Искусственный интеллект стал неотъемлемой частью повседневной деятельности большинства продуктовых менеджеров: 91% участников опроса используют его хотя бы несколько раз в неделю. Кроме того, 69% респондентов рассматривают ИИ как одно из направлений своего профессионального роста. Эти данные были получены в ходе исследования, проведенного партнерами devcrowd и «Контур». Редакция IT Speaker ознакомилась с результатами исследования.
«ИИ обеспечивает быструю и независимую проверку продуктовых гипотез. Теперь для проверки гипотезы не нужно дожидаться разработчиков, которые создадут лендинг, или дизайнеров, которые сделают его привлекательным. Аналитики больше не нужны для сбора информации о лидах, спросе и рыночной реакции. Можно самостоятельно создать лендинг продукта, быстро оценить реакцию рынка, и если продукт действительно востребован, тогда можно выделить на него больше ресурсов. Это быстро, не требует технических знаний и привлечения дополнительных специалистов. Дешево, быстро и автономно», – поделился мнением IT Speaker Александр Лебедев, старший разработчик систем ИИ в Innostage.
Несмотря на быстрый рост и широкое применение ИИ, уровень зрелости технологий использования все еще варьируется. Более половины опрошенных применяют ИИ для отдельных задач без единой системы, около трети интегрируют его в свои рабочие процессы.
«Локально – потому что это самый быстрый путь к результату. Не требуется бюджет, согласования и отдельный проект: можно просто открыть чат с моделью, загрузить отзывы – и через полчаса у вас уже есть результат, на который ранее уходила неделя аналитики. Эффект виден в тот же день, риск практически нулевой. Так ИИ функционирует в большинстве команд, как спорткар, на котором ездят только за хлебом в соседний магазин», – прокомментировала Елизавета Колодежанская, руководитель направления перспективного ПО в «Системный софт».
Эксперт добавила, что внедрение ИИ в процессы компании – это целый проект: сбор и очистка данных, пересмотр регламентов, разграничение доступа, расчет бюджета и контроль решений. Основными барьерами являются сырые данные, непрозрачные процессы, требования безопасности и расплывчатая ответственность.
Алексей Какунин, идеолог продукта «Инкоманд», генеральный директор ЕМДЕВ, отметил, что причина локального использования ИИ заключается в том, что его не воспринимают как часть продуктового контекста. Поэтому, чтобы перейти к системной работе, недостаточно просто приобрести доступ к модели; необходимо пересмотреть процессы, предоставить ИИ доступ к данным и научиться интегрировать его в принятие решений. При этом основной барьер сегодня является дефицит не технологий, а продуктовых практик их применения.
Егор Апрельский, CTO в coMind (архитекторы AI-native), согласился с тем, что технологическая часть на сегодняшний день является самой простой, и добавил, что существуют определенные барьеры, мешающие переходу к системной интеграции:
-
контекст. Чтобы ИИ функционировал как сотрудник, ему необходим доступ к данным: документам, метрикам, тикетам, отзывам клиентов. Без этого он остается лишь умным собеседником, которого каждый раз необходимо вводить в курс дела;
-
безопасность: продакт не может отправлять клиентские данные в открытый чат, а одобренных корпоративных каналов во многих компаниях пока нет;
-
неформализованные процессы. Делегировать агенту можно только четко определенные задачи, в то время как в большинстве команд процессы существуют в головах сотрудников и в переписках.
По мнению Ильи Лысенко, Data Science Product Lead Hybrid, локальное использование – это не признак незрелости, а нормальная стадия. Продакт получает выгоду там, где может самостоятельно оценить результат: черновик описания, конспект интервью, анализ обратной связи. Как только ИИ интегрируется в постоянный процесс, возникает вопрос: как отличать хороший результат от плохого, не перепроверяя каждый вручную.
Богдан Загребельный, основатель и генеральный директор внешнего продуктового офиса devять it, рассказал IT Speaker, что локальное использование ИИ в работе – это всего лишь другой класс работы. В качестве личного инструмента продакта ИИ почти не требует организационного доверия, так как ошибку видит тот же человек, который получил ответ модели, и цена ошибки обычно остается в пределах его черновика.
