момент, чтобы двигаться дальше, вам нужна настоящая экспертиза. Нужно понимать, как оптимизировать запросы, как строить архитектуру, как отлаживать код. Быстрый результат - это не освоение навыка, а его MVP.

AI-аугументация: как на самом деле работают разработчики
Вместо того, чтобы бездумно вайбкодить и наивно верить в то, что AI сделает из вас разработчика, я предлагаю посмотреть на то, как его используют те, кто разбирается в коде. 

В моих командах все разработчики используют AI. Вот нескольо кейсов, которые наиболее распространены среди них;
⁃ создание наброска сложной логики по готовому ТЗ, чтобы не писать ее в ручную;
⁃ создание нового кода на основе своего существующего;
⁃ генерация нескольких вариантов фичи для последующего теста в продукте, после - допиливают самостоятельно;
⁃ рефакторинг конкретной функции под личным контролем;
- визуализация требований продакта.

Написать змейку с одного промпта и пилить сложный проект с Legacy - это не одно и то же

Что имеем в итоге?
Я не говорю, что нельзя использовать ИИ для самостоятельно разработки. Напротив - мне хочется видеть больше проектов, у которых что-то получится. Но чтобы это что-то получилось, нужно понимать границы возможностей ИИ и когда не стоит на него возлагать завышенных ожиданий:

⁃ Сделать прототип? Идеально.
⁃ Собрать MVP и проверить гипотезу? Отлично.
⁃ Масштабировать бизнес, который начал приносить прибыль? Лучше наймите команду, это сэкономит вам нервы и ресурсы.

Эфир по AI-прототипировнию вот-вот начнется!

Под этим постом можете задавать вопросы, буду отвечать в процессе.

Собрал туллкит для продактов - отдаю в опенсорс

Вчера во время эфира по AI-прототипированию собрал небольшой тул для продактов, который позволяет существенно упростить работу с продуктовой документацией.

Основные фичи:
- создание скриптов интервью под ваш продукт;
- анализ пользовательских интервью;
- рыночный анализ на основе вашего Elevator Pitch;
- создание PRD на основе пользовательского ввода и данных из предыдущих трех пунктов.

Решил поделиться проектом здесь, каждый может развернуть его у себя, модифицировать и использовать со своими API ключами Gemini и Perplexity. Есть мысли развить проект дальше. Например, хочу прикрутить Whisper для транскрибации аудио, добавить функционал проектов (чтобы была группировка по ним и все было в едином пространстве), добавить возможность использования своих шаблонов и экспорта в гугл докс. Что думаете? 🙂

Репозиторий проекта - ставьте звездочки, сохраняйте себе и следите за развитием :) Для использования вам нужно скопировать его к себе и следовать инструкциям из Readme.md.

Это лишь малый пример того, что можно сделать с AI. Напоминаю, что сегодня, в 19 00 стартуют два моих буткемпа по использованию ИИ для личной эффективности и AI-продакт менеджменту, покрывающим не только вопросы того, как использовать ИИ, но и того, как разрабатывать AI-продукты и фичи.

Забронировать свое место можно тут. Промокод ngi_ru даст скидку на все тарифы и годовую подписку на Perplexity AI стоимостью $200.

AI-видео, маркетинг и соцсети

За последние полгода в AI-видео был сделан огромный скачок. Мы прошли путь от восьмисекундных сниппетов без звука до полноценных роликов, которые зачастую стало сложно отличить от настоящих. Особенно это заметно с появлением Sora 2 и Google VEO 3.1.

Однако, как мы видели на примере безумия с GPT-4o, когда все бросились создавать Ghibli-картинки, появление более сильной технологии ведет к появлению большого количества нейромусора. Instagram* уже заполонили нейро-рилсы: как с мемами, так и, что интереснее, с UGC-роликами. Для тех, кто далек от маркетинга: UGC - это тип контента, когда блогеры нативно рекламируют продукт через личный опыт. Он хорошо конвертит за счет доверия к блогеру или за счет того, что зритель узнает себя и свою проблему. Кстати, часть из вас пришли в этот канал как раз с моего недавнего UGC-ролика 🙂

Отток из соцсетей
Соцсети и так отнимают уйму времени. А с валом нейроконтента возникает постоянное ощущение, что помимо слива жизни на тупые рилсы, тебя еще и пытаются обмануть везде: от мемов до рекламы продуктов. Я сам стараюсь сокращать время в соцсетях, ставя таймеры на приложения, и, наверное, даже назвал бы это скорее плюсом. По сути, это дополнительный стимул не открывать Shorts и прочие вертикальные ленты.

