现已上线！2025 年 Telegram 研究 — 年度关键洞察 
Product Management & AI
前往频道在 Telegram
Product Management & AI Occultism, Philosophy & Logic, YO: @mirvla (c-f 𓇶 Meteoagent.com). SATOR AREPO TE8ET OPERA ROTAS Каналы для продактов: https://t.me/addlist/YvmnHCHUp700Nzky
显示更多📈 Telegram 频道 Product Management & AI 的分析概览
频道 Product Management & AI (@ruspm) 俄语 语言赛道中的 是活跃参与者。目前社区聚集了 25 306 名订阅者，在 营销与公关 类别中位列第 407，并在 俄罗斯 地区排名第 26 155 位。
📊 受众指标与增长动态
自 невідомо 创建以来，项目保持高速增长，吸引了 25 306 名订阅者。
根据 02 七月, 2026 的最新数据，频道保持稳定运转。过去 30 天订阅人数变化为 -32，过去 24 小时变化为 8，整体触达仍然可观。
- 认证状态： 未认证
- 互动率 (ER)： 平均受众互动率为 21.83%。内容发布后 24 小时内通常能获得 12.86% 的反应，占订阅者总量。
- 帖子覆盖： 每篇帖子平均可获得 5 526 次浏览，首日通常累积 3 254 次浏览。
- 互动与反馈： 受众积极参与，单帖平均反应数为 0。
- 主题关注点： 内容集中在 фича, фичи, продакт, продакта, контекст 等核心主题上。
📝 描述与内容策略
作者将该频道定位为表达主观观点的平台：
“Product Management & AI Occultism, Philosophy & Logic, YO: @mirvla (c-f 𓇶 Meteoagent.com).
SATOR
AREPO
TE8ET
OPERA
ROTAS
Каналы для продактов: https://t.me/addlist/YvmnHCHUp700Nzky”
凭借高频更新（最新数据采集于 03 七月, 2026），频道始终保持新鲜度与高覆盖。分析显示受众积极互动，使其成为 营销与公关 类别中的关键影响点。
25 306
订阅者
+824 小时
+17 天
-3230 天
数据加载中...
相似频道
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
七月 '26
七月 '26
+14
在0个频道中
六月 '26
+95
在0个频道中
Get PRO
五月 '26
+92
在2个频道中
Get PRO
四月 '26
+118
在1个频道中
Get PRO
三月 '26
+88
在2个频道中
Get PRO
二月 '26
+135
在1个频道中
Get PRO
一月 '26
+114
在4个频道中
Get PRO
十二月 '25
+95
在2个频道中
Get PRO
十一月 '25
+141
在5个频道中
Get PRO
十月 '25
+182
在3个频道中
Get PRO
九月 '25
+164
在7个频道中
Get PRO
八月 '25
+236
在4个频道中
Get PRO
七月 '25
+271
在6个频道中
Get PRO
六月 '25
+215
在6个频道中
Get PRO
五月 '25
+211
在3个频道中
Get PRO
四月 '25
+442
在10个频道中
Get PRO
三月 '25
+400
在2个频道中
Get PRO
二月 '25
+333
在7个频道中
Get PRO
一月 '25
+175
在2个频道中
Get PRO
十二月 '24
+196
在4个频道中
Get PRO
十一月 '24
+141
在1个频道中
Get PRO
十月 '24
+234
在4个频道中
Get PRO
九月 '24
+307
在5个频道中
Get PRO
八月 '24
+368
在4个频道中
Get PRO
七月 '24
+189
在6个频道中
Get PRO
六月 '24
+258
在6个频道中
Get PRO
五月 '24
+400
在6个频道中
Get PRO
四月 '24
+471
在10个频道中
Get PRO
三月 '24
+1 627
在11个频道中
Get PRO
二月 '24
+479
在6个频道中
Get PRO
一月 '24
+325
在6个频道中
Get PRO
十二月 '23
+312
在2个频道中
Get PRO
十一月 '23
+353
在7个频道中
Get PRO
十月 '23
+488
在5个频道中
Get PRO
九月 '23
+328
在0个频道中
Get PRO
八月 '23
+642
在0个频道中
Get PRO
七月 '23
+491
在0个频道中
Get PRO
六月 '23
+780
在0个频道中
Get PRO
五月 '23
+647
在0个频道中
Get PRO
四月 '23
+207
在0个频道中
Get PRO
三月 '23
+529
在0个频道中
Get PRO
二月 '23
+523
在0个频道中
Get PRO
一月 '23
+742
在0个频道中
Get PRO
十二月 '22
+605
在0个频道中
Get PRO
十一月 '22
+402
在0个频道中
Get PRO
十月 '22
+466
在0个频道中
Get PRO
九月 '22
+357
在0个频道中
Get PRO
八月 '22
+391
在0个频道中
Get PRO
七月 '22
+255
在0个频道中
Get PRO
六月 '22
+525
在0个频道中
Get PRO
五月 '22
+321
在0个频道中
Get PRO
四月 '22
+1 056
在0个频道中
Get PRO
三月 '22
+538
在0个频道中
Get PRO
二月 '22
+244
在0个频道中
Get PRO
一月 '22
+409
在0个频道中
Get PRO
十二月 '21
+285
在0个频道中
Get PRO
十一月 '21
+275
在0个频道中
Get PRO
十月 '21
+332
在0个频道中
Get PRO
九月 '21
+385
在0个频道中
Get PRO
八月 '21
+270
在0个频道中
Get PRO
七月 '21
+325
在0个频道中
Get PRO
六月 '21
+605
