Product Management & AI

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.

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%.

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»

/goal

Loop Engineering — это замена себя как человека, который пишет промпты ИИ, на Систему, которая делает это за вас 5 компонентов цикла (и один бонусный) Для цикла нужно пять вещей и одно место, где хранить состояние. 1. Автоматизации, которые срабатывают по расписанию и сами занимаются поиском и сортировкой. 2. Worktrees («рабочие деревья»), чтобы два агента, работающих параллельно, не мешали друг другу. 3. Навыки (Skills) — прописанное знание о проекте, которое агенту не придётся угадывать каждый раз. 4. Плагины и коннекторы для подключения агента к уже используемым инструментам. 5. Суб-агенты, чтобы один агент генерировал идею, а другой её проверял. И шестое — память: markdown-файл, который живёт вне отдельного разговора и хранит, что уже сделано, а что следующим, потому что ИИ забывает всё между запусками, поэтому память должна быть на диске, а не в контексте. 1. Автоматизации — это сердцебиение цикла Именно автоматизации превращают разовый запуск в настоящий цикл. В Codex вы создаёте автоматизацию на вкладке Automations: выбираете проект, промпт, частоту запуска и то, где он будет выполняться. Результаты попадают в папку Triage, а те запуски, которые ничего не нашли, просто архивируются. OpenAI использует это внутри для ежедневной сортировки задач, подготовки commit-отчётов и поиска недавно внесённых багов. Claude Code достигает того же через планирование и хуки: /loop запускает промпт или команду с заданным интервалом, можно настроить cron-задачу, хуки на разных этапах жизненного цикла, или отправить всё в GitHub Actions. Существует ещё одна важная примитива: /goal — в отличие от /loop, который повторяется по расписанию, /goal продолжает работу, пока не выполнится заданное условие, причём после каждого шага отдельная небольшая модель проверяет, завершена ли цель. 2. Worktrees: чтобы параллельность не превращалась в хаос Когда запускается больше одного агента, файлы начинают конфликтовать. Git worktree решает эту проблему: это отдельная рабочая директория в своей ветке, но с общей историей репозитория. Codex и Claude Code поддерживают эту изоляцию — либо встроенными средствами, либо через флаг --worktree. 3. Навыки (Skills): чтобы не объяснять проект каждый раз заново Навык — это папка с файлом SKILL.md, содержащим инструкции и метаданные, а также опционально скрипты, справочные материалы и ресурсы. Codex вызывает навык по $название или /skills, а иногда и сам, когда задача соответствует описанию навыка. Claude Code делает то же самое.

Навык — это однократно записанное намерение, которое агент читает при каждом запуске

4. Плагины и коннекторы: чтобы цикл касался реальных инструментов Цикл, который видит только файловую систему, слишком мал. Коннекторы на основе MCP позволяют агенту читать трекер задач, запрашивать базу данных и вызывать API. Плагины упаковывают коннекторы и навыки вместе, чтобы они могли использовать ваши настройки целиком. 5. Суб-агенты: разделяем созидателя и проверяющего

Самое полезное структурное решение в цикле — отделить того, кто пишет, от того, кто проверяет.

ИИ, написавшая код, слишком снисходительна к своей собственной работе. Второй агент с другими инструкциями (и иногда другой моделью) ловит ошибки, которые первый сам себе наговорил. Что цикл всё ещё не делает за вас: Цикл меняет работу, но не удаляет вас из неё. Проверка всё равно остаётся за вами. И если цикл работает без присмотра, он также и совершает ошибки без присмотра. Ваше понимание тоже страдает, если вы ему это позволяете: чем быстрее цикл поставляет код, который писали не вы, тем больше разрыв между тем, что существует, и тем, что вы на самом деле понимаете. И, наконец, удобная поза «наблюдателя» опасна тем, что очень легко перестать иметь своё мнение и просто принимать то, что выдаёт цикл.