Переосмысление UGC
На мой взгляд, UGC с незнакомыми людьми просто умрет, вызывая эффект баннерной слепоты. Люди перестанут понимать, где реальная реклама, а где сгенерированная, а что хуже - где реальный продукт, а где нет. В результате возрастет цена личного бренда с живой аудиторией, бренды будут больше таргетироваться на конкретных людей, а цена рекламы у блогеров вырастет. При этом стартапам станет сложнее привлечь первых пользователей, т.к. бюджет на маркетинг у них зачастую ограничен.

AI - это становится некруто
С таким количеством нейромусора у пользователя неизбежно возникнет желание отдохнуть от него, найти "островок человечности". И здесь я вижу несколько возможных сценариев. Либо появятся отдельные соцсети, где весь контент будет гарантированно сделан человеком, эдакие эко-продукты. Либо разовьются фильтры в существующих платформах, возможно, даже в рамках платной подписки (лично я готов платить, чтобы в инсте видеть только фотки тех, на кого подписан, а рилсы вообще снести нафиг) 😁 Meta* уже начала помечать сгенерированный контент, и следующий логичный шаг - дать пользователям возможность полностью заблокировать его показ в своей ленте. Тренд на цифровой детокс получит новое дыхание, и настоящая, не сгенерированная реальность снова войдет в моду.

А как вы относитесь к AI-видео?

*Деятельность компании Meta Inc. и её продуктов признана в России экстремистской и запрещена.

Вайбкодинг на собеседованиях продактов и дизайнеров: круто или дань моде?

В последнее время компании добавляют вайбкодинг в качестве этапа собеседований. Причём не только для разработчиков, но и для продактов и дизайнеров.

Одними из первых этот тренд подхватили в Яндекс, вчера узнал, что такой этап появился и в IVI. Казалось бы, компании молодцы, первыми подхватывают тренды, разве нет? Вот только проблема в том, что одно дело - тренд, а другое - практическая значимость.

Главная ценность вайбкодинга - быстрое прототипирование. Все стали буквально одержимы этой идеей, однако для продуктовых дизайнеров и менеджеров это не ключевой навык. У нас годами были инструменты no-code, с помощью которых можно сделать тот же лендинг для теста гипотезы за день, но их не пихали в каждое собеседование.

Большинство крупных компаний уже имеют существующий продукт, и если он не связан с AI - фичи пилятся сразу в продакшн. Вайбкод работает хорошо, когда вы пилите что-то с нуля, чтобы быстро обкатать гипотезы. Однако это не ключевой навык для собеса. Даже работая в R&D-команде, помимо прототипирования нужно уметь проектировать пользовательские пути, проводить исследования, быстро накидывать дизайн-концепты. Вайбкод не проверяет ни один из этих навыков.

Что тогда важно, когда AI проникает везде?
Мой товарищ Коля, канал которого многие из вас читают, буквально недавно писал пост на эту тему - очень рекомендую прочитать и подписаться. Здесь же опишу, что считаю важным со своей стороны.

1. Умение решать проблему чистого листа. Если раньше нужно было проводить тягомотные исследования, то сейчас с помощью LLM можно обрабатывать довольно большие массивы существующей информации о продукте и преобразовывать их в какие-то инсайты, а на базе этих концептов генерировать идеи продуктовых фич.

2. Критическое мышление и верификация работы AI. Часто вижу паттерн, когда результат работы GPT просто копируют. Мол, это быстро и GPT уже делает работу на уровне среднестатистического специалиста. Нанимая человека, я хочу видеть HiPo-спеца, а не среднячка. Умение разруливать ситуацию, когда AI косячит, отличает реального специалиста от GPT-дилетанта.

3. Вместо вайбкодинга. Предложите кейс, связанный с внедрением AI-фичи. Например:

Мы хотим добавить функцию, которая с помощью AI анализирует переписку пользователя и предлагает готовые ответы. Опиши пользовательский путь и риски. Какие инсайты из базы отзывов ты бы запросил у LLM для проверки гипотезы?

4. Проектирование доверия и работа с ошибками AI. Реальные AI-продукты ошибаются. Дайте кандидату кейс:

Наша AI-фича работает неверно в 30% случаев. Пользователи завалили саппорт жалобами. Как мы должны были спроектировать интерфейс, чтобы (а) этого не допустить и (б) что показать после ошибки?

Здесь проверяем основные принципы:
- Transparency: Понимает ли кандидат, что AI должен объяснять свои решения?
- Human-in-the-Loop: Есть ли у пользователя другой выход? Как легко исправить ошибку AI?
- Обработка ошибок: Как сообщать об ошибке, не разрушая доверие к продукту?

