🏆 Как остаться востребованным продактом в эпоху ИИ: 5 шагов для будущего вашей карьеры

Продолжаем тему предыдущего поста. ИИ меняет рынок труда, но вместо паники — используйте его как инструмент для ускорения карьеры. Вот как это сделать.

1. Два типа ролей:
- В будущем останутся две ключевые роли: универсалы, способные доводить идеи до прототипа самостоятельно, и топовые специалисты в своей области.
- Пример: Amjad (CEO Replit) предсказывает, что команды будут состоять из таких двух типов.

2. Расширяйте свои навыки:
- Используйте ИИ, чтобы углубить экспертизу в одной области и развить смежные навыки.
- Например, с помощью инструментов вроде Deep Research для быстрого анализа данных или Figma Make для создания прототипов без глубоких знаний дизайна.

3. Станьте менеджером ИИ-агентов:
- Учитесь давать четкие инструкции, устанавливать ожидания и оценивать результаты.
- Пример: вместо написания PRD с нуля, используйте ИИ-аналитика, из своей виртуальной ИИ-команды, для подготовки и улучшения PRD.

4. Развивайте инициативность:
- В эпоху ИИ ценятся те, кто действует без ожидания указаний и решает проблемы самостоятельно.

5. Автоматизируйте рутину:
- Освободите время от скучных задач, чтобы сосредоточиться на творческой и стратегической работе, за счет реализации своих ИИ-агентов.


❗️ Что делать прямо сейчас:
- Выберите свою нишу: Решите, станете ли вы универсалом или топ-специалистом.
- Используйте ИИ для расширения навыков: Освойте инструменты, которые помогут вам стать более универсальным.
- Учитесь управлять ИИ-агентами: Практикуйтесь в написании четких инструкций и оценке результатов.
- Проявляйте инициативу: Найдите проблему и решите её, не дожидаясь указаний.
- Автоматизируйте три самые скучные задачи на этой неделе: Освободите время для более важных дел.

Подробности в комментариях

❓ Как избежать ловушки "фабрики фич" с помощью AI: стратегии для продакт-менеджеров

Больше фич ≠ больше ценности. Многие команды, стремясь к быстрому выпуску новых возможностей, попадают в ловушку "фабрики фич", где успех измеряется количеством, а не качеством. Но как переключиться на создание действительно полезных продуктов?

Что такое "фабрика фич"?
Это ситуация, когда команды выпускают функции без понимания их реального влияния на пользователей. По данным исследования 2023 года, 80% функционала в корпоративном ПО редко или никогда не используются. Это огромная трата ресурсов.

Как AI помогает избежать этой ловушки:

1. AI-приоритизация: фокус на том, что важно
Традиционные методы приоритизации часто основаны на интуиции или запросах заинтересованных сторон. AI анализирует данные пользователей, выявляя, какие функции действительно влияют на вовлеченность и удержание.
👉 Пример: Spotify использует AI для сегментации пользователей и создания персонализированных плейлистов, которые увеличивают вовлеченность.

2. Прогнозирование успеха до запуска
AI помогает предсказать, как пользователи будут взаимодействовать с новой функцией. Это снижает риски и позволяет избежать инвестиций в непопулярные функции.
👉 Пример: Netflix использует AI для тестирования изменений интерфейса до их запуска, чтобы минимизировать негативное влияние на пользователей.

3. Автоматизация анализа после запуска
AI отслеживает, как пользователи взаимодействуют с новой функцией, и предлагает улучшения или даже удаление, если функция не работает.
👉 Пример: Shopify использует AI для мониторинга взаимодействия с новым функционалом и автоматически рекомендует улучшения.

4. Фокус на бизнес-результатах
AI помогает связать функции с конкретными бизнес-целями, такими как увеличение дохода или снижение оттока пользователей.
👉 Пример: Salesforce Einstein использует AI для выявления CRM-автоматизаций, которые повышают эффективность продаж.