Системная интеграция начинается тогда, когда выход модели попадает в общий рабочий процесс – в бэклог, оценку, аналитику, документ для клиента. Здесь возникают следующие барьеры: кто отвечает за результат, цена проверки, доступы и регламенты.
Исследование показало, что чаще всего продакты передают ИИ рутинные и аналитические задачи. Например, поиск информации, анализ данных и подготовка требований для разработчиков. Задачи, связанные с ответственностью за людей и принятие решений, специалисты автоматизируют значительно реже.
Борис Щукин, директор департамента высокотехнологичного производства БФТ-Холдинга, сообщил IT Speaker, что возможность передать задачу ИИ можно оценить по трем критериям: асколько легко проверить результат, можно ли отменить действие и какова цена ошибки. Чем ниже риск и выше проверяемость, тем больше может быть степень автоматизации. При соблюдении корпоративной политики работы с данными ИИ хорошо подходит для подготовительной и аналитической работы. Важно отметить, что даже для таких задач необходимо различать открытые и чувствительные данные. Для таких сценариев нужны корпоративные, контролируемые средства работы с ИИ, правила доступа и журналирование. За человеком должны оставаться решения, в которых высока цена ошибки или требуется оценить широкий контекст.
По словам Елизаветы Колодежанской, продакты могут безопасно передавать ИИ все задачи, где много исходного материала и мало ответственности за финальное слово. За человеком лучше оставить приоритеты, ценовые решения, чувствительные данные и стратегию. ИИ предложит десять гипотез, но за последствия одиннадцатой все равно отвечает человек.
Исследование также показало, что собственные ИИ-решения разрабатывают около 10% специалистов. По словам Алексея Какунина, для создания собственных ИИ-решений продакту будущего не обязательно становиться разработчиком. Ему важнее научиться описывать процессы как систему задач для ИИ, работать с данными, проектировать агентные сценарии и оценивать качество результатов. Уже сегодня платформы no-code/low-code и генерация кода позволяют продактам самостоятельно создать работающий прототип.
«Главный навык – это декомпозиция и умение сформулировать критерий приемки. По сути, это то же самое хорошее ТЗ, только исполнитель понимает его буквально и не переспросит. Затем нужно проверять на примерах, понимать, откуда берутся данные, фиксировать версии. Из инструментов сейчас обычно используется связка: агентные среды вроде Claude Code, конструкторы сценариев вроде n8n для соединения шагов и протокол MCP, чтобы подключить агента к трекеру, CRM и аналитике. Начинать стоит с задачи, которую вы выполняете вручную каждую неделю», – прокомментировал Илья Лысенко.
Исследование также продемонстрировало изменение требований к работодателям. При одинаковой зарплате и задачах 58% продуктовых менеджеров в первую очередь ориентируются на личность руководителя. Далее по значимости идут возможности профессионального роста, формат работы и уровень корпоративной культуры.
Что касается будущего, то, по словам Егора Апрельского, в профессии продуктового менеджера можно ожидать исчезновения рутинных задач и утрату ценности навыков ручной обработки информации. Ценность сместится к тому, что ИИ не сможет заменить: выбор целей, приоритизация в условиях неопределенности, ответственность за решения и лидерство. Продакт станет руководителем смешанной команды из людей и агентов. Преимущества получат те, кто умеет делегировать ИИ и проверять его работу. При этом вход в профессию станет сложнее: задачи начального уровня агент заберет первыми, поэтому расти в компетенциях и ответственности придется быстрее.
Ранее сообщества AI Talent Hub Университета ИТМО и South HUB предложили топ-менеджерам крупных российских ИТ-компаний создать прототипы ИИ-ассистентов для помощи в управленческих решениях. Лучшее решение продемонстрировала команда сотрудников из «ПСБ Финанс», «Т-Банка» и WILIX. Эксперимент прошел на хакатоне в рамках мероприятия от сообщества South HUB – Snow BASE.
Gartner: организации перейдут к небольшим командам разработки ПО
