No Flame No Game

А вот так теперь выглядит user research: ездили сегодня в Imperial College, разговаривать с учеными, которые занимаются разработками в области наномедицины

Ребята, почитала вчера ваши комментарии и прямо загордилась, что вы меня так высоко определили 😍 но, к сожалению, ни в OpenAI, ни в Anthropic уже больше года нет продуктовых вакансий в Лондоне. И я, кажется, всех смутила своей любовью к этому эмоджи 🤗🤪 А стартовала я в Google - DeepMind - AI Labs. Это департамент, цель которого - тесно работать с исследователями в DeepMind и запускать стартапы на основе их новейших разработок. Первый «стартап», над которым я буду работать, - это линейка продуктов для ученых, который анонсировали на Google I/O https://research.google/blog/a-new-era-of-innovation-google-research-at-io-2026/ Для меня это 100% работа мечты, и я до сих пор не могу поверить, как удачно все сложилось. Хочу сделать серию постов про собеседования для продактов, на основе своих свежих впечатлений - пишите в комментариях, про что интересно узнать!

А у меня новости: в прошлый понедельник я вышла на новую работу 🤗 Угадаете, куда? Пишите догадки в комментариях, завтра расскажу! Несколько подсказок: - я все еще в Лондоне - все еще в AI - и я очень рада этой новой позиции 🤗

$10M за 100 миллионов емейлов Заинтересовала сегодня новость, что Гугл купил внутренние данные разорившейся компании Spirit Airlines за 10 миллионов долларов. Данные будут использованы для продуктовой разработки и обучения AI. Более того, Гугл был не единственным участником аукциона: им даже пришлось поднять свою изначальную ставку, чтобы выиграть. Что здесь интересного: 1) Эволюция от “взять бесплатные публичные данные” к “заплатить лицензию за доступ к качественному контенту” (например, News Corp или Financial times) к “владеть операционными данными”. Это очень явное свидетельство перехода от моделей, которые могут отвечать на вопросы, к агентам, которые могут совершать действия. Что еще важнее, это показатель, насколько критичным становится доступ к уникальным проприетарным данным. Если все могут обойти публичные источники и заплатить за лицензию, то - при прочих равных - ответы моделей в какой-то момент начнут сходиться. Эксклюзивные данные потенциально могут здесь дать конкурентное преимущество, которое сложно повторить: конкуренция смещается с моделей, качество которых уже примерно выходит на плато, на инфраструктуру. В этой ситуации, например, дистрибуция и маркетинг становятся частью технической стратегии, так как позволяют создавать новые feedback loops и увеличивать количество сигнала для обучения AI. 2) Операционка - новый стратегический ассет? Если раньше, когда компания разорялась, покупали, в основном, либо ее IP, либо клиентов, то кейс с Spirit Airlines потенциально создает новый класс ассета: данные, как компания работала и принимала решения. Сейчас рынок разметки данных преимущественно стоит на трех китах: • создать данные (Surge AI / Scale AI генерируют примерно 2 миллиарда долларов выручки в год на этой категории; Гугл платил Scale AI примерно 200 миллионов в год) • симулировать данные (тут у нас всякие платформы и решения для генерации синтетических данных) • купить данные: и вот здесь у нас, кажется, появляются новые возможности. Пока самые большие публично известные сделки держатся в районе $50-60M за год (это Reddit и NewsCorp) - возможно, Spirit Airlines создаст прецедент и изменит эту динамику. Этот тренд может также повлиять и на нас с вами: если компания продает доступ к действиям экспертов, это будет растить стоимость более уникальных специалистов и снижать стоимость дженералистов. Будет ли наша ценность как сотрудников определяться не только результатом, который мы создаем, но и насколько хорошо мы задокументировали, как мы к этому результату пришли? И, в таком случае, насколько важен сам результат - ведь негативные примеры тоже важны? 🙂 В удивительное время живем, ребята 😊

