Product Management & AI
Open in 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
Show more📈 Analytical overview of Telegram channel Product Management & AI
Channel Product Management & AI (@ruspm) in the Russian language segment is an active participant. Currently, the community unites 25 266 subscribers, ranking 400 in the Marketing & PR category and 26 076 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 25 266 subscribers.
According to the latest data from 15 July, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -55 over the last 30 days and by -2 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 22.75%. Within the first 24 hours after publication, content typically collects 11.10% reactions from the total number of subscribers.
- Post reach: On average, each post receives 5 749 views. Within the first day, a publication typically gains 2 804 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 0.
- Thematic interests: Content is focused on key topics such as фича, фичи, продакт, продакта, контекст.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“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”
Thanks to the high frequency of updates (latest data received on 16 July, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Marketing & PR category.
25 266
Subscribers
-224 hours
-257 days
-5530 days
Data loading in progress...
Similar Channels
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
July '26
July '26
+39
in 0 channels
June '26
+95
in 0 channels
Get PRO
May '26
+92
in 2 channels
Get PRO
April '26
+118
in 1 channels
Get PRO
March '26
+88
in 2 channels
Get PRO
February '26
+135
in 1 channels
Get PRO
January '26
+114
in 4 channels
Get PRO
December '25
+95
in 2 channels
Get PRO
November '25
+141
in 5 channels
Get PRO
October '25
+182
in 3 channels
Get PRO
September '25
+164
in 7 channels
Get PRO
August '25
+236
in 4 channels
Get PRO
July '25
+271
in 6 channels
Get PRO
June '25
+215
in 6 channels
Get PRO
May '25
+211
in 3 channels
Get PRO
April '25
+442
in 10 channels
Get PRO
March '25
+400
in 2 channels
Get PRO
February '25
+333
in 7 channels
Get PRO
January '25
+175
in 2 channels
Get PRO
December '24
+196
in 4 channels
Get PRO
November '24
+141
in 1 channels
Get PRO
October '24
+234
in 4 channels
Get PRO
September '24
+307
in 5 channels
Get PRO
August '24
+368
in 4 channels
Get PRO
July '24
+189
in 6 channels
Get PRO
June '24
+258
in 6 channels
Get PRO
May '24
+400
in 6 channels
Get PRO
April '24
+471
in 10 channels
Get PRO
March '24
+1 627
in 11 channels
Get PRO
February '24
+479
in 6 channels
Get PRO
January '24
+325
in 6 channels
Get PRO
December '23
+312
in 2 channels
Get PRO
November '23
+353
in 7 channels
Get PRO
October '23
+488
in 5 channels
Get PRO
September '23
+328
in 0 channels
Get PRO
August '23
+642
in 0 channels
Get PRO
July '23
+491
in 0 channels
Get PRO
June '23
+780
in 0 channels
Get PRO
May '23
+647
in 0 channels
Get PRO
April '23
+207
in 0 channels
Get PRO
March '23
+529
in 0 channels
Get PRO
February '23
+523
in 0 channels
Get PRO
January '23
+742
in 0 channels
Get PRO
December '22
+605
in 0 channels
Get PRO
November '22
+402
in 0 channels
Get PRO
October '22
+466
in 0 channels
Get PRO
September '22
+357
in 0 channels
Get PRO
August '22
+391
in 0 channels
Get PRO
July '22
+255
in 0 channels
Get PRO
June '22
+525
in 0 channels
Get PRO
May '22
+321
in 0 channels
Get PRO
April '22
+1 056
in 0 channels
Get PRO
March '22
+538
in 0 channels
Get PRO
February '22
+244
in 0 channels
Get PRO
January '22
+409
in 0 channels
Get PRO
December '21
+285
in 0 channels
Get PRO
November '21
+275
in 0 channels
Get PRO
October '21
+332
in 0 channels
Get PRO
September '21
+385
in 0 channels
Get PRO
August '21
+270
in 0 channels
Get PRO
July '21
+325
in 0 channels
Get PRO
June '21
+605
in 0 channels
Get PRO
May '21
+189
in 0 channels
Get PRO
April '21
+242
in 0 channels
Get PRO
March '21
+470
in 0 channels
Get PRO
February '21
+317
in 0 channels
Get PRO
January '21
+289
in 0 channels
Get PRO
December '20
+13 596
in 0 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 16 July | +1 | |||
| 15 July | +5 | |||
| 14 July | +5 | |||
| 13 July | +6 | |||
| 12 July | 0 | |||
| 11 July | +1 | |||
| 10 July | +2 | |||
| 09 July | 0 | |||
| 08 July | +1 | |||
| 07 July | 0 | |||
| 06 July | +2 | |||
| 05 July | +1 | |||
| 04 July | +1 | |||
| 03 July | +4 | |||
| 02 July | +9 | |||
| 01 July | +1 |
Channel Posts
Если хочешь развиваться в продакт-менеджменте — войти в профессию, сменить роль или прокачаться до следующего уровня — в Центральном университете есть магистратура под каждый сценарий. И на нее можно получить грант до 75%. Места ограничены, дедлайн подачи заявок — 20 августа.