Цикл не знает разницы. Вы знаете. Всё дело в поиске: а) правильного б) Баланса

Постройте цикл. Но постройте его как тот, кто намерен оставаться инженером/продактом, а не просто нажимателем кнопки

Главная точка сбора ИТ-коммьюнити этим летом 🌞 Т-Банк снова проводит «Сезон кода» — летний фестиваль про продукт и разработку. В этом году он пройдёт в двух городах: 20 июня в Санкт-Петербурге и 4 июля в Казани. В программе три направления: 📌клиентоориентированный код с разбором решений для миллионов пользователей; 📌новая секция «Продуктовая кухня» про то, как гипотезы превращаются в рост продукта; 📌 «Бэкенд-методичка» с практиками и инструментами из ежедневной работы инженеров. Помимо докладов — демозоны, нетворкинг, активности и традиционное афтепати с летним DJ-сетом. Участие организовано через благотворительный взнос: 2000 ₽ в Санкт-Петербурге и 1500 ₽ в Казани. Если хотите провести выходной среди разработчиков, продактов, архитекторов и аналитиков, успейте зарегистрироваться.

Что такое циклическая работа ИИ-агентов (agent looping) и открытые/закрытые циклы (по мотивам Anthropic Workshop: Build Agents That Run for Hours) Последние два года ИИ-агентам давали задания пошагово: одна задача = один промпт. Сейчас этот подход меняется и вместо того чтобы просить ИИ-агента создать условный кусок кода или документ, а затем самому контролировать каждый этап, вы настраиваете цикл, который берёт на себя всё: исследование, планирование, выполнение, проверку и итерации до тех пор, пока цель не будет достигнута.

Циклический процесс — это выстроенная вами Система

Её может запустить практически любая платформа для работы с ИИ-агентами; всё зависит от того, как именно вы настроите связи между ними. В самом простом варианте цикл — это работа агента над собственным результатом: > проводит исследование > создает черновик > сверяет черновик с поставленной целью > исправляет слабые места > повторяет цикл, пока результат не начнет соответствовать требованиям Более масштабный вариант — это циклическая работа целой группы ИИ-агентов. Вы ставите задачу агенту-оркестратору; он разбивает её на части, передает каждую часть профильному агенту, а те, в свою очередь, поручают более мелкие задачи своим субагентам. Вся эта иерархия продолжает циклически проходить этапы исследования, планирования, выполнения и проверки, пока цель не будет достигнута. Вы задаете цель, и система выполняет цикл до тех пор, пока работа не будет завершена в соответствии с установленными вами требованиями. Открытые и закрытые циклы: ОТКРЫТЫЙ ЦИКЛ носит исследовательский характер. У него есть условия и цель, но вы предоставляете ИИ-агенту или группе агентов широкое пространство для манёвра. Система может пробовать разные пути, делать открытия и создавать то, что вы не описывали в деталях. Проблема в стоимости – открытый цикл, дающий реальную свободу для исследований, потребляет безумное количество токенов. Для 90% команд, не имеющих неограниченного бюджета, такой подход недоступен, а при работе над проектами с нечёткими стандартами такая Система рискует превратиться в генератор некачественного «мусора». ЗАКРЫТЫЙ ЦИКЛ имеет чёткие границы в котором ИИ-архитектор сначала проектирует весь маршрут работы: > ясная цель > определённые этапы > проверка на каждом этапе > точка остановки или возврата результата вам (с передачей данных об эффективности) Агенты по-прежнему работают циклически, но делают это в рамках созданной вами структуры. С каждым циклом результаты улучшаются, так как каждый этап подпитывает следующий, а затраты остаются в рамках обычного бюджета благодаря чётко выстроенному процессу. > за цель отвечает архитектор > за конкретные шаги отвечают специалисты > узкопрофильные исполнители выполняют частные задачи > контрольный этап гарантирует качество и исключает небрежность

Сотрудники Anthropic едут на работу после выхода компании на IPO

Жизнь роботов в 2026: пассажир авиакомпании Southwest Airlines в США решил взять с собой в салон андроида, и вот что из этого получилось Аарон Мехдизаде летел из Лас-Вегаса в Даллас и взял в салон своего робота Стьюи, который не пролезал по габаритам ручной клади, а отравлять багажом выходило дорого. Поэтому Аарон просто взял и оформил роботу... билет на соседнее кресло (услуга, которую обычно заказывают для перевозки хрупких вещей). В аэропорту робот успешно прошёл предполётный досмотр: специально для этого на него была установлена батарея уменьшенной ёмкости, сам дошёл до гейта, а потом и в самолёте до своего места возле иллюминатора. PS. После полета Southwest Airlines быстро опубликовала новые правила перевозки, в которых прописала запрет на перевозку роботов в салоне или зарегистрированном багаже вне зависимости от их размера и назначения. Причина банальна — безопасность при перевозке литий-ионных аккумуляторов.

