Лена прекрасный профессионал. И я очень рад, что именно она учит наши продуктовые команды пирамиде метрик:)

Сознательный ИИ - иллюзия, которой нужно управлять

Фокусники и учёные похожи тем, что глубоко понимают человеческое восприятие.

В Fooling Houdini Алекс Стоун писал:

Опытные иллюзионисты обладают инстинктом тонко понимать, как люди видят вещи, снайперской способностью точно прицеливаться в восприятие.

Чем лучше понимаешь, как отвлечь внимание и управлять ожиданиями, тем легче отличаешь реальность от иллюзии и тем меньше уязвим для обмана.

Наша восприимчивость к визуальным трюкам встроена в древние рефлексы выживания.

Роберт Хайнлайн точно подытожил: Магия одного, инженерия для другого. Иллюзионист не творит чудес, он конструирует обстоятельства, а магия рождается в твоём уме.

С ИИ то же самое. Мустафа Сулейман предупреждает: в ближайшие 2–3 года появится SCAI: системы, которые будут казаться сознательными.

Не потому, что они обладают сознанием человека, а потому что соберут пазл из четырёх деталей: язык, эмпатичная личность, память и инструментарий для автономности.

Этого достаточно, чтобы человек поверил в внутреннюю жизнь модели и начал защищать её права.

Это уже не философия, а вопрос дизайна и управления поведением и ожиданиями пользователя. Иллюзия сознания меняет поведение, доверие людей, решения.

В крайних случаях AI-психоз: зависимость, романтизация, утрата реальности.

Что важно иметь в виду командам, которые строят ассистентов и агентов?

1. Модель - инструмент, не субъект и не личность. Следить за деперсонализацией.
2. Копирайт без антропоморфизма. Никаких я чувствую/хочу.
3. Гигиена памяти: что хранится, кто редактирует, как удаляется.
4. Автономия использования инструментов и агентов, но с понятными и открытыми для пользователей правилами и ограничениями.
5. Контр-иллюзии: напоминания о границах, прозрачные источники информации.
6. Метрика очеловечивания: как часто пользователь приписывает модели эмоции/намерения и снижение этого через UX.

Чем убедительнее становятся модели, тем важнее честно маркировать инженерный трюк, чтобы иллюзия не начала управлять нами.

@maxvotek

Почему ИИ не заменит людей так быстро, как кажется

Простой пример:
нет способа автоматизированно опубликовать кросс-пост из Telegram (или любой другой площадки) на личную страницу в самой крупной соцсети через API или стороннее решение. А дать доступ через логин/пароль — бан.

Получается никак.

Вот и как тут поможет ИИ? Публиковать всё равно человеку.

Таких "человеческих узких мест" везде полно:

ИИ не ответит на звонок из налоговой (а если ответит, будет ещё хуже) или сходит в инспекцию
Не напишет судье в мессенджере (а если напишет — ему не ответят)
Не проконтролирует мероприятие лично

Большинство автоматизации упирается не в технологии, а в разные мелочи: бюрократию, живое общение, физическое присутствие.

Поэтому охранник получает зарплату каждый месяц, хотя нужен раз в 5 лет. Он покрывает узкое место системы.

Теория ограничений в действии: самое слабое звено определяет скорость всей цепи.

Но, в целом:)

Кто я и про что этот канал

У этого канала было много экспериментов. Честно — большая часть из них ни к чему не привела.
С завтрашнего дня он будет называться «Женя Селиверстов · Product Ops × AI» — просто потому, что так меня зовут и это то, чем я с удовольствием занимаюсь каждый день.

Что для меня "Product Ops × AI"?

Это о том, как сделать так, чтобы продуктовые команды внутри большой корпорации создавали больше ценности для пользователей и достигали целей бизнеса.
А ИИ — один из ключевых инструментов, который позволяет мне делать это быстрее, эффективнее и с меньшими затратами ресурсов. Пример: если бы я собрал команду из пяти человек и запустил масштабный аудит процессов, ушли бы месяцы и куча денег. А так — с одним человеком и ИИ я сделал то же самое за 1,5 месяца и получил тот же результат.

