🚀 Как продакту ускорить свою работу с AI — учимся на Podlodka Product Crew

Едва ли среди читателей этого канала найдется человек, который ни разу не применял AI в работе. Но есть разница: пользоваться базовыми промптами для генерации текстов и аналитики данных, или же создать рабочую систему из инструментов на основе AI.

Команда конференции Podlodka Product Crew открывает новый сезон — «AI-инструменты продакта». Он пройдет с 18 по 22 мая.

В течение недели участники познакомятся с экспертами, которые с помощью AI ускорили продуктовый цикл в разы, причём на всех этапах: от проверки гипотез и создания PRD до пользовательской аналитики.

На конфе выступят как известные в сообществе визионеры AI — например, Глеб Кудрявцев и Влад Терзи, так и продуктовые практики из ведущих российских компаний и активно развивающихся зарубежных стартапов.

👀 В программе:
— исследование с AI: от анализа до синтеза интервью,
— прототип или сервис за вечер,
— аналитика через AI-агентов,
— AI-агенты для мониторинга,
— внедрение AI в команду.

И это ещё не всё — программа дополняется! Формат такой: 5 дней, 10 сессий с демо и практикой и закрытое комьюнити в Telegram.

Отдельный плюс — цена: заметно ниже привычных конференций, при этом контента много, а новые знания можно сразу же приземлять на свои задачи.

🔗Если хотите увидеть, как продакт-менеджеры применяют AI-инструменты, ускорить свою работу и принести больше пользы бизнесу, ловите ссылку с early-bird билетами: https://podlodka.io/productcrew

Когда корреляция врет

Мне кажется, что вот этот выпуск Подлодки очень важен для всех менеджеров – поэтому решил им поделиться, не дожидаясь очередного дайджеста подкастов.

Вместе с Никитой Поваровым, моим бывшим коллегой из JetBrains, мы очень глубоко закапываемся в разные модели каузальности, и в то, почему корреляция вообще не гарантирует причинности.

Отдельно в выпуске мы проходимся по тому, что понимание каузальных графов дает менеджеру, который пытается осознанно вносить изменения в свою социотехническую систему.

Structured-Prompt-Driven Development

Большинство команд, активно начавших использовать агентов, быстро приходят к двум идеям, которые сейчас принято называть Spec-Driven Development:

👉К промптам и чату с агентом надо относиться не как к побочному, а как к основному артефакту.
👉Все задачи надо пускать по одному и тому же строгому воркфлоу.

А вот то, что происходит дальше, очень напоминает аналогичную ситуацию с Agile – каждая команда придумывает свой процесс и фреймворк вокруг него. При этом есть несколько уже сравнительно популярных методологий вроде OpenSpec/BMAD, и длиннющий хвост менее популярных – но даже они часто используются не в своей чистой форме, а с огромными доработками под то, как принято в конкретной команде, и как говорит их чувство прекрасного.

В ближайшие годы я ожидаю огромный поток статей, аналогичных сегодняшней – команда нащупала работающий для них процесс, попробовала генерализировать его, и дальше предлагает как универсальную методологию. Проблемы у этого такие же, как и у фреймворков вокруг Agile – если что-то помогло одной компании, это еще не делает инструмент серебряной пулей.

Если AI удаляет вашу базу данных, виноваты вы, а не AI

Недавно довольно широко разлетелась история про то, как AI агент снес продакшн базу данных и все бэкапы. Главный пострадавший винил в этом вообще всех – разработчиков агента за ложный маркетинг и заявления о том, что он безопасен, хостинговую платформу за вообще наличие возможности дропнуть базу через API.

Но вообще-то, во всех похожих случаях виноват сам разработчик. У AI, как и других инструментов, есть границы применимости. Использовать его для операций, в которых критично важно следование правилам и повторяемость, вроде деплоя базы – очень плохое решение. Все шаги, которые могут быть выполнены детерминистически, должны выполняться именно так.

Поэтому, если вы выдали агенту доступ к продакшн окружению, и отправили его выполнять инфраструктурные задачи, которые можно было бы автоматизировать простым скриптом – сами виноваты.

Получи грант до 75% на ИТ-магистратуру!

Грант в магистратуре Центрального университета фиксируется при зачислении и остается неизменным на весь срок.

Максимальная поддержка — 1 350 000 ₽.

Как получить грант?
— Зарегистрируйся на сайте и заполни заявку в личном кабинете.
— Реши онлайн-контест.
— Пройди собеседование с командой программы.

Обучение начинается в сентябре. Занятия по вечерам и в выходные. Можно совмещать с работой.

В Школе технологий ЦУ ты сможешь прокачать навыки в:
• продуктовом менеджменте;
• машинном обучении;
• продуктовой аналитике;
• бэкенд-разработке.

Программы включают решение реальных задач от Сбера, Ozon, Avito, Х5 Tech, Lamoda, Т-Банка и других крупных ИТ-компаний.

Студенты растут в карьере уже во время обучения, а зарплата увеличивается в среднем на 63%.

Подай заявку и получи шанс на обучение в одной из лучших ИТ-магистратур страны.

