Искусственный интеллект уже ускоряет часть продуктовой работы: помогает собирать и структурировать информацию, готовить первые версии документов, сравнивать варианты, находить слабые места в гипотезах. Его главная ценность — в возможности по-новому выстроить управление: собрать общую картину происходящего, сделать решения более обоснованными и освободить команду от части повторяющихся операций. 

Что это значит для директора по продукту и продуктовых команд? Какие задачи ИИ может взять на себя и где по-прежнему необходимо участие человека? Как меняется работа с контекстом, когда ИИ позволяет быстрее собирать, обновлять и использовать информацию для принятия решений? Рассказывает Сергей Тихомиров, эксперт программы «Директор по продукту: управление продуктовой стратегией». 

От автоматизации к новой логике работы

В разговорах об использовании ИИ часто возникает вопрос «какую долю работы он способен автоматизировать?», «может ли технология полностью заменить человека?». Но сама постановка вопроса может вводить в заблуждение. Одно дело — подготовить черновик продуктового документа, собрать обзор рынка или расшифровать интервью с пользователями. Другое — определить, в какой продукт стоит инвестировать, от чего отказаться и какой риск компания готова принять. Эти задачи требуют разного уровня контекста, ответственности и управленческого суждения.

Исследования показывают, что современные модели уже способны успешно выполнять многие профессиональные задачи. Например, OpenAI разработала метрику GDPval (от Gross Domestic Product — валовой внутренний продукт, ВВП, и valuation — определение денежной оценки чего‑либо), которая сравнивает результаты человека и ИИ на прикладных задачах из десятков профессий. Результаты показали: эффективность современных моделей ИИ в некоторых случаях выше, чем у опытных специалистов. 

Однако такие тесты не означают, что модель может самостоятельно управлять продуктом, заменять сотрудника или руководителя. Они показывают, что если задача имеет понятную цель, критерии качества и достаточный набор исходных данных, то ИИ способен заметно увеличить эффективность работы над ней. Поэтому для директора по продукту важнее вопрос «где ИИ поможет повысить качество и скорость решений, не размывая ответственность?».

Три уровня использования ИИ в продуктовой работе

Исследования и практика внедрения ИИ в управлении продуктами показывают: технология уже способна ускорять и усиливать значительную часть работы продуктового менеджера — прежде всего там, где задачу можно формализовать, а результат проверить.

В продуктовой работе возможности ИИ проявляются на трех уровнях: автоматизация повторяющихся задач, расширение аналитических возможностей менеджера и передача отдельных процессов ИИ-агентам под контролем человека.

1. Автоматизация — рутинные задачи решаются быстрее. ИИ особенно полезен там, где процесс уже понятен и повторяется: нужно собрать информацию, привести ее к единому формату, подготовить первый вариант документа или сравнить несколько сценариев.

В продуктовой работе это могут быть: первичный анализ рынка и конкурентов, обработка интервью, отзывов и обращений пользователей; подготовка пользовательских сценариев и критериев приемки; структурирование результатов исследований.

Раньше на такую работу могли уходить недели. Теперь первую версию нужного отчета часто можно получить за часы и минуты. 

2. Аугментация — ИИ выступает в роли внешнего эксперта и помогает человеку мыслить шире. Он способен предложить альтернативный взгляд на проблему, указать на неочевидные риски, составить карту аргументов за и против, проверить гипотезу с разных точек зрения. Например, при работе с  популярным инструментом для описания бизнес-модели компании Business Model Canvas («шаблон бизнес-модели») ИИ способен как заполнить блоки шаблона быстрее и качественнее, так и подсветить противоречия между сегментами клиентов, ценностным предложением, каналами продаж и экономикой продукта.

3. Агентизация — полное или частичное делегирование ИИ-агентам отдельных процессов, как если бы они были реальными сотрудниками: собрать данные из согласованных источников, классифицировать их, подготовить документ или предложения, зафиксировать результаты в рабочем пространстве и передать материал на проверку человеку. 

Такой подход требует гораздо большей управленческой дисциплины. Начинать разумнее с процессов, которые ограничены по масштабу, обратимы и не связаны с критическими решениями: например, с регулярного мониторинга обратной связи, подготовки обзоров по рабочей ситуации на день или неделю.

Что остается за человеком

ИИ, несомненно, становится эффективной частью управленческой системы. Он помогает быстрее работать с информацией, готовить материалы, анализировать варианты и выполнять часть рутинных операций. Это освобождает время директора по продукту для задач, где особенно важны управленческое суждение, ответственность и взаимодействие с людьми.

Стратегический менеджмент — определение целей и умение распределять ресурсы. 

Стратегический менеджмент начинается с определения направления: каких результатов компания хочет достичь, какие приоритеты выбирает и от каких возможностей готова отказаться. В работе с ИИ эта задача становится особенно важной.

Чтобы ИИ дал полезный результат, ему нужны не только формально поставленная задача, но и контекст, критерии качества, ограничения и доступные данные. Руководитель определяет эту рамку: задает цель, объясняет, почему она важна для бизнеса, и решает, по каким параметрам будет оцениваться результат.

Синхронизация взаимодействия сотрудников, команд, ИИ-агентов. 

Одно дело — дать задание, другое — договориться внутри компании. Директору по продукту по-прежнему необходимо согласовывать интересы разных подразделений, разрешать конфликты, организовывать совместную работу и удерживать общую логику решений. 

