На бумаге роль продакта — это метрики, придумывание фич, роадмапы, юзеры и деливери ценности. В реальности же эта роль часто тонет в проджект-менеджменте. При нормальном разделении это разные уровни: продакт отвечает за смысл решения — проблему, целевую аудиторию, метрики и качество выбора, а проджект — за движение системы: сроки, зависимости, статусы задач и контроль исполнения.
В реальных командах эти роли часто слипаются, потому что все идут к продакту как к главному держателю контекста и приоритетов. Вокруг его работы всегда много ручной организационной механики: повторить в чате, уточнить в комментариях, переупаковать требования, связать людей и снять недопонимание. Эта работа долго была неизбежной, так как контекст жил в разрозненных обсуждениях, документах и памяти.
AI снимает именно этот слой: статусы, шаблонные доки и саммари встреч. Освобождая человека от ручной склейки хаоса, технологии заставляют его вернуться к главному: формированию созидательного пространства, в котором непрерывно рождается ценность.
Слой, который прилип
Если честно посмотреть на день среднестатистического продакта, значительная часть действий оказывается обслуживанием выбора, а не созданием новых смыслов или работой с метриками. Открыть задачу, уточнить статус, написать итог созвона, перевести слова бизнеса на язык разработки — это работа про связность и движение. Так продуктовая роль обрастает координационной плёнкой, которую начинают принимать за суть профессии. AI важен тем, что позволяет наконец отделить продуктовую функцию от утилитарной.
Исследования последних лет подтверждают это цифрами. По данным аналитиков Asana, около половины рабочего дня специалисты теряют на «работу о работе» — встречи, синки, обновления статусов и ручную координацию между системами. На стратегическое мышление и генерацию идей остаётся совсем немного времени.
Исследования Microsoft показывают, что большинству сотрудников не хватает времени и сил на основную работу, из-за чего они намного реже способны думать стратегически или творчески. При этом большая часть сотрудников с радостью делегировала бы AI как можно больше рутины.
Аналитика PwC добавляет, что с 2022 года в отраслях, наиболее затронутых AI, рост производительности ускорился почти вчетверо. Рабочие места при этом не исчезают, но набор требуемых навыков меняется на 66% быстрее, чем в наименее затронутых профессиях.
Время уходит с ручного управления процессами на генерацию, проверку и надзор. Координационная середина роли уезжает в инфраструктуру быстрее, чем многие готовы признать. От человека теперь ждут более сильного мышления: точнее увидеть проблему юзера и вовремя отказаться от слабой идеи.
Что забирает новая рабочая среда
Это видно по трансформации инструментов. На рынке появляются решения, которые превращают привычный таск-трекер в среду, где агенты работают прямо внутри задач. Например, Linear (система разработки продуктов, интегрирующая рабочие процессы на базе ИИ, альтернатива Jira) внедряет логику, при которой агента можно тегать внутри задач, делегировать ему подзадачи и подключать к документам. Notion движется от архива документов к живой рабочей памяти команды, с которой можно разговаривать и которая сама помогает собирать контекст.
Процесс заходит ещё дальше, когда оркестрация уходит на уровень фреймворков вроде Paperclip или платформ вроде Teamily. Они позволяют нанимать целые автономные AI-команды. В интерфейсе это выглядит как цифровые человечки-исполнители со своими ролями: один агент собирает ресерч, второй пишет код, третий раскидывает задачи. У них есть свои бюджеты, доступы и пулы задач.
В развитом варианте вся рабочая среда складывается в общий источник данных, который сам связывает задачи с решениями, решения — с метриками, а метрики — с фидбеком юзеров. На месте исполнителя внутри процесса появляется оркестратор, который проектирует систему так, чтобы контекст двигался сам.
Но у этого сдвига от исполнения к оркестрации есть обратная сторона. Крупные компании уже столкнулись с проблемой лавинообразного расползания AI-агентов. Wall Street Journal описал кейс компании DaVita, где сотрудники самостоятельно создали огромное количество AI-помощников. В Lyft и GitLab — похожая картина. Когда агента может собрать не только инженер, они начинают плодиться в геометрической прогрессии, дублируют друг друга, и никто не знает, к каким данным они имеют доступ.
Возникает новый слой рутины — уже между людьми и агентами. Доведённый до абсурда сценарий выглядит так: продакт пишет промпт для Claude, тот генерирует черновик для автономного воркера в Teamily, модель собирает контекст из нескольких систем, после чего человек сидит и руками редактирует текст, чтобы он снова звучал адекватно. Раньше человек координировал людей, теперь — координирует системы, которые координируют другие системы. Это иные задачи, но это всё ещё «работа вокруг работы».