在0个频道中
Get PRO
五月 '21
+189
在0个频道中
Get PRO
四月 '21
+242
在0个频道中
Get PRO
三月 '21
+470
在0个频道中
Get PRO
二月 '21
+317
在0个频道中
Get PRO
一月 '21
+289
在0个频道中
Get PRO
十二月 '20
+13 596
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 03 七月 | +4 | |||
| 02 七月 | +9 | |||
| 01 七月 | +1 |
频道帖子
🌞 Июньский дайджест звучен Солнцем
– Продакт-менеджмент не профессия
– Продакты будущего
– Про пессимизм менеджера
– Эра нулевого клика
– Foundational Mental Models & Skills
– 5 когнитивных искажений конверсии
– Мотиваторы, потребности и ценность
– Как готовить ИИ-фичи: вводный гайд
– Когда работа перестаёт учить
– Стратегия ≠ План
– Целевой клиент ≠ Целевая аудитория
– Защитные метрики
– Почему вам не нужна ИИ
– Отмена – самая дешёвая точка роста
– Откуда берутся «источники» в ответах ИИ
– 10 причин провала ИИ-трансформации
– Не складывайте слабости
– Гант маминой подруги
– Не весь фидбэк нужно принимать
– Команды галлюцинируют о клиенте
– Метод Дельфи для брейншторма
– Output vs Outcome
– Продуктовые собесы с ИИ
– Проблемы продукта из вакансий
– STAR на собесе: структура ответа
– 2026 Product Hiring Trends Report
– Чего не хватает ИИ в аналитике
– Особенности синтетических фокус-групп
– Твой лендинг теперь читают двое
– Путь за рамками интерфейса
– Как снизить усталость в интерфейсах
– What Designers Struggle with on Product
– Какие бывают дизайнеры
– Путь к ИИ в модели мира
– Я выпустил нейросеть в реальный мир
– Спасет ли нас Human-in-the-loop
– Гравитации как силы нет
Вы мантру пропеть могли бы под гул водопроводных труб?
| 2 | +3 aOm Namoh Shiva Ya.m4a | 3 583 |
| 3 | Naka Ni.m4a | 1 |
| 4 | Займи слот ИТ-Пикником от Т-Банка
8 августа — время отложить ноутбуки и встретиться офлайн на ИТ-Пикнике от Т-Банка в музее-заповеднике «Коломенское». Вот сколько всего запланировано:
— научпоп-лекции;
— мастер-классы;
— дискуссии об ИИ и больших языковых моделях;
— доклады о кибербезопасности;
— примеры, как данные из логов становятся решениями;
— много музыки.
Бери с собой друзей, супругов и детей — каждый найдет себе что-то по душе.
Зарегистрироваться и узнать больше можно здесь | 3 161 |
| 5 | Почему ИИ на самом деле не научился «видеть» так, как видим мы
Профессор Стэнфорда Джуди Фан выступила на сцене MIT и объяснила, почему люди так хорошо умеют делать невидимое видимым.
1. Природа никогда не давала нам прямых линий или острых углов. Числовая прямая, координатная плоскость, основы геометрии — всё это изобретения человека.
Мы создали инструменты, которых не существует в природе, просто потому, что нам нужен был способ мыслить яснее.
2. Система координат, изобретенная Декартом, решила проблему, которая веками ставила математиков в тупик — удвоение объема куба. После изобретения этот инструмент стал настолько незаменимым, что практически каждая математическая программа на Земле до сих пор зависит от него.