$10M за 100 миллионов емейлов Заинтересовала сегодня новость, что Гугл купил внутренние данные разорившейся компании Spirit Airlines за 10 миллионов долларов. Данные будут использованы для продуктовой разработки и обучения AI. Более того, Гугл был не единственным участником аукциона: им даже пришлось поднять свою изначальную ставку, чтобы выиграть. Что здесь интересного: 1) Эволюция от “взять бесплатные публичные данные” к “заплатить лицензию за доступ к качественному контенту” (например, News Corp или Financial times) к “владеть операционными данными”. Это очень явное свидетельство перехода от моделей, которые могут отвечать на вопросы, к агентам, которые могут совершать действия. Что еще важнее, это показатель, насколько критичным становится доступ к уникальным проприетарным данным. Если все могут обойти публичные источники и заплатить за лицензию, то - при прочих равных - ответы моделей в какой-то момент начнут сходиться. Эксклюзивные данные потенциально могут здесь дать конкурентное преимущество, которое сложно повторить: конкуренция смещается с моделей, качество которых уже примерно выходит на плато, на инфраструктуру. В этой ситуации, например, дистрибуция и маркетинг становятся частью технической стратегии, так как позволяют создавать новые feedback loops и увеличивать количество сигнала для обучения AI. 2) Операционка - новый стратегический ассет? Если раньше, когда компания разорялась, покупали, в основном, либо ее IP, либо клиентов, то кейс с Spirit Airlines потенциально создает новый класс ассета: данные, как компания работала и принимала решения. Сейчас рынок разметки данных преимущественно стоит на двух китах:

$10M за 100 миллионов емейлов Заинтересовала сегодня новость, что Гугл купил внутренние данные разорившейся компании Spirit Airlines за 10 миллионов долларов. Данные будут использованы для продуктовой разработки и обучения AI. Более того, Гугл был не единственным участником аукциона: им даже пришлось поднять свою изначальную ставку, чтобы выиграть. Что здесь интересного: 1) Эволюция от “взять бесплатные публичные данные” к “заплатить лицензию за доступ к качественному контенту” (например, News Corp или Financial times) к “владеть операционными данными”. Это очень явное свидетельство перехода от моделей, которые могут отвечать на вопросы и генерировать картинки, к агентам, которые могут совершать действия. Что еще важнее, это,

Как продакту готовиться к техническому интервью В последние несколько месяцев я активно собеседовалась - и заметила, что во многих компаниях появилась новая секция: где-то ее называют System design, где-то Technical sense, где-то Technical fluency, - суть примерно одна. Эту секцию я прошла во всех компаниях, где она была, - например, в Google и Revolut - хотя у меня нет инженерного бэкграунда. Хочу вам рассказать, как я готовилась и какие ресурсы мне помогли. Для начала, что это за секция? Чаще всего, задают два типа вопросов: 1) Рассказать в подробностях про один из продуктов, над которым ты работал (в идеале, нарисовать системную диаграмму). Что спрашивают: из каких компонентов состоит система, какие технологии использовали, какие были технические трейд оффы, на какие технические решения ты повлиял как продакт и какие были опции. 2) Кейс стади по одному из известных продуктов: например, расскажи, как бы ты построила Uber / Docusign / Facebook и так далее. Здесь важно начать с функциональных и нефункциональных требований, описать ключевые компоненты системы и нарисовать системную диаграмму. Дальше интервьюер может начать копать в глубину: а что будет, если количество пользователей вырастет в 10 раз? А что если этот компонент откажет? А какие могут быть способы улучшить latency / performance и так далее? Меня ни разу не спрашивали про выбор конкретной библиотеки или технологии на этом интервью. В целом, классно, если вы можете обсудить разницу между REST vs GraphQL или S3 vs R2 в рамках обозначенных требований - но это уже, скорее, уровень разработчика, и от продактов я таких ожиданий не видела. Тем более, никто не просил писать код 🙂 Основные задачи интервью - проверить, насколько продакт понимает: • ключевые концепты, например, webhooks, caching, sharding и так далее • как системные компоненты взаимодействуют между собой • как это влияет на пользовательский опыт. Как я готовилась В посте, который я писала на эту же тему несколько лет назад, я советовала несколько книг и курсы. В 2026 рекомендации сильно проще: • youtube канал Hello Interview https://www.youtube.com/@hello_interview - у них есть как мок интервью (например, про Uber), так и подробный разбор ключевых концептов. У них на сайте также много бесплатных ресурсов: https://www.hellointerview.com/learn/system-design/in-a-hurry/introduction • Claude / ChatGPT 🙂 Я посмотрела несколько мок интервью, а потом пошла тренироваться с Клодом. Если чувствовала, что плавала в каком-то моменте, читала про него более подробно. После этого сделала несколько пробных интервью: очень рекомендую не пропускать этот момент, чтобы попрактиковать параллельное рисование диаграммы и разговор. Для всех диаграмм использовала Excalidraw (один из самых популярных инструментов на рынке для подобного типа интервью). В целом, одних выходных мне хватило, чтобы подготовиться к первому собеседованию. Важное примечание: на моих рабочих проектах я много времени провожу с техническими лидами и вникаю в технические решения - это сделало мою подготовку в разы проще. Если вы еще так не делаете, рекомендую начать ☺️ как минимум, сесть со своим разработчиком и разобраться в техническом дизайне вашего продукта. Делитесь своим опытом: а что спрашивали у вас на подобных интервью? И как вы готовились?