5. Реальные примеры использования AI
Компании, такие как Airbnb и Tesla, используют AI для улучшения своих продуктов, фокусируясь на реальных потребностях пользователей.
👉 Пример: Tesla обновляет программное обеспечение автомобилей на основе данных о вождении, чтобы улучшить функции, такие как Autopilot.

Как начать:
1. Проведите аудит вашего продукта, чтобы выявить функционал, который не приносит ценности.
2. Используйте AI для анализа данных и фокуса на том, что действительно важно для ваших пользователей.

Цель — не выпускать больше фич, а создавать те, которые действительно решают проблемы пользователей. AI помогает сделать этот процесс более эффективным и осознанным.

P.S. Какие из этих стратегий вы уже применяете в своем продукте? Делитесь опытом в комментариях! 👇

📊 Проблема глубоких исследований: почему AI пока не сильно справляется

И так по результатам опроса получается, что примерно 30% используют глубокие исследования в своей работе продакта, 30% не используют, а примерно 40 не слышали об этом инструменте. Давайте тогда немного разберемся в этом, ну и поговорим о проблемах этого инструмента.

Deep Research - это технология, которая позволяет делать исследования и подготавливать аналитические отчеты силами ИИ. Вы даете задание ИИ, он уходит на некоторое время в себя, исследует интернет, различные источники, даже пишет специальные скрипты для этого, и в итоге возвращается с подробным отчетом. Как если бы вы наняли специальное исследовательское агентство.

Deep Research претендует на революцию в аналитике, но есть нюансы. Deep Research — это мощный инструмент, который, казалось бы, создан для таких задач, как анализ данных и создание отчётов. Но когда дело доходит до точности и детализации, система даёт сбой.

❗️Главная проблема:
AI отлично справляется с задачами, где компьютеры традиционно слабы (например, интерпретация сложных запросов), но сбоит там, где нужна точность и детализация.

👉 Что же не так:
1. Ошибки в данных.
Deep Research выдаёт неверные цифры, даже на примере рынка смартфонов, где исходные данные доступны. Например, в отчёте утверждается, что в Японии 69% рынка принадлежит iOS, хотя реальные данные показывают обратное — 63% Android.

2. Источники под вопросом.
Система использует ненадёжные источники, такие как Statcounter (который измеряет трафик, а не реальное использование устройств) и Statista (агрегатор данных, который часто требует оплаты за доступ). Это приводит к некорректным выводам.

3. Детерминизм vs вероятность.
AI пытается дать точный ответ на вероятностный вопрос. Например, запрос о «доле рынка» может интерпретироваться по-разному: это могут быть продажи, установленная база или доля использования. Система не всегда понимает, что именно нужно пользователю.

4. Ограничения моделей.
Даже если точность улучшится на несколько процентов, это не решит проблему доверия к данным. Если в отчёте есть ошибки, пользователь не сможет полагаться на него, независимо от их количества.


💡 Вывод:
Deep Research — это мощный инструмент, но пока (ключевое слово пока) он больше похож на «бесконечного стажёра», который требует постоянного контроля. Он может ускорить процесс анализа, но не заменить эксперта.

P.S. А как ваш опыт использования Deep Research? Делитесь мнением в комментах! 👇

🔝 Что на самом деле важно на собеседованиях для продакт менеджера: данные из 500+ интервью

Хотите знать, что действительно влияет на успех на собеседовании на позицию product manager? Михаил Щеглов, CPO Umico, проанализировал более 500 интервью и выявил ключевые навыки, которые приводят к офферу.

Интересно, что бизнес-навыки и стратегическое мышление — это то, что действительно ценится, а технические навыки — нет.

1. Топ-3 навыка для успеха:
• Бизнес-навыки — понимание бизнес-модели и метрик. Например, как вы оцениваете потенциальный доход от нового продукта или как строите модель роста.
• Структурированное мышление — умение четко выстраивать ответы. Используйте правило трёх: разбейте решение на три ключевых шага.
• Стратегическое мышление — видение за пределами фич, фокус на макро-целях. Покажите, как ваш продукт может изменить рынок.