На PeopleSense'26 одна из панелей была посвящена тому, как ИИ меняет работу ИТ-руководителей. В своем выступлении управляющий директор направления первичной недвижимости Авито Недвижимости Дмитрий Алексеев показал, как смещается акцент с контроля процессов на ответственность за результат. Происходит вот что: 1) Еще недавно руководителем считался тот, кто контролирует процессы и держит все под контролем. 2) С появлением ИИ‑агентов стало понятно, что именно этот слой работы автоматизируется первым. Как раз для этого такие инструменты и создаются — забирать рутину и контролировать поток задач. То, что не автоматизируется, — это ответственность. Полномочия можно передать алгоритму, ответственность — нет. И чем выше уровень ответственности, которую человек готов нести, тем выше его ценность — независимо от должности и количества прямых подчиненных. Еще один сдвиг: эпоха руководителя, который только управляет процессами, уходит. Останутся те, кто умеет сочетать управление с личной вовлеченностью в создание результата, а не только в согласование планов и отчетов. Рецепт от Алексеева на понедельник утром, чтобы к пятнице не оказаться не у дел: разберитесь в экономике своего продукта — где он создает ценность, а где теряет деньги. Выберите одну бизнес-метрику, за которую готовы отвечать лично, и выстройте вокруг нее продуктовую, коммерческую и финансовую части. Рутину отдайте ИИ, а сами занимайтесь решениями.

Так майский дайджест проливает по Колумбии огнём – Алхимическая задача – Настройки мышления – Гольф глазами продакта – Галлюцинации ИИ = твои галлюцинации – Не пользователи, а люди – Personas это JTBD – 55 когнитивных искажений – Библиотека идей, законов и концепций – Минимализм умер – Postmortems for UX – Единство аффекта и интеллекта – Почему мы делаем разные выводы – Теория карьерных якорей – 8 часов работы делают тупее – Продакшен — ничто – Про первый лайк – Причина тех долгов – продакт – ИИ психоз у CEO и у компаний – AI-native Startup Founder's Playbook – The “Bug-Free” Workforce – Agent Memory That Survives – Промпт-инжиниринг для не-инженеров – Structured-Prompt-Driven Development – Как экономить токены – State of AI 2025–2026 – Design Systems Report – Why research needs to research itself – Пытаясь спланировать непонятное – Решение уравнения без решений – Почему близнецы не симметричны 😌 Persistent Visions by Mark Seelig 🧘‍♂️ Ya-man from The Disciple's Path Ad: Если нужен английский для работы, то AgileFluent – лучшее решение

Пока одни команды тратят недели на проверку гипотез, другие используют ИИ для ускорения исследований, анализа обратной связи и подготовки решений. 17 июня в 19:00 МСК ОТУС проведёт открытый урок курса «Менеджер продукта в ИТ», на котором вы узнаете: — как превращать сырые наблюдения в проверяемые идеи; — какие задачи можно делегировать ИИ при работе с интервью и данными; — где ИИ действительно сокращает время проверки гипотез; — на каких этапах решение всё ещё зависит от продуктового мышления. 👉 Бесплатное участие В результате вы получите практическую схему применения ИИ в ежедневной работе менеджера и сможете быстрее проходить путь от идеи до выводов без потери качества решений. Реклама ООО «Отус онлайн-образование»

Гипотезы, задачи, фичи – всё начинается как план. Сначала план (но это не точно) 0) Сначала сохрани контекст, что в голове, потом планируй. Помни о главном – цели. Промпт (люблю писать для ИИ капсом, сорри, но кому, как не ей):

Задача: ___ Аудитория:___ Контекст:___ бла-бла-бла НО СНАЧАЛА ОТДЕЛЬНО СФОРМУЛИРУЙ ПЛАН: как ты будешь разбирать и что проверишь перед задачей, прежде чем писать предложение. Прежде чем составлять сам план, задай мне 5–7 уточняющих контекст и ситуации вопросов, ответы на которые сильнее всего повлияют на результат (по одному за раз).