Вообще дискуссия про AI evals заставила меня задуматься: а что сейчас считается базовым ожиданием от продакта? Какие навыки - must have: не на основе того, что спрашивают на интервью, а что реально используется в работе? Пишите в комментариях (указывайте только, пожалуйста, страну и размер компании, чтобы можно было лучше понять контекст) - поделюсь потом своими наблюдениями!

Хочу немного поворчать на тему AI evals Вижу какое-то огромное количество статей и курсов про AI evals за бешеные деньги - но я в упор не понимаю, чему там учить! 1) Что для мануальных, что для автоматизированных evals один и тот же алгоритм: • анализируем (==смотрим глазами) и категоризируем, где система ошибается • на основе этого доуточняем наши метрики и определение успеха (и позитивные примеры, если требуется) • описываем наши наблюдения в формате инструкций: вот первый критерий для оценки, вот как мы его меряем, вот примеры и контрпримеры; вот второй критерий для оценки - и тд • дальше отдаем это либо в мануальную разметку, либо создаем промпт для LLM as a judge. 2) Есть часть ошибок, которые решаются разработкой, например, простыми эвристиками или classifiers, а также дополнительными алертами и мониторингами. Но вряд ли такому учат на курсе про evals? В общем, объясните мне, я что-то упускаю? Или это очередная хайпокачка, где продают океанский воздух в банках? 🙂

Вообще после моего предыдущего поста мне пришло очень много ребят с запросом на карьерное переопределение: они уже построили сильную карьеру, запустили заметные продукты, выросли до руководящей роли — но следующая должность или повышение уже не вдохновляют. При этом непонятно, чего хочется вместо этого: сменить компанию, индустрию, роль, запустить свой проект или вообще по-другому организовать профессиональную жизнь. Я обычно работаю с этой темой 1-1, но тут придумала сделать более доступный групповой формат и хочу услышать ваши мысли. Если вам откликается, пройдите, пожалуйста, этот короткий опрос: если я запущу такой продукт, всем, кто прошел опрос, будет приоритетный доступ (пилотная группа будет небольшая) и скидка на участие 15% https://forms.gle/QFYaTRfdZsNYK7zV8