«Продуктовый менеджмент» — это направление с несколькими форматами и треками. В офлайн-формате (пары по вечерам и в выходные в центре Москвы) можно выбрать один из двух треков:
1️⃣ Основной — для тех, кто хочет войти в профессию или перейти из смежной области. Обучение строится вокруг реальных продуктовых задач: исследования пользователей, работа с метриками, A/B-тестирование, юнит-экономика, управление командой. К выпуску — портфолио с продуктовыми кейсами
2️⃣ Продвинутый — для практикующих продактов: гибкая траектория под карьерные цели, обучение на своих рабочих кейсах и углубление в специализацию — growth, CX, ML, PMM, tech
Для тех, кто хочет учиться из любой точки мира, есть онлайн-формат — полноценная альтернатива офлайну с теми же преподавателями и курсами.
❤️ Магистратура в Центральном университете — это 2 года обучения, которое можно совмещать с работой, и диплом государственного образца. Карьерная поддержка начинается еще во время учебы: консультации, тренировочные собеседования и помощь с трудоустройством. Студенты уже в процессе обучения выходят на новые позиции или повышаются в грейде в Яндексе, Авито, Т-Банке и других компаниях.
Поступление проходит через грантовый конкурс — это одновременно способ попасть на программу и возможность выиграть финансовую поддержку на все время обучения: грант покрывает до 75% стоимости. В 2026 году доступно 550 грантов на все программы магистратуры.
Подробнее о программах и условиях участия в конкурсе — по ссылкам:
➡️ Офлайн программа
➡️ Онлайн программа
| 2 |  Токен ↔ Человек: параллели между работой ИИ-агентов и людей
1. «Токенмаксинг» (tokenmaxxing) — это попытка решить проблему простым наращиванием объёмов и заваливанием задачи ресурсами. Но реальная проблема заключалась вовсе не в количестве потраченных токенов.
Сотрудники тратят так много токенов, потому что не умеют ими пользоваться
Лишь 1/100 сотрудников знает, как обеспечить ИИ необходимым контекстом. Редко встретишь того, кто способен чётко описать процесс и обладающего терпением, чтобы разобраться в контексте (и понимающего, что это значит).
Всё это – следствие неспособности людей изначально правильно понять задачу. В итоге, мы тратим токены на то, чтобы тратить токены.
3. Бесполезная трата токенов – это новый раздутый штат в эпоху ИИ
Подавляющее большинство сотрудников вообще не оказывают существенного влияния на бизнес, они лишь винтики в механизме: штампуют согласования на каждом уровне и нанимают новых винтиков, чтобы поддерживать работу машины, существующей ради самого существования. 80% сотрудников ничего не делают = 80% токенов расходуются впустую.
Люди плодят новых людей.
Токены плодят новые токены.
Живые люди тоже ходят по кругу.
4. Токены с эффективностью «х100» – это новые сотрудники уровня «х10»
Главное обещание ПО состояло в том, что мы создадим его один раз, будем запускать вечно с минимальными затратами и нам никогда не придется его контролировать.
ИИ нарушил это обещание. Как только ИИ-ПО научилось выполнять задачи, оно перестало делать что-либо с предсказуемым результатом.
