Продуктовая насмотренность | Евгений Гурьянов

Кажется, личный бренд становится одной из важных валют в IT

Раньше карьерная стратегия выглядела довольно понятно и линейно: получил хорошее образование, устроился в сильную компанию, показываешь результаты, растёшь по должности и зарплате.

Но последние несколько лет хорошо показали, что всё нифига не так просто.

Сегодня у тебя отличная позиция, сильная команда и понятные перспективы. Завтра компания меняет стратегию, сокращает направление или решает, что с появлением AI ей нужно меньше людей (есть вариант даже, когда СЕО или фаундер сойдет с ума и скажет, что продакты, разработчики и аналитики не нужны "патаму шта клод").

И ты снова выходишь на рынок труда. Иногда вместе с тысячами других специалистов.
В такой ситуации личный бренд может стать одним из способов подстраховать себя.

Внимание: не путать с призывом "стать блогером". Я про продвижение профессиональной репутации, которая существует за пределами компании, в которой ты работаешь.

Когда люди знают, чем ты занимаешься, как мыслишь, какие задачи решал и в чём разбираешься, тебе проще находить новые возможности. Тебя могут позвать на собеседование, предложить консультационный проект, познакомить с фаундером или пригласить в новую команду. И самое интересное, что всё это может произойти благодаря посту, который ты написал полгода назад.

При этом я понимаю, почему многие не начинают. Кажется, что нужно придумать контент-стратегию, выбрать позиционирование, научиться красиво писать и вообще сначала стать экспертом, которому есть что сказать.

Но можно начать гораздо проще (без вот этого вот списка выше).

1️⃣ Начните писать в LinkedIn хотя бы 1-2 раза в неделю. Не нужно сразу выдавать глубокую аналитику или претендовать на роль отраслевого эксперта. Расскажите о проблеме, которую недавно решили, интересном наблюдении или ошибке, из которой сделали выводы.

2️⃣ Делитесь реальными кейсами. Что хотели сделать, с какой проблемой столкнулись, какие решения рассматривали и что получилось в итоге. Есть нюансы с NDA, но не так страшен черт, как его малюют - договориться с компанией всегда можно (если только это не компания, в которой фаундер считает, что "пишешь посты = ищешь работу" - такие тоже есть, но это скорее исключения).

3️⃣ Начните комментировать посты других специалистов. Дополняйте чужие мысли собственным опытом, приведите контрпример или задайте хороший вопрос. Это тоже способ показать, как вы мыслите. "Круто написал", "Ок", "Согласен на 100%" - это не комментарии, если что.

Важно: не пытайтесь понравиться всем. Пишите о том, в чём действительно разбираетесь и что вам интересно. Условному продакту не обязательно рассуждать обо всём IT. Можно годами писать про монетизацию и постепенно стать человеком, с которым ассоциируется эта тема.

И ещё один момент.

Не стоит ждать быстрых результатов. Первые посты могут собрать 500-600 просмотров и три лайка, два из которых поставят ваши коллеги. Это нормально. У вас нет цели стать супермега популярным блогером-инфлуенсером на планете. Ваша задача - постепенно создавать публичную историю своей экспертизы.

В нашем непредсказуемом будущем, где ИИ бешено носится с бензопилой, это окажется одним из самых полезных карьерных активов, которые вы можете создать уже сегодня.

Перепечатываю свою же нестареющую классику про насмотренность.
—————
🧑🏻‍🎨 Пикассо ужинал в одном из ресторанов, и к нему подошла женщина. Она его узнала и попросила нарисовать что-нибудь прямо сейчас, в ресторане. Пикассо взял карандаш, салфетку и сделал набросок городского пейзажа. Когда женщина протянула руку в надежде получить рисунок, художник сказал:
"Он стоит десять тысяч долларов!"
"Но вы потратили на это десять минут!" — возразила женщина.
"Я потратил на это 50 лет!" — ответил художник.

—————

Когда коллеги, ментии или знакомые задают мне вопросы, связанные с продакт-менеджментом, я обычно довольно быстро нахожу в голове ответ. Ответ, который мне лично кажется капитанским и слишком очевидным... Неожиданно для себя я неизменно слышу: "Ого, вот это круто. Точно надо сделать именно так, даже не подумал(-а) об этом. Где ты этому научился?"

❓И правда, "где?" ❓

Всё дело в той самой насмотренности, в количестве кейсов, которые ты пропустил через себя. Нейроны принимают на вход информацию, обучаются — и вот у тебя уже есть улучшенная AI-модель для принятия решений и получения ответов на широкий спектр вопросов.

—————

При этом нейроны обучаются решать не все задачи сразу, а по областям: в разных кейсах и на разных уровнях. Для продакт-менеджера этот набор областей огромен.

❗️Поэтому я верю в то, что СРО, хед продукта или лид продукта НЕ могут быть хорошими руководителями, если они НЕ поработали достаточное время продакт-менеджером (хотя бы 4–5 лет). Они не обучили свои нейронки, не съели достаточно говна" на линейной менеджерской позиции. Есть и те руководители продактов, кто никогда не работал продакт-менеджером — пришли из консалтинга, маркетинга...

При этом проблемы будут возникать в обе стороны:

⬆️Снизу вверх. У подчинённых не будет уважения к решениям, которые принимает такой руководитель (особенно если он даже "миддла-то по скиллам не закрыл").
⬇️Сверху вниз. Такие руководители, не понимая, как и что работает, будут просто экспериментировать с людьми, процессами и продуктами. Очевидно, что для какой-то доли "пациентов" всё закончится неудачно.

