# Мэрили Ника: «ИИ не заменит PM, но изменит работу»

Источник: https://www.youtube.com/watch?v=qNPPoj1qUG0
Канал: Lenny's Podcast
Опубликовано: 05.02.2023

---

## ИИ в управлении продуктом: как не попасть в ловушку «блестящих объектов»

[[JUMP: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

[[JUMP: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

[[JUMP: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

[[JUMP: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

[[JUMP: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.