1) Кидай в обработку ИИ сырые данные/транскрипты, даже если это часовой колл. Кинешь саммари и ИИ пропустит и потеряет контекст сразу на 2 этапах: на этапе создания саммари и на этапе работы с саммари. Не жмись на токены – лишнее фильтруется само, значения есть в каждом слове/фразе. 2) Требуй у ИИ 3+1 вариантов с трейд-офами, а не один. Сначала разведи варианты и смотри на них сверху, после выбирай, далее фильтруй через: «Почему сейчас и почему это, а не другое», после собирай из элементов нужный вам. Явные non-goals (что мы НЕ делаем) выписывай отдельным блоком. 3) Pre-mortem в план, чтоб хоронить фичи вначале и не хоронить в конце. Проси описать 3 варианта, как твоя затея провалится. Сужай область мышления ИИ через "какое одно предположение в плане, если оно неверно, рушит всё?" + "опиши условия, при которых этот проект стоит остановить, а не продолжать". Реалистичые сроки начинаются со здоровых и реалистичных задач. Срыв сроков – кривые и нездоровые задачи. 4) Реверс-планирование от дедлайна это когда планирование идёт от конечной даты назад (вперёд): что должно быть готово за неделю до релиза, за две, за месяц. С помощью этой штуки вылезают неявные, узкие и избыточные куски функционала и механик, которые при классическом планировании наперёд скрываются за оптимизмом сроков. 5) RACI прямо в плане. На каждый блок указывай кто делает, с кем советоваться, кто апрувит, кого просто информируем. Хорошо помогает увидеть слабые места не только в фичах, но и в людях. 6) Рисуй Линии-и-Точки. Лучший план должен быть таким, чтобы после каждого этапа его реализации на руках уже была ценность, с которой можно было как минимум остановиться, как максимум эту ценность передать. 7) 20% усилий закрывают 80% боли, и облегчённый вариант гипотезы/идеи/фичи/продукта оказывается самым успешным 8) 80% планов не нужны 😌

Как собрать дизайн-систему с Claude Code для реального AI SaaS от концепта до готовых экранов? Есть идея, есть PRD, есть понимание, каким должен быть продукт. Но чтобы дойти до реальных экранов, нужно собрать дизайн-систему, развести компоненты, сверстать каждый экран. А гипотезы хочется проверить уже сейчас, но вы неделями собираете UI руками. Знакомо? А что если этот Путь пройдёт ИИ-агент? 3 июня в 18:00 мск Даниил Шишко из Pixel Perfect проведёт эфир, на котором возьмёт концепт и соберёт дизайн-систему через Claude Code и Figma MCP на реальном стартапе для голосовых ИИ-агентов и на её базе сверстает готовые экраны продукта. Чем полезно занятие: – научишься собирать дизайн-систему через Claude Code и Figma MCP сам; – 4 скилла для Claude Code: для сборки и поддержки своей ДС; – поймёшь, как отдать агенту рутину поддержки больших ДС. 👉 Эфир пройдёт в канале Даниила: https://t.me/+2YaLKdHv_p5lNDZi

Синхронность и потоки в userflow→UX→UI→коде Никогда не думал, что скажу такое, но...

КАК ЖЕ СИЛЬНО техническое мышление разрабов может помогать продакту в осознании и познании механик продукта и пользователей.

Простыми словами: –  Баги в коде (я не про баги со скобками и запятыми, а про ошибки логики и архитектуры кода) = баги в пользовательской проблеме/решении. То, что было не продумано/забыто в коде, аналогично этого же не будет хватать пользователям в механиках продукта. – У любой механики → фичи → кода есть обратная сторона, которая является логическим продолжением и завершением петли механики. Логика, вообще, любимое слово наших друзей-программестов ))) Примеры: экшены "Добавить/Исключить", функции "Follow/Ignore" и т.п. Забыл что-то одно, и вот уже код кривой и вылезут баги когда спустя время решите делать и программист будет писать противоположную фичу по другому → userflow неполный → фича неполноценная → и, что главное для продакта/продукта – пользовательский сценарий будет не закрыт. И будут баги и пробелы, но уже в продукте/решении/процессах. – Фрактальное подобие механик/функций/кода. Моё любимое и весьма сложное даже для разрабов (на самом деле, очень просто, в этом суть Фрактала). Реакция (не лайк) на пост, реакция на пост-комментарий (комментарий это пост, не комментарий), реакция на ответ на комментарий-пост — всё сущности должны быть максимально общими/простыми/гибкими, чтобы использовать самим себя на разных уровнях систем. И если 3 разные сущности и типа записей контента и 3 разных типа лайка для них, то вот у тебя уже 6 зависимостей вместо 2 и 27 потенциальных вариантов багов.

