CEO Duolingo разослал своим сотрудникам имейл о том, как компания должна стать №1 в области ИИ

Я говорил это на многих встречах, но хочу сделать это официально: Duolingo будет первым в области ИИ.

ИИ уже меняет способ выполнения работы. Вопрос не в том, когда это произойдет. Это происходит сейчас. И когда происходит такой большой сдвиг, то худшее, что можно делать — это ждать.

В 2012 году мы сделали ставку на мобильные устройства. Пока другие были сосредоточены на приложениях-компаньонах для веб-сайтов, мы решили пойти в мобильные устройства, потому что увидели, что это будущее.

Это решение помогло нам выиграть «Приложение года для iPhone 2013» и разблокировало органический рост «сарафанного радио». Ставка на мобайл сыграла решающую роль.

Сейчас мы делаем похожую ставку, и на этот раз это смена платформы на ИИ

ИИ — это не просто повышение производительности. Она помогает нам приблизиться к нашей миссии. Чтобы хорошо преподавать, нам нужно создавать огромное количество контента, а делать это вручную не масштабируемо.

Одним из лучших решений, которые мы приняли недавно, была замена медленного ручного процесса создания контента на процесс, основанный на ИИ.

Без ИИ нам потребовались бы десятилетия, чтобы масштабировать наш контент для большего количества учащихся. И мы обязаны предоставлять им этот контент как можно быстрее.

Быть "ИИ-первым" означает, что нам придется переосмыслить многое из того, как мы работаем

Внесение незначительных изменений в системы, разработанные для людей, не приведут нас к этому и, во многих случаях, нам придётся начинать с нуля. Мы не собираемся перестраивать все за одну ночь, и некоторые вещи, такие как понимание ИИ нашей кодовой базы, потребуют времени.

Однако, мы не можем ждать, пока технология станет на 100% идеальной. Мы предпочтем действовать безотлагательно и время от времени терпеть небольшие потери качества, чем двигаться медленно и упускать момент.

Мы внедрим несколько конструктивных изменений:

– мы постепенно прекратим использовать подрядчиков для работ, с которыми может справиться ИИ;

– использование Al будет частью того, что мы ищем при найме;

– штат сотрудников будет расширяться только в том случае, если команда не сможет автоматизировать большую часть своей работы с ИИ;

– использование Al будет частью того, что мы оцениваем в обзорах производительности;

– большинство функций будут иметь инициативы по тому, как они должны работать с ИИ.

Все это говорит о том, что Duolingo останется компанией, которая глубоко заботится о своих сотрудниках. И речь не идёт о замене Duos (* - сотрудники компании) на ИИ.

Речь идёт об устранении узких мест, чтобы мы могли сделать больше с выдающимися Duos, которые у нас уже есть

Мы хотим, чтобы вы сосредоточились на творческой работе и реальных проблемах, а не на повторяющихся задачах. Мы собираемся поддержать вас, предоставив больше обучения, наставничества и инструментов ИИ в ваших задачах.

Изменения могут пугать, но я уверен, что это будет большой шаг для Duolingo.

Это поможет нам лучше выполнять нашу миссию, а для Duos это означает оставаться на шаг впереди в использовании этой технологии для выполнения своих задач.

Апрельский дайджест для продактов и их команд уже готов к прочтению на майских

– Всё очень просто
– Закон Галла
– Рост за счёт продукта
– Дерево метрик продукта

– Роадмапы никогда не работали
– Библия сегментации
– Servant Leadership vs. Обезьян
– Уязвимости ценности
– Ценности вечны

– ИИ-оптимизация исследований
– /+ ИИ в исследованиях
– Исследования в Apple
– Команду — в исследования

– AI Research в Яндексе и Т-Банке
– Верим, выбираем и адаптируем
– Ложная продуктивность
– Причины падения метрик

– Сильные стороны = слабые
– 5 lvl автономности сотрудника
– Прививка совещаний
– Просроченные продукты

– Процесс по делегированию
– Совет директоров проекта
– Как упрощать сложные решения
– Руководство по геймификации

– Работа ради работы
– Работать и учиться в тишине
– Качество разговоров = зрелость
– Shit tolerance — это скилл

– Прогноз развития ИИ до 2027
– Как AI влияет на команды
– Ограничения пользователей
– Как выжить в токсичной команде

– Синхрон и резонанс с командой
– Задаче надо настояться
– Решение ничто проблемы
– Умение доделывать

– 44 истины о человеке
– Внутренняя парадоксальность
– Эпоха быстрого глупения
– Времена меняются
– Мир теряет цвет

🔥 Ross From Friends - 'Epiphany'
🏆 Oceanvs Orientalis - Atomic Alchemy

Счастливых майских!