Особенно заметна эта роль в крупных зрелых компаниях, где продуктовые инициативы проходят через несколько уровней согласований, а у разных функций могут быть собственные приоритеты, показатели эффективности и представления о рисках. 

Важно учитывать и различие между формулировкой задачи и ее стратегической значимостью. Например, с точки зрения машины задачи «напиши мне user story (пер. с англ. — пользовательская история, в разработке — модель описания требований) по такой-то фиче (от англ. feature — возможность, в разработке — конкретная функция продукта)» и «сформируй модель роста для компании при заданных условиях» имеют одинаковый уровень сложности. Однако во втором случае несопоставимо выше цена ошибки, объем необходимого контекста и требования к проверке результата — то, что берет на себя руководитель.

Новый способ мышления: от отдельных решений к инженерии продуктов

Раньше работу продуктового менеджера нередко оценивали по отдельным удачным находкам: сильной гипотезе, новой функции, точному инсайту о клиенте. Сегодня этого недостаточно.

Управление постепенно превращается в инженерию. Ключевой задачей  руководителя по продукту становится создание системы, в которой команда регулярно замечает сигналы рынка, формулирует гипотезы, проверяет их, фиксирует выводы и использует их в следующих решениях. ИИ помогает ему в этом. Новая модель состоит из двух элементов — контекст и четкие правила работы с ним.

Контекст — это вся информация о рынке, продукте, клиентах и конкурентах, ограничениях и уже принятых решениях. ИИ помогает сформировать четкий полный и непротиворечивый контекст, который доступен всем участникам. Раньше значительная часть контекста  передавалась на встречах, в презентациях, в отдельных документах. Теперь он становится самостоятельным  объектом управления — общим хранилищем знаний, которое регулярно обновляется и используется при подготовке решений.

В чем ключевая ценность такого подхода? Когда участники команды опираются на разную информацию об одном и том же продукте или явлении, у них неизбежно складываются разные представления о ситуации. Чем больше расхождений в исходных данных, тем сложнее обсуждать решение по существу. В таких условиях возрастает риск HiPPO-эффекта (от англ. Highest Paid Person’s Opinion — опора на мнение самого высокооплачиваемого человека): когда мнение наиболее статусного участника обсуждения перевешивает мнение остальных — независимо от качества аргументации. 

Общий контекст дает команде единую фактическую основу для разговора: обсуждение смещается к данным, допущениям и логике выводов.

Правила работы с контекстом — методологии и инструменты, с помощью которых команда собирает, обновляет, проверяет и использует знания.

Уровень таких правил может быть разным: от умения формулировать задачи для ИИ с помощью промптов до сложных RAG-систем (Retrieval-Augmented Generation, генерация с дополненной выборкой, — технология, которая позволяет искусственному интеллекту использовать собственные данные компании для ответа на вопросы) и автономных ИИ-агентов, которые сами собирают и обновляют информацию о контексте. 

Ключевое условие — правила должны быть формализованы и применяться  системно. Иначе ИИ будет лишь ускорять создание новых документов, не помогая команде лучше понимать ситуацию и принимать более качественные решения.

По мере того как доступ к базовым ИИ-инструментам становится все более распространенным, качество модели управления выходит на первый план. Приведу показательную аналогию. В 1960-х годах США занимали почти половину мирового автомобильного рынка, Япония — всего 5%. Через 20 лет Япония выросла до 28%, а доля США упала до 23%. Что произошло? Япония внедрила новую систему организации труда и первой начала использовать робототехнику в производстве. Модель управления изменилась — и японские компании выиграли конкуренцию.

Сегодня происходит то же самое, но с искусственным интеллектом. Преимущество получают команды, которые умеют собирать полный для принятия решения контекст, поддерживать его актуальность и превращать информацию в согласованные действия.

Как меняются команды

Внедрение ИИ меняет распределение работы внутри продуктовых команд. Часть операций — поиск и первичная обработка информации, подготовка материалов, фиксация результатов — может занимать меньше времени. У команды появляется больше пространства для постановки задач, проверки выводов, поддержания общего контекста и принятия решений.

В такой модели особенно востребованы компактные кросс-функциональные команды, способные самостоятельно вести продуктовую задачу или направление. Этот формат стали называть ProductPod (от Product — «продукт» и Pod — «капсула», компактная автономная единица). Это автономный продуктовый модуль, в котором участники обладают пересекающимися компетенциями и могут быстро взаимодействовать друг с другом без длинной цепочки согласований.

Заключение

ИИ все глубже входит в продуктовую и управленческую работу. Он может брать на себя часть повторяющихся операций, ускорять анализ информации, помогать готовить материалы и рассматривать несколько вариантов решения.

Для директора по продукту это означает смещение фокуса: от постоянного включения в операционные задачи — к проектированию системы, в которой команда работает с общей картиной происходящего, качественно проверяет гипотезы и последовательно превращает знания в действия.

Умение находить отдельные удачные решения остается важным. Но все большую роль играет способность выстроить модель управления, в которой такие решения становятся результатом понятного процесса: команда собирает контекст, формулирует гипотезы, проверяет их, фиксирует выводы и использует их в следующем цикле работы.

Поэтому от участников продуктовых команд требуются умение учиться, критически оценивать результаты ИИ, работать с контекстом и видеть систему целиком. Технология становится сильнее вместе с качеством управленческой работы вокруг нее.