Стоит ли стремиться в Anthropic/ OpenAI? Все чаще я слышу от знакомых продактов: вот бы попасть в Anthropic / OpenAI! Работа в frontier AI labs для многих стала голубой мечтой - как когда-то все хотели в FAANG, а потом в Airbnb/ Notion/ Dropbox / нужное подставить. Но реально ли это “работа мечты”, или просто очередное “модное” место? Хочу поразмышлять с вами вместе. И начнем, конечно, с главного вопроса - а зачем вообще туда идти? Я вижу три основные причины: 1) Опыт. Конечно, если ваша специализация - AI PM, никаких вопросов нет: мало где в мире можно получить подобный опыт работы с инновационными технологиями в топовых командах. Другой вопрос, что продактов с такой специализацией не так уж много: у 95% совершенно другой карьерный фокус, да и интересы, если уж на то пошло. Если мы говорим про, например, growth PM или security PM, тут • и позиций в Anthropic / OpenAI будет сильно меньше, • и еще вопрос, если продуктовый опыт именно в этих компаниях даст более сильный толчок для развития, чем в других. С другой стороны, есть еще опыт, не привязанный к роли: как в компании построен процесс, культура, оргдизайн (в свое время я именно по этой причине пошла работать в Intercom). Это точно будет ценно, пусть и менее осязаемо. 2) Престиж. Подобная строчка в резюме, вне зависимости от позиции, точно привлечет внимание рекрутеров, а, при предпринимательских амбициях, - и инвесторов. Личный бренд тоже однозначно получит буст: будет легче получать приглашения на конференции, а также продавать инфопродукты. Вопрос в том, какие конверсии будут дальше по воронке :) Я собеседовала не одного продакта из Гугла или Меты, которые не справлялись с самыми базовыми вопросами. Я знаю не одного начинающего фаундера с громкими титулами, которому не удавалось поднять инвестиции или, что важнее, построить работающий бизнес. Бренды, которые у всех на слуху, открывают двери, но вот что происходит дальше, ни один бренд не решает. 3) Зарплата. А вот тут интересно: если посмотреть на общую компенсацию продакта из Anthropic/OpenAI, то получается цифра около $800k-$1M. Это выше, чем, например, компенсация в топовые компании на роли того же уровня: например, в Google или Airbnb можно ожидать около $500к. Но загвоздка в ликвидности. Базовая зарплата в frontier AI labs около $250-350к - что как раз соответствует рынку. Основная часть компенсации - equity, и это поднимает сразу несколько вопросов: - по сравнению с FAANG, это приватные компании: то есть, надо ждать либо IPO, либо secondary sale, чтобы реализовать продажу - это цена по оценке на текущий момент: верим ли мы, что она продолжит карабкаться вверх, или же что в какой-то момент окажется слишком раздутой и упадет? - по отзывам ребят, которые недавно устроились работать в OpenAI / Anthropic, такое количество стоков никому уже не дают. С ростом компаний (а в них уже 4+ тысячи сотрудников) можно ожидать, что эта часть компенсации сильно снизится. Так стоит ли пытаться попасть в Anthropic/ OpenAI? Давайте возьмем гипотетического продакта с 8 годами опыта и классными достижениями в резюме, но без AI экспертизы. На текущий момент ему будет очень сложно конкурировать за желаемую позицию: по оценкам, менее 1% кандидатов доходят до оффера от топовых AI компаний. Значит, надо будет усиленно вкладываться в образование и минимум следующие 3-4 года нарабатывать подходящий опыт. Но за это время: - могут появиться другие, более хайповые игроки - компенсация явно будет уже не такой вкусной - и итого вполне может быть сравнима с опцией «продолжить инвестировать в свой текущий опыт» и либо расти по уровню в big tech, либо зайти рано в новый модный стартап, который вырастет в единорога. В общем, я бы здесь отталкивалась от вашего интереса и «сложного процента»: какой опыт в моей карьере усиливает мое общее портфолио и USP? Но, если у вас уже релевантный опыт, и вы выбираете между Anthropic и условным Netflix/Uber, конечно, сейчас имеет смысл идти в Anthropic 😅 А вы что думаете?

Ребята, еще такое короткое объявление: я в последнее время не брала людей на индивидуальный коучинг, потому что работала с командами внутри нескольких компаний. Но сейчас образовалось окно на август-сентябрь, и я готова взять 2х человек в работу. С какими категориями запросов я помогаю: 1) Продакт лиды: работа над стратегией, построение команды, управление сложными отношениями или стейкхолдерами 2) Продакт менеджеры с опытом от 7 лет: карьерная стратегия, поиск новых карьерных возможностей и самоопределение, поиски работы и подготовка к интервью 3) Фаундеры: фандрейзинговая стратегия и продажа видения компании, продуктовая стратегия, найм продуктовой команды. С компаниями я работала как над прокачкой определенного навыка у продуктовой команды (создание сильных продуктовых требований; ускорение продуктового цикла; AI fluency), так и над индивидуальным коучингом руководящей команды, где каждый приходил со своим запросом. Как выглядит работа вместе: 1) Мы делаем первую интро встречу, чтобы договориться про цели и обсудить запрос - если все подходит, дальше это 4-5 сессий каждые 2 недели. На разовые сессии я сейчас не беру. 2) Я проходила обучение ICF и использую комбинацию техник из коучинга и менторства: это вопросы, которые помогают посмотреть на проблему под другим углом; подробный фидбэк на артефакты, которые вы производите (стратегия, кейс стади для интервью; непосредственная практика презентации инвесторам и тд), а также советы из моего опыта, если это применимо. Если вы готовы пойти в работу, напишите мне @anna_boo с деталями про свой опыт и про ситуацию, где я могла бы вам помочь.

