Я работал в продуктовой команде 7 лет, а потом пришла нейросеть

Эту историю для моего блога рассказал Леонид Шашков и Илья Головко, CPO в крупном финтехе.

Еще пару лет назад моя работа продакт-менеджера выглядела как бесконечное жонглирование задачами: исследования пользователей, анализ конкурентов, документация, постановка задач, презентации… И так по кругу. Большую часть времени съедали рутинные задачи, которые требовали механической работы, но не давали простора для творчества. А теперь…

Я начал заниматься AI примерно три года назад, еще до того, как ChatGPT стал популярным. Начинал с простого, как и все, с написания текстов. Постепенно аппетиты росли — от текстов перешел к созданию презентаций с помощью Gamma и Tome, транскрибации аудио с 11labs, проверке писем и составлению обратной связи сотрудникам. Сегодня я расскажу, как ИИ помогает мне на каждом этапе разработки продукта, какие инструменты я применяю и где всё-таки без людей не обойтись.

Продакт-менеджер — это мозговой центр разработки продукта. Его работа включает анализ рынка, исследование потребностей, постановка задач команде, координация разработки и запуск на рынок. На каждом этапе нужно обрабатывать огромные объемы информации — отзывы пользователей, данные аналитики, тренды рынка, конкурентные решения. Нейросети помогают автоматизировать большую часть этой работы.

1. Анализ рынка и исследование потребностей

Проблема: На анализ трендов могли уходить недели. Человек, которого я заряжал этой задачей, неделю собирал информацию из разных ресурсов и только потом добивался результата.

Что я использую:

Для анализа трендов с поиском в сети я полагаюсь на разные инструменты, в зависимости от задачи:

• Perplexity с его “DeepResearch” — для аналитики с внешними источниками

• DeepSeek с “DeepThink” — для синтеза информации

• ChatGPT с “Search” — для быстрого сканирования

• Claude — для структурирования полученных данных

Базовый промпт, который я часто использую:

Ты опытный рыночный аналитик. Твоя задача - провести исследование рынка в РФ для [описание продукта].
1. Проанализируй целевую аудиторию и её размер
2. Изучи существующие конкурентные решения
3. Определи неудовлетворенные потребности и рыночные ниши
4. Оцени потенциальный спрос и возможность монетизации
5. Сформулируй рекомендацию о целесообразности разработки продукта

Интересно, что разные нейросети дают разные углы зрения на одну и ту же проблему:

• ChatGPT работает как продуктовый менеджер — фокусируется на реальных потребностях пользователей и функциях продукта

• Claude выступает как бизнес-аналитик — строит прогнозы и разрабатывает стратегии

• Grok смотрит на мир глазами пользователя — дает инсайдерский взгляд на проблемы

Чего следует опасаться: Нейросети могут придумывать цифры и выдавать их за факты. Поэтому важно перепроверять количественные данные из надежных источников или использовать нейросети только для выявления качественных тенденций.

В этом плане Perplexity удобен тем, что дает список источников к своим утверждениям, а DeepSeek часто подчеркивает, когда высказывает предположение, а не факт.

2. Формирование требований к продукту

Что я использую:

Здесь я даю нейросети результаты анализа рынка и прошу структурировать требования:

Ты опытный продуктовый аналитик. Твоя задача - разработать детальные требования к продукту на основе результатов анализа рынка.
1. Определи ключевые функции (must have, should have, could have)
2. Опиши пользовательские сценарии и истории использования
3. Разработай требования к пользовательскому интерфейсу
4. Определи технические требования и ограничения
5. Создай критерии приемки для каждой функции

Как и в случае с анализом рынка, разные модели предлагают разные подходы:

• ChatGPT фокусируется на жизненном опыте пользователей, дает чёткие user stories и интерфейс, построенный вокруг реальных сценариев

• Claude предлагает системный подход, разбивает продукт по фазам, прописывает численные метрики для каждой функции

• Grok дает практичные требования с учетом реальных ограничений — работы в оффлайне, использования в перчатках, вибрации и т.д.

Одна из техник — создание цифровых двойников для проведения интервью. Я использую для этого два подхода:

1. Текстовый двойник (через ChatGPT или GigaChat):

Мне нужно поговорить с [роль человека], чтобы понять их потребности для [продукт]. Составь портрет этого человека, его типичные задачи, проблемы и цели. Затем отвечай на мои вопросы от его имени.