Понедельники спокойных наблюдений

Понедельник, пожалуй, один из самых подходящих дней для наблюдений и размышлений, ведь именно в этот день все мысли, факты, цифры, образы и устремления находятся перед глазами. Плюс, мы можем запросить любые данные и встречи, назначить срочный колл, задать вопрос и получить ответ.

"Ок, ведь это понедельник".

А так ли важно это в понедельник?

Когда вокруг лишь шум и суета, то худшее, что можно сделать – присоединиться к ним, став их (старой) новой частью.

Но стоит лишь шагнуть в пространство наблюдений тишины, как вместо суеты и беспокойства придёт поток понятных связей, в котором видно:

– внешнее, что крутится на рынке;
– водоворот инфы, что крутится внутри продукта;
– источники-людей, что генерируют потоки;
– их цели, планы и задачи;
– объекты и процессы в созданных потоках.

🍵 Секрет спокойствия недели в наблюдениях понедельника

Неудачи и факапы — это данные

Относись к ним соответственно и научи себя и команду быстро восстанавливаться после любых факапов, мгновенно переходя от ощущения эмоций к анализу причин. Как только вы закончите анализ, так же мгновенно пробуйте новое.

В противном случае, если продакт застревает в факапах, в них застревает продукт и команда

Советы как факапить меньше:

– Отделяйте технические факапы от продуктовых и UI-факапов. Иначе вы будете отказываться от хороших идей из-за плохой реализации. И наоборот.

– Классифицируйте все фичи и эксперименты продукта по уровню допустимого риска провала от 1 (незначительный) до 5 (катастрофа) и требуемой для них скорости принятия решений о продолжении, прекращении или восстановлении.

– Всегда дробите крупные гипотезы уровня 4-5 на серию микро-гипотез меньшего уровня рисков, которые можно проверять независимо, минимизируя масштаб возможного провала.

Документируйте не только почему вы принимаете решение по фиче, но и при каких условиях вы бы его отменили

– В избыточности гипотез нет ничего плохого, когда для каждой фичи есть не менее 3 альтернативных вариантов механик, которые можно задействовать для реализации такой фичи. Они же могут и должны обогащать друг друга.

– Карта связей фич (факапов) поможет визуализировать связи того, как одна провалившаяся фича может влиять и тянуть за собой связанные с ней другие фичи продукта.

– Проводите и пишите постмортемы (модное слово) по всем слабым пользовательским механикам и проваленным фичам в отдельную категорию в таск-менеджере.

Их повторяющиеся паттерны и механики – основа премортемов для всех фич, в которых заранее определяются возможные проблемы в пользовательском поведении.

Прото-премортемы или чеклист отката – шаблоны-сценарии тестирования и симуляции факапов фичи с полным прохождением всего цикла восстановления к предыдущей стадии продукта без проваленной фичи и заранее смоделированными пользовательскими реакциями и способами их смягчения.

Обратная юзер-стори — возможные негативные сценарии "пользователь продукта не хочет ___, потому что ___"

– Анализируйте не только причины ошибок, но и эффективность процессов восстановления после них (резервы ресурсы, времени, бюджетов и т.п.).

– "Продуктовый карантин" – шанс для анализа провалившейся фичи на проде или протокол временной изоляции проблемной функции без её полного отключения от продукта.

Сила команды — не в отсутствии факапов, а в скорости восстановления после них.

Восстановление от факапов — это не подавление эмоций, а перенаправление их энергии в намерение и действие.

– Пепелища пост-мортемов
– 18 шуток метрик

⚔️ Epic Games vs Apple

На прошлой неделе суд Северной Калифорнии вынес новое решение, запрещающее Apple взимать в разработчиков комиссию за покупки, совершенные пользователями за пределами App Store и препятствовать сообщать им о возможности совершения покупок вне приложений.