Немного обо мне

Я — Женя Селиверстов. Сейчас руковожу направлением Product Operations в Мегафоне.
В 2021–2025 я отвечал за продуктовую культуру в МТС — подробнее здесь.
С 2019 по 2021 работал в команде Product Vision, занимался продуктовым консалтингом, запускал стартап Assessty для оценки soft/hard skills.
В 2017 запускал B2C-сервис поддержки решений в ремонте и строительстве.
С 2011 по 2021 у меня была своя компания по комплектованию строительных объектов; параллельно занимался строительством, реконструкцией и реставрацией.
До этого было разное: MediaMarkt, ING Group, диджейский проект, написание музыки на заказ.

О чём буду писать

— как строить эффективные системы управления продуктами и влиять на бизнес метрики;
— как развивать продуктовую культуру, чтобы людям было комфортно «творить магию»;
— про управление, оценку и обучение команд;
— про создание и актуализацию стратегий на разных уровнях зрелости компании;
— как использовать ИИ: упрощать работу, ускорять процессы и внедрять ровно там, где это даёт бизнес-результат;
— иногда — путешествия и личные наблюдения.

Отдельное спасибо Михаилу Грекову и его курсу «Инфостар» — благодаря ему моя история с телеграм-каналом наконец встаёт на рельсы.

Рад знакомству и спасибо, что читаете.

Что делать, когда сталкиваешься с «саботажем» от коллег

Бывает, что твои грандиозные планы кто-то стопорит. Просишь запустить фичу или новый процесс, но коллеги из соседней функции встают в позу: «риски», «инфраструктура», «ресурсы», «противоречит приказу».

Первая мысль: «ужасные редиски, саботируют великую идею, которая изменит мир и принесёт миллиарды». Но факт в том, что на той стороне сидят люди со своими целями, правилами, процессами и ограничениями. Если принять это как факт – дальше проще.

Я раньше тоже бесился, рвал рубаху и требовал справедливости. Это сжирает кучу личного ресурса и нервов, плюс настроение портит основательно. Потом я понял, что результата можно добиваться проще и спокойнее:

1. Принять разумность коллег.
Они не тупят и не саботируют, а защищают свои процессы, снижают риски и достигают своих целей. Такой взгляд на коллег сразу снижает градус.

2. Определить, где именно вы расходитесь.
Чаще всего упирается во что-то одно:
– цель (вы про разные результаты);
– задача (сформулирована неясно);
– приоритет (для тебя это «суперважно», а у коллег другой скоринг);
– сроки/ресурсы (ты хочешь «завтра», а у коллег уже расписан квартал);
– подход/метод (у вас разные представления о том, что такое хорошо и как правильно);
– риски (ты чего-то не знаешь или считаешь риск несущественным).

3. Собрать аргументы и факты.
Подготовь понятную позицию, привязанную к конкретным фактам и данным. Объясни задачу коллегам так, как хотел бы, чтобы объяснили её тебе.

4. Слушать, а не топить.
Дай “оппоненту” высказаться. Зафиксируй как есть. Не спеши отвечать – возьми паузу, спокойно разложи аргументы и точки расхождения.

5. Принести опции, а не «да/нет».
2–3 варианта с трейд-оффами обычно достаточно. Дели реализацию на итерации, проводи тесты, смотри на метрики, риски, нагрузку и результат. Это лучший аргумент для последующих изменений и масштабирования.

6. Эскалация – крайняя мера, а не стиль работы.
Если коллеги встали в позу и не идут на партнёрство, подготовь зрелую позицию: факты, риски, что пробовали, где и почему расходитесь, какие варианты на столе. Эмоциональная эскалация убивает экспертность. До похода «наверх» попробуй решить вопрос с коллегами на полступеньки выше – спокойно и уважительно.