2. Голосовой двойник (через Character AI): Этот сервис составляет голосового двойника. Я могу пообщаться с придуманным персонажем голосом. Достаточно 15-20 секунд голоса, и модель учится разговаривать голосом нужного человека.

Например, когда я работал над B2G продуктом, мне нужно было понять потребности мэров городов. Вместо многомесячных попыток организовать встречи я создал цифровых двойников нескольких мэров и провел с ними виртуальные интервью. Из пяти таких разговоров я выявил три ключевые потребности для своего сервиса.

Ограничения: Такой подход хорош для первичного сбора гипотез, но для глубокого понимания всё равно нужны живые люди. Если ты разрабатываешь уже конкретную фичу или хочешь решить конкретную боль, а не просто выяснить минимальные потребности, тут, конечно, надо идти к живым людям.

3. Разработка дизайна и прототипирование

Что я использую:

Я использую нейросети, чтобы создавать концепции дизайна и прототипы ключевых экранов:

Твоя задача - разработать дизайн-концепцию приложения на основе требований к продукту.
1. Создай визуальную концепцию и цветовую схему, соответствующую тематике и целевой аудитории
2. Разработай структуру экранов и основные компоненты интерфейса
3. Учти требования эргономичности для использования в специфических условиях
4. Создай прототипы ключевых экранов приложения
5. Подготовь описание анимаций и взаимодействий

И снова каждая модель имеет свой подход:

• Claude создает векторные SVG-файлы с общей эстетикой и настроением продукта

• ChatGPT разрабатывает подробные мокапы и описывает взаимодействие пользователя с интерфейсом

• Grok дает детальные технические спецификации для верстальщика — размеры кнопок, цветовые коды, отступы

Ограничения: Здесь у нейросетей серьезные ограничения. Когда нужно сделать User Flow или CJM, тут уже сложности. У чата GPT есть GPTs под эту тему, но получается всегда слабенько. Те макеты, которые мы готовим вручную, те User Flow, которые мы создаем, они на порядок выше и лучше.

По сути, нейросети помогают быстро генерировать идеи, но финальный дизайн всё равно требует профессионального человеческого участия.

4. Разработка кода и тестирование

Что я использую:

Для разработки прототипов я использую нейросети, чтобы генерировать базовый код:

Твоя задача - создать код для приложения на основе требований к продукту и дизайна интерфейса.
1. Определи архитектуру приложения и технологический стек
2. Создай структуру проекта с основными компонентами
3. Разработай код для ключевых функций, включая:
   - Систему безопасности с обнаружением аварий
   - Навигационный модуль
   - Систему отслеживания технического обслуживания
   - Базовые социальные функции
4. Обеспечь оптимизацию для мобильных устройств и энергоэффективность
5. Подготовь код с учетом требований безопасности и приватности

Сравнение технических решений, предложенных разными ИИ-моделями для мобильного приложения RideSafe. Claude предложил кроссплатформенное решение на React Native, в то время как Grok и ChatGPT сфокусировались на нативной Android-разработке

Для тестирования:

Твоя задача - протестировать созданное приложение на основе требований, дизайна и кода.
1. Проведи тестирование ключевых функций, описанных в требованиях
2. Проверь соответствие реализации требованиям и дизайну
3. Выяви потенциальные проблемы с производительностью, безопасностью и пользовательским опытом
4. Оцени качество кода и соответствие архитектурным принципам
5. Создай отчет о тестировании с выявленными проблемами и рекомендациями по их устранению
6. Оцени готовность приложения к выпуску и сформулируй итоговое заключение

Инструменты для разработки:

• GitHub Copilot и его альтернативы (Top9, Codium) для помощи при написании кода

• GigaCode для банковских проектов, где требуется повышенная безопасность

• MCP (Model Context Protocol) — это не нейросеть, а специальный “переводчик”, который помогает ИИ понимать запросы и взаимодействовать с другими программами. Он позволяет создавать умных агентов, которые могут не просто отвечать на вопросы, но и выполнять действия — например, подключаться к API или базам данных.

Ограничения: Нейросети отлично помогают с прототипированием и базовой структурой, но создать полноценный готовый продукт только с их помощью пока невозможно. При тестировании продуктов, созданных разными моделями, готовность варьировалась от 40% до 60% необходимого функционала.