5. Представление об AI как части экосистемы продукта. Многие AI-фичи - просто обертка для GPT, не интегрированная в основной продукт, а мы хотим этого избежать. Можно дать кандидату такой кейс:

У нас продукт для X. Мы хотим внедрить AI-ассистента. Куда его встроим? Это будет отдельный чат-бот или контекстные подсказки в интерфейсе?

Здесь проверяем способность думать о всей системе:
- Как это изменит CJM?
- Где AI принесёт максимальную ценность, а где помешает?
- Какие данные ему нужны и как их получить?
- Как использовать данные от работы этой фичи?

Часто из-за FOMO и/или некомпетентности, менеджеры плодят ненужные этапы интервью. Вайбкодинг - яркий пример такого подхода. Если у вас не стартап, не R&D-команда, которая пилит по 10 инноваций в месяц, и не ультрасовременный AI-продукт - вайбкод не всегда ответ на ваш вопрос.

Вместо того чтобы слепо копировать модные практики, стоит задуматься: какие навыки действительно нужны вашим кандидатам в реальной работе? Именно их и проверяйте на собеседованиях.

Как провести полноценный пользовательский ресерч всего с тремя инструментами

Не смотря на то, что я пробую много ИИ-инструментов, в моем регулярном воркфлоу инструментов не так много. Одна из основных моих рабочих задач как продакта - это общение с пользователями в поиске инсайтов по разрабатываемым продуктам. И данный процесс я стараюсь максимально оптимизировать.

Помогает мне в этом всего 3 инструмента, которые я использую для разных целей. На самом деле, обойтись можно даже двумя, но сегодня немного расскажу про свой воркфлоу.

Делаем транскрипты
Здесь вы можете использовать любой транскрибатор. У себя я писал про Macwhisper (платный) и Vibe (бесплатный). Вариантов куча и зависит от того, что удобнее вам, +, как писал выше, можно даже не иметь отдельного транскрибатора: вы можете сделать транскрипт в NotebookLM (о нем ниже). Основная цель здесь - преобразовать записи интервью в текст. В разных приложениях доступны разные модели транскрибации, если у вас доступен Parakeet v3 - используйте его, если нет - Whisper Large Turbo v3.

Индивидуальный анализ интервью
Здесь мой выбор - Google AI Studio. Работаю я в нем по следующему принципу:
- температуру ставим 0;
- проектируем системный промпт для анализа по методу SGR;
- модели достаточно будет даже Gemini Flash, т.к. мы используем SGR, это быстрее и экологичнее (меньше греем сервера, бережем окружающую среду);
- при дизайне системного промпта создаем себе ассистента, который в начале у нас спросит контекст по проекту и цели интервью, после чего задаст дополнительные вопросы для его понимания и только затем приступит к анализу транскрипта;
- стараемся держать контекст ниже 50к токенов для большей точности;
- в результате анализа я люблю просить LLM выписать мне заданные вопросы и ответы пользователя на них, добавляя цитаты там, где возникает сильная эмоция, после - задаем доп вопросы;
- максимум 3 интервью в контексте, но оптимально не более 2, после - чистим контекст;
- результаты анализа сохраняем в индивидуальные гугл-доки;

Групповой анализ интервью
Здесь у нас две опции. Первая - мы можем взять гугл-доки из предыдущего пункта и пульнуть их в AI Studio, но это работает хорошо только в том случае, если вы сами проводили интервью и уверены в их содержании. Но зачастую мне нужно найти какие-то общие патерны и инсайты с сылками на источники. Поэтому для группового анализа я предпочитаю использовать второй вариант - NotebookLM. Закидываем туда наши транскрипты или аудио (для русского языка я рекомендую все-таки транскрипты, т.к. точность для него не такая классная). После - задаем интересующие нас вопросы.

Какие задачи можно решить таким образом:
- создание обобщенного UJM;
- группировка пользовательских персон;
- поиск повторяющихся инсайтов;
- кластеризация потребностей или болей;
- вытаскивание конкретных цитат;
- формирование работ по JTBD;
- и много чего еще…

Отдельный плюс NotebookLM в том, что такой тетрадкой можно поделиться с командой, например, дизайнерами и инженерами, QA, чтобы они задали свои вопросы по транскриптам.

Такое сочетание позволяет мне копать в глубину с помощью AI Studio и в ширину - с NotebookLM. При этом стоит это максимально дешево, на малых объемах хватает бесплатных лимитов, на больших - вам нужна только подписка Google AI и транскрибатор по желанию.

Небольшой ремайндер: если хотите узнать больше про конкретные вокфлоу, инструменты, промпты и кейсы применения AI - еще можете залететь на оба моих буткемпа. Окно продаж закрываем завтра, следующие потоки пока не знаю, когда будут, т.к. не уверен, смогу ли выделить на это ресурс в ближайшие 3-4 месяца.