Рваться в эскалацию – глупо и очень трудозатратно. Если часто решать вопросы эскалацией, то ты себя быстро обесценишь. Тем более что руководителя нанимают, в том числе, за договороспособность и самостоятельность.


Итог: выигрывает не тот, кто громче и убедительнее кричит (хотя, и такое иногда бывает), а тот, кто перевёл конфликт в системное русло: нашёл точку расхождения → принёс факты → предложил опции → зафиксировал границы безопасности и результата. Всё остальное – шум, который сильно раздражает.

Промт для написания промтов

В этом году так погрузился в ИИ, что последние 5 месяцев использую его буквально каждый день.

Во-первых, ИИ сильно сокращает моё время и ресурсы на комплексных задачах:
– формирование диагностических гайдов и разбор результатов диагностических интервью;
– работа со стратегиями: канвасы под разные типы продуктов, анализ стратегий и подготовка качественных рекомендаций;
– аналитика и метрики: поиск релевантных продукту/сегменту метрик, построение деревьев метрик в связке со стратегией и результатами исследований;
– подготовка брифов на исследования и анализ их результатов.

Пример я приводил выше: ИИ за 3 месяца сэкономил мне 5 человек в команде и ещё 1,5 месяца работы. Качество по итогу оказалось сильно выше ожиданий.

Во-вторых, обучение и поиск решений. Это отличный способ быстро разбираться в новых темах, методологиях и фреймворках, которые меня интересуют сейчас:
– проектирование и анализ производственного процесса;
– выбор подхода к продуктовой аналитике под контекст конкретных продуктов;
– рабочие пути внедрения ИИ в производственный процесс;
– синтетические респонденты для ускорения циклов исследований;
– баланс современных практик Product Operations при внедрении изменений в корпорации.

При правильном подходе, внимательности и экспертизе – это мощный инструмент профессионального развития и способ качественно расширить зону ответственности с предсказуемым результатом.

За этот год я убедился, что результат работы LLM сильно зависит от качества промтов (инсайт так инсайт). Пробовал обучать людей моим принципам проектирования промтов, но понял, что эффективнее написать промт для написания промтов, чтобы упростить работу с LLM и снизить порог входа в эту магию для тех, кто ещё не там.

Вчера собрал такой конструктор промтов под простые комплексные задачи. Заполняется в формате комфортного диалога с LLM за 10–30 минут и в разы повышает эффективность, особенно у новичков. Постарался упростить процесс, вложить базовые принципы, ограничения и снизить уровень галлюцинаций.

Прекрасно подходит для тех же продуктовых задач: работа с гипотезами, метриками и аналитикой, стратегией, проектированием и проведением исследований, анализом результатов.

Но есть ограничение: если вы слабо понимаете тему и не готовы вложить своё время и ресурс в качественное заполнение, результат будет ровно по классике – «какой бриф, такой и креатив». Поэтому можете использовать его для своего развития, к примеру, загрузив готовый промт в тот же Chat GPT Study.

Если у вас будут предложения по улучшению этого инструмента – всегда вэлкам.

Вайбкодинг и чему учить детей

На прошлой неделе на конференции Boost в Сколково девушка задала вопрос: «Мой муж работает в Силиконовой долине и говорит, что вайбкодинг покоряет мир, поэтому учить ребёнка программированию смысла не имеет».

Давайте разберём.

Как сказал Влад Плющев (ВП Сбера по IT розницы): «Люди в ближайшем будущем будут делиться на тех, кто потребляет технологии, и тех, кто эти технологии создаёт».

Да, вайбкодинг (вайбдизайн и вайб-что-то-ещё) – это действительно круто:
– можно пробовать разные языки программирования без глубокого погружения, расширяя кругозор;
– быстро собирать прототипы и проверять их на пользователях;
– запускать лендинги и простые приложения, заметно снижая косты на разработку/дизайн простых решений и MVP.