4. Каждый крупный научный прорыв опирался на визуальный инструмент, который делал невидимое видимым. Дарвину нужны были изображения зябликов, расположенные рядом, чтобы увидеть вариации, которые иначе были бы слишком незначительными, чтобы их заметить. Кахалю нужны были подробные рисунки нейронов под микроскопом, чтобы составить карту строения нервной системы.
Исследовательская группа Фан изучает нечто обманчиво простое: как люди решают, что включить в рисунок, а что опустить
Когда два человека играли в игру с рисованием, участники использовали гораздо больше деталей, когда у целевого объекта были близкие конкуренты, чем когда он стоял один, вплоть до использования меньшего количества штрихов и меньшего времени, когда более подробная информация не требовалась.
6. Люди не просто копируют то, что видят. Они постоянно принимают решения о том, какой уровень детализации действительно служит цели коммуникации, и делают это естественно, никогда не обучаясь теории, лежащей в основе этого.
7. Существует реальная разница между изображением чего-либо таким образом, чтобы кто-то мог это идентифицировать И изображением чего-либо таким образом, чтобы кто-то мог понять, как это работает.
В одном исследовании участники рисовали пояснительные диаграммы, которые подчеркивали движущиеся, причинно-следственные части машины, в то время как изобразительные рисунки акцентировали внимание на фоне и общем внешнем виде, хотя оба варианта изображали один и тот же объект.
Пояснительные рисунки действительно лучше помогали кому-то понять, как управлять машиной, но хуже помогали определить, какая именно это машина.
Нельзя оптимизировать один рисунок для достижения обеих целей одновременно. Визуальная коммуникация всегда предполагает компромиссы
И остается большой, измеримый разрыв между тем, насколько уверенно модели ИИ распознают эскизы, и тем, насколько уверенно это делают люди, даже когда обе группы отвечают на одни и те же вопросы об одних и тех же изображениях.
11. Когда исследователи сравнивали эскизы, созданные людьми, с эскизами, сгенерированными ИИ, при ограниченном количестве штрихов, оба варианта были одинаково узнаваемы при большем количестве штрихов, но резко расходились по мере сокращения лимита штрихов.
Люди и системы ИИ упрощают рисунки принципиально разными способами, когда ресурсы становятся дефицитными.
12. Чтение графика — навык, который включает в себя восприятие, знание, куда смотреть, сопоставление этой визуальной информации с фактическим задаваемым вопросом, а затем преобразование этого сопоставления в ответ.
При непосредственном сравнении с людьми в задачах чтения графиков, модели ИИ показали существенный разрыв в производительности. И даже когда общая точность модели приближалась к человеческому уровню, модель ошибок ИИ совершенно не походила на то, как на самом деле ошибаются люди.
13. Люди выбирают совершенно разные типы диаграмм в зависимости от того, на какой конкретный вопрос они пытаются ответить, а не из-за общего предпочтения столбчатых диаграмм или диаграмм рассеивания.
Наш выбор диаграмм тесно коррелирует с тем, какая визуализация действительно поможет человеку интуитивно и правильно ответить на конкретный запрос. | 3 389 |
| 6 | ClaudeMD автоматического выбора ИИ-модели для продуктовой работы
Рейтинги – это стартовая калибровка, а не фиксированные данные и чем выше число, тем лучше.
Модель / Стоимость / Интеллект / Вкус
sonnet-5 / 8 / 6 / 6 /
opus-4. / 8 / 5 / 8 / 7 /
fable-5 / 3 / 9 / 8 /
– Стоимость. То, что ощущается в лимитах токенов и скорости.
– Интеллект. Насколько сложную, многошаговую или неоднозначную задачу можно доверить модели без присмотра.
– Вкус. Качество структуры документа, формулировок, тона в коммуникации и чуткость к контексту.
Откалибруй эти цифры под собственный опыт после пары недель использования. Важна не точность чисел, а сам принцип: не гонять сложные решения через дешёвую модель и не тратить дорогую модель на рутину.
Как применять:
– Это дефолты, а не ограничения. Если результат дешёвой модели не дотягивает, то не спрашивай разрешения, перезапускай с более сильной. Суди по результату, а не по тому, что модель просто должна была справиться.
Пересогласование стоит дешевле, чем решение, принятое на слабом анализе
– Когда параметры конфликтуют для чего-то, что реально влияет на решения или уходит наружу, опирайся на:
1. Интеллект > 2. Вкус > 3. Стоимость
– Массовая механическая работа (расшифровка транскриптов интервью, разметка тикетов, сведение таблиц с метриками, черновой синтез фидбека из десятков источников): sonnet-5.
– Всё, что уходит наружу стейкхолдерам, клиентам, руководству (питчи, обоснование приоритизации, деликатные апдейты о задержках, переговоры о scope): нужен вкус ≥ 7.