Судья также установила, что вице-президент Apple по финансам солгал под присягой и наложила на компанию санкции за «злоупотребление правом на конфиденциальность с целью затягивания разбирательства».

Путь Fortnite от презентации на WWDC до исключения из магазина и эпичных судебных баталий с Эплом и Гуглом в свежем видосе.

Казалось бы, при чём тут снова NFT? (Apple уже подала апелляцию).

Тру опыт в управлении продуктами это:

– Осознавать, что успех продукта в балансе: 1) эмпатии к пользователям; 2) лишь после к их деньгам.

– Верить, что правильная команда — самый важный фактор этого успеха, а спокойствие это навык №1 в нём. Оставшееся правильное: время и место. Всё вместе это про обнаружение и удержание удачи.

– Отделять помехи от сигналов во время любых работ с информацией и данными.

Эксперименты + быстрая доставка фич = лучший способ обнаружения новых данных

– Ощущать, что интуиция чаще бывает верна, чем нет. А чтобы делать очевидное, данные не нужны. Потому что Видение лучше A/B-тестирований.

– Задавать правильные вопросы — совершать 80% открытий, 20% — заниматься анализом и структурированием полученных ответов.

– Выбирать метрику раньше, чем начинать работу над фичей. Начинать доставку концепции фичи до пользователей раньше, чем выйдет релиз с ней.

– Чувствовать, что чем дольше вы согласуете механику фичи, тем вероятнее, что она провалится. Вы можете сделать "всё правильно" и потерпеть неудачу. А можете сделать неправильно и добиться успеха.

– Не делать из команды инструмент задержки решений. Большинство решений легко обратимы.

– Не быть заложником инструментов и методологий. Они статичны по природе, в то время как знания и данные меняются и улучшаются.

– Принять в очередной раз тот факт, что дорожные карты меняются ещё чаще. А сторис пишутся постфактум.

– Признаться в том, что все мы делаем что-то неопределённое и тонкое, что даже между собой не можем договориться, что именно мы делаем.

Наглядная схема как связать Business Strategy, Product Strategy, Product Discovery и Product Delivery в шаблоне Miro

И всё же, понедельник – день Огня

Огня, который осветит либо ослепит взгляды и стремления.
Огня, где загораются, сгорая убеждения.
Огня, который разожгёт или сожгёт все планы.
Огня, который видит — тьма в неполноте сказаний.
Огня, что знает — Истина в молчании.

Баланса в пламени недели!

Угадай профессию с одной попытки

A/B лукавят.
Stories – чушь.
Чуйка подводит.
Разум ошибочен.
Сроки – вымысел.
Эйчары не нужны.
Фидбек – коварен.
MVP – не минимум.
Касдев – размытие.
Процессы – сложно.
Родмэпы – старость.
Ретро не из будущего.
Данные – манипуляции.
JTBD не то, чем кажется.
Культура есть стратегию.
Стратегия – не навигация.
Команда может тормозить.
Стейкхолдеры меняют виды.
Инновации не в расписаниях.
Приоритеты – есть самообман.
Лояльность – временное св-во?

Эмоции клиентов – вот что Суть

Советы по проведению качественного исследования

0. Помни о главном – цели исследования.

Цель исследования – ответ на поставленный в его начале вопрос.

Процесс и всё, что интересное раскопается по ходу дела будет приятным бонусом к ответу. Ответ первичен.

1. Определи как и откуда идёт сбор данных

– Источники: чужие данные (вымышленные либо реальные), собственные метрики, опросы, интервью, эксперименты или наблюдения;
– процесс отбора данных (сегменты, пре-фильтрация данных);
– период + периодичность сбора данных (время).

2. Понимай, как ты анализируешь данные

– Как и чем получаемые данные помогают найти ответ на исследовательский вопрос? Насколько они целостные?

– Придерживайся своих же правил и критериев для отсеивания (не)релевантных данных. Исключительные по своей сути данные не должны попадать в отсеивающий фильтр, а сохраняться отдельно.