Менеджеры не нужны? Полгода назад я конвертировалась из менеджера в IC (individual contributor). И это одно из лучших решений, которые я сделала для своей карьеры в рамках текущего рынка. Но обо всем по порядку. Я вернулась в Мету полтора года назад на сеньорную менеджерскую позицию; в моем департаменте было около 100 человек. Когда я присоединялась, была четкая дорожка роста на следующий уровень. Но через полгода ситуация резко начала меняться. Менеджерскую прослойку начали активно сокращать; открытых позиций на том же уровне стало очень мало. От оставшихся менеджеров ожидалась не только менеджерская, но и IC работа. Я сама вела новые запуски, общалась с пользователями и писала код. У нас были доверительные отношения с моим VP, и он сказал мне прямо: слушай, по тому, что я наблюдаю в Долине, скоро начнется менеджерский исход. Непонятно, хорошо это или плохо, но компании явно двигаются к тому, чтобы смещать найм в пользу сеньорных IC вместо миддл менеджеров. Если ты хочешь сохранить карьерную опциональность, недавний опыт в IC тебе пригодится. Его наблюдения совпадали с тем, что я слышала от других своих менторов вне Меты и что замечала сама. Поэтому вскоре после этого разговора я начала смотреть подходящие внутренние вакансии и нашла роль IC, соответствующую моему менеджерскому уровню. Вскоре после этого компания сократила большое количество менеджерских позиций - включая мою старую. Недавно я начала собеседоваться (скоро расскажу подробнее!), и этот переход сильно сыграл мне на руку. У меня в воронке три типа вакансий: • VP в стартапах • head of product в скейлапах • member of staff в крупных компаниях Ни на одну из ролей не требуется менеджерский опыт: всем нужен hands on experience и недавние запуски, которые ты сделал лично. Даже на позиции с большой командой в подчинении хотят архетип player-coach: человека, который может комбинировать менеджмент с работой руками. Ну и ни в одной из компаний не было интервью именно на управленческие навыки; зато почти везде спрашивают про system design и AI fluency. Какие тут можно сделать выводы? Первое, если вы не exec, который отвечает за P&L продукта и напрямую влияет на revenue, а миддж я бы задумалась о карьерной опциональности. Если бы вам пришлось искать работу прямо сейчас, на какого рода вакансии вы могли бы податься? Сколько их? Будет ли их количество расти или уменьшаться в следующие несколько лет? По моим ощущениям, тренд на “member of staff” продолжится - таких вакансий будет больше, а зарплаты будут на уровне или выше менеджерских. Возможно, это пока что справедливо только для US/UK рынков, но очень часто другие страны за ними повторяют, просто с небольшой задержкой. Второе, даже если вы еще не собрались конвертироваться в IC, подумайте, как можно получить прикладной опыт и освежить матчасть по запуску продуктов. Если вы хотя бы год не запускали ничего сами, уверяю вас - все очень сильно изменилось (а про это будут спрашивать на интервью!). Третье,