– Ревью и вторая пара глаз (проверка PRD перед отправкой инженерам, стресс-тест roadmap, поиск дыр в бизнес-кейсе): fable-5 или opus-4.8, по возможности оба как независимые мнения, если решение необратимое.
– Стратегические и неоднозначные решения (trade-off между конкурирующими метриками, приоритизация, спорные ставки без явного правильного ответа): fable-5.
– Никогда не используй самую слабую модель для документов, которые пойдут выше вашего уровня или станут прецедентом для команды.
Режимы работы
– Написание PRD и спек с нуля → opus-4.8 как основа → fable-5 для финального ревью перед отправкой в разработку.
– Discovery-синтез sonnet-5 для чистой расшифровки на входе (несколько интервью → инсайты → гипотезы) → fable-5 для самого синтеза (нужен интеллект, чтобы не сгладить противоречия)
– Приоритизация бэклога / RICE-скоринг → sonnet-5 для механического прогона по формуле → opus-4.8 для проверки, не искажает ли формула реальный контекст → fable-5 для синтеза
– Коммуникация о задержках и плохих новостях стейкхолдерам → fable-5 или opus-4.8. Тон и причины здесь важнее скорости.
– Рутинные апдейты статуса, саммари встречи, заметки в трекер → sonnet-5.
– Pre-mortem, поиск слабых мест в плане запуска → opus-4.8 → fable-5 как отдельная независимая проверка.
– Черновик поста / статьи / контента на основе рабочих заметок → opus-4.8 для черновика → fable-5 для финальной правки тона и структуры.
– Анализ больших выгрузок данных / метрик → sonnet-5 для первого прохода и агрегации → эскалация на opus-4.8, если нужна интерпретация неоднозначных паттернов → fable-5 для финальной проверки паттернов. | 3 775 |
| 7 | Трамп отменил ограничения на Fable и она снова доступна 🔥 По такому случаю поделюсь опытом, который был отложен как раз до этого дня:
TLDR: Fable – самая умная и быстрая ИИ, что видел за всё время
Она способна анализировать огромные объёмы данных и целые системы (и сжигать токены с такой же скоростью, "рекорд"моей сессии с одним промптом был 8 минут), совершая теоретический ноль ошибок по сравнению с предыдущими моделями и выдавая просто фантастические результаты.
В вайб-кодинге я застал её раскатку в самом начале пока её режим авто-защиты и переключения на более глупые модели при запросах на анализ безопасности кода ещё не был нормально прокачан, и успел ради теста прогнать через неё целиком один опенсорсный таск-менеджер.
В общем... за 5 минут Fable нашла в нём порядка 6 критических уязвимостей, дающих полный доступ ко всем проектам и данным внутри системы и ещё около десятка мелких, расписав по шагам как их активировать и использовать.
Прикинув, сколько лет заключения начинало бы светиться на кончиках моих пальцев, начни я проверять это всё на практике, я быстренько закрыл сессию от греха подальше и удалил её на всякий случай 🙂
Окей, к продуктовому опыту:
1. Отдавай Fable только «последнюю милю» рассуждения, а не весь процесс, ибо прогонять весь объём работы через самую сильную модель дорого и нецелесообразно.
Используй связку Sonnet → Fable → Sonnet как цикл
Sonnet расширяет (собирает варианты, черновики, сырой список идей), Fable сужает (выбирает и обосновывает лучший вариант с учётом trade-off'ов), Sonnet снова расширяет (превращает решение в конкретные тикеты, сообщения, план действий).
Прибереги Fable для decision log, а не для повседневных апдейтов
Смысл Fable в том, чтобы она добавляла именно тот последний процент, который остальные ИИ упускают. Так Fable работает ровно на той стадии, где нужно суждение, а не генерация объёма.
2. Используй Fable как самого-главного-менеджера, а не как ревьюера, попросив сыграть роль самого скептичного CPO/CEO, (который ставит под сомнение и режет фичи) и разнести кейс по существу.
Обычное ревью ищет опечатки в логике, в то время как ролевая атака Fable ищет дыры в самой стратегии логики, и именно в этом разница в интеллекте Fable ощущается сильнее всего.
3. Для этого прогоняй одну и ту же стратегическую задачу через Fable трижды в разных фреймингах
Первый раз оптимизируй под использование, второй раз под масштабирование, третий раз под риски. Четвертый раз в этой же сессии попроси сделать финальный общий анализ.
В Fable разница между всеми тремя ответами будет более содержательной, а финальное расхождение между прогонами – это и есть то, над чем должен работать человек.