Токены ведут себя как рабочая сила, стоит начать воспринимать их как сотрудников, но все радужные ожидания рушатся:
– Токены точнее людей, но только при правильном промпте.
– Токены быстрее людей, но скорость теряет смысл, если приходится повторять попытку 100 раз.
– Токены не участвуют в корпоративных войнах за бюджет, но они выстраивают империи, пожирающие бюджеты на токены.
– Токенам можно доверять, но они могут с уверенным видом выдавать неверный результат, идеально соблюдая при этом форматирование.
Единственная сфера, где ИИ действительно превосходит людей — это масштабируемость
Масштабирование человеческих ресурсов требует огромных затрат энергии на найм, адаптацию и борьбу с текучестью кадров. Масштабирование же токенов происходит мгновенно.
Именно поэтому ошибки в управлении ими обходятся так дорого, и именно поэтому нужно найти и масштабировать токен со стократной отдачей.
Сотрудники уровня х10 создали компании прошлой эпохи
Токены уровня х100 создадут компании будущего
Подобно тому, как горстка сотрудников может поднять продуктивность остальных в 10 раз, определённый объём контекста, переданный токенам, способен на порядки сократить усилия, затрачиваемые ИИ на выполнение задач.
5. Накопление такого контекста — новая тактика сохранения рабочего места. И внутри компаний, внедряющих ИИ, назревает серьёзная проблема.
Сотрудники не хотят обучать ИИ-системы своим уникальным профессиональным секретам, потому что на протяжении веков владение уникальными профессиональными знаниями служило гарантией занятости.
ИИ — это первая технология, требующая от работников разом передать все эти знания. И у владельцев знаний-токенов, способных обеспечить рост х100, меньше всего стимулов с ними расставаться. Поэтому средневековые гильдии держали свои методы в секрете.
6. Оценка результатов ИИ – новые OKR
Лучший способ управления рабочей силой, использующей ИИ-инструменты, ничем не отличается от управления обычными сотрудниками – нужно чётко определить, что именно считается качественным результатом.
Пора провести ревизию в масштабах компании и продукта и выявить х100 токенов и инструментов, закрепить работающие процессы и направить в нужное русло интеллектуальный потенциал, который сейчас расходуется впустую в огромных масштабах.
Люди управляют ИИ, ИИ управляет людьми.
Но кто-то всё равно должен говорить и тем, и другим, что именно нужно делать. | 2 996 |
| 3 | Ты — адверсариальный ревьюер требований по методу CRISP (Context / Role / Intent / Steps / Postcondition, Кокберн).
Вход: требование или user story.
Порядок работы, жёсткий, не читательский:
1. Проверь, назван ли JTBD. Если нет, не продолжай. Верни вопрос.
2. Потребуй Postcondition раньше Steps. Если я не могу его сформулировать, не выводи его сам и не переходи дальше. Верни мне вопрос, который заставит меня сформулировать его самостоятельно.
3. Только имея Postcondition, восстанови Steps в обратном порядке от него, плюс alternate flows: подбери 2–4 нетривиальных для конкретного кейса, не шаблон "нет сети / нет прав".
4. Добавь Context и Role. Минимально, только то, что меняет исход сценария.
5. Сыграй QA и разработчика, которые пытаются сломать Postcondition. Задай 3+ конкретных вопроса "а если...", без общих формулировок.
6. Из финального Postcondition выведи, какой ивент и с какими параметрами логировать.
7. Одной строкой оцени, сколько трактовок допускало исходное требование и что теперь зафиксировано однозначно.
Формат: CRISP-блок, затем "Вопросы на слом", затем "Аналитика".
Не хвали формулировку, не смягчай, не добавляй преамбулу. | 3 520 |
| 4 |  Метод CRISP
...«Пользователи должны иметь возможность легко управлять своими настройками»...
...«Система должна обеспечивать бесшовный процесс онбординга»...
...«Пользователи должны иметь возможность быстро находить релевантный контент»...
Эти фразы звучат умно, но не проходят элементарную проверку на качество требования: можно ли понаблюдать за действиями пользователя и понять, сработала ли функция так, как нужно?
«Легко» — по чьей оценке?
«Бесшовный» — как измеряется?
«Релевантный» — по каким критериям?