В последнее время у меня стойкое ощущение, что работа в найме сломалась. Когда я только начинала карьеру в tech, вокруг меня было много идейных, заряженных людей, которым было в кайф работать. И не с 9 до 5, а по ночам и выходным: потому что было ощущение, что ты на космолете и в исследовательской лаборатории одновременно. Сейчас это, скорее, исключение. Большинство остается в найме, потому что нужен стабильный доход, и живет от отпуска до отпуска. “Сделать свой сайд-проект” уже не голубая мечта, а как будто необходимость, чтобы иметь план Б на случай увольнения. Но многие ребята уже в такой стадии выгорания, что какой там сайд-проект - найти бы силы на рутинные дела по дому. Основная работа высасывает столько энергии, что после рабочего дня хочется только полежать. У меня есть гипотеза, почему так случилось. И да, конечно, AI гонка сильно повлияла на нашу тревожность - но, мне кажется, что гораздо большую роль сыграли изменения в рабочей культуре. Работа в tech стала…просто работой. Мало кто идет в бухгалтеры или юристы с ожиданием, что на работе будет весело и интересно, что коллеги станут твоими друзьями, а компания будет переживать за твое самочувствие, да еще и платить сильно выше среднего. Но именно такая атмосфера была во многих технологических компаниях до 2020-х - и мы привыкли. Вынужденная эмиграция из страны единорогов и лозунгов “мы все одна семья” оказалась серьезным ударом по общему самочувствию. Но, что еще важнее, повлияла на наше восприятие будущего. Неожиданно оказалось, что продакты, дизайнеры и разработчики не защищены от того, к чему другие работяги уже привыкли: усреднения зарплат, транзакционной культуры, невыносимых и требовательных боссов. И это заставляет задаваться экзистенциальным вопросом: а почему я вообще выбрал эту карьеру? И хочу ли я в ней оставаться в следующие 10 лет? Прорыв в AI заставляет нас сейчас больше учиться - но мы всегда много учились, особенно в восточноевропейском сообществе. Всегда в нашей индустрии были молодые гении и геймченджеры, которые ставили под вопрос существующие фреймворки и опережали более опытных коллег. Скорость, эксперименты, отсутствие статуса кво были нормальными атрибутами работы в tech. Что реально изменилось, так это более острый фокус на эффективности и осознанном использовании капитала, повлекшие за собой кардинальную пересборку HR стратегии - и идентичности “сотрудника tech компании”. А это всегда грустно, сложно и болезненно. Мне интересно, если вы наблюдаете похожую картину в своем окружении? И в чем видите основные причины?

Вчера в комментариях был отличный вопрос от Ульяны на тему фундаментальных продуктовых знаний - «а что если люди не хотят учиться/тратить время на общение с пользователями?». Я, конечно, сейчас покушусь на святыню, но мое мнение в 2026 году: общение с пользователями (да и практически любой другой «фундаментальный» продуктовый навык) - это не база. База - это запускать продукты, которые приносят ценность пользователям и сходятся по экономике. База - это уметь учиться на своих ошибках и итерироваться. Все. Остальное опционально. Почему до этого другие навыки были важны? Потому что время, потраченное, например, на общение с пользователем стоило дешевле, чем время команды разработки, необходимое для запуска фичи. Потому что размер твоей команды был 10-15 человек, которых надо было как-то синхронизировать. Потому что над тобой было несколько слоев менеджмента, чьими ожиданиями надо было управлять. По сути, большинство, чему мы учились как продакты, позволяло оптимизировать время команды, снижая риски разных типов. Сейчас даже в больших компаниях эти риски сильно меньше: структуры площе, людей на один продукт нужно меньше, стоимость запуска ниже. А уж если мы говорим про солопренеров, так и подавно. Возвращаясь к теме общения с пользователями, тебе часто дешевле запрототипировать продукт, чем провести полноценное исследование. И я не считаю, что это плохо. Весь мой опыт работы с фаундерами показывает, что нет какой-то серебряной пули. Есть условный Марк Цукерберг, который хотел познакомиться с девушкой и сделал для этого сайт, никого об этом не спросив. И есть множество продактов, которые неделями общаются с пользователями, но никакого импакта от них не видать. Порой даже наоборот: продактам без сильного мнения и вкуса общение с пользователями может навредить и привести к заводику по производству фич. Нет какого-то одного правильного способа делать бизнес и продукт. Это цикл итераций, проб и ошибок, а не алгоритм - поэтому, особенно сейчас, выигрывают те, кто берет и делает, а не пытается слепо следовать процессу. Так что если кто-то учится продакт-менеджменту в этом году, мой совет: не идите на курсы - сначала запустите продукт. Если получилось и продажи пошли, флаг вам в руки. Если не получилось, тогда уже делайте шаг назад и расследуйте, где что-то пошло не так. И, может, быть общение с пользователями будет вашим решением - а, может, и нет. Сейчас самое время выкидывать все наши учебники и фреймворки, и экспериментировать.