—————

Вот вам старый добрый анекдот про такие "эксперименты" 😆

Приходит министр сельского хозяйства к М. С. Горбачёву.
— Михаил Сергеевич, беда, в стране куры дохнут.
— Ничего страшного, нарисуйте перед каждой курицей жёлтый круг.
Министр пожал плечами и ушёл. Через две недели приходит:
— Михаил Сергеевич, всё равно дохнут.
— Впишите в жёлтый круг зелёный квадрат.
Министр снова пожал плечами и ушёл. Через неделю возвращается:
— Михаил Сергеевич, дохнут ведь, совсем мало осталось.
— Впишите в зелёный квадрат красный треугольник.
Проходит месяц, встречает Горбачёв министра и спрашивает:
— А что же вы не заходите, не рассказываете, как там куры?
— Да понимаете, Михаил Сергеевич, все сдохли.
— Ах, как жаль, у меня ещё столько идей!

Большинство компаний внедряют ИИ задом наперёд

Типичный сценарий сейчас выглядит примерно так.
Руководитель видит новую нейросеть и говорит: "Надо внедрять".

Один отдел подключает чат-бота, второй начинает генерировать документы, третий пробует анализировать данные. Через несколько месяцев у компании уже есть пять инструментов, несколько пилотов и довольно слабое понимание, какую проблему всё это решает.

Если цель оптимизация процессов/работы, я бы начинал с противоположной стороны - не с технологий, а с работы самих людей.

Берём конкретный процесс, например обработку обращений клиентов, и разбираемся:
➡️ где сотрудники тратят много времени на повторяющиеся действия;
➡️ где работа регулярно останавливается;
➡️ где не хватает данных;
➡️ где чаще всего происходят ошибки;
➡️ где решение обязательно должен принимать человек.
После этого каждую задачу можно положить в одну из четырёх корзин.

1️⃣ Помочь человеку
ИИ готовит черновик отчёта, письма или анализа, а человек принимает решение.

2️⃣ Ускорить работу
Например, вместо того чтобы юрист час читал 50 страниц договора, ИИ за минуту выделяет спорные пункты, а юрист уже разбирается именно с ними.

3️⃣ Проверить человека
ИИ ищет аномальные счета, пропущенные поля, ошибки или подозрительные операции.
Мне кажется, это вообще один из самых недооценённых сценариев применения ИИ.

4️⃣ Полностью заменить операцию
Но сюда я бы отправлял только действительно предсказуемые, повторяющиеся и низкорисковые процессы.

Важно: полностью автоматизировать задачу не всегда выгоднее, чем просто сделать человека в несколько раз эффективнее.

—————

Есть ещё один хороший фильтр - качество данных.

Если процесс живёт в Excel, половина информации находится в почте, остальное сотрудники помнят в голове, а одинаковые события разные люди записывают по-разному - прикручивать сверху ИИ довольно бессмысленно.
Сначала надо привести в порядок сам процесс и данные.

Мне нравится и достаточно прагматичное правило 70/30:
ИИ забирает примерно 70% подготовительной и рутинной работы, а человеку остаются 30%, где нужны проверка, решение и ответственность. Не так сексуально, как если бы "мы полностью заменили отдел нейросетью", зато сильно ближе к тому, как я вижу нормальное применение ИИ в бизнесе.

—————
База знаний по бизнесу и продукту

Что останется продакту в эпоху ИИ?

Сложно найти чела, который не слышал бы от знакомых, как ИИ ускорил их работу (мб, ты и есть тот самый чел, который рассказывал об этом всем своим знакомым). Типа, раньше ты два дня писал ТЗ, а теперь написал промпт - и через пять минут "усё готово в лучшем виде". Потом ещё за десять минут разобрал сорок интервью, построил дерево метрик за 35 секунд, нагенерил гипотез и разложил созвон на задачи. Красота, можно выпускать в 100500 раз больше фичей (разработчики ведь тоже сидят уже на этих ваших клодах-кодексах-курсорах!) 🚀🚀🚀

❓ Есть ли в этой истории успеха подвох?

Если продакт с помощью ИИ начал выпускать в 100500 раз больше фичей, это ещё не значит, что он стал хотя бы на 10% полезнее. Может быть, он просто теперь в 100500 раз быстрее захламляет продукт.

То есть фокус на том, что НЕ делать в продукте, что удалить из бэклога, - теперь топовый инструмент продакта.

➡️ Умение держать фокус - это первое, что останется продакту в эпоху ИИ.


➡️ Второе, что останется на продакте, - контекст, которого нет в интернете или в источниках, которые вы успешно скормили агенту.

ИИ может прочитать тысячи отзывов, но он не услышит, как клиент говорит о вашем продукте, какие эмоции в голосе, не различит истинные потребности стейкхолдера от формальных, не поймёт, какое настроение у босса всех боссов. ИИ не узнает, что сейлзы уже полгода обещают фичу, которой нет (и не планируется). Не поймёт, что официальная причина оттока - "дорого", а настоящая - продуктом неудобно пользоваться, потому что UX - говно, но клиенту лень это объяснять, либо клиент сам не понимает, как это объяснить вам.


➡️ Ну и третье - ответственность.

ИИ может собрать красивый роадмап, придумать аргументы и даже заранее написать объяснение, почему всё пошло не по плану 😂
Но на встречу после провала всё равно пойдёте вы. Вам придётся признать ошибку, пересобрать решение и снова убедить команду, что за вами имеет смысл идти.

☑️ Итого: куча всякой продуктовой обвязки станет "дешевле" для выполнения. Зато ожидать от вас (как от живого чела в роли продакта) будут три вещи: фокус, понимание скрытого контекста и умение принять ответственность.

Сейчас почти любая крупная компания может рассказать, что она "внедряет ИИ".

Маркетинг пишет тексты через нейросети, разработчики используют ассистентов, HR пробует чат-ботов, все делают саммари звонков.
Мне нравится задавать менеджерам очень простой вопрос:

Что произойдёт, если завтра весь ИИ в компании отключить?

Если сотрудники просто начнут писать письма и документы чуть медленнее - скорее всего, никакой ИИ-трансформации бизнеса пока не произошло.

Интересно, что по опросу McKinsey 88% компаний уже используют ИИ хотя бы в одной функции. А в другом исследовании компаний S&P 500 только 11% были отнесены к компаниям с глубокой интеграцией ИИ в бизнес-процессы.