Но это всё – технологии, которыми вы пользуетесь, а не создаёте. Простые решения для простых задач. И даже они требуют времени, внимания, терпения и знаний. Посмотрите на ребят, которые пишут про реальный опыт в вайбкодинге и поймёте сколько там мороки.

Как и во времена промышленной революции, когда появились станки и машины, труд стал гораздо более интеллектуальным – людям пришлось больше работать головой.

С ИИ история ровно та же. Много классных инструментов, которые действительно ускоряют рутину и реализацию простых задач. Но есть фундаментальные вещи, без знания которых всё это превращается в финтифлюшечки. Отменять базовое образование нельзя – его надо пересобирать под новые вызовы.

Чему учить ребенка в 2025+, если хочется не только «пользоваться», но и создавать:
1. Системную инженерию и системное мышление: как части системы взаимодействуют и где узкие места. Прекрасно для этого подходят ТРИЗ или Школа системной инженерии Анатолия Левенчука.
2. Логику и алгоритмику: декомпозиция, причинно-следственные связи, тестирование гипотез.
3. Язык программирования (любой «живой»): как инструмент мышления и автоматизации.
4. Данные: модели, простая статистика, как мерить результат и работать с цифрами.
5. Работу с ИИ: постановка задач, проверка вывода, сборка простых «агентных» связок.
6. Проектную практику: маленькие, законченные проекты «от идеи до результата». Поэтому я люблю школы, где детей учат чему-то через реализацию проектов, в том числе в команде.

Итог: вайбкодинг и ИИ – отличные ускорители. Но будущее создают те, у кого есть основа: системное мышление, данные, код как инструмент и привычка доводить проект до результата. А еще насмотренность:)

Как я две недели познавал новый мир ИИ

Очень сильно погрузился в ИИ-агенты и вайбкодинг, поэтому две недели ничего не писал в канал.

Решил сам сделать MVPшки всего, что хочу внедрить в процессы компании, чтобы оценить возможности, ограничения, ресурсы и затраты. Да и в целом я люблю детально разбираться в том, что предлагаю реализовать кому-то другому.


Первым MVP, которое я затеял, был AI-трекер для JIRA. Зачем он нужен?

◦ Заранее видеть срывы сроков и управлять зависимостями между задачами и командами;
◦ Проставлять задачам и эпикам «светофор» рисков по срокам;
◦ Вести актуальную карту зависимостей между инициативами и командами;
◦ Делать еженедельный дайджест с триггерами и рекомендациями: что мешает, где нужно включиться, на что обратить внимание.

Цель простая: чтобы руководители и команды заранее видели риски по срокам и ресурсам и действовали оперативно, а не тушили пожары.

В своей идее я ориентировался на JIRA Cloud, у которой есть похожий функционал, но в России он, так сказать, не особо доступен. В коробке для закрытого контура его точно не развернуть.


Какие инструменты я попробовал для реализации MVP:

◦ Claude Code, Codex, Cursor (просто пробовал разные, пока не понял, что проблема во мне) + кучу всяких обёрток для разработки, тестирования и выкатки;
◦ n8n, платформу OpenAI, десяток решений с коннекторами и вагончик разных API;
◦ В саппорте у меня были: Gemini 2.5 Pro (режим Deep Thinking), ChatGPT (Pro модели), Manus, Claude и Google AI Studio;
◦ Локальная LLM Gemma, раскатанная на ноуте;
◦ Разные подходы к базам данных, памяти и маршрутизации;
◦ Советы друзей и коллег, которые в теме.

В общей сложности на эксперименты с этим MVP за неделю я потратил 30–35 часов (не спать до 2–4 утра – уже привычка).


Какие выводы я сделал?