4. Не давай Fable контекст, который ты сами не перечитал
Чем сильнее модель (а Fable сейчас сильнее всех), тем правдоподобнее она достроит недостающий контекст сама — и тем незаметнее будет ошибка, если вы подсунули устаревшую метрику или неверное допущение.
С дешёвой моделью плохой инпут даёт явно кривой и глючный аутпут, который сразу видно и его ещё можно успеть исправить.
5. Держи Fable отдельно от документа, который писала НЕ она!
Для стратегического ревью открывай новый диалог и давай только финальный артефакт без истории черновиков, без твоих промежуточных рассуждений. Иначе Fable наследует твою же рамку мышления и просто соглашается с ней, вместо того чтобы дать свой независимый взгляд.
6. Проси Fable явно проговорить, при каком условии она неправа. Не просто "дай рекомендацию", а "дай рекомендацию и укажи, какой факт, если он окажется неверным, полностью всё сломает".
7. Прогоняй через Fable процессы, а не документы
Раз в квартал давайте модели не PRD, а свой шаблон PRD или свой процесс приоритизации целиком и спрашивайте, какой систематический слепой участок в них вами упущен.
Это применение той же логики внешнего цикла, но на уровне не одной сессии, а всей вашей продуктовой методологии и именно в таком контексте сильнее всего окупается разница между Sonnet/Opus и Fable. | 4 042 |
| 8 |  По мере того как роли в сферах разработки продуктов, дизайна, Data Science и других сливаются воедино благодаря ИИ, я размышлял о том, как они могут выглядеть в будущем (Boris Cherny, Claude Code)
Например, глядя на команду Claude Code, я выделяю пять архетипов:
1. Прототипировщик (Prototyper): генерирует совершенно новые идеи; выдает множество идей, большинство из которых не доходят до стадии реализации.
2. Создатель (Builder) быстро превращает прототип или идею в готовый к эксплуатации продукт или инфраструктуру.
3. Упорядочиватель (Sweeper): приводит в порядок интерфейс, упрощает код и систему, удаляет лишнее, оптимизирует производительность.
4. Развиватель (Grower): берёт уже созданный продукт и дорабатывает его для улучшения соответствия продукта рынку (Product-Market Fit).
5. Поддержка (Maintainer): отвечает за зрелую систему, обеспечивая её безопасность, надёжность, быстродействие и эффективность по мере масштабирования.
Многие специалисты совмещают две, а иногда и три роли. Я также заметил, что эти роли не жестко привязаны к должностным обязанностям.
Например, в Anthropic есть дизайнеры, соответствующие категориям 1, 2 или 3; то же самое касается инженеров, продакт-менеджеров и специалистов по данным.
Здоровой команде требуется сочетание этих ролей в зависимости от продукта:
- Для нового продукта, ещё не нашедшего соответствие рынку (pre-PMF), нужны люди с сильными навыками типов 1, 2 и 3.
- Для растущего продукта, нашедшего соответствие рынку, нужны типы 2, 3, 4 и отчасти 5.
- Для продукта с сильным соответствием рынку нужны типы 3, 4, 5 и отчасти 2.
Возможно, именно так будут выглядеть продуктовые роли будущего, а не как нынешние узкоспециализированные должности.
– 3 основных типа лидеров продукта
– Новая структура любого отдела в компании
– Командные роли по Белбину | 4 982 |
| 9 | Авито открыл набор на магистерские программы по ML и продакт-менеджменту, разработанные совместно с МФТИ и НИУ ВШЭ
В основе всех программ реальные кейсы из самого Авито, а занятия ведут эксперты компании, которые поделятся опытом разработки, запуска и управления сервисами.
Магистратура «Управление продуктом в IT-бизнесе» в ВШБ НИУ ВШЭ опирается на матрицу компетенций продакт-менеджера в Авито и охватывает всё управление продуктами: от аналитики и пользовательских исследований до бизнес-моделей и работы с данными.
В рамках «Прикладное машинное обучение и анализ данных» и «Машинное обучение (ML) в цифровом продукте» будут осваивать навыки, начиная от классического ML и компьютерного зрения до рекомендательных систем и генеративного ИИ.
👉 Больше информации о магистратуре
Сейчас у Авито запущено всего 12 программ высшего образования, включая магистратуры, для студентов и выпускников со всей страны. | 4 848 |
| 10 | Что фундаментально изменило мир к худшему, но люди этого ещё не осознали?
То, что смартфоны и алгоритмические ленты сделали со скукой и... пользой от неё.
Потому что на протяжении большей части человеческой истории скука не была проблемой, которую нужно решать.