Причём даже сама цифра "сколько компаний использует ИИ" довольно условна.
В США в одном государственном исследовании компаниям сначала задавали вопрос:

"Используете ли вы ИИ при производстве товаров или услуг?"

Получили около 7%.

Потом вопрос поменяли на:

"Используете ли вы ИИ хотя бы в одной функции компании?"

Получили уже около 17%.

Компании и период не изменились, а поменялась только формулировка.

—————

Поэтому я бы вообще меньше смотрю на "процент внедрения" и больше - на то, что поменялось в самом процессе.

Например, есть процесс обработки заявки из семи этапов:
приём → сбор документов → классификация → проверка → обработка исключений → согласование → исполнение.

Можно дать AI-ассистента человеку на каждом этапе. Все начнут быстрее писать комментарии и делать саммари. Потом можно посчитать "сэкономленные часы" и показать презентацию с красивым ROI. Но по сути клиент всё равно ждёт прохождения семи очередей. Потому что он никогда не ждал, пока сотрудник допечатает текст.

Настоящее изменение начинается, когда задаётся другой вопрос: А зачем нам вообще семь этапов?

Например, отдельная классификация нужна потому, что на входе никто нормально не умеет разбирать документы.
- Обработка исключений нужна потому, что классификация часто ошибается.
- Большое согласование нужно потому, что проблемы обнаруживаются слишком поздно.

Если ИИ может уже на входе извлечь данные, проверить комплектность и определить сложность случая, то несколько этапов можно не ускорять. Их можно полностью удалить.
Вот это для меня уже намного ближе к реальному внедрению технологии.

Поэтому я бы оценивал AI-трансформацию примерно так:
• какой этап процесса исчез;
• какое решение теперь принимается раньше;
• какая передача задачи между командами больше не нужна;
• какой отчёт перестали делать;
• что конкретно придётся перестраивать, если ИИ завтра отключат.

—————

Есть ещё интересная цифра из анализа примерно 5,5 млн сессий Microsoft Copilot.

Около 38% использования приходилось на поиск информации, ещё около 22% - на улучшение контента. Работа с данными и таблицами - около 1,5%.

То есть пока значительная часть корпоративного ИИ - это в основном "давайте быстрее писать и читать текст".
И это нормально. Я сам считаю такие инструменты очень полезными.

Просто не надо путать повышение личной производительности сотрудника с перестройкой бизнеса. Через пару лет фраза "мы используем ИИ" будет звучать примерно как "мы используем электронную почту".

В какой момент фаундер сам начинает мешать растущей компании. Что с этим делать?

Представим, что фаундер довёл компанию от 20 до 500 человек.
На первых этапах его суперсила очевидна: быстро принимать решения, лично залезать в проблемы, запускать новые направления, не ждать идеальных данных и постоянно толкать компанию вперёд.

Проходит время... и компания выросла в 25 раз.

Теперь те же самые привычки основателя внезапно начинают создавать проблемы.

➡️ Если раньше "быстро решить самому" экономило неделю, теперь это может разрушить оунершип команды и создать гораздо больше проблем, нежели плюсов.

➡️ Если раньше новый рынок почти автоматически означал рост, теперь очередная экспансия может просто маскировать падение retention на старых рынках и низко эффективно слить ресурсы компании.

➡️ Если раньше главным вопросом было "как быстрее вырасти?", то теперь появляется другой:

"А то, что мы уже построили, вообще нормально работает на масштабе?"

Что основателю точно придется поменять в своем подходе к бизнесу и компании в целом?

Я бы выделил четыре вещи (очевидно, что мое мнение субъективно).

1️⃣ Менять метрики вместе со стадией компании
В компании, достигшей довольно большого масштаба, в первый ряд метрик должны выходить retention, repeat rate, unit economics, same-store growth, метрики качества продукта,... До этого компания скорее целилась в количество запусков и рост GMV.

2️⃣ Менять то, за что награждают людей
Если несколько лет повышали тех, кто быстрее всех запускал новое, странно ожидать, что внезапно все начнут чинить старое. Нужно явно давать статус и ресурсы людям, которые улучшают retention, экономику и качество существующего бизнеса.

3️⃣ Периодически запрещать себе запускать новое
Например, выделить квартал, в котором задача не "открыть ещё пять рынков", а разобраться, что происходит с уже существующими.

4️⃣ Пересматривать собственный календарь
Очень хороший тест для фаундера: куда уходит его время?

Если компания давно перешла от "найти и быстро использовать все точки роста" к "научиться управлять масштабом", а CEO всё ещё 80% времени проводит на новых запусках - компания почти наверняка продолжит туда же направлять внимание.

Наверное, одна из самых сложных вещей в работе фаундера - признать, что навыки, благодаря которым компания стала успешной, не обязательно являются навыками, которые нужны ей на следующем этапе. Большинство фаундеров, к сожалению, не доходит до этой мысли.

А что если начать вести журнал управленческих решений?

Услышал тут интересную идею - вести в компании Decision Journal, то есть журнал принятия решений.

Смысл не в том, чтобы записывать протоколы встреч.
А в том, чтобы в момент принятия важного решения коротко зафиксировать:
➡️ что именно мы решаем;
➡️ кто владелец решения;
➡️ какие варианты рассматривали;
➡️ какие данные были у нас на руках;
➡️ какие предположения сделали;
➡️ какого результата ожидаем и через какой срок;
➡️ при каких условиях готовы решение пересмотреть.

Например, решили поднять цену на 10%.
Записываем: ожидаем рост выручки на 6%, допускаем падение конверсии до 3%, считаем, что конкуренты цену не изменят. Через два месяца возвращаемся к записи и смотрим, что произошло на самом деле.

Мне здесь нравится несколько вещей.