– Не только определяй средние показатели (их источники и свойства) которые использовались при оценке для сравнения полученных данных, но и почему они таковыми являются.

– Выявляй причины закономерностей и расхождений, а не только их наличие, особенно при обнаружении противоречий в данных.

Активнее всего ищи данные, которые могут ОПРОВЕРГНУТЬ твои гипотезы

3. Отделяй наблюдения от интерпретаций. Наблюдения – "факты?". Интерпретации – "варианты?".

4. Осознавай ограничения исследования (искусственные и органические): небольшой сегмент пользователей, недостоверный источник данных, сезонность или даже неправильно сформулированный в начале вопрос накладывают отпечаток на применимость таких данных в условиях продукта/рынка.

5. Проверяй сделанные выводы. Через взаимный аудит, через параллельные исследования (продакт + product designer + маркетинг), через те же A/B (главное, не наоборот).

6. Делай результаты исследования понятными для всех участников команды. Информируй стейкхолдеров/руководителей по результатам любых исследований – для них эти данные тоже должны стать пищей для размышлений.

Microsoft вчера анонсировала поддержку MCP в Windows и пару интересных ИИ-инструментов:

1. Операционки Windows теперь работают с MCP и обеспечивают доступ ИИ-агентов к файловой системе и другим службам(!).

2. Windows AI Foundry Local SDK — набор инструментов, встроенных в Windows, которые упрощают локальный запуск и интеграцию моделей ИИ на ПК.

Софт помогает оптимизировать производительность железа и ИИ-моделей и добавлять их в приложения без ручной установки среды выполнения: встроенные сценарии ИИ, работа с текстом и изображенями и масштабирование фотографий (сверхразрешение) – всё это выполняется локально на вашем ПК.

3. NLWeb — это бесплатный инструмент от Microsoft, который позволяет любому пользователю общаться с вашим веб-сайтом по аналогии как с виджетом онлайн-консультанта.

NLWeb берёт информацию, которую сайт уже публикует в стандартных форматах (например, Schema или RSS), и превращает её в простой запрос для ИИ.

Вы можете установить его на свой компьютер или сервер всего парой команд, указать ему данные вашего сайта, а затем задавать вопросы через веб-страницу или простой API.

Microsoft CTO Кевин Скотт сравнивает MCP с HTTP

Качества выдающегося продакт-менеджера

1. Баланс продакта с его продуктом в тактико-стратегии. Связывай монотонную ежедневную работу с долгосрочными целями компании. И время начнёт идти по-другому.

2. Развивай системное мышление, чтобы видеть не только отдельные компоненты продукта, но и их взаимосвязи в Системе.

3. День, когда вся команда пользуется конкурирующим продуктом нужен для усиления видения свойств Систем, а не чтобы воровать поштучно фичи.

4. Улучшенная старая фича лучше новых двух (сворованных).

Лучший способ улучшить продукт — это убирать функции, а не добавлять их. (с) Будда

5. Задавай неудобные вопросы, которые заставляют(!) команду пересматривать свои убеждения.

Пример для новых фич: «А что случится, если мы её не сделаем?».

6. Поощряй в команде идеи, которые сначала кажутся сложным/невозможными/невыполнимыми и ставят под сомнение даже фундаментальные убеждения, на которых строится продукт.

Именно фундаментальные убеждения стареют первыми на рынке

7. Осознанно НЕ давай команде всех ответов, чтобы стимулировать самостоятельное мышление и поиски решений, позволяя команде входить в состояния творческой неопределённости.

8. Развивай не только сам продукт, но и процесс его создания. Умышленно создавайте искусственные ограничения и неопределённости, чтобы в их условиях стимулировать творческую разработку нестандартных (самых простых) решений.

9. И снова балансируй между новыми и существующими фичами.

0. Смотри на всё глазами пользователей

5 уровней ИИ-агентов от простых к сложным

ИИ-агент это не просто дополнение к промптам в духе "You are senior product manager" или "ты в роли Стива Джобса". ИИ-агенты это логическое продолжение (начало?) самой ИИ, работающее как интеллектуальный интерфейс между машиной и человеком.

Level 1: ИИ-агент с инструментами и инструкциями

Инструкции «учат» агента, как выполнять запрос, а инструменты позволяют агентам взаимодействовать с внешними средами для передачи или извлечения данных.