Рваная граница технологии
AI работает неровно, и эта динамика не размечена. Эксперимент Harvard Business School и Boston Consulting Group на сотнях консультантов наглядно показал две стороны технологии. На типичных задачах внутри возможностей модели участники с AI выполняли больше задач, работали быстрее, а качество было значительно выше. Технология сработала как уравнитель, сильнее всего подтянув тех, кто на старте был слабее.
Но на специально подобранной сложной задаче, которая лежала за пределами возможностей модели, группа с AI справилась заметно хуже тех, кто работал без него. Люди просто доверялись гладкому выводу.
Авторы исследования назвали это рваной границей технологии. Каждая новая модель расширяет эту территорию, но провал на этой границе всегда выглядит хорошо: текст гладкий, структура аккуратная, вывод убедительный. Ошибка обнаруживается позже — когда команда уже половину квартала идёт не в ту сторону, а роадмап теряет свою логику. Главный навык работы с AI — понимать, где можно делегировать структуру, а где необходимо оставаться автором решения.
Инструменты усиливают то, что уже есть. Если у продакта есть системность и понимание юзера, технологии расширяют эти способности. Если их нет, они просто делают слабую мысль более гладкой. Раньше неудачную идею выдавала мутная структура или кривой документ. Сейчас этот фильтр сломался, форма перестала работать как маркер качества смысла.
Я это вижу и у себя в работе. У нас в «Ясно» есть внутренний AI-инструмент для работы с данными — КлимовAI (названный в честь нашего главного аналитика Саши Климова). Он помогает быстро проверить гипотезу без SQL-запросов, лишних дашбордов и очереди к аналитикам. Иногда нужен не идеальный анализ на неделю, а быстрый чек, есть ли вообще сигнал и стоит ли копать дальше. Но именно такие инструменты хорошо показывают слепую зону AI. В одних случаях ты за минуты получаешь полезный ответ. В других — модель с тем же уверенным тоном начинает выдавать фантазии за правду.
Особенно опасны места, где данные завязаны на сложную внутреннюю логику: алгоритмы подбора, правила расчёта метрик, исторические изменения в продукте, исключения в данных. Непогруженный человек легко получает не знание, а аккуратно оформленный мусор, просто потому что не понимает, как система устроена на самом деле. Однажды КлимовAI насчитал мне 270 миллионов там, где в реальности было около 27 (в лучшем случае).
AI снижает цену доступа к первому ответу. Но именно поэтому растёт цена умения отличить знание от правдоподобной фантазии.
Требования как интерфейс
Рассмотрим на примере требований к продукту. Старая модель — один огромный документ в базе знаний для всех — на практике часто оказывается документом ни для кого. Разработке нужны архитектурные ограничения и технические кейсы, аналитике — гипотезы и метрики, дизайну — сценарии, бизнесу — профит.
Работа с моделями проявила эту механику персонально. LLM мгновенно подсвечивают, чего мы на самом деле не умеем: не принимать решения, а объяснять, как мы их принимаем. Требования как готовый снепшот ответов, где команде больше не надо думать, — это тупик. В мире, где контекст меняется постоянно, слабая постановка задачи ломает работу сразу нескольких агентов и людей в цепочке. Фокус смещается со снепшота на набор принципов, в рамках которых решение способно возникнуть самостоятельно.
Это напоминает работу с модульными синтезаторами. Ты не записываешь одну конкретную аудиодорожку. Твоя задача — правильно скоммутировать модули между собой, настроить фильтры, задать ограничения и запустить генеративный процесс. Ты управляешь напряжением и логикой связей, а система сама выдаёт бесконечное количество вариаций.
Поэтому классическое «ТЗ с задачками» сегодня вызывает отторжение. Стратегическая цель продакта — поднять качество смыслового ядра, вокруг которого разные участники процесса смогут развернуть нужную им форму. И это не про полотно текста в конфлюенсе, которое никто и никогда не читает полностью.
Когда форма дешевеет, дорожает смысл
Организационная коммуникация всегда состояла из смысла и упаковки. Этот утилитарный слой упаковки — формат, тон, аргументация под конкретный отдел — всё больше забирает агентная среда. Тогда главный вопрос смещается к качеству ядра: что мы на самом деле решаем, для каких юзеров, почему сейчас, какие фичи пилим и что считаем успехом по метрикам?
Если ядро слабое, автоматизация не спасёт. Агент просто красиво разложит пустоту по ролям: разработчик получит бесполезную техническую информацию в трекере, а бизнес — презентацию без реального решения. AI убивает иллюзию, что ценность продакта заключается в умении всем всё объяснить. В реальности ценность в том, чтобы было что объяснять.
В мире, где форма ничего не стоит, продакту приходится работать на уровне чистого смысла. А для этого нужен принципиально другой режим мышления — без бесконечных согласований, политкорректности и социального шума.