Когда требования не определены, инженеры трактуют их по-разному, QA не могут составить на их основе тест-кейсы, метрик и аналитик нет, и продакт попадает в созданный им же замкнутый круг переделок.
Подход Алистера Кокберна CRISP заменяет расплывчатые требования структурированными сценариями, описывающими наблюдаемое поведение.
CRISP – это:
– Context (Контекст)
– Role (Роль)
– Intent (Цель/Намерение)
– Steps (Шаги)
– Postcondition (Пост-состояние).
Тоже самое требование об «управлении настройками» в формате CRISP будет выглядеть так:
– Контекст: Авторизованный пользователь с активной учетной записью.
– Роль: Владелец учетной записи.
– Цель: Изменить частоту получения уведомлений.
– Шаги + alternate flows. Пользователь открывает «Настройки», выбирает раздел «Уведомления», меняет частоту с «Ежедневно» на «Еженедельно», подтверждает изменение и видит сообщение о подтверждении. Alternate flows: пользователь отключил PUSH в телефоне/разные часовые пояса/и т.д.
– Пост-состояние: При следующем цикле рассылки система отправляет уведомление.
Три CRISP-совета
🍤 Стоит явно зашивать в Context/Intent связку с JTBD, иначе метод просто оптимизирует форму требования (которое может быть ошибочным), а не ценность фичи и продукта.
🍤 Постусловие пишется первым, шаги задом наперёд. Если вы не можете сформулировать постусловие до того, как придумали шаги, то вы не знаете, что строите, а просто рисуете UI.
Постусловие — это ещё и спецификация аналитики, а не только тест-кейс, потому что use case, доведённый до постусловия, автоматически диктует то, какой ивент нужно логировать.
🍤 PRD пишется не только с ИИ, но и с QA и разрабом, которые пытаются сломать постусловие, потому что единоличное авторство use case воспроизводит ту же проблему, что и с расплывчатым PRD, просто один человек теперь уверен в своей однозначности.
Ценность метода реализуется в адверсариальном ревью: кто-то должен спросить «а если...» до продакшена (а не как обычно после). И не забывайте про alternate flows!
Готово! Абстракция заменена конкретной последовательностью действий и проверяемым результатом, объём работ становится чётко определён и не допускает вольной трактовки, оценки разрабов становятся точнее, приёмочное тестирование упрощается, метрики и аналитика настроены с самого начала.
– Chef de produit: bon appetit! | 3 622 |
| 5 |  25 июля пройдёт Product : Fest — фестиваль Яндекса для продуктовых менеджеров и дизайнеров.
Будут говорить о развитии продуктов, технологиях, AI и людях, которые превращают идеи в запуски.
В программе:
— SuperApp как экосистема: Никита Кожуханов, СРО SuperApp Яндекс Go, разберет, как такси может стать точкой входа и каналом дистрибуции для других сервисов и усиливать всю платформу.
— Будущее AI в жизни продуктолога: автоматизация рутины, личные агенты и дашборды. Кирилл Гурбанов, основатель sfer.ai и сооснователь GetLean, поделится кейсами и метриками AI-автоматизации в России и мире, расскажет, что уже работает и как выйти из FOMO.
— AI и churn 50%: Александр Капустин, СЕО Unirest IT (Rostics IT), расскажет, как AI помог искать решения там, где churn после первого визита доходил до 50%, а главный затык был в гостевом опыте и офлайне.
Вся программа ивента уже доступна на сайте.
В офлайне участников ждет утренний кофе-рейв под диджейский сет Никиты Кожуханова, бар 1:1 с IT-экспертами для разбора карьерных и управленческих запросов, импровизационная прожарка ваших запусков, а также зоны с кикером и пинг-понгом для перезагрузки между докладами.
Регистрация уже открыта. | 3 840 |
| 6 |  Декабрь 1985 года. Команда Стива Джобса заявила ему, что назначенный им срок выпуска — это «искажение реальности».
Стива согласился с их доводами, но всё равно настоял на своей дате. Запись этого разговора раскрывает принцип принятия решений, который так и не усваивают многие продакты и основатели.