Я бы сказал, что соскучился по временам беспроцентных кредитов, безудержного роста компаний, и формирования команд под самые бесполезные идеи – но сейчас мы живем в не меньшем театре абсурда! Я более чем уверен, что прямо сейчас кто-нибудь работает над тем, чтобы заменить такую команду на пачку AI агентов, которые продолжат выполнять настолько же бесполезную работу, но уже прожигая токены, а не минуты жизни.

Как давать обратную связь, чтобы вас слышали и что-то менялось?

Обратная связь — фундаментальный навык в управлении, который экономит время, деньги и нервы. И в теории вроде понятно, каким должен быть хороший фидбэк, но как дело доходит до практики… То подчиненный не так понял, то обиделся, то вовсе не захотел исправлять свои косяки.

📌 14 мая в 20:00 (мск) лаборатория навыков коммуникации Софт Скиллз Лаб проведет открытый вебинар про обратную связь.

За 1,5 часа вы узнаете:

▫️ Как быстро формулировать обратную связь, чтобы она четко доносила суть и не демотивировала сотрудников?
▫️ Что понижает и повышает ее результативность?
▫️ Как найти баланс между мягкостью и жесткостью?

На кейсах разберем конкретные принципы и ошибки, учитывая которые вы сможете легко и грамотно давать обратную связь. Так, чтобы в команде не страдали процессы, отношения и инициатива.

🗣 Вебинар проведет Карина Амдиева — тренер Софт Скиллз Лаб, преподаватель в НИУ ВШЭ и РЭУ им.Плеханова, бренд-маркетолог, бывший менеджер по работе с блогерами в Т-Банке.

Встреча пройдет в Zoom, поэтому вы сможете задать Карине любые вопросы.

👉🏻 Чтобы получить ссылку на конференцию, просто запустите бота.

Оцениваем успех внедрения AI через скорость обучения

Первая фаза адопшна AI в командах разработки в основном была про Copilot. И там все происходило по привычной модели – нужно было закупить нужное количество лицензий, раздать их разработчикам, провести тренинги, и где-то что-то прилипло бы. Короче говоря, точно так же, как и с любым другим софтом.

С агентами все гораздо сложнее. Сам факт адопшна агентов отдельными людьми вообще не ведет к повышению продуктивности всей команды, поэтому измерять его может быть довольно бессмысленно. Вместо этого нужно каким-то образом оценивать, а действительно ли конкретные команды учатся работать лучше и быстрее. Или, если посмотреть чуть иначе, какие конкретно циклы своей работы они оптимизируют, и насколько поулчается их сокращать.

Чтобы не продолбать внедрение на этом этапе, в статье советуют прокачивать три веточки:

👉Agent Operations – контроль за тем, какие агенты работают в компании, к каким системам им выдается доступ, как этот доступ ограничивается, что там по аудитам.
👉Loop Intelligence – в каких циклах AI реально помогает, в каких нет, чего командам может не хватать, чтобы эти циклы сходились успешно, а где они превращаются в сайд-квесты, не несущие компании пользы.
👉Agent Capabilities – как полезные открытия и способности агентов распространяются по всей компании.

GPT Model Hub — подключайте мощные LLM к своему проекту за пару кликов.

MWS GPT Model Hub — облачный сервис MWS Cloud для работы с LLM без развёртывания собственной ML-инфраструктуры. Внутри — модели от DeepSeek, Google, Alibaba, Zhipu AI, BAAI и Kimi K2 Instruct от Moonshot AI.

Что удобно:

• Быстрая интеграция в любые сервисы и пайплайны по OpenAI-совместимому интерфейсу.

• Понятная детализация расходов по проектам и командам.

Можно легко тестировать разные модели, собирать пайплайны и встраивать LLM в рабочие процессы без лишней сложности.

Если давно хотели попробовать LLM или внедрить их в продукт — сейчас отличный момент.

Кстати, до 15 июля снизили цены: входящие токены — до −95%, исходящие — до −80% — особенно выгодно для сценариев с большим контекстом.

👉 Попробовать

Теперь компетенции нельзя оценить по результату работы

Статья по ссылке – еще одно эссе из категории "все очень плохо, все генерируют бесконечную кучу слопа, давайте так не делать". Короче говоря, никаких особенных откровений сверх того, что мы уже в канале обсуждали. Но мне запала в душу одна конкретная идея, которой я хочу тут с вами поделиться.

Мы очень сильно привыкли коррелировать результат чьей-то работы с личными навыками этого человека. Когда вы читаете плохой код, вы сразу представляете себе аутсорсера из страны с низкими часовыми ставками. А когда сантехник решил вашу проблему, вы сразу записываете себе в книжечку его как супер-компетентного работника, и советуете всем друзьям. Сейчас, по крайней мере для белых воротничков, эта связь совсем разрывается – многие люди становятся просто передатчиками работы, которую за них сгенерировала машина – и качество выполнения этой работы ничего не скажет вам о компетенциях самого человека.

В статье это обсуждается как проблема – но я не уверен, что это в целом так. Вообще-то, такие выводы – это типичный случай замещения случайности причинностью. Наши мозги очень любят выстраивать системные причинно-следственные связи, которые помогают объяснять хаотичный сложный мир даже там, где их нет. И на самом деле делать далеко идущие выводы о человеке, просто посмотрев на пару примеров его работы – не самая хорошая идея. Так что, может быть, мы наконец-то начнем отучаться от этой привычки – что в целом-то и не плохо.