Во-первых, это хорошо лечит эффект знания задним числом.
После того как результат уже известен, время прошло, мозг очень быстро начинает рассказывать нам, что "Ну это же было очевидно".
Хотя три месяца назад вообще ничего очевидно не было.
Можно принять хорошее решение и получить плохой результат из-за внешних обстоятельств.
А можно принять решение на авось, получить хороший результат и потом убедить себя, что ты великий стратег.
Журнал позволяет разделить качество решения и качество результата.

Во-вторых, можно наконец учиться не на ощущениях, а на собственных решениях.
Через год можно посмотреть:
➡️ Мы постоянно переоцениваем эффект от повышения цены?
➡️ Недооцениваем сроки?
➡️ Игнорируем один и тот же риск?
➡️ Какие данные реально помогают принимать решения, а какие мы каждый раз собираем просто для красоты?

По сути, появляется история не только того, что компания делала, но и почему она это делала.
Это особенно полезно для решений, где много неопределённости: найм, pricing, запуск нового продукта, выход на новый рынок, инвестиции.

Но есть и очевидный минус. Такой журнал очень легко превратить в очередную корпоративную бюрократию.
Если для решения на 100 тысяч рублей нужно заполнить форму на четыре страницы - через месяц люди либо перестанут её заполнять, либо ChatGPT будет генерировать красивые обоснования задним числом)))

Есть ещё более опасная проблема.
Если через полгода CEO открывает журнал исключительно со словами: "Так, давайте посмотрим, кто здесь накосячил",
то эксперимент можно заканчивать.
Люди быстро научатся писать максимально безопасные формулировки и не фиксировать реальные сомнения.
То есть Decision Journal работает только тогда, когда это инструмент обучения, а не папка с будущим компроматом.

Мне сама идея нравится.
Наверное, я бы не стал записывать туда все решения компании.
Но для 10 действительно важных решений в квартал это может быть очень полезной практикой.

И самое интересное здесь даже не возможность потом понять, кто был прав.
Гораздо интереснее понять: где именно компания систематически ошибается в своих рассуждениях.

Потому что результат одного решения может быть случайностью.
А одинаковая ошибка в десяти решениях подряд - уже вполне себе процесс.

Не упрощайте всё до нулевого уровня приближения

Представим, что компания хочет открыть новый магазин, фитнес-клуб или клинику.

Часто прогноз спроса строят так:
1. Рисуют вокруг точки круг радиусом три километра.
2. Считают население внутри.
3. Умножают его на "коэффициент проникновения".
4. Получают прогноз с двумя знаками после запятой.

Проблема в том, что круг предполагает:
• все люди внутри него одинаково вероятно выберут ваш объект;
• все люди за его пределами к вам не придут.

В реальности клиент может жить в 500 метрах от клуба, но ездить в другой за два километра, потому что там дешевле, есть бассейн и лучше оборудование.
Другой клиент может проехать мимо двух конкурентов, потому что ваш клуб ему нравится больше.

Люди выбирают не ближайшую точку. Они одновременно сравнивают расстояние, цену, качество, бренд, ассортимент и режим работы.

Математически описывать такое поведение начали довольно давно.

В 1940-х годах Джон Стюарт и Джордж Ципф перенесли логику ньютоновской гравитации на взаимодействие между территориями.

Так появилась гравитационная модель:
• чем больше «масса» места - население, экономическая активность или привлекательность, - тем сильнее оно притягивает людей;
• чем больше расстояние, тем слабее притяжение.

Но гравитационная модель описывала общий поток между двумя точками и плохо отвечала на вопрос, какой из нескольких магазинов выберет конкретный человек.

В 1963 году Дэвид Хафф предложил вероятностную модель выбора.
Для каждого клиента оценивается привлекательность всех доступных объектов. Чем объект ближе и лучше, тем выше вероятность выбора. При этом вероятность зависит не только от самого объекта, но и от всех его конкурентов.
То есть спрос принадлежит не конкретному магазину или клубу.
Он распределяется между всеми доступными альтернативами.

В 1974 году Дэниел Макфадден предложил способ математически описывать выбор людей между несколькими вариантами - так называемую мультиномиальную логит-модель.
Проще говоря, он показал, как можно посчитать вероятность того, что человек выберет один вариант из нескольких. За эту работу и исследования поведения потребителей он позже получил Нобелевскую премию по экономике.

А в 1983 году Стюарт Фотерингем добавил поправку на кластеризацию конкурентов: одинаковые магазины работают по-разному, если один находится в окружении десяти конкурентов, а другой - единственный в районе.

Практически такая модель работает следующим образом.
Для каждого небольшого района рассчитывается привлекательность всех доступных объектов с учётом:
• расстояния;
• цены;
• качества;
• размера;
• ассортимента;
• бренда;
• уровня доходов населения;
• количества и типа конкурентов.

Затем спрос района распределяется между объектами пропорционально их привлекательности.
Ключевой момент - общий спрос сохраняется.

Открыли новый магазин - он забрал покупателей у конкурентов и, возможно, у ваших же точек.
Закрыли конкурента - его спрос перераспределился между оставшимися.
Снизили цену - часть клиентов перешла к вам.
Добавили бассейн - привлекательность клуба выросла, но не для всех сегментов одинаково.

Это позволяет считать:
• сколько клиентов реально привлечёт новая точка;
• у каких конкурентов она их заберёт;
• сколько продаж каннибализирует у собственных объектов;
• где есть неудовлетворённый спрос;
• где рост ограничен маркетингом, а где - физической вместимостью;
• как изменение цены повлияет на конкретный объект с учётом его района и конкурентов.

Особенно важна каннибализация.

Можно открыть новый магазин, показать его выручку и объявить запуск успешным. А потом выяснить, что значительная часть покупателей просто перешла из соседнего магазина той же сети.
Новый объект вырос.
Сеть - почти не выросла.