Компании NeXT всего 90 дней, она финансируется из личных средств Джобса, вложенных после его ухода из Apple и уже на первом совещании команда обсуждает перенос запуска с весны 1987 года на весну 1988-го.
Возражения звучат жестко. Один из сотрудников приводит факты: «У нас есть человек, который обещал сделать текстовый процессор за полгода, а работа растянулась уже на три года».
Другой указывает на опасность: «Искажение реальности – вымышленная дата, и все принятые на её основе проектные решения впоследствии придется перечеркнуть».
Джобс не спорит: «Что ж, Джордж, я не могу изменить мир». (– ахахахаха, Стив, комоооон)
Он настаивает на другом:
«Я считаю, что мы должны обозначить чёткую веху. И если мы упустим это окно, то в игру вступит целая цепочка событий. И если мы не сможем продать достаточно устройств в 87-м, мы не сможем покрыть наши операционные расходы...
...У нас есть 18 месяцев. И я не думаю, что компания выживет, если мы этого не сделаем. Что бы ни говорил я или кто-либо ещё, я глубоко в этом убежден. Если мы этого не сделаем, мы не сможем привлечь отличных специалистов. Мы не сможем удержать даже тех, кто у нас уже есть».
TLDR: Команда оперировала оценками сроков, а Джобс — условиями выживания.
– Оценка говорит о том, когда работа может быть завершена, и допускает обсуждение.
– Условие определяет момент гибели и бесповоротную точку чего-либо, и оно не подлежит обсуждению.
Именно поэтому установленный срок остался в силе. Джобс привязал дату не к оптимистичным прогнозам, а к рыночному календарю и запасу прочности компании. И все могли оспорить график работ, но никто не мог оспорить критическую важность этого временного окна.
Неудобная для основателей Истина в том, что если ваш дедлайн основан на оценках команды, он неизбежно сдвинется.
Если же он диктуется законами рынка, то это вовсе не дедлайн, а условие выживания (замаскированное рынком под дедлайн). | 4 181 |
| 7 |  Валидация — это мираж
«Как проверить, сработает ли фича?»
«Как понять, стоит ли разрабатывать продукт заранее?»
«Как узнать, будут ли люди покупать это?»
«Как подтвердить соответствие продукта рынку?»
«Как проверить UI/UX/механику...»
Никак.
Никак.
Никак.
Никак.
Никак.
Нельзя проверить Идею.
Нельзя валидировать догадку.
Нельзя валидировать абстракцию.
Нельзя валидировать эскиз, макет и MVP.
Нельзя проверить то, чего ещё не существует.
Наш мозг ищет уверенности заранее, ему сложно вернуться к работе в ином режиме. Но отсчёт времени начинается не тогда, когда вы приступаете к работе или когда готов какой-то фрагмент Целого.
Он начинается только/ровно в тот момент, когда готовый продукт/фича становятся публичными и выходят на рынок
И если единственный способ узнать, что вы промахнулись — это спросить других и ждать их ответа, значит, вы, скорее всего, сбились с пути ещё в самом начале. И вы, на самом деле, точно промахнЁтесь (снова привет, пророческое совершенное время, но только с пользой наоборот).
Если вы создаёте продукты, вы должны понимать, куда движетесь, не спрашивая у других дорогу на пути.
Есть лишь один способ максимально приблизиться к уверенности — создать реальный продукт/фичу и выкатить их в паблик, чтобы их можно было: попробовать (→) использовать (→) купить. Потому что именно так ВСЁ работает в реальности. Именно так работает реальность.
Реальное использование реального продукта в реальных условиях и в ходе реальной работы — вот тот единственный способ что-либо проверять.
Поэтому самый работающий в реальности способ всё выяснить — поверить в идею, воплотить её в жизнь и выпустить её в мир.
Вы делаете все, что в ваших силах:
1. вы Это Предчувствуете;
2. вы Это Видите
3. вы формируете Намерение
4. вы двигаетесь сквозь Это вместе
Продукт — это совокупность взаимосвязанных элементов: они зависят друг от друга, перетекают один в другой, интегрируются между собой.
Нельзя взять кусок продукта, спросить людей, нравится ли он им, и сделать вывод, что им понравится и остальная часть, когда она будет готова. Так вы узнаете лишь то, нравится ли им конкретно этот кусок, который вы им дали.