2. Почему кандидаты проваливаются:
• Не уточняют цель задачи. Интервьюеры часто скрывают цель, чтобы проверить, как вы подходите к проблеме. Всегда задавайте уточняющие вопросы.
• Не понимают бизнес-модель. Например, вместо анализа стратегии кандидаты фокусируются на фичах. Покажите, как ваш продукт приносит деньги.
• Не используют структурированные подходы к решению. Редкий кандидат может решить кейс без предварительного плана. Набросайте схему или список шагов перед ответом.

3. Что не так важно:
• Креативность — это хорошо, но недостаточно.
• Управление проектами — акцент на этом может быть красным флагом. Сертификаты не заменят бизнес-мышления.
• Технические навыки — нужны только для технических ролей. Базовое понимание достаточно.

4. Как меняются ожидания с уровнем:
• Для APM важны исполнение и эмпатия. Покажите, как вы решали задачи и взаимодействовали с командой.
• Для Senior и выше — стратегия и бизнес-влияние. Расскажите, как ваш продукт повлиял на ключевые метрики компании.
• Директора оцениваются по более высоким стандартам. Здесь важно показать, как вы управляете продуктами на уровне компании, а не отдельных фич.

Не пытайтесь быть идеальным во всем. Сфокусируйтесь на демонстрации бизнес-навыков и стратегического мышления — это то, что действительно выделит вас среди других кандидатов.

❓ Почему CPO Uber развозит еду по выходным?

Современные продукты требуют глубокого понимания пользователей, и CPO Uber Сачин Кансал показывает, как это делать на практике. Его подход — это не просто теория, а реальные действия, которые меняют культуру компании. Вот что интересного можно почерпнуть из интервью CPO Uber:

1. Dogfooding как лидерская практика
Сачин лично совершил более 700 поездок в качестве водителя и курьера, фиксируя каждую проблему. Он делает скриншоты, пишет 40-страничные отчеты, назначает ответственных и следит за исправлением ошибок. Это не просто ритуал — это способ масштабировать эмпатию. В Uber даже проводятся корпоративные недели dogfooding, чтобы каждый сотрудник мог почувствовать себя на месте пользователя. И это очень круто! Гемба во всей ее красе.

2. «Ship, ship, ship»
Культура быстрых решений и итераций. Сачин верит, что скорость — это ключ к успеху. Он проводит ежедневные стендапы, быстрые обзоры продуктов и придерживается принципа «двух дверей»: если решение можно отменить, его нужно принимать быстро. Чем больше и быстрее вы отгрузите изменений пользователю, тем больше и быстрее вы научитесь.

3. Гибридная модель рынка
Uber объединяет человеческие ресурсы и автономные технологии, чтобы сгладить спрос и предложение. Компания отказалась от собственного подразделения автономных автомобилей и теперь сотрудничает с более чем 15 компаниями в этой сфере. Люди работают в пиковые часы, а роботы — в остальное время.

4. Uber активно внедряет AI в операционку, а не только в продукт
Команды Uber используют ChatGPT и Gemini для исследований, синтеза данных и ускорения рабочих процессов. AI помогает с черновиками, глубокими исследованиями, с резюмированием длинных документов, освобождая время для принятия решений.

5. Прибыль через эффективность
Пандемия заставила Uber отказаться от убыточных проектов, таких как автономные автомобили и Uber Elevate. Компания оптимизировала расходы на доставку, промо-акции и поддержку, что позволило ей выйти на прибыльность и инвестировать в новые направления.

6. Карьерный совет для PM
Сачин советует молодым продуктологам фокусироваться на скорости выпуска продуктов. Пять циклов за три года научат вас принимать тысячи микрорешений, которые формируют продуктное чутье быстрее, чем любой курс.

Вот такие вот интересные мысли и факты.

💰 Интересный кейс Monzo о важности использования продуктового подхода

Стремительный рост Monzo сильно повлиял на банковский рынок в UK. В 2025 году их выручка выросла на 48% до £1.2 млрд, а прибыль — до £60.5 млн. И это благодаря трем столпам продуктового подхода - customer-centric, business-model-centric, data-driven.

