ИИ в управлении продуктом: как не попасть в ловушку «блестящих объектов» 0:00
Искусственный интеллект сегодня стремительно проникает в каждую сферу разработки продуктов, превращаясь из дополнительной функции в стандарт по умолчанию. Мэрили Ника, эксперт по управлению продуктами (PM) с опытом работы в Meta и Google, утверждает, что будущее профессии неизбежно связано с ИИ: продукт-менеджеры будущего должны будут глубоко понимать возможности моделей, эффективно взаимодействовать с научными сотрудниками (research scientists) и уметь использовать ИИ для автоматизации и персонализации.
💡 Как ИИ меняет работу продукт-менеджера 6:00
По мнению Мэрили Ника, ИИ — это не угроза рабочим местам, а мощный инструмент, повышающий эффективность PM. Она делится практическими способами внедрения ИИ в повседневные задачи:
- Написание миссий: Ника использует ChatGPT для создания и доработки миссий продуктов, отмечая, что модель часто формулирует идеи более вдохновляюще и доступно для аудитории всех уровней.
- Сегментация пользователей: ИИ помогает создавать глубокие пользовательские сегменты, выявляя неочевидные мотивации и болевые точки, которые могли ускользнуть от внимания.
- Идеи для расширения: Модель генерирует идеи, которые можно «наслоить» поверх базового функционала для улучшения пользовательского опыта.
Ника подчеркивает: важно не перекладывать всю работу на ИИ, а использовать его после того, как у вас уже есть стратегическое понимание проблемы и целей.
🛠 Стратегия создания ИИ-продуктов: избегаем ошибок 13:16
Главная опасность для команд — «ловушка блестящих объектов» (shiny object trap), когда технология внедряется ради самой технологии. Ника предупреждает:
- Сначала проблема, потом решение: «Классический PM помогает команде строить правильный продукт, а AI PM — решать правильную проблему».
- MVP без ИИ: Если вы хотите проверить рыночный спрос, не стоит тратить месяцы на обучение сложной модели. Лучше создайте прототип в Figma, который имитирует работу ИИ, чтобы получить обратную связь от пользователей.
- Инвестиции в данные: Для работы ИИ требуется значительный объем данных, и зачастую стартапам не хватает собственных ресурсов. Ника советует либо использовать данные смежных продуктов, либо искать способы синтеза данных для тестов.
🧠 Модели и их обучение: объясняем просто 18:35
Для нетехнических специалистов Ника предлагает понятную аналогию: модель похожа на детский мозг. Вы объясняете ребенку, как выглядят животные, многократно повторяя информацию, и после определенного количества «обучающих примеров» он начинает распознавать объекты самостоятельно.
- Обучение: Это процесс подачи модели тысяч размеченных данных, в ходе которого она самостоятельно находит закономерности, не понятные человеку напрямую.
- Результат: Модель выдает вероятность (уверенность) в том, что входные данные соответствуют определенному классу — например, «это изображение на 70% похоже на носорога».
🚀 Профессиональное развитие и работа в команде 23:53
Продукт-менеджерам, желающим стать «AI PM», Ника рекомендует перестать бояться кода. Понимание фундаментальных принципов работы ИИ дает уверенность и позволяет лучше ставить задачи научным сотрудникам.
- Работа с неопределенностью: Процесс разработки ИИ-продуктов отличается от стандартного: здесь много исследовательских гипотез, которые могут не сработать. Важно уметь поддерживать команду в периоды, когда результаты модели не оправдывают ожиданий.
- Карьерный рост: Традиционные PM оцениваются по количеству запусков. В исследованиях запуски случаются реже, поэтому Ника советует заранее прояснить с руководством критерии прогресса в этой роли.
Она также рекомендует использовать такие инструменты, как AutoML от Google Cloud, которые позволяют даже без глубоких навыков кодирования создавать качественные модели для специфических задач — например, для анализа состояния оборудования с помощью дронов.
