AI-Native Product Manager: Как меняется работа продакта с AI

# Вебинар: AI-Native Product Manager — Как меняется работа продакта с AI

Сегодня говорим про AI-Native Product Manager. Я буду говорить с позиции фаундера и продакта, поэтому какие-то вещи, которые я делаю, вы скажете — у нас для этого есть специальные люди. Это нормально, у каждой компании своя специализация. Но я покажу, что очень много вещей, для которых раньше у меня были целые команды, сейчас я могу делать без них.

Основное изменение за последние месяцы: если в 2023-2024 году и большую часть 2025-го я работал в ChatGPT, то к концу 2025-го практически полностью перешел в Claude Code и другие кодинг-ассистенты. Почему? Если дать Claude Code видеть то, что происходит на компьютере — получаешь более быструю обратную связь, больше фидбэка и более ценный результат. Переходите в эти продукты, даже если вы не кодите.

Первая часть работы продакта, которая кардинально меняется — прототипирование. Раньше мне нужно было написать спеку в пятницу, в понедельник поставить в приоритет, через неделю получить фигму, еще через пару недель получить первую версию. В реальности же — за часы я сделал прототип ChatGPT App и отправил его на проверку в App Store.

Многое в жизни продакта и фаундера делается из-за огромного желания. И это желание иногда нарушается процессами в компании. Мне пришла идея, я сел и вместе с Claude Code получил прототип.

Даже если вы не хотите вайб-кодить — можно прототип составить в виде видео или набора картинок:

• Генерю несколько дизайн-концептов через NanoBanana
• Отдаю дизайн-концепты Veo для создания видео
• Итерирую — динамика видео позволяет лучше понять аспекты продукта
• Разбиваю видео на фреймы и передаю Claude Code для создания веб-приложения

Прототипы — это элемент для обсуждения и лучшего понимания требований к продукту, в том числе с кастомером.

С AI появился третий вариант user research, промежуточный между классической survey-формой и one-on-one интервью. Можно отправить большому количеству людей, но получить глубину one-on-one.

Я запустил бота по мотивам Anthropic Interviewer, который проводил интервью читателей канала. LLM может уточнять и спрашивать больше:

• «Откуда узнали о канале?» — «Знакомый форварднул пост»
• «А помните, о чем был пост, и что было полезно?»
• В классической survey-форме такое было бы невозможно

Можно запрограммировать любой сценарий для вытаскивания информации, а потом использовать результаты, чтобы отобрать самые интересные интервью для one-on-one.

Скорость до инсайта кардинально меняется. В 6:30 утра запускается утренний автопилот:

1. Outbound — отправляет connection requests в LinkedIn, пишет direct messages заинтересованным лидам
2. Sales Pipeline — полный обзор pipeline
3. Данные по продукту — что юзеры делали за последние 24 часа
4. Выручка и рекомендации — с кем связаться на основе поведения в продукте

Поскольку на бэкэнде Claude Code, можно дозадавать вопросы: «Покажи конкретные сообщения» — он идет в базу и рассказывает подробно.

Раньше добавить раздел — недели. Получить детали — дни. Как говорил Карпаты про Маска: «Вся правда в коде». Если есть доступ к коду, можно спросить — как работает продукт, почему такое поведение.

Процесс создания контента:

• Выгрузка статистики из Телеграма — просмотры, форварды, реакции (оптимизируюсь на форварды)
• Ideas Inbox — ботик, в которого забрасываю ссылки и идеи
• При написании поста — прошу выбрать самую интересную идею, релевантную статистике
• Совместное обсуждение и ресерч — не просто AI пишет за меня

Посты получаются data-driven (аналитика определяет тему) и research-backed (смотрит прошлые посты, ищет релевантные статьи в онлайне).

Более быстрое, дешевое и иногда более креативное тестирование:

• Задаю персону продукта (фаундеры B2B-стартапов, Head of Sales небольших команд)
• Прошу протестировать продукт с позиции этой персоны
• Получаю отчет со скриншотами, описанием проблем, приоритизацией
• Поскольку у него доступ к коду — говорит, где исправить

Можно попросить вытащить best practices из Apple Human Interface Guidelines, NN Group. Он собрал все best practices и прогнал наш UI по этим принципам. Я не знал ряда принципов дизайна UX-ожидания — но умею задать правильный вопрос.