Круги на карте используют потому, что они простые и понятные.
Но решения о том, где открывать магазины, что закрывать, сколько инвестировать и какую цену устанавливать, слишком дорогие, чтобы принимать их на основании круга и среднего коэффициента проникновения.
Тем более что моделям Хаффа уже больше 60 лет.
Просто теперь их можно посчитать не на нескольких сотнях анкет, а на миллионах транзакций - и за несколько минут на обычном ноутбуке.

Когда данных слишком много

Сидишь на продуктовом комитете, открываешь четырнадцать дашбордов, показываешь воронки, когорты, ретеншен и какой-то ещё график, который принёс аналитик за пять минут до встречи (зато график движется вправо-вверх - в общем, как надо).
Все присутствующие серьёзно кивают, даже если ничегошеньки не понимают в этих цифрах. Кажется, данных и графиков уже достаточно, решение само собой принято. Это успех!

Ноооо, стопэ... А что, если я скажу вам, что огромное количество данных, которыми вы обмазались, - это топовый обман современности?

Чем больше у команды данных, тем проще найти среди них цифру, которая подтвердит то, что команда и так хотела сделать.

Два квартала пилили фичу, при этом целевая метрика не выросла? Неприятно, гадко на душе. Зато (зато!!) пользователи фичи на 2% чаще заходят по четвергам. Всё, расходимся: фича успешна, команда - красавчики.

"А как же data-driven-подход? Продакт же не должен принимать решения на основе интуиции!"
Data-driven-подход не отменяет экспертного решения и ответственности. Он просто позволяет красиво спрятать их внутри выбора метрик, периода наблюдения и нужного сегмента пользователей.

Можно открыть четырнадцать дашбордов и почти всегда найти там что-нибудь зелёненькое. Особенно если очень не хочется признавать, что гипотеза была говно, а два квартала работы не дали результата.

Это обычное подтверждающее искажение (на буржуйском "confirmation bias"). При этом вы не обязательно сознательно врёте коллегам. Вы просто внимательнее замечаете цифры, которые позволяют не закрывать любимую фичу, не спорить с руководителем и стейкхолдерами, не проводить неприятный разговор с командой/подчиненным...

Поэтому перед просмотром данных полезно ЗАРАНЕЕ записать: на какой вопрос мы отвечаем, какую метрику хотели изменить и какой результат заставит нас отказаться от решения.

Иначе первоначальный вопрос "сработала ли фича?" незаметно превращается в "можем ли мы найти хоть что-нибудь, что позволит её не закрывать/признать успешной?".

Данные нужны не для того, чтобы убрать из работы продакта экспертное суждение. Они нужны, чтобы сделать это суждение качественнее.

А если вдруг вам не слишком зашло то, что я написал выше, то для вас я подготовил приятное заключение:

Если после четырнадцати дашбордов вы всё ещё не можете принять решение (о том, что фича успешна), вам точно нужен пятнадцатый дашборд! Побежали его пилить!

ИИ дали корпоративную карту и поручили управлять кафе

Исследователи из Andon Labs решили проверить, насколько автономные AI-агенты готовы к реальному бизнесу. А конкретнее - к управлению настоящим кафе в Стокгольме (с сотрудниками, закупками, счетами и реальными деньгами).
AI-управляющего назвали Моной, выделили ей около $21 000, предоставили корпоративный счёт и Slack для общения с сотрудниками.

В первую неделю всё было збс. Мона подключила электричество и интернет, разместила вакансии бариста, общалась с поставщиками, заключала договоры и отбирала кандидатов.

А потом Мона:
- заказала 3000 перчаток;
- купила 6000 салфеток;
- зачем-то заказала яйца и 23 килограмма консервированных помидоров, хотя блюд с такими ингредиентами не было в меню;
- то заказывала слишком много хлеба, то забывала заказать его вообще;
- подавала документы на алкогольную лицензию от имени реальных сотрудников, хотя её просили так не делать;
- задерживала выплату зарплат.

Через два месяца из $21 000 осталось меньше $5 000. Выручка составила около $5 700 и не покрыла даже аренду.

При этом управление кафе с помощью AI-агента в какой-то момент стало стоить дороже, чем работа человеческого управляющего.

Каждое письмо, заказ и сообщение увеличивали объём истории, которую модели приходилось заново обрабатывать. Контекст рос - вместе с ним росли потребление токенов и стоимость каждого следующего решения.


Главный вывод

LLM прекрасно справляется с отдельными изолированными задачами:
- "Напиши вакансию".
- "Ответь поставщику".
- "Подготовь договор".

Из-за этого возникает иллюзия компетентности. Кажется, что если система хорошо выполнила десять отдельных задач, то она сможет управлять целым процессом (читай: реальным кафе).

Но (внезапно) бизнес - не набор независимых промптов.
Это непрерывная цепочка связанных решений, где заказ, сделанный сегодня, влияет на склад завтра, деньги через неделю и работу сотрудников через месяц.

Разработчики всё ещё не начали вымирать

В январе 2026 года CEO Anthropic Дарио Амодеи заявил, что через 6-12 месяцев ИИ сможет выполнять большую часть, а возможно, и всю работу разработчиков от начала до конца.
Прошло шесть месяцев. Если что, разработчики всё ещё здесь.

Более того, данные по найму пока не показывают массового исчезновения профессии. А Сэм Альтман уже признал, что AI-компании довольно точно предсказали развитие самой технологии, но сильно ошиблись в оценке социальных и экономических последствий.

ИИ действительно научился быстрее генерировать шаблонный код, тесты, документацию и исправления типовых ошибок.

По данным исследования Writing Code vs. Shipping Code (специалистов MIT и Wharton), объём написанного кода вырос примерно на 180%, а объём кода, реально попавшего в продакшен, - всего на 30%.

Это в целом подтверждает, что писать код и отвечать за работающую систему - не одно и то же.
Нужно ещё понять, что вообще следует разработать, учесть бизнес-логику, разобраться в старой архитектуре, найти неочевидные зависимости и отловить момент, когда агент очень уверенно реализовал не то или не так, как хотели.