Это было когнитивное состояние, которое переводило мозг в режим, который сегодня мы называем «сеть пассивного режима работы мозга» (default mode network) – своего рода фоновую ментальную обработку, во время которой он консолидирует воспоминания, развивая мышление через (не)осознанное воображение, фантазию, эмптию, генерируя творческие идеи и выстраивая связ(ан)ное-ощущение-Себя-и-мира.
Когда мы смотрели в окно, ждали автобус или тихо сидели после ужина, наш мозг выполнял одну из самых важных своих работ.
Скука была, в самом прямом смысле... двигателем сознания и внутренней жизни. | 5 736 |
| 11 | Совершенствуем не только продуктовые процессы, но и собственные рабочие с помощью loop engineering и ИИ
– Самые важные знания, возможности и инсайты скрываются в паттернах и закономерностях, лежащих в основе результата, и только потом в результате
– Ценность представляет контролируемое накопление улучшений
– Цикл, который нужно запускать вручную, вспоминая о нём — это не цикл | 5 026 |
| 12 |  8 советов по работе с логами продукта
1. Ведите decision log с условиями пересмотра, а не просто с решениями.
Записывайте не только «что решили», но и «при каком сигнале пересмотрим», например, «откатим приоритет, если retention D30 упадёт ниже X».
Так решение превращается из мнения в понятную и для всех проверяемую ставку, и вы перестаёте каждый раз спорить о том, что уже обсудили. Полгода спустя этот лог будет лучшим свидетельством того, какие (и чьи) гипотезы сбылись, а какие нет.
2. Калибруйте собственные прогнозы и лог: дата релиза, ожидаемое внедрение, ожидаемый эффект и через время сверяйте их с фактом.
Почти никто этого не делает, поэтому почти никто не знает, систематически ли он оптимист по срокам или пессимист по импакту. В то время, как через десяток подобных записей вы начнёте давать оценки, которым можно доверять всё больше и больше.
3. Размечайте решения как «дверь в одну сторону» или «в две стороны»
Обратимые решения принимайте быстро и дёшево, необратимые – с реальной строгостью.
Ошибка многих продактов в том, что они тратят одинаковую энергию себя и команды на оба типа, и в этом главная утечка скорости. Само наличие такого тега заставляет команду не раздувать процессы там, где цена ошибки это просто один откат фичи.
4. Инструментируйте спеку, а не продукт
Определяй метрики и названия событий прямо в PRD, ещё ДО разработки (а не «допишем аналитику потом»). Потому что «мы забыли это трекать» это самая частая и самая дорогая (и лекго предотвратимая) ошибка продакта.
События нет в документе = его не будет
5. Ведите в лог карту допущений с осями «уверенность × влияние»
Отделяйте discovery-долг от delivery-долга как список открытых вопросов и допущений с явной пометкой, насколько вы в них уверены.
Де-рискинг самого опасного допущения и вот вы уже перестаёте строить уверенно поверх того, во что на самом деле не верите
6. Делайте pre-mortem с триггерами, а не как разовое упражнение
Опишите провал до запуска, а к каждому сценарию провала привяжите опережающий индикатор из пункта 1 и 2.
Так pre-mortem превращается из психологической разминки в настройку, благодаря котороый вы заранее знаете, какую метрику и график будете смотреть и какое его значение означает, что пора вмешаться.
7. Заведите «кладбище» отклонённых идей с причинами. Каждая зарезанная фича отправляется в searchable-список продуктовой wiki с строкой «почему нет».
Это лекарство от бесконечного цикла переобсуждения одного и того же командой и одновременно ваш самый честный материал для раздела «Не делаем» в новых PRD.
Сильный продакт узнаётся по тому, как быстро он объясняет, почему "нет"
8. Кодифицируй ход мышления-решений
«Откуда ты узнал?» / «У нас метрика Х упала, ааачоделать?» / «СЕО опять принёс идею, что ответить» и прочее повторяющееся изо дня в день выпиши как личную библиотеку подходов и приёмов.
Ответы: «Подумал, уточнил, проверил» / «Проверил фичи, что релизили недавно» / «Вернём ему проблему»
Управление контекстом вокруг контента и есть тот самый недооценённый актив команды продукта и главный навык продакта. | 5 262 |
| 13 | Loop Engineering for Product Managers
Лучшими продакт-менеджерами станут не те, у кого самая большая библиотека промптов, а те, кто понимает, какие этапы продуктовой работы стоит превратить в устойчивые циклы, какие артефакты должны ими управлять, и какие решения должны оставаться прерогативой человека.