Ни один курс не поспевает за изменениями на рынке; да и теоретические знания никому особо не интересны. Качество моделей уже достигло такого уровня, что тебе не нужен курс по Claude Code, - можно просто открыть терминал, начать разговор, и модель сама тебя обучит, как с ней работать. Навыки, полученные через практику, ценятся сильно выше. Что касается фундаментальных знаний (например, курсы по основам продакт-менеджмента) - я не верю, что такое останется востребованным. Границы профессий размываются, и люди, получающие такое образование, легко застрянут в усвоенных ими рамках и фреймворках. Вместо этого я верю в образование по конкретным навыкам: например, по стратегии / ценообразованию / системному дизайну и так далее. Перед тем, как спилить дерево, надо заточить пилу - а не весь арсенал доступных инструментов. Если бы я только начинала сейчас разбираться в построении продуктов, я бы посмотрела несколько обзорных видео от Y Combinator, а дальше начала бы делать продукт - и решать проблемы по мере их поступления 🙂 А какие изменения наблюдаете вы?

Карьерный рост в 2026: что изменилось По мотивам предыдущих постов хочу поделиться несколькими наблюдениями, как меняется построение карьеры - и что, на мой взгляд, ждет нас в будущем. Несмотря на то, что я работаю в Мете, я постоянно собеседуюсь + продолжаю общение с инвесторами и нашими адвайзорами из Meander, а также с бывшими коллегами, которые сейчас работают в OpenAI, Anthropic и DeepMind, - наблюдения основаны на этих данных и не являются руководством к действию 😆 Сразу оговорюсь, что все, что написано ниже, применимо только для амбициозных карьеристов. Если у вас сейчас другие приоритеты ("работа для жизни", а не "жизнь ради работы"), принципы выбора профессии и компании будут сильно отличаться. 1. Remote мертв - всем в Долину! Был короткий период после ковида, когда big tech начал инвестировать в офисы вне США - и даже возникали возможности вырасти в директора - но сейчас все вернулось на круги своя. Хочешь стремительную карьеру в найме - тебе в Долину. Хочешь построить стартап-единорог - тебе в Долину. Да, есть еще несколько городов/ хабов в мире, где тоже есть некоторая концентрация капитала, таланта и AI-first компаний. Да, порой открываются и remote вакансии в достойных фирмах. Но это все, скорее, исключения, подтверждающие правило. Скорость и достижения, которые будут в резюме у ребят в Долине за следующие несколько лет, будут просто несопоставимы с тем, что покажут все остальные. 2. Титулы не важны - покажи мне свою работу Компании становятся меньше, мобильнее, и их ожидания даже от директоров или VP - уметь работать руками. На всех собеседованиях на управленческие должности сейчас спрашивают: а какие проекты вы делали сами? а пишете ли вы код? а насколько вы глубоко понимаете технические решения, принятые в вашем продукте? CPO, которые ни разу не попробовали Claude Code, уже мало где нужны. В целом, вижу меньше спроса на навыки менеджмента, больше фокуса на кросс-функциональных специалистов, которые могут и сделать сильную стратегию, и собрать команду, и самостоятельно заделиверить фичу. В какой-то степени это начинает влиять и на требования по опыту работы: никому не важны ваши 15 лет опыта, если у вас фиксированное мышление и отторжение новых технологий. 3. Качество компании важнее уровня или роли С точки зрения опыта и резюме, быть продактом в Anthropic сильно лучше, чем быть VP of Product в Duolingo. Это как ехать на ракете vs на велосипеде: стремительный рост самой компании точно открывает больше возможностей, чем высокая должность в медленно растущей или загибающейся фирме. Ну и, в целом, наблюдаю, что потихоньку титулы начинают исчезать из оборота - например, в OpenAI ты просто "member of technical staff", даже если до этого ты был CTO Intel. 4. Сначала нас ждет усреднение, а потом специализация навыков Уже сейчас я вижу сильный спад на вакансии в tech вне триады разработчик-дизайнер-продакт: например, аналитиков, исследователей, контент райтеров. Зато начинает возникать спрос на интересные комбинации: например, юристы-разработчики. Я ожидаю, что следующие 1-2 года скиллсет одной технической команды станет базовым ожиданием от одного сотрудника в tech. А дальше нам уже придется как-то отстраивать свои конкурентные преимущества: • это может быть сильная доменная экспертиза (например, как у юристов-разработчиков) • это может быть определенная научная специализация (например, за счет PhD) • или же опыт в решении конкретной проблемы (например, в создании стратегии для роста от $10M до $50M ARR). Это открывает больше возможностей для смены карьеры и "странных" резюме: если вы сейчас вне tech и волнуетесь за свою работу, осваивайте tech навыки и переупаковывайте свой опыт - такое сейчас ценится все больше и больше. 5. Теоретическое обучение быстро теряет ценность