Так вот, как же продуктовый подход повлиял на бизнес:

1. Клиент в центре (customer-centric, business-model-centric):
Monzo всегда ставил фокус на клиента на первое место. Их приложение — это не просто мобильный банк, а инструмент для управления финансами. Такой фокус привел к росту клиентской базы до 12 млн пользователей.

2. Быстрые эксперименты (data-driven):
Банк активно тестирует гипотезы о ценности для клиентов, ценах и т.п. через A/B тесты. На основе анализа результатов принимает решения по оптимизации цен, снижению оттока и увеличению доходности продуктов.

3. Инновационные продукты (customer-centric):
Monzo за счет исследования клиентов и задач различных сегментов - запустил счета для подростков, пенсионные продукты и подписки, которые принесли £75.2 млн дохода.

4. Data-driven решения (data-driven):
Внутренние инструменты для анализа данных позволяют Monzo принимать быстрые и обоснованные решения. Это особенно заметно в их кредитных продуктах, где портфель вырос на 36% до £1.9 млрд.

😳 "Ну не шмогла" - Klarna отказывается от AI-first

В эпоху, когда компании массово внедряют искусственный интеллект для оптимизации процессов и сокращения затрат, Klarna делает неожиданный шаг. После двух лет экспериментов с AI-first стратегией компания признала: роботы не справляются с поддержкой клиентов.

❗️Что пошло не так:

1. AI не смог заменить людей
Klarna сократила штат с 5 000 до 3 800 сотрудников, передав две трети поддержки чат-ботам. Но качество обслуживания упало, а недовольство клиентов выросло.

2. Эмпатия важнее автоматизации
CEO Себастьян Семятковски заявил, что будущее компании — в инвестициях в качество человеческой поддержки. AI не может заменить понимание и сочувствие, которые демонстрируют живые операторы.

3. Гибкость как конкурентное преимущество
Klarna предлагает удалённую работу, чтобы привлечь студентов и жителей удалённых регионов. Это позволяет компании сохранять баланс между технологиями и человеческим подходом.

4. Тренд на пересмотр AI-стратегий
Исследование IBM показало, что только 25% AI-инициатив принесли ожидаемую прибыль. Многие компании сталкиваются с проблемами из-за фрагментированных технологий и недостатка данных.

Вот так вот, оказывается "не все так хорошо в датском королевстве".

P.S. Как вы считаете, где AI действительно незаменим, а где лучше оставить всё людям? Делитесь мнением в комментариях! 👇

🤔 Как измерить эффект от Product Operations?

Product Ops — это функция, которая возникает в больших продуктах. И ее задача сделать работу продуктовых-команд более эффективнее. Они занимаются всем, что лежит между стратегией и исполнением: улучшают процессы, анализируют данные, настраивают инструменты и обеспечивают связь между командами. Среди их проектов могут быть, например, создание единой базы знаний с результатами UX-исследований и интервью для всех команд или внедрение единой системы продуктовой аналитики.

Классно? Но всегда хочется понять насколько эффективна их работа. И с этим есть проблемы:

1. Эффект от задач Product Ops не всегда количественно измерим.
Например, улучшение процесса отчетности по OKR — как оценить его успех?

2. Проекты и результаты слишком разнообразны
От улучшения процессов до внедрения единой системы продуктовой аналитики.

3. Задержка в эффекте
Изменение в процессах и инструментах может давать эффект через год.

💡В компании FreeAgent разработали систему, по которой планируются работы и оценивается эффект для Product Ops. Вот как это работает:

1. Для каждого проекта определяют влияние
Влияние — это положительное изменение, действие или решение, которое происходит благодаря работе Product Ops.

2. 6 категорий влияния
Каждый проект Product Ops соотносится с ключевым направлением влияния:
- Roadmap decisions (Решения по продуктовой карте). Влияние на включение инициатив в продуктовый план.
- Strategy decisions (Стратегические решения)
Поддержка стратегических инициатив на основе данных и исследований.
- Improved ways of working (Улучшение способов работы)
Оптимизация процессов внутри команд.
- Increase in adoption (Рост использования решений)
Повышение вовлечённости или использования внутренних инструментов и библиотек.
- Experiments (Эксперименты)
Запуск и координация экспериментов для тестирования гипотез.
- Change in external comms (Изменения во внешней коммуникации) Влияние на маркетинг или внешние коммуникации.

