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".