70% того, что мы раньше делали как продакты, изменилось — как говорит CPO LinkedIn.

CPO LinkedIn сформулировал концепт Full-Stack Builder. Раньше — длинный специализированный процесс: одни ресерчат, другие дизайнят, третьи пишут roadmap, четвертые пишут код, пятые тестируют. Agile пытался оптимизировать, но в реальности — недели или месяцы.

Full-Stack Builder — человек, который от начала до конца полностью сам проходит весь процесс. Но есть чисто человеческие вещи: vision, empathy, коммуникация, креативность. Full-Stack Builder = человек + много агентов.

Тоби Лютке, CEO Shopify, написал больше кода за несколько месяцев, чем за 15 лет. Его концепция Reflexive AI:

• AI должен стать частью фазы прототипирования любого проекта
• Прототипы — не замена production кода, а инструмент для обучения и дискуссии
• Люди должны будут доказать, почему не использовали AI

Это аналогия с Цукербергом 2011-2012, когда он решил — Mobile First. Дизайн в первую очередь для мобилок. Без организационных изменений на уровне большой компании невозможно добиться трансформации.

Внутренние команды Shopify используют AI-видеогенерацию, чтобы коммуницировать результаты другим командам. Такое не могло появиться указанием сверху — только когда люди погружаются в AI-first способ работы.

Claude Code — основа для задач в разработке и дизайне продукта:

• Прототипирование, кодогенерация, тестирование
• Codebase exploration — понимание кодовой базы
• Один из создателей Claude Code: 259 PR, ни единой строчки кода руками

Суть работы сдвигается: от непосредственного делания → планирование + judgment. Хорошо или плохо определяем мы, люди.

Тарик из Anthropic поделился промптом для нетехнического пользователя Claude Code — запускает агента в отдельном потоке и другому говорит: «Наблюдай, что тот делает, а мне пиши summary нетехнически».

По опросам Lenny Rachitsky основные задачи продактов с AI:

• Написание документов и one-pagers
• Оптимизация коммуникации

Эксперимент: два документа продуктовой стратегии — один от AI, один от человека. Человек выиграл, но отрыв маленький (~40% предпочитало AI-версию). Тогда возникает вопрос — наша работа где?

По данным Anthropic Interviewer dataset основные применения PM — PRD, тест-скрипты, юзер-стори. Офисную политику AI не понимает — и все продакты сошлись на этом.

Эндрю Ын, основатель Coursera: написание кода раньше = 35-55% затрат проекта. Сейчас сжимается. По теории ограничений, узкое место сдвигается в PM-скую работу:

• Взаимодействие с пользователями
• Определение что и как продавать
• Позиционирование

Для больших legacy-проектов AI дает максимум 50% ускорения. Для прототипов и standalone продуктов — 10-кратное ускорение.

Самый классный бенефит вайб-кодинга — внутренние инструменты, на которые у IT-команды нет времени. Приходится или покупать, или делать в Excel.

Я использую прототипирование в продажах:

• Звонок с клиентом, функционала еще нет
• Делаю прототип, показываю
• Получаю больше фидбэка и требований
• Отдаю команде в production

Прототип — инструмент не только для разработки, но и для продаж и сбора требований.

Кейс тестирования Opus 4.5: дали policy авиалиний о смене билетов. Предыдущие версии: «В policy написано нельзя — невозможно». Opus 4.5 сделал неожиданное:

• Сопоставил две policy — на изменение basic economy и на смену кабины
• «Нельзя менять билет, но можно менять кабину — давайте сначала поменяю кабину, потом рейс»
• Это реальный workaround, которым пользуются в авиаиндустрии

С ростом когнитивных способностей LLM мы будем меньше инструктировать как решить задачу и больше — какова цель. Вот инструменты, вот ограничения — реши лучшим способом.