Анатомия и структура продуктовых ИИ-циклов, практика их создания, частые сбои и чем продакту снова поможет GitHub в материале ниже | 5 899 |
| 14 | ИИ уже меняет бизнес — вопрос только в том, кто им управляет 😎
Магистратура «Управление внедрением ИИ в бизнес» от МИФИ и «Школы 21» — для тех, кто хочет быть этим человеком.
Фокус обучения:
🔹 живые сценарии — куда встроить ИИ, чтобы было быстрее, дешевле, эффективнее
🔹 управление продуктами и понимание технологий, чтобы разговаривать с разработчиками на одном языке
🔹 реальные проекты от компаний прямо во время учёбы
🔹 в конце — диплом МИФИ и портфолио, с которым можно идти на собеседование
Все подробности и заявка — на сайте. | 4 999 |
| 15 |  Следующее Приложение — это не приложение
Если прямо сейчас открыть телефон и пересчитать иконки приложений, то можно насчитать от десятка до сотни иконок.
И каждое приложение за иконкой это очередная обёртка-обещание продакта и продукта: «Скачай меня и ___ станет проще *» (и у каждой аппы: «* Но сначала потрудись изучить меня от и до»).
Мы все с этим смирились и приняли это как данность: нужно сначала найти самую яркую иконку в множественной яркости других, открыть её, вспомнить, как работает этот апп, добраться до нужной функции, воспользоваться ей, увидеть и осознать результат, и т.д. что там по CJM.
Но интерфейсы и механики всегда упрощаются (а это значит – исчезают), потому что лучший интерфейс — это отсутствие интерфейса
Поэтому в эпоху ИИ иконок больше не будет.
Появятся «нити пространства диалогов», находящиеся в Том-Самом-Нечто, выполняющим работу, которую раньше приходилось делать с помощью разноцветных иконок.
Следующее "приложение" – Пространство Точек-Линий | 6 158 |
| 16 | Метод Стэнфорда — это прежде всего способ мышления через многосторонний обзор + карта противоречий + синтез + взаимная проверка
4 последовательных промпта от ребят из Стенфорда, которые помогут с написанием статьи, отчёта и презентацией, перед принятием важного бизнес-решения, собеседованием, переговорами, инвестированием и освоением нового навыка.
Никакого ПО, никакого GitHub, никакой сложной настройки — скопируйте и вставьте промпты и через 5 минут вы будете знать о выбранной теме больше, чем те, кто потратил на её изучение десятилетия, годы, месяцы, недели, дни (звучит дико) | 6 735 |
| 17 |  Everything Is Recorded Now (с) a16z
Большинство наших рабочих обсуждений теперь записываются по умолчанию. И вам, вероятно, стоит исходить из того, что всё, что вы говорите, отныне записывается.
С технологической точки зрения очевидно, что на основе этого живого контекста компании будет построена новая система записей, под которую уже выстроена новая категория ПО с ИИ, организованная вокруг голоса, а не текста.
Сегодняшняя система записей — это структурированные данные: записи в CRM, тикеты, вики и документы.
Но наиболее ценный контекст живёт в разговоре: нюанс звонка клиенту, реальный спор на продуктовом обзоре, мимолётное замечание на встрече руководства, которое меняет обсуждение и дорожную карту. ИИ умеют брать эти неструктурированные голосовые данные и делать их структурированными и доступными для поиска и запросов.
Это большая возможность для ПО, и мы всё ещё находимся на ранней стадии понимания того, как будет выглядеть этот программный слой и кому он будет принадлежать.
Granola — яркий пример: у неё лучший контекст о культуре a16z, наших инвестициях и о том, как мы на самом деле думаем, чем почти у любого другого инструмента, которым мы пользуемся, потому что ИИ «была в комнате».
Устные и письменные культуры
Компании делятся на устные (verbal cultures) и письменные (written cultures).
Историческим узким местом для устных культур было то, что важный контекст происходил в разговоре, а затем исчезал. Когда ИИ может посещать каждую встречу и синтезировать произошедшее, устная культура наконец-то масштабируется.
Это не значит, что компании с письменной культурой не выиграют. Предоставление ИИ доступа к продуманным текстам также хороший способ быстро ввести ИИ в курс дела. Но в целом, я думаю, что ИИ будет продвигать и усиливать именно устную культуру.
– Сначала ИИ пришла в ваш корпоративный Gmail, потом в Slack, в таск-менеджер. Теперь ИИ с вами в комнате и на созвонах.
< место для мема Are they AI in the room with us right now?> | 6 458 |
| 18 | Летом 2024 года McDonald’s свернул тестирование голосового ИИ в Макавто и разорвал партнёрство с IBM, потому что ИИ пробивала клиентам мороженое с беконом, сотни наггетсов и путала напитки. Эксперимент обошёлся в круглую сумму, а на выходе компания получила лишь баги и вирусные тиктоки с негативом (но это не остановило её от экспериментов с ИИ).