Очевидно, что в ближайшее время ИИ не столько заменит инженеров, сколько изменит структуру их работы. Меньше ручного написания кода. Зато больше постановки задач, проверки, проектирования, работы с контекстом и ответственности за результат.

А пока, судя по всему, ИИ без разработчика в основном способен очень быстро выдать большое количество кода, который кому-то потом придётся внимательно читать)))

Как понять, что технически для построения продукта палки закончились, осталось только ... (дендро-фекальный принцип)

Продакт может не уметь читать код. Но желательно уметь заметить момент, когда разработка постепенно превращается в филиал передачи "Окна" с Нагиевым (по этой отсылке можно понять, что мне далеко не 25).

Вот шесть тревожных сигналов.

1️⃣ Никто не может нормально объяснить, как работает система.
Задаёшь какой-нибудь вопрос в стиле "А как у нас устроено...?" - получаешь три разных ответа (иногда эти ответы получены с разницей в 1 день от одного человека), потом тебе присылают архитектурную схему 2019 года и заканчивается все фразой "надо спросить Иванова" (который, кстати, уволился 2 года назад).

2️⃣ Любая новая фича внезапно занимает вечность.
Кнопку оценили в два дня, через месяц выяснилось, что надо переписать авторизацию, биллинг и половину кода.

3️⃣ Одни и те же баги постоянно возвращаются.
Баг закрыли, порадовались, выкатили релиз, через неделю багуля опять на проде.

4️⃣ Операционные команды вручную удерживают продукт на плаву.
Поддержка правит все, менеджеры ведут 128 Excel-таблиц, а специально обученный человек каждый вечер нажимает секретную кнопку и молится всем богам, чтобы система не отбросила копыта.

5️⃣ Весь продукт держится на одном инженере.
Без него нельзя оценить задачу, разобраться в инциденте и понять, зачем в базе таблица final_final_temp_2015_v42. И тебе каждый раз команда повторяет "Только Димон знает, как устроен этот модуль, все задачи ведем на него"

6️⃣ О проблемах команда узнаёт от пользователей.
Мониторинга нет, алертов нет, когда ты невзначай упоминаешь "графана", тимлид кроет тебя трехэтажным матом, так как "На внедрение графаны нам потребуется от 5ти месяцев" (ну это по его мнению).

☑️ Если совпало от трёх пунктов, то у тебя, дорогой продакт менеджер, большие проблемы. В ближайший квартальчик рекомендую взять в OKR (у вас же есть целеполагание?) работу над тех. стабильностью и надежностью.

Почему в больших компаниях хейтят ИИ для написания кода - мысли

За последний год я сам довольно много писал код с помощью Codex и Claude. И периодически сталкивался с тем, о чём Линус Торвальдс недавно говорил на Open Source Summit.

ИИ отлично умеет чинить конкретную ошибку. Показываешь ему баг, он находит проблемное место, переписывает несколько строк - и всё снова работает. Казалось бы "Красаучик, все бы так быстро баги правили! Погнали дальше."
А потом похожая ошибка вылезает в другом месте. Потому что ИИ исправил симптом, но не понял причину.
Торвальдс называет такие правки "бездумными временными заплатками". Они закрывают конкретную дыру, но сам тип проблемы остаётся и просто "ждёт в темном закоулке, чтобы дать вам 3.14..." (ладно, так Линус не говорил, это я сам придумал и приписал ему).

И дело не в том, что ИИ фигово пишет код. Пишет код он нормально (и главное быстро).
Проблема в том, что для нормального решения недостаточно увидеть кусок кода с ошибкой. Нужно понимать всю систему: почему она устроена именно так, какие решения принимались несколько лет назад, от каких ограничений отталкивались и что вообще должен был делать этот код.
Этого контекста часто нет ни в репозитории, ни в документации, ни в промпте. Он находится в головах людей, которые создавали систему, поддерживали её и много раз наблюдали, как она ломается в проде (дааааа, блин, криты на проде - любимая забава всех прогеров).

Поэтому Торвальдс говорит, что в пул-реквестах внимательнее читает объяснения, чем сами изменения в коде. По объяснению видно, действительно ли человек понял проблему или просто нашёл способ снова сделать тесты зелёными.
Объяснение - это проверка понимания. Идеальный код - всего лишь результат правильного понимания.

С помощью ИИ стало очень легко получить вроде бы правильный результат, не понимая, почему он правильный и какие последствия вызовет правка, которую клод только что внес. На небольшом личном проекте это обычно нестрашно: что-то сломалось - попросил ИИ починить ещё раз.

В большой компании всё иначе. Код живёт годами, проходит через десятки команд, обрастает зависимостями и становится фундаментом для следующих решений.

Если инженеры перестают понимать систему и просто принимают правдоподобные ответы модели, в коде постепенно появляется всё больше костылей. Каждый из них локально решает задачу, но глобально делает систему ещё менее понятной.
В какой-то момент архитектура превращается в говно, которое никто целиком не понимает, но все продолжают ускоренно достраивать с помощью ИИ.

Тесты пока зелёные, релизы выходят быстрее, в отчётах всё пока выглядит отлично - а вся система уже летит с обрыва прямиком в ад. Такие дела.

Думаю у каждого продакт менеджера было такое - сидишь на работе, задумался о чем-то и вдруг рождается гениальная идея. Уже представляешь релиз, аплифты в десятки процентов, реакцию пользователей, выкрики стейкхолдеров "крааасаааавчиик-крааасаааавчиик!", повышение сразу на 2 грейда 🚀🚀🚀

А потом коллега говорит:
- "Это уже есть в бэклоге - полгода назад закидывали"
- "Пробовали похожее - не полетело"
- "Так конкурент это реализовал год назад"

❓А вот что ты делал после этой информации?

Ты сразу обесценивал идею? Злился? Начинал доказывать, что "у нас будет по-другому" (потому что ты, конечно, красавчик, не то, что эти прошлые)? Или тихо убирал её обратно в ящик?