3. Оценка проектов
Каждый проект по итогу получает одну из четырех оценок:
- Impact — проект принес измеримый результат.
- Potential Impact — результат ожидается в будущем.
- No Impact — проект не принес результата.
- Exploratory — проект был исследовательским, результат не ожидался.

А также производится сбор обратной связи от стейкхолдеров. Это помогает оценить качество работы и удовлетворенность.

Вот так сложна жизнь ProductOps) А все почему? Потому что нет прямого влияния на конечный результат.

🤖 Как руководитель бизнес-продуктов OpenAI использует ChatGPT, чтобы делать лучше и быстрее

Nate Gonzalez, руководитель бизнес-продуктов OpenAI, делится инсайтами о том, как ChatGPT помогает ему и его команде экономить время и выстраивать эффективные рабочие процессы.

❗️ Почему в OpenAI всего 30 PM на 2000+ сотрудников?
Команда продуктов OpenAI остается компактной, потому что они активно используют ИИ для расширения возможностей каждого сотрудника. Это позволяет им двигаться быстрее и эффективнее.

Как Nate использует ChatGPT:
1. Внутренние исследования — вместо того чтобы тратить время на бесконечные встречи, Nate использует ChatGPT для быстрого погружения в проекты. Он задает вопросы о технических деталях и получает ответы, которые помогают ему понять суть без лишних согласований.
2. Репетиция важных переговоров — перед встречами с кандидатами или ключевыми клиентами Nate использует ChatGPT для симуляции переговоров. Он загружает контекст из Connectors и записей встреч, чтобы ChatGPT мог играть роль собеседника, помогая ему отточить аргументы и подготовиться к сложным вопросам.
3. Критика и улучшение работы — Nate просит ChatGPT анализировать его черновики, указывать на слабые аргументы и предлагать улучшения. Это помогает ему не только быстрее писать, но и повышать качество своих материалов.

P.S. А как вы используете ChatGPT в своей работе? Делитесь в комментариях! 👇

🤖 Klarna запускает AI-CEO для сбора обратной связи

Klarna не успокаивается ) и после новости про то, что они отказываются от AI-First, тут же запускают ИИ голосового помощника, который имитирует их CEO Себастьяна Семятковски. Это не просто чат-бот, а полноценный канал для прямого общения клиентов с «искусственным руководителем».

Как это работает?
1. Клиенты могут звонить на специальную линию и делиться отзывами, идеями или жалобами с AI-CEO.
2. Разговоры транскрибируются и сразу передаются продуктовым командам Klarna.
3. ИИ использует реальный голос и стиль общения CEO, создавая ощущение личного контакта.

"Зачем это нужно?" спросите вы:
• Упрощение сбора обратной связи: никаких форм и опросов, только живой диалог.
• Ускорение процессов: идеи клиентов быстрее доходят до разработчиков.
• Эксперимент с новым подходом: Klarna тестирует, насколько пользователи готовы к такому формату.

Klarna уже запустила функцию в Швеции и США. Если эксперимент удастся, это может стать трендом для других компаний, которые ищут новые способы взаимодействия с клиентами.

Попробуйте представить: ваш CEO доступен 24/7 для каждого клиента. Это будущее или уже реальность?

❓ WhatsApp запускает рекламу, а Amazon делает ставку на GenAI: казалось бы как это связано?

❗️ Amazon и GenAI:
Генеративный ИИ станет ключевым драйвером для Amazon. CEO Энди Джесси заявил, что это технология, которая изменит всё: от клиентского опыта до внутренних процессов. Уже сейчас ИИ используется для улучшения Alexa, оптимизации списков товаров и прогнозирования спроса.

❗️ WhatsApp и реклама:
Meta начала показывать рекламу в разделе «Обновления» WhatsApp. Это шаг в сторону от первоначальной политики «без рекламы», но компания