О чём этот кейс говорит менеджерам и руководителям?
Управлять ИИ-проектом — не то же самое, что пилить классические решения. Стандартные подходы не спасут от галлюцинаций ИИ, грязных данных для обучения и улетевших в космос расходов на токены.
И чтобы не повторить судьбу ИИ-Макавто, нужно понимать специфику ИИ-проектов: как выстроить работу ИИ, как считать экономику, и как контролировать процесс.
Усилить свои компетенции в области ИИ можно на курсе «Управление ИИ-проектами» от Академии Эдюсон.
За 3−4 месяца на практике вы:
– научитесь анализировать готовность компании к внедрению ИИ, проводить аудит бизнес-процессов, оценивать сроки, риски и бюджет;
– научитесь переводить метрики в понятные бизнесу цифры и защищать бюджеты;
– освоите инструменты разработки без кода (n8n, Dify, Flowise, Cursor/Bolt), чтобы создавать ИИ-агентов и автоматизировать нужные процессы;
Обучение построено на опыте экспертов из «Яндекса», «Сбера» и других крупных компаний. Год на связи личный куратор, а доступ к материалам и будущим обновлениям останется у вас навсегда. По окончании курса – портфолио из 8 личных проектов.
Оставьте заявку с промокодом PMAI и забирайте скидку 65% и второй курс в подарок. | 6 582 |
| 19 |  Мне не особо нравится, насколько популярным стало правило Парето
Во многих контекстах 80/20 действительно полезно и является отличным способом для быстрого выявления перекосов, утечек производительности и поиска эффективного пути решения проблем в уже существующих Системах.
Но величайшая угроза для Великих компаний кроется именно в этом – неустанная погоня за "эффективностью", которая, по факту тянет к... среднему, которое лишь размывается.
Мышление в духе 80/20, осознанно и добросовестно применяемое, ускоряет этот размытие и падение. Так, вы становитесь ещё "успешнее" в том, что уже умеете, и... постепенно теряете способность к тому, что ещё не могли вообразить.
Проблема в том, что основатели не оптимизируют существующие Системы. Они пытаются создать То-чего-ещё-не-существует
И когда правило 80/20 применяют к построению компании под новую идею, продукт, операции или бизнес, оно активно вводит в заблуждение и с самого начала ведёт по неверному пути.
Потому что достичь 80% теоретического потенциала не означает, что вы нашли product‑market fit и создали Нечто, что любят пользователи, или построили бизнес, который может жить сквозь время. Это означает, что вы сделали самую лёгкую часть и теперь занимаетесь оптимизацией ради оптимизации.
Аналогично с 90/10 работает и венчур. Верхние 10% инвестиций в фонде определяют, будет ли фонд хорошим, отличным или легендарным. Ставки внутри распределены неравномерно и они сосредоточены на дальнем конце распределения на компаниях, которые НЕ оптимизировали достижимое, а достигают то, что раньше считалось магией и невозможным.
Быть первым" – быть в 10 раз больше ближайшего конкурента.
Самолет использует 10% своего топлива для взлета...
Если хотите быть Великими, нацельтесь на 90% и выше. Правило 80/20 — это неправильный компас для пути.
Достичь 90% достаточно сложно, но это всё ещё лёгкая часть, если смотреть-на-вещи-правильно. Если хотите стать легендарными, посвятите себя тому, чтобы пройти дистанцию «последних 10%».
Последние 10% — это и есть 90% работы и 90% награды.
И в следующий раз, когда речь зайдёт о правиле 80/20, спросите себя, над чем бы вы работали, если бы перестали оптимизировать под «эффективность по Парето» и посвятили себя последним 10%. | 6 548 |
| 20 | ИИ-ассистент: как найти рутину, собрать рабочий сценарий и посчитать экономию времени – тема бесплатного практикума «ИИ-ассистент отдела без кода» от ОТУС
О чём будет эфир:
— зачем обучать сотрудников работе с ИИ;
— где в команде обычно прячется рутина
— как собрать ИИ-ассистента без кода
— как понять, что ИИ экономит время, а не создаёт хаос
— ошибки, риски и безопасность
Практикум будет полезен руководителям команд и отделов, менеджерам продуктов, аналитикам и всем, кто регулярно работает с документами, отчётами, письмами, и типовыми задачами.
👉 Бесплатное участие
Реклама ООО «Отус онлайн-образование» | 3 646 |