LLM могут находить решения, о которых мы не знали:

Плюсы:

• Быстрее меняем и апдейтим бизнес-логику
• Суперперсонализация на лету
• Поддержка edge-кейсов, о которых мы понятия не имеем

Минусы:

• Недетерминированность — могут напридумывать чего нет
• Потеря прозрачности
• Повышенные затраты (LLM на каждый запрос vs фиксированные затраты кода)
• Сложнее тестировать

Придется комбинировать недетерминированную часть с детерминированными проверками.

Airbnb двигается к generative UI: LLM генерирует JSON → по дизайн-системе JSON превращается в UI-код (server-driven UI).

Пока существуют люди типа Pliny, которые хакают LLM в часы после релиза — это огромный риск. AI-Native Product — это не только ускорение разработки, но и вопрос: какие части продукта я могу заменить AI?

Новый навык для PM — evaluations:

• Понять природу работы LLM
• Определить критерии из-за недетерминированности
• Постоянно сканировать сценарии общения в проде
• Превращать проблемы в новые guidelines и boundaries

Нужен суперширокий подход к тестированию: не классические тест-кейсы QA, а непрерывный мониторинг и адаптация.

Аналогия с уровнями автономии беспилотных автомобилей:

• Уровень 0 — всё делаем руками
• Уровни 2-3 — работаем на пару с AI (прототипирование, тестирование)
• Уровень 5 — AI, используя других AI, решает задачи; мы мониторим и выставляем boundaries

Умение задать правильный вопрос — навык, который надо тренировать на каждом уровне.

Ресерч на основе 30-40 лет данных бюро труда США:

• Автоматизируются таски, не профессии
• Если автоматизируется expert task (ключевая экспертиза) — зарплаты падают
• Если автоматизируется routine task (рутина) — зарплаты растут

Пример: складские сотрудники (экспертиза = знание расположения) — зарплаты упали после inventory-систем. Бухгалтеры (рутина = первичка) — зарплаты выросли после QuickBooks/1С, потому что освободилось время для экспертной работы.

AI будет делать то, что легко скейлить. Человек — взаимодействие с людьми, формулирование vision, координация.

Что остается уникально человеческим:

• Emotional intelligence — взаимодействие с людьми
• Tacit knowledge — скрытые знания из личного опыта, переездов, событий
• Diversity мнений — условие устойчивости экосистемы
• Формирование уникального контекста (то, что называют вкусом)

AI будут more or less похожи друг на друга. Люди — нет. По причине личных травм, успешных кейсов, tacit knowledge. Это наш human moat.

Дата-анализ вслед за кодингом будет автоматизироваться. Рекомендация:

• Параллельно с работой — попробовать делать продукт, который заменит дата-аналитиков
• Фокусироваться на том, почему LLM не сможет это сделать
• LLM пока плохо абстрагируют — не могут обобщить два похожих сценария

Типичная ошибка аналитика: «purchase screen коррелирует с покупкой» — но что делать с этой информацией? Надо сдвигаться от данных к действиям.

Возможно ли создать единорога соло? Пока нет, но будет. Два ограничения:

• Не знает всех вопросов, которые надо задавать
• Не хватит фокуса оценить quality по каждому

Триггер: когда AI получит возможность управлять банковским счетом и создавать юрлица. Рекомендую выступление Харари в Давосе — теория игр и первая страна, давшая AI банковский счет.

IT-команда должна разработать чек-листы и скиллы для проверки результатов вайб-кодинга. Не встроенная security — у каждой организации свои ограничения.

Процедуры → скиллы → RISC-таблица (риск + последствия). Четыре стратегии: митигировать, страховать, принять, трансферить.

Три приоритета:

1. Дата-аналитика — подключите AI к базам данных, сформируйте ежедневный срез
2. Прототипирование — каждую новую фичу начинайте с прототипа (лучше видео, чтобы не забайасить пространство поиска)
3. Подключите AI к системам обсуждений — Telegram, Slack, Teams + данные + task management

Сделайте свою go-to-market систему с помощью AI. Рекомендую AnySite MCP для автоматизации.

Курс стартует 1 марта. Сквозной проект, каждый скилл на практике. Модель HLAMP — помимо знаний, надо набивать руку. Можно много рассуждать про прототипирование, но пока не начнешь делать для реального продукта — не поймешь границы возможного.