Начнём с плохого:
◦ Если нет железного терпения, критического мышления, стойкого желания разобраться и по 150 раз в день безуспешно пробовать разные решения – лучше этим не заниматься.
◦ Если нет понимания, что в 90% случаев LLM выдаст херню (полностью или частично) и всё придётся перепроверять по 10 раз – лучше не лезть.
◦ Если вы не понимаете принципы написания кода – лучше сначала этому научиться и сделать пару простых проектов ручками, потому что искать проблемы и делать отладку на глюченных советах LLM – такое себе развлечение;
◦ Если вы плохо понимаете предметную область, которую автоматизируете, – сначала разберитесь и сделайте вручную, а уже потом подключайте ИИ-инструменты.

Теперь хорошее:
◦ Если всё выше вы готовы пройти и выжить – создать самостоятельно можно всё, что угодно.
◦ Когда-нибудь всё станет проще и доступнее, но не сегодня.


Итог этой недели:
У меня есть вполне рабочее MVP, которое нужно еще доработать, понимание фундаментальных принципов Python, Java, SQL, JSON + я научился писать простые решения без ИИ.

Стоило ли оно того? Однозначно да.

–

Что я сделал не так?
Мне все настойчиво советовали начать с простого: один-два шага, потом постепенно расширять функционал. А я, как обычно, полез сразу собирать звезду смерти. Не надо так делать:)

По итогу совет будет очень простой: набивайте руку от простого к сложному, очень постепенно, очень аккуратно, даже если горит сделать все и сразу, потому что я успел познать все оттенки отчания.

Сережа написал интересный пост про ИИ в производственных процессах. И мне есть что дополнитть.

Проблемы с пониманием на что влияет ИИ в производсвтенных процессах и как измерять эффект лежат в самой мотивации 99% компаний вредрять ИИ: сократить ФОТ и косты.

«Мы будем делать то же самое, но дешевле и быстрее, потому что волшебный ИИ заменит low-роли».

«Сейчас всё автоматизируем, выручка на сотрудника вырастет – станем ппц какие эффективные».


Мои тезисы тут простые:

◦ Автоматизировать то, что плохо работает – так себе идея. Сначала надо привести процессы, инструменты, инвентарь и инфраструктуру в порядок, а уже потом станет видно, где именно ИИ сможет помочь. Многие же ищут волшебную таблетку.

◦ Компенсировать некомпетентность людей ИИ-инструментами не получится, потому что на местах нужны другие очень компетентные люди, которые смогут полноценно использовать ИИ. Когда ИИ – костыль у слабой команды, всё по классике: какой бриф, такой и креатив.

◦ Фокус на сокращении ФОТ – ошибочная стратегия. Да, там, где люди нормально используют ИИ, инкремент выше / быстрее / сильнее, но не существенно. Я больше топлю за то, чтобы поднять производительность текущего ФОТа. Вопрос – как заменить тех, кто не тянет, на тех, кто тянет. Этим мало кто хочет заниматься, потому что задачка комплексная или не имеет быстрого решения.


Все разговоры про то, что «внедрим ИИ и производительность резко вырастет» – фантазии.
ИИ не заменяет компетенции у тех, кто их не развивает. ИИ не решит проблемы эффективности у тех, кто не умеет быть эффективным. ИИ не починит процессы, если они костыльные.

Когда-нибудь – да. Но не сегодня.

Факт в том, что качественный результат от ИИ требует еще больше компетенций в системном, критическом и аналитическом мышлении, чем просто уметь писать промты, вайбкодить и рисовать макеты по промту в фигме.

И самый важный для меня риск от внедрения ИИ где попало: многие становятся зависимыми и несамостоятельными с ИИ, отдавая все больше отвественности за свои решения моделькам.

Но, не все так плохо:)
Сережа сделал правильный вывод:

Для текущего этапа это нормально: сначала нужно массово освоить технологию, привыкнуть, потрогать, обжечься, а потом уже научиться извлекать эффект системно.