Каждая (всякая ((Единая))) сущность в коде и в Системе должна быть собой, порождая своё фрактальное подобие, то есть использовать саму себя

Чем больше сущностей в архитектуре - тем больше рамок, функций, зависимостей и ограничений они все в себе несут. И тем больше ограничены все наши фичи, сценарии, механики и пользователи в продукте. Мы сталкиваемся с этим, когда слышим от разрабов: "Ууу, у нас архитектура этого не позволяет". Вот, это оно! – У всего должен быть (есть) Один-Источник-Правды Статус пользователя, статус заказа, статус объекта, чего угодно – если оно хранится и проверяется в двух местах (зачем? почему? в чем причина этого? в процессе? а может быть, что-то не так с таким процессом?), то вы внедряете несколько несколько вызовов, несколько зависимостей, несколько проверок, 2+ логики и 2+ функции... И однажды, 100%, они разойдутся, Система для себя сделает одно, а пользователь увидит иное и это превратит их/ваш userflow→UX→UI→код с продуктом в Хаос... Смотри в продукт душой и сердцем продакта глазами программиста. Это – бесценно!

🔥 Мы ждали этого от ИИ-агентов: теперь экраны авторизации проходятся без проблем Практически каждый менеджер и разработчик регулярно сталкивается с рутиной в задачах: нужно прокликать интерфейс после релиза, собрать исследование по конкурентам из закрытых соцсетей или вытащить данные из сервисов без API. Обещания, что ИИ-агенты скоро всё сделают за нас, звучат из каждого утюга, но на практике большинство ботов ломаются о первый же экран авторизации. Наталья Савенкова, AI Product Manager в Яндекс Go, на своём опыте проверила, способны ли современные браузерные агенты помочь с такими задачами. Она столкнула лбами свежий Kimi WebBridge, привычный Playwright и BrowserMCP. Никаких синтетических бенчмарков — только реальные условия и суровая продуктовая рутина. В статье четыре распространённых сценария: 🔸 Анализ закрытых платформ. 🔸 Визуальный аудит B2B-продуктов. 🔸 Автономные smoke-тесты. 🔸 Сборка автоматического рабочего процесса. Прочитать полный обзор можно в блоге Городских сервисов Яндекса

I think the reason so many people don't understand how big AI is going to be is that they don't understand that

everything is an algorithm

Specifically, they don't realize that companies are just a collection of algorithms – Think about that very carefully every day 👆

Claude Code выкатили Dynamic Workflows Новая фича позволяет запускать динамические рабочие процессы с участием сотен параллельных субагентов. Некоторые задачи слишком велики для одного прохода одним ИИ-агентом, особенно в сложных, легаси-кодбейсах: поиск багов по всему сервису, миграции, затрагивающая сотни файлов, или план, который нужно проверить с каждого угла перед тем, как принять решение. Dynamic Workflow — это JavaScript-скрипт, который оркестрирует субагентов в масштабе. Claude пишет этот скрипт под конкретную задачу, а рантайм выполняет его в фоне. План переходит в код, а не в контекстное окно Claude, все промежуточные результаты живут в переменных скрипта, и в контексте оказывается только финальный ответ. Тем самам ваша сессия с ИИ остаётся отзывчивой и неперегруженной контекстом, пока все агенты работают над большой задачей. Попросите Claude Code создать воркфлоу напрямую через промпт, например, "Create a workflow...", либо включите новую настройку в ultracode) и и Claude динамически сформирует план оркестрации, которого будет неукоснительно придерживаться, что позволит ИИ и вам быть абсолютно уверенными в том, что каждый этап выполняется в правильной последовательности даже при участии сотен ИИ-агентов. – Чо там у нас по тех долгу?

Причина тех долгов в продукте – продакт А в эпоху ИИ не должно быть никакого тех. долга вообще. ИИ должен устранить весь технический долг: а) который был накоплен ранее; б) любой последующий планируемый тех долг ещё до того, как представить свой готовый код. В отличие от людей, ИИ может продолжать работать над чем-то пока это не будет сделано, а не предлагать идти на уступки и компромиссы из-за человеческих ограничений и времени. И если ИИ говорит вам, что "оставляет что-то на потом", это первый шаг к галлюцинациям и сигнал, что ты: 1) неверно определил проблему пользователя → 2) придумал несуществующий userflow → 3) спроектировал кривой UX/UI, механику решения и фичу = поэтому ИИ тупит с логикой и архитектурой кода и предлагает взять тех. долг.

Причина тех долгов в продукте – продакт