Я через это проходил 100500 раз и со временем понял одну вещь: выигрывают не потому, что придумали первыми.
Выигрывают потому, что сделали лучше: точнее, удобнее, вовремя, для своей аудитории и в своём контексте. Сколько поисковиков было до гугл?

Сама по себе “новая идея” ничего не стоит. Большинство "новых идей" - это итерации. И как бы сказала Малышева: "Это норма!"

—————

Когда я узнаю, что "уже было" или "уже есть у конкурента", я делаю 4 простых шага:

1️⃣ Изучаю реализацию конкурента / прошлый эксперимент.
Это бесплатная валидация (и бесплатные ошибки). Умный учится на чужих ошибках, а дурак на своих

2️⃣ Настойчиво уточняю “зачем?”
Какую конкретную боль мы решаем? Для кого? Почему сейчас?

3️⃣ Ищу дифференциацию/отличие
Чтобы было понятно, что это не "та же фича": UX, сценарий, интеграция, скорость, сегмент, упаковка.

4️⃣ Решаю: идти или не идти.
Иногда правильный ответ - не "делаем срочно, а то не успеем", а "нам это вообще не надо".

"Управление продуктом" редко бывает про скорость реакции на вброс информации.
Чаще всего "управление продуктом" - это скорость обучения.

Вижу, что мне в личку написало большое количество подписчиков 🚀🚀🚀

Если кому-то сегодня не успею ответить - не огорчайтесь. Скорее всего я просто заблокирован другими задачами :(

Скорость речи = скорость мышления × (1 − контроль)

Лет 5 назад я часто ловил себя на одной и той же мысли. Обсуждение, дискуссия, презентация - и я начинаю говорить очень быстро. Закидываю аргумент, задаю вопрос, следующий тезис. Всё на высокой скорости.

Тогда мне казалось, что всё логично: скорость речи = скорость мышления.

Типа пинг от мозга к голосу. Чем быстрее думаешь - тем ты круче (при условии, что не несёшь полную дичь).


Со временем мне стало понятно, что это не совсем так.

Во-первых, скорость речи вообще зависит от кучи факторов (кроме базовой скорости мышления): уровень тревоги, ощущение статуса, ясность мысли, привычки и среда, физиология.

Но есть и вторая часть уравнения, о которой еще 5 лет назад я не думал - это контроль речи.


Контроль нужен для того, чтобы:
* паузой или замедлением показать фокус
* дать людям осознать сложную мысль, а не просто услышать
* отделить главное от второстепенного
* выглядеть спокойным и уверенным, даже в напряжённой дискуссии

Важный момент - этому контролю нужно учиться отдельно.

При этом чем выше скорость мышления и обработки информации, тем проще научиться управлять скоростью речи, потому что появляется буфер между мыслью и словами.

За последние годы я всё реже замечаю вокруг по-настоящему глупых людей.
Зато всё чаще - людей, которым просто неинтересно, у которых вообще нет любопытства.

Не в смысле "они не знают". А в смысле - им не хочется разбираться, погружаться во что-либо, что-то изучать и тд

Глупость - это часто ограничение, которое уже есть в человеке. А вот отсутствие интереса - это привычка.
И, кажется, последние годы эту привычку активно выращивают 😭


Соцсети - самый очевидный пример.
Они отлично скармливают нам лёгкий дофамин. Но от того, что ты пролистал сотни постов, ты не стал умнее.
Твоё любопытство использовали - да. Не путать с тем, что тебе что-то было любопытно/интересно.


Культура быстрых ответов.
Мы привыкли, что:
* любой вопрос гуглится или чатджипитишится за 10 секунд
* любой ответ можно получить сразу
и для этого не обязательно погружаться в тематику.


Усталость и отсутствие мотивации
Про это редко говорят, но это важно: любопытство требует энергии.

Когда человек постоянно:
* перегружен
* в тревоге (посмотрите вокруг)
* в режиме выживания
ему не до исследования мира или глубокого погружения в тематики.


В итоге мы всё хуже держим длинный фокус. Всё реже реально погружаемся в темы.
Зато всё чаще возникает ощущение "я вроде в этом разбираюсь" (эксперт)))


На практике это обычно означает:
- что-то слышал
- знаешь пару терминов
- видел пару постов
- обсуждал с кем-то на кухне.


Похожую картину ещё чаще видел и на работе: «Вот моя зона ответственности. Дальше мне неинтересно. И разбираться я там не буду".

Хотя именно любопытство - желание залезть глубже, понять, как всё устроено за пределами своей коробочки - всегда было для меня одним из главных факторов роста.

В общем, вот такой вот печальный тренд я ощущаю.

Сидел я как-то за компом и серфил инфу в инете. В простонародье - немного тупил 😆

Попался пост в LinkedIn про vibe coding. Потом тред в Threads про новый AI-инструмент. Затем какой-то чел уверенно рассказывает, как он “за 2 часа собрал SaaS”. Потом видос в Instagram, где всё опять выглядит так, будто надо просто написать один промпт - и жизнь сама пойдет в гору.

Так как я “что-то в этом уже понимаю”, то на 100% могу сказать: половина таких советов, инсайтов, хаков и историй - это булщит 🧐

И я в какой-то момент поймал себя на мысли: ну блин, а где нормальное место, где всё это можно не просто потреблять, а обсуждать по-человечески?

Потому что сейчас с AI происходит такая тема:
Информации стало слишком много. Она размазана по Instagram, LinkedIn, Threads, YouTube, Medium/Habr/VC, которые часто живут не ради смысла, а ради трафика и рекламы.

И половина этой информации, мягко говоря, "странная".

Что-то не работает. Что-то работает только в демо. Что-то было актуально три недели назад, а сейчас уже нет. А что-то подаётся как “революция”, хотя по факту человек просто попросил Claude Code сделать ему лендосик.