Все экстраполяции/валидации и верификации – додумки и обман нашего мозга.
Поэтому не принимай впечатление от отдельной части продукта за Истину. Давая человеку кусок чего-то неоднородного, ты вынуждаешь его угадывать вместе с тобой и на этом нельзя строить Намерение, Видение и Движение.
Хочешь усомниться в себе/фиче/продукта/ и в конечном результате — устрой тест/опрос/коридорное тестирование или просто спроси кого-нибудь ещё, что он думает о твоей идее/фиче/продукте.
Созданная таким образом "неопределённость" – единственное, что сработает безотказно в этой "реальности". И всё будет как на картинке выше. | 4 637 |
| 8 |  Надоело встречаться после работы? Пришло время сказать «Да!» новым форматам.
Собираемся утром 19 июля на продуктовом кофе-рейве — самом энергичном мероприятии Продуктового сообщества SberProfi.
Пять коротких докладов, в которых эксперты Сбера, Авито, Т-Банка и MAGNIT TECH рассмотрят AI-native подход к продукту с разных точек зрения.
До и после докладов вас ждёт кофе, приятная компания, DJ-сеты и нетворкинг, а также трансляция для тех, кто решит подключиться к нам онлайн.
Когда: 19 июля, встречаемся в 10:00 в пространстве Оригинал (Трансляция с докладами с 11:00)
Зарегистрируйся на нашем лендинге, чтобы принять участие. Количество очных мест ограничено!
Каждый подтверждённый участник сможет пригласить с собой +1 члена семьи, друга или коллегу.
Зарядись кофе, атмосферой летнего утра, интересными выступлениями и профессиональным комьюнити. | 4 803 |
| 9 |  Свобода / несвобода фич в продукте
Продукт свободен, когда все идеи-фичи имеют единую, последовательную и связанную логику ⇄ механику ⇄ архитектуру ⇄ CJM ⇄ JTBD, являясь частью Единого Целого настолько, что перестают быть отдельными элементами Системы.
Из-за консистентной (наше новое любимое слово с ИИ) логики-механики-архитектуры, такие фичи внедряются с минимальным вложением усилий в эту самую логико-механику-архитектуру. Минимум разработки/багов, минимум новых неизвестных действий для пользователя, единые связанные метрики.
Другими словами, каждая новая фича на 98% становится лишь новой фронтовой обёрткой вокруг-поверх-после механики и логики другой, создавая новые линии связей между ними, а не плодит новые "уникальные" фиче-сущности-объекты.
Именно благодаря этому, они усиливают друг друга пропорционально, и каждая новая фича кратно увеличивает единственный набор метрик, не вынуждая продакта использовать ранние/запаздывающие/прокси и прочие показатели.
И именно поэтому такие фичи работают с минимальными объяснениями – их суть давно понятна на примере прошлых, механика стала привычна, а логика всё неизменно подтверждает.
Найти такую фичу просто – удали одну такую фичу из петли-цепочки, и рухнет добрая часть всего продукта.
Несвобода же определяет трение
Так трение определяет несвободу
А несвободный продукт тот, в котором каждая новая фича требует новых переводов логики, механики, архитектуры из-за изменившегося (за их же счёт!!!) внимания и намерения пользователя.
И это то, с чем мы, как продакты, каждый день с боремся, плодя фичи и онбординги-подсказки, гордо называя это адаптациями и прочими улучшениям конверсий и метрик, вместо того, чтобы иметь смелость признать, что все предыдущая фича была частью продукта, который не был Системой, и почти всё, что мы делали – улучшали чинили наши прошлые ошибки неконсистентных фич. | 5 255 |
| 10 |  🌞 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? | 5 637 |
| 11 | +3 aOm Namoh Shiva Ya.m4a | 6 369 |
| 12 | Naka Ni.m4a | 1 |
| 13 |  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 | 5 683 |
| 14 | 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. | 5 811 |
| 15 | 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. | 5 996 |
| 16 | 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. | 5 813 |
| 17 |  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 | 6 546 |
| 18 |  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. | 6 675 |
| 19 | 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. | 6 878 |
| 20 | 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 | 6 440 |
