Mindventure 🏄‍♂️ Антона Астафурова

Профессии AI-бума, 3 часть: промпт-инженер

В первых двух частях роли появлялись, а теперь — плот твист — единственная, которая успела появиться и исчезнуть.

Помните таких промпт-инженеров? Например, летом 2023-го Anthropic искали Prompt Engineer and Librarian с вилкой $250–375 тысяч в год. Надо было подбирать формулировки, собирать из них библиотеку и учить остальных, писать код не требовалось. Тогда это выглядело как профессия мечты: платят как сеньору, а порог входа как у копирайтера.

Fast forward: прошло три года, вакансий с «prompt engineer» в названии стало примерно на 40% меньше относительно пика 2023-го. С другой стороны, количество упоминаний промпт-инжиниринга как навыка в описаниях вакансий стало больше примерно на 250%. То есть работа никуда не делась — исчезла завязанная на ней должность, а обязанности растворились в других позициях. Показательно у той же Anthropic: в вакансии FDE из прошлой части advanced prompt engineering стоит в одном ряду с разработкой агентов и эвалами как одно требование из пяти.

Термин, который вытеснил промпт-инжиниринг — context engineering: проектировать не формулировку, а весь набор данных, который модель видит на каждом вызове. Тоби Лютке из Shopify объяснял разницу так: задача не в том, чтобы красиво попросить, а в том, чтобы у модели вообще было чем задачу решить.

Что осталось от роли:
🔸Навык — да, но как часть требований к AI-инженеру, агентному разработчику, applied AI;
🔹Название — почти ушло из заголовков вакансий;
🔸Отдельная функция — нет, в отличие от FDE у OpenAI;
🔹Порог входа вырос: от «умеет формулировать» до «умеет собрать и измерить».

Часть 1 ▫️ Часть 2 ▫️ Часть 3

Профессии AI-бума, 2 часть: Forward Deployed Engineer

Эту роль придумали в Palantir, теперь под неё нанимают почти все, кто занимается или внедряет AI. Речь о Forward Deployed Engineer, или FDE.

Начнем с названия. Кто там кого и куда задеплоил? А дело в том, что инженера буквально выдвигают вперед — в область работы с клиентом / заказчиком. Он находится рядом с теми, кто будет вашим продуктом пользоваться, смотрит, как они работают на самом деле, и собирает решение прямо там, исходя из живого контекста.

Насколько всерьёз взялись за эту роль видно по OpenAI. Forward Deployed Engineering у них не пара вакансий, а отдельная функция: два десятка открытых позиций, из них шестнадцать инженерных, и сверху менеджеры этой самой функции. Роль уже нарезана по индустриям — здравоохранение, юристы, госсектор, полупроводники. Среди локаций — Нью-Йорк, Сан-Франциско, Сиэтл, Сеул, Сингапур, Сидней, Токио.

С другой стороны — российских реалий на Хабре: вакансий с таким скоупом почти нет, треть выдачи по запросу вообще не про то, а вывод у автора простой: компании тут не нанимают отдельного человека под внедрение AI, а вешают эти задачи на тех, кто уже есть.

Что по скиллам?
🔸Безупречное понимание процесса delivery: человеку в этой роли предстоит буквально развивать продукт на лету;
🔹Опыт с MCP, агентской разработки, субагентов, - всего, что может помочь в процессе доставки;
🔸Коммуникация - в этой роли предстоит общаться не меньше, чем работать с кодом. Anthropic отдельно выделяют требование customer facing / consulting;
🔹System design - тоже относится к delivery, но в этой роли особенно важно;
🔸Доменное знание, в зависимости от типа компании и клиента - здравоохранение, юриспруденция, т.д.

В третьем, финальном посте поговорим про роль, которая успела пожить и раствориться.

Часть 1▫️ Часть 2

Прототипирование вырастает в отдельную роль

Решил написать серию постов про новые роли, которые породил AI-бум, в том числе для того, чтобы лучше разобраться в них самому.

Как продакту, мне необходимо прототипировать: это уже стало скиллом наравне с «уверенным пользователем ПК» лет 20 назад. Вот уже четыре месяца я собираю AI-прототипы для команды и стейкхолдеров просто потому, что так быстрее. Наблюдая за рынком, я заметил, что на базе этого процесса выстраиваются целые роли и команды.

Например, Avito открыл Центр экспертизы AI-прототипирования и ищет туда senior-менеджера. Скоуп: найти потребность, собрать прототип, измерить эффект, передать в разработку. В требованиях знакомые нам всем Claude Code, Codex и Cursor, плюс Python / Go, мультиагентные системы, эвалы.

В то же время Xsolla ищет продуктового дизайнера, у которого рабочий процесс начинается с открытия Claude Code и проектировке прототипа в React и HTML.

И таких ролей будет все больше, причем подход к ней строится с двух сторон: Avito вырастил её из продакта с инженерным бэкграундом или инженера с продуктовым мышлением. Xsolla - из дизайнера, который умеет в код. В итоге все очень красиво сошлось в одной точке под названием AI Prototyping Expert, или менеджер по AI-прототипированю.