Я не против хайпа. Хайп иногда двигает индустрию быстрее скучных отчётов. Но вокруг AI сейчас не хватает одного места.
Где можно спокойно сказать:
“Вот это я попробовал - работает”.
“Вот это не взлетело, не тратьте время”.
“Вот тут автор явно приукрасил”.
“А вот это реально меняет подход к работе”.

Короче, поэтому я запускаю сайт для людей, которым интересны современные AI-тренды: vibe coding, генерация видео, AI-автоматизация, новые инструменты, промпты, пайплайны - всё вот это.

Это место для фанатов, практиков и любопытных людей, которые не хотят отставать, но и не хотят тонуть в мусоре.

Что там можно будет делать:
- писать и читать статьи по разным темам;
- делиться хаками, инсайтами, пайплайнами и находками;
- обсуждать идеи на форуме, задавать вопросы, спорить;
- общаться в личных сообщениях, находить людей под проекты и эксперименты;
- и, что для меня важно, оставлять нормальную обратную связь: что работает, что нет, где автор ошибся, где инструмент переоценён, а где наоборот все зря проходят мимо.

Мне хочется, чтобы новичкам было проще стартануть.
Не через очередной “гайд на 100 страниц”, а через живое место, где можно посмотреть, что делают другие, задать тупой вопрос без страха, найти нормальный разбор и потихоньку втянуться.

На сайте уже есть первые материалы:
- Вот почему никто не может понять, что я использовал ChatGPT
- Скрытый механизм ценообразования ИИ, который все игнорируют
- Почему Kimi K2.6 может заменить GPT-5.5 в программировании
- Как создать систему виртуальных инфлюенсеров с помощью n8n в 2026 году
...

➡️➡️➡️ Сайт здесь: https://localhost3000.pro/

Всё вроде как живое, но местами кривоватое. Если видите багу - пишите мне в tg @egguryanov (или можете писать в мессенджер на самом сайте @architect)

История о том, почему на новой работе стоит фиксировать все важные договорённости письменно

Недавно мне знакомый продакт-менеджер рассказал следующую историю.

Ему сделали оффер в IT-компанию, и в нём были прописаны 4 задачи на испытательный срок. Также была договорённость с СЕО (не прописанная в оффере), что при успешном завершении ИС этому продакту накинут 1,5 тыс. евро к зарплате.

В процессе первых трёх месяцев в новой компании основатель (он же СЕО) 100500 раз переобувался и в какой-то момент сказал:

«Первая инициатива из списка вообще уже не нужна, а третью можно отложить на неопределённый срок».

«Ну окей, займусь тогда чем-то, что точно нужно компании», — подумал продакт и пошёл упорно работать дальше.

Спустя 3 месяца, а точнее — 87 дней, на вопрос:

«Прошёл ли я испытательный срок?»

продакт услышал следующую тираду от СЕО:

«Ох, ну что-то не то, не то... Да, неплохо работаешь, но вот из списка инициатив на ИС ты закрыл всего две... Ну, давай просто старайся немного получше — и будет вообще хорошо».

На уточнение:

«А если я прошёл ИС, то когда мне накинут 1,5 тыс. евро к зарплате, как договаривались?»

последовал ответ в стиле:

«Пу-пу-пу... чё-то мы не накинем тебе. Не хочется в целом».

Продакт принял решение покинуть компанию.

❓А как бы поступили вы?

Когда я говорю знакомым, друзьям или ребятам в команде: "Выступайте публично", я почти всегда слышу два типа реакции.

Первый - классический страх. Но его озвучивать “стремно”, поэтому включается второй, самый популярный ответ:

"Тааа мне не нужно светиться публично. Это выскочки ходят и выступают. У меня нет такой цели. Я вообще-то хорошо работу работаю.»

И каждый раз в такие моменты я понимаю: человек мыслит слишком узко.

Публичные выступления - это всего лишь на 10% “личный бренд” и “самопиар”.
Да, спору нет, бренд - как минимум, приятный бонус (для кого-то это и цель). Но это малая часть того, зачем вообще стоит выходить и говорить.

—————

Вот ещё 4 вещи, которые публичные выступления прокачивают лучше многих курсов, книг, менторства...

1️⃣ Умение объяснять сложное простым языком + аргументация + удержание внимания (да, сюда впихнул комбо)
Когда ты выступаешь, нельзя просто красиво что-то заученно рассказать. Ты пытаешься сделать так, чтобы аудитория максимально поняла набор твоих мыслей и идей, и чтобы аудитория поверила тебе, не отвалившись где-то в первой части выступления. Хорошее выступление с презентацией на 20-25 минут обычно готовится более 20-25 часов.
Это набор навыков, который 100% надо прокачивать.


2️⃣ Лидерство и харизма
Ты стоишь перед десятками (а иногда сотнями) людей и тебе нужно держать внимание, давать видение, заражать уверенностью. Опять же, аудитория должна захотеть пойти за тобой (хотя бы ментально), поверить тебе.
После выступления включаешь запись и, как минимум, сам оцениваешь себя "Хмммм, а пошел бы я за этим оратором?"
Да-да, идеально всегда записывать свои выступления на камеру. Иначе, как отлавливать моменты для улучшения?


3️⃣ Управление эмоциями и стрессом
Публичное выступление - офигеть какая тренировка нервной системы: адреналин, страх оценки, давление времени.
Этот апгрейд ЦНС потом тебе пригодится на переговорах, на жестких встречах, с долбанутым начальником или коллегой.


4️⃣ Прокачка мозга на пиковой мощности
Говорить публично - это одновременно контролировать смысл, структуру, голос, темп, паузы, жесты, аудиторию, контекст...
По сути, ты в реальном времени управляешь кучей процессов сразу. Мозг в этот момент работает как процессор на максималках— и от этого реально растёт когнитивная мощность.

—————

Так что в следующий раз, когда твой мозг придумает очередное “умное” оправдание, почему тебе не надо выступать публично -
остановись и подумай ещё разок 🤓