С AI можно думать без социального шума
Одна из причин, почему с моделями так удобно выводить этот самый смысл, — в них мало человека. Когда объясняешь сырую идею коллеге, ты работаешь не только с самой мыслью. Приходится постоянно думать о форме: как сказать аккуратную вещь, как не вызвать защиту, как не обесценить чужой вклад и не влететь в борьбу за авторство. Иногда пара неаккуратных формулировок губит нормальную мысль просто потому, что она выражена не теми словами.
Коммуникация с людьми всегда многослойна. Помимо самой сути, приходится учитывать эго, статус, отношения, мотивацию, прошлые обиды и стиль восприятия.
Общение с AI в этом смысле напоминает разговор двух иностранцев на ломаном английском. Главная задача — не соблюсти социальные ритуалы, а максимально точно передать смысл. Если мысль кривая — её можно быстро переформулировать. Если получилось грубо — никто не обиделся. Если пришлось десять раз начать сначала — отношения не испортились.
Это колоссально ускоряет этап мышления. Тратить меньше энергии на то, как человек воспримет форму, и больше — на саму суть.
Отсутствие личности — это не только плюс
Ровно там, где появляется скорость, возникает и жёсткое ограничение.
В каком-то смысле это его плюс — машина не выгорает, не паникует и выдаёт чистую логику без эмоций. Но в этом же кроется и главный минус: алгоритм не чувствует рисков и не понимает цену провала, потому что для него это просто пиксели на экране.
AI не отвечает репутацией, не помнит ошибки и не чувствует стыда за плохое решение и не переживает вину за последствия. Он не понимает, что кто-то потом будет неделями разгребать его уверенный вывод. Даже если у модели есть что-то похожее на тревогу, её источник нечеловеческий. Это не про долгую ответственность, а скорее про то, чтобы прямо сейчас закрыть промпт, дать хороший ответ и сделать так, чтобы пользователь был доволен.
Поэтому с AI так легко думать — и так трудно полностью доверять ему исполнение. Он не борется за авторство, не обижается на правки, не защищает свою позицию и не тащит её через сопротивление среды. Но также и не несёт авторскую ответственность и не болеет за результат. На этапе исполнения — это ограничение. Такой разрыв полностью разрушает старые карьерные сценарии.
Без алиби рутины
Координационная рутина долгое время выполняла важную психологическую функцию — она давала алиби. Закрытый тикет в трекере, обновлённый статус и проведённый синк создавали ощущение контроля и структуры дня. Можно было прожить неделю и ни разу не столкнуться с вопросом: «А что полезного я вообще создаю?»
AI убирает это прикрытие. Освободившееся время уйдёт в задачи, которые раньше делались по остаточному принципу: глубокие разговоры с пользователями, проработку векторов развития, жёсткое отсечение лишнего и удержание смыслового ядра внутри команды.
В ближайшие три-пять лет в инфраструктуру уйдёт большая часть дня продакта: сводки по конкурентам, базовые дашборды, генерация фич и поддержка коммуникаций. Но среду, в которой создаётся сильный продукт, а не просто закрываются задачи, пока что нельзя сгенерировать автоматически. Она требует качеств, которые невозможно оцифровать: внимательности к деталям, эмпатии к команде и юзерам, а также человеческой харизмы, способной объединить людей вокруг общей идеи.
Ответственность и системность — это то, что AI не может забрать на себя. Человеческая уверенность всегда дороже алгоритмической, хоть и не всегда надёжнее, потому что у человека есть ставка, а у AI её нет. Технологии позволяют оказаться в точке принятия решений на максимальной скорости, но сам выбор всегда остаётся за человеком.
Что из этого следует?
Рынок кардинально меняет требования к талантам. По прогнозам аналитиков, базовые навыки — написание спецификаций, первичный анализ конкурентов и сборка дашбордов — окончательно превращаются в бесплатную функцию софта. Продакты, чья ценность строилась на исполнительности и знании канонов процессов, быстро теряют актуальность. На первый план выходят метанавыки, которые AI не способен симулировать:
- Интеллектуальное любопытство и открытость новому опыту. Способность выходить за рамки привычных паттернов и заезженных бенчмарков. Человек выигрывает за счёт умения задавать нестандартные вопросы, искать решения на стыке индустрий и замечать то, что алгоритмы считают статистической погрешностью.
- Смелость и чистая созидательная воля. Навык не просто администрировать готовое, а проектировать новые смыслы с нуля. AI может гладко упаковать любую галлюцинацию, но зажечь команду, удержать фокус и сделать ставку на неочевидную траекторию способна только человеческая смелость. Уверенность дорого стоит только тогда, когда есть ответственность.
- Управление барьерами доверия. Способность критически валидировать выводы моделей, вовремя нащупывать рваную границу технологии и брать на себя волевые решения там, где данные плывут, отвечая за результат своей репутацией и карьерой.