Пять скиллов, которые, на мой взгляд, необходимы, если вы хотите занять такую роль:

- Хороший уровень AI literacy: для каких ситуаций хороши модели Claude Code, а для каких из Cursor - для оптимизации траты токенов;
- Базовое понимание CJM и других механизмов product discovery (интервью, JTBD) - для проектировки user flow;
- Умение вовремя остановиться - очень важный и недооцененный скилл, потому что ты можешь полишить прототип очень долго без доказанной бизнес-ценности;
- Понимание других ролей / смежных команд - важно, чтобы прототип был понятен QA, инженерам и маркетологам;
- Принятие критики и быстрая адаптация (см. пост про прожарку)

В следующий раз разберем роль, которая стала «золотой» в новом мире - у одной только OpenAI их 16 открытых штук. Угадаете, что за роль?

Прожарили меня, или неприятная правда про прототипирование

В предыдущем посте я писал, как AI-прототипы у меня «съели макет», как это круто и быстро. Я продолжаю в это верить, но сегодня – об обратной стороне процесса.

На днях команда собралась на встречу, чтобы прожарить прототипирование. По плану прожаривали подход, по факту прожарили меня 👍 потому что этот подход во многом форсится мной. И хорошо же прожарили! Я вышел со встречи с длинным списком того, чего в своей эйфории не замечал.

Вот что прилетело:

1️⃣ Прототип выглядит готовым, и это ловушка. Он кликается, похож на живой продукт - и все начинают относиться к нему как к истине. По факту это вайбкодное нечто без привязки к стандартам: ни отступы, ни состояния на него нельзя опереть надёжно. Разработчик берёт его за эталон, а эталона там нет;

2️⃣ Нейронка не чувствует вкус. Она соберёт рабочий экран, без изюминки, которую живой дизайнер придумал бы сразу. Если фича во многом завязана на эмоциональном восприятии юзером, то плоский дизайн бьёт по конверсии. В итоге руками докручиваем то, о чём дизайнер подумал бы на старте;

3️⃣ Тестированию не с чем сравнивать. Нет эталона – и QA спорит с разработкой про отступы и кнопки на уровне common sense (он у всех разный). Вопрос «а как правильно?» подвисает, потому что ответить на него должен дизайн, которого нет;

4️⃣ Легко пропустить сложное. Когда фокусируешься на новом – новый тип товара на маркетплейсе или новая механика – рука сама пропускает скучное и тяжёлое: оплату, полный флоу, крайние случаи. В прототипе стоит заглушка, а всплывает всё это в самом конце, когда правки дороже всего;

5️⃣ Скорость создаёт ложные обещания. Раз нейросеть делает быстро – значит, и сроки обещаем быстрые. Потом едем на этой скорости дальше, жертвуя визуалом и UX. В это же время продукт, который на 90% собран без ИИ, тщательным подходом, потихоньку каннибализируется быстрыми решениями.

И самый отрезвляющий тейк: инструмент, который позволяет быстро что-то слепить, не делает тебя специалистом. Продакт не становится разработчиком от того, что собрал прототип. Задача выглядит проще, а по факту ты просто не знаешь, где заложена бомба и когда рванёт.

В общем, как оказывается, прототип – не панацея, а черновик гипотезы. Он помогает за день, а не за месяц, показать «вот примерно так это будет» и проверить, летит ли идея вообще. Или супербыстро выкатить на юзеров, чтобы подтвердить/убить гипотезу, но не принимать его за готовое решение. Не хочется копить скрытый долг, который будет очень тяжело оплачивать в будущем. Будем пробовать выстраивать работу вокруг прототипов чутка ОСОЗНАННЕЕ, – потом поделюсь тут результатами.

Предыдущий пост был в восторженно-эйфоричном тоне. Считайте это честной сноской к нему ☕️

Релиз в пятницу вечером, или пост, за который меня съест наша команда QA.

Мне кажется, правило «не релизить в пятницу» – это не правило безопасности, а симптом, что что-то не работает. Если релиз в пятницу страшен – вопрос не к дню недели, а к тому, что у тебя с:

🔹 откатом – можешь за 5 минут вернуть предыдущую версию, не собирая на это консилиум из инженеров?
🔹 мониторингом – тебе прилетит алерт, если что-то пойдёт не так, или ты узнаешь об этом от пользователей в понедельник?
🔹 on-call – есть ли дежурный и понимает ли он, что делать в нештатной ситуации?
🔹 feature flags – можешь выключить новую фичу, не откатывая весь релиз?

Если хотя бы на один из вопросов ответ «нет» – пятница тебя не спасёт. Понедельник, кстати, тоже не спасёт. Спасёт работа над пайплайном.

Самое вредное – когда «не релизим в пятницу» превращается в удобное алиби, которое позволяет не вкладываться в нормальный процесс - звучит солиднее, чем «у нас нет отката», но суть та же.

Вот этот пост зарелизился в пятницу вечером, и ничего.

Вы умеете скучать?

По следам поста про ускорение - одна практика, которую я сейчас испытываю на себе.