Это начальный базовый уровень работы с ИИ и когда коллега говорит, что ИИ-агенты — "это просто вызовы LLM + доп. инструменты", это говорит лишь об уровне его понимания ИИ.

Level 2: Агент со знаниями и хранилищем

ИИ редко имеет всю необходимую информацию для выполнения задачи + мы не можем запихнуть весь контекст в запрос, поэтому мы даём агенту знания, которые он ищет во время выполнения (Agentic RAG или Dynamic few-shot).

Поиск знаний может быть гибридным (полнотекстовым и семантическим). Гибридный поиск + переоценка данных — лучшая стратегия для ИИ-агентов.

Хранилище сохраняет состояние ИИ-агента в базе данных. Простые вызовы LLM первого уровня не имеют «состояния», в то время как хранилище даёт ИИ-агентам свойство «состояние», сохраняя сообщения в базе данных и используя их при подготовке других ответов по мере необходимости.

Если вы используете chatgpt, хранилище — это то, что сохраняет состояние сеанса и позволяет нам продолжать чат после закрытия вкладки, а каждая ветка чата, которую вы видите на левой панели навигации, является «сеансом» в такое хранилище.

Level 3: ИИ-агент с памятью и рассуждениями

Память позволяет ИИ-агенту запоминать сведения о пользователе и персонализировать свои ответы в сеансах.

Рассуждения — ещё ключевая функция, которую нужно использовать в работе с ИИ. Но большая проблема с ИИ-агентами заключается в том, что показатель успешности агента уменьшается с числом шагов, которые должен выполнить агент.

Например: если показатель успешности 1 шага составляет 90%, средний показатель успешности агента, которому необходимо выполнить 5 шагов, составляет ~60%. Это не оч хорошо.

Архитектуры рассуждений не только улучшают когнитивные рассуждения (понимание данных и инструкций), но и повышают показатель успешности каждого шага ИИ-агента.

Level 4: Команды из нескольких ИИ-агентов

ИИ-агенты работают лучше всего, когда каждый агент специализируется на определенной для него области инструкций, знаний, хранилищем и рассуждений и использует свой набор инструментов.

Объединяя ИИ-агентов в команду, можно увеличить общие возможности и решать более широкие и сложные задачи, делегируя этапы рассуждений и под-задач на "профильных ИИ-специалистов".

Level 5: Агентские ИИ-Системы

Агентские системы – следующий этап трансформации команд из ИИ-агентов. И это уже сложно: сервера и среды, MCP, API, БД с хранилищами знаний, рассуждений и состояний, асинхронные задачи, очереди задач, передача результатов по мере их готовности, вебсокеты, рожьэтовсё...

Примечательно, как развитие ИИ-агентов происходит эволюционно по аналогии с командой из живых людей – от простых инструкций до комплексных автономных команд/систем, где каждый новый уровень надстраивается над предыдущим, добавляя новые возможности работы с ИИ.

Но самое интересное в этом то, кто эволюционирует, а кто трансформируется – человек или ИИ?

Во всей шумихе с автоматизацией ИИ уделяют мало внимания сервисам старой эпохи а-ля Zapier и IFTTT, которые позволяют подключать практически любые популярные приложения и сервисы и связывать их с такими же сервисами и приложениями триггерами и экшенами.

И тот же Zapier недавно выкатил масштабное обновление MCP 2.0, которое открывает вашему ИИ-приложению/ИИ-агентам/пользователям доступ к 7,000 апп и более чем 30,000 действий через OAuth, которые можно расширять ещё больше с ИИ.

– Получили тикет по почте? ИИ завёл его и подготовил ответы в Notion (или уже ответил пользователю где ему удобно).

– Синкнуть данные фитнес-приложений и получать ИИ-рекомендации раз в неделю? Ок.

– В 500 м от дома? Вслед за умными лампочками красного света включается умный чайник и набирается горячая вода для ванны, а ИИ отвечает за последовательность.

– Чего у них там только нет.

Zapier успешно эволюционировав в новую эпоху Интернета и поэтому теперь позиционируется как "The most connected AI orchestration platform".