5. Анализ обратной связи

Для анализа обратной связи после запуска продукта у меня тоже есть отработанные промпты. Если у тебя, например, 100 тысяч пользователей, которые дают обратную связь, вычитывать каждый из этих комментариев сложно, долго, неудобно. Я просто закидываю их в нейронку с промптом:

Проанализируй эти отзывы пользователей и выдели:
1. Основные категории проблем и их процентное соотношение
2. Наиболее часто упоминаемые положительные моменты
3. Предложения по улучшению на основе отзывов

То, что раньше занимало день работы аналитика, теперь решается за 15 минут с нейронками.

Как изменилась моя работа

С внедрением ИИ-инструментов моя работа серьезно трансформировалась. Сейчас больше времени уходит на трансформацию сервисов под GenAI стратегию — я меняю понимание своих продуктов, чтобы они использовали генеративный ИИ не как дополнительную фишку, а как основу работы. Мы постоянно задаем себе вопрос: “Как этот продукт должен выглядеть, если ИИ может выполнять большую часть работы?”

Параллельно с этим я занимаюсь агентизацией рутинных процессов — созданием автономных ИИ-помощников, которые самостоятельно выполняют задачи без постоянного контроля человека. Например, вместо того чтобы просто помогать составлять расписание, такой агент сам договаривается о встречах, учитывая предпочтения пользователя.

Рутина ушла на второй план, а на первый вышли задачи по стратегии, доведению её до команд и go-to-market активностям. Я вывожу продукт, занимаюсь его трансляцией на рынок, элементами личных продаж продуктов в B2B-сегменте крупного бизнеса с лицами, которые принимают решения.

Трудности внедрения

Внедрение ИИ в рабочие процессы команды оказалось не таким гладким, как я ожидал. Есть несколько серьезных препятствий, с которыми мы столкнулись:

Сопротивление команды. Не все готовы менять привычные методы работы. Есть консервативные коллеги, которым комфортно в отработанных рутинах. Их опасения часто базируются на страхе перед новым и предвзятости к автоматизации — “а вдруг ИИ заменит меня?”

Отсутствие data-driven культуры. Во многих командах решения принимаются на основе опыта и интуиции, а не данных. Это создает барьер для инструментов, работающих с большими объемами информации.

Неточность в работе ИИ. Нейросети иногда выдают “галлюцинации” или неправильные данные, что порождает недоверие у команды. А когда ИИ ошибается, скептики получают “доказательство” своей правоты.

Вопросы кибербезопасности и IP. Особенно в банковской сфере остро стоят вопросы конфиденциальности данных и защиты интеллектуальной собственности при использовании внешних ИИ-сервисов.

Непонимание возможностей. Многие просто не знают, как эффективно использовать ИИ в своей работе и поэтому не видят смысла менять привычные процессы.

Мой подход к решению этих проблем — через практику и трекинг. Я ввел обязательное требование для всех членов команды использовать нейросети и отслеживаю их прогресс. Мы смотрим на конкретные метрики: сколько кода разработчики генерируют с помощью ИИ, как часто дизайнеры используют нейросети для прототипов, насколько активно аналитики применяют их для требований и исследований.

Я поощряю использование нейросетей для транскрибации и протоколирования встреч, создания презентаций и других повседневных задач. Когда люди видят реальную экономию времени на рутине, сопротивление постепенно ослабевает.

Самое важное — не навязывать инструменты силой, а показывать их пользу на конкретных примерах и постепенно формировать культуру, где ИИ воспринимается не как угроза, а как надежный помощник.

Заключение: новый баланс

Нейросети не заменяют продакт-менеджера, а меняют содержание его работы. Рутинные задачи автоматизируются, а фокус смещается на стратегию и инновации.

Это не значит, что всё идеально — у каждого инструмента есть свои ограничения. Иногда ИИ генерирует данные, которые нужно перепроверять. В других случаях результаты слабенькие по сравнению с работой профессионалов (особенно в дизайне). Но главное — правильно выбрать, для каких задач использовать ИИ, а где по-прежнему нужны люди.

Моя формула проста: рутинные, повторяющиеся задачи — нейросетям, стратегические решения и финальную оценку — людям.

А как вы используете ИИ в работе? Какие задачи удалось автоматизировать, а какие по-прежнему требуют полностью человеческого участия?

Я веду блог «Сегодня без ИИ, а завтра без работы». Рассказываю, как люди используют нейросети в работе и жизни уже сегодня. Подпишись, чтобы не пропустить новые статьи!