Недавно заметил: куда бы я ни шёл и что бы ни делал, мозг постоянно потребляет что-то на заднем фоне. Подкаст, лента, ютуб, телеграм-каналы, все одно - режим активного потребления почти не выключается.

Теперь пробую оставлять в дне время, когда информации нет вообще. Выхожу гулять без наушников, иногда и без телефона. Идет тяжеловато: мозг сопротивляется, кричит «как же так, я остался без контента», и это доходит до лёгкой тревоги, потому что привычный уклад ломается.

Но уже спустя несколько дней в эти моменты скуки стали приходить созидательные мысли. Идеи для продукта, для пет-проектов, в общем то, чему в режиме потребления просто не было места. Этот пост, кстати, одна из таких идей.

А вы умеете скучать? Если да, то как вы скучаете?

AI Evals, или почему, когда кажется – креститься недостаточно

Во время своего sick leave я много читал про AI-скиллы для продуктовых менеджеров, и меня заинтересовал один – AI Evals. Вообще у меня есть травма: когда я работал в TikTok, результаты моей работы было сложно оцифровать на 100% и померить импакт (такая специфика позиции и рынка). С тех пор мне важно, чтобы я мог четко сказать, какого конкретно результата достигли изменения, сделанные моей командой.

Когда вы делаете AI-продукт, вам нужно как-то оценивать эффективность того, как он решает задачи пользователей. Где-то это проще (прямая воронка), где-то сложнее (дерево сценариев), но когда юзер сталкивается с чат-интерфейсом и мы переходим во что-то сгенерированное нейросетью, ревью такого продукта уходит на качественно другой уровень.

AI Evals как раз про это. Чтобы не скатываться в субъективное «переписал промпт - вроде стало лучше», берем набор проверочных запросов к вашей AI-системе с заранее известным «правильным» ответом. Берёте несколько реальных сценариев использования, для каждого фиксируете критерий хорошего ответа, прогоняете и считаете процент попаданий.

Почему это важно для продуктовых менеджеров:
- позволяет более уверенно катить изменения;
- сравнивать модели не по ощущениям, а по факту;
- убеждать стейкхолдеров данными.

Пример: AI-ассистент для саппорта. Берёте 40 реальных тикетов, и для каждого пишете критерий: для тикета «как вернуть товар?» таким критерием будет, скажем, «хороший ответ называет срок рефанда и предлагает следующий шаг». Прогоняете через вашу продовую модель (например, Opus 4.8). Дальше просите другую модель, так называемую LLM-as-a-judge (нейронка как судья, оценщик), оценить каждый ответ: «соответствует критериям? да/нет». Метрика: % ответов «да» — допустим, 64%. Далее меняете промпт, прогоняете снова. Стало 77% — катим.

В общем, чуйка чуйкой, но data driven mindset никто не отменял.

Mindventure 🏄‍♂️

Чуйка

У меня как у продакта в наборе должны быть гипотезы, метрики, A/B, ретеншн-кривые и прочие приколы. В то же время я начал замечать, что хорошие решения не всегда случаются из таблицы, а когда что-то внутри говорит: вот сюда ходи, туда не ходи, а там не влезай, убьет! Раньше я это от себя гнал, потому что стыдно как-то.

Сейчас понемногу учусь думать по-другому, ведь по сути мозг это та же нейросеть, только обученная на огромном датасете длиной в жизнь. Все встречи, фейлы, выражения лиц на ревью, разговоры, чужие запуски, которые ты разбирал, свои, которые провалил или задрайвил. Сознательно ты половину не помнишь, а мозг на подкорке помнит.

И когда он выдаёт «не делай», это он не из воздуха достал, а сложил то, что в него загружено, просто мы это назвали «чуйкой». Чуйка — это не противоположность данным, а по сути те же данные, которые ты уже один раз обработал, а потом забыл, что обработал, но внутри они остались.

Поэтому если внутри что-то настойчиво зудит, я теперь хотя бы останавливаюсь и спрашиваю: что это там? Что ты видишь, чего я в дашборде не вижу?

Чаще всего оно что-то видит.

Полгода с боксом

Сегодня сходил на тренировку после трех (или двух?) недельного перерыва. Никогда не думал, что буду писать такое – но вот уже почти полгода подряд хожу. Если бы мне год назад сказали, что я займусь единоборствами, я бы не поверил, ведь это никогда особо не было моей темой. В итоге попробовал, втянулся и пишу теперь об этом сюда.

Звучит максимально cheesy, но всё равно скажу: вот я учусь бить в цель – не куда-то «вперёд», а в конкретную точку на мешке или на лапе – и голова перестраивается. Всё лишнее выключается, тревога, плохое настроение, все уходит на второй план, – и остается только удар, точка, и доли секунды между.

Поймал себя на том, что это перетекает и в работу. Не в смысле что «я теперь супергерой продуктивности» или «теперь на дейликах решают не приоритеты, а спарринг», а в более скучном – фокусироваться на одной вещи стало чуть проще. Я меньше стал переключаться без причины, а если меня все же уносит в сторону – то мне легче сфокусироваться обратно.

Mindventure 🏄‍♂️