Непопулярное мнение: lay-offs - это хорошо для индустрии …но только в долгосроке и при определенных условиях В последние несколько лет, с кем из работающих в FAANG я ни поговорю, наблюдаю одну и ту же историю: • люди выгорели и устали из-за постоянных орг изменений, резких пивотов или отсутствия стратегии, ожидания увольнений и навязывания AI, даже когда он не нужен • но не уходят, потому что компенсация все еще в топ 5% по зарплатам, на какой рынок ни посмотри. Получается огромное количество крутых специалистов, которые делают средненькую работу и занимаются политикой (не говорю сейчас про всех, но это применимо ко многим), = то есть, создаваемая ими ценность не соответствует ни их таланту, ни зарплате. Что происходит при массовых увольнениях Люди меньше тратят / уезжают из городов-tech hubs - урон местной экономике. Конкуренция за открытые роли возрастает, что приводит к: • потере определенных навыков из-за долгих поисков работы • среднему снижению компенсации на рынке; • и сложностям в поиске работы для выпускников, так как их роли достаются джунам. А что если посмотреть на более долгосрочный период? • наемные работники решают попробовать себя в предпринимательстве. Что важно, это необязательно должны быть венчурные стартапы: маленькие бизнесы тоже создают конкуренцию, что хорошо и для конечного пользователя, и для экономики в целом; • происходит лучшее распределение технических навыков. Сокращенные люди начинают смотреть на смежные профессии или соседние сектора, где традиционно такой специализации не хватало. Это может привести к более широкому внедрению современных технологий - и, соответственно, и выгодам в продуктивности; • талант используется более эффективно - не для оптимизации уже работающих продуктов, а для решения новых проблем. Опять же, больше успешных 0 to 1 решений - больше экономических возможностей в будущем. Успешный пример в человеческой истории: индустриализация. Многие типы работ прекратили существовать, но появились новые. У людей стало больше возможностей создавать новую ценность быстрее = больше новых бизнесов. Но! Вся эта оптимистичная картинка упирается в несколько ключевых вопросов: 1. Будет ли у сокращенных ребят достаточно сил, интереса, навыков и сбережений, чтобы попробовать себя в предпринимательстве? И сколько из них смогут конвертировать свой опыт в найме в успех в бизнесе? 2. Даже если посмотреть на смежные секторы и более низкооплачиваемые профессии, будет ли достаточно спроса на технических специалистов, чтобы трудоустроить большинство? 3. Создаст ли AI такое же количество новых работ, сколько будет упразднено? Или приведет к еще большей концентрации капитала в одних руках: богатые станут богаче, бедные беднее? Конкретных выводов у меня пока тут нет - время покажет 🙂 а вы что думаете?

Чем дольше отсутствуешь, тем сложнее возвращаться - поэтому я решила зайти не с философского или стратегического размышления на тему AI, а просто с "как дела" 👋 Где была Вообще последние несколько месяцев выдались очень интенсивными: • по работе я онбордилась в абсолютно новый для себя домен кибербезопасности, причем достаточно интересный ее подвид - защита IP; • учила продактов AI evals и много училась сама; • мы с мужем делали масштабную перестройку дома, который купили в прошлом году, - вот наконец-то большая часть работ закончилась, и как же дома хорошо! • я начала удаленно проходить курс по Neuroscience от Harvard University; • и параллельно идет еще несколько больших личных проектов, про которые пока не рассказываю публично 🥸 Что в планах • ремонт все еще не отпускает (хаха с домом это, кажется, вечная история) - но я уже в предвкушении теплых вечеров в нашем саду в обнимку с увлекательной книжкой; • очень жду поездку на Сардинию: впервые за 10 лет это отпуск под флагом “полежать на пляжу”, а не хайк или интенсивный роадтрип; • много встреч с любимыми людьми, а еще (в рамках личных проектов) - много знакомств вне tech тусовки 💖 А как ваши дела? Расскажите, что у вас новенького (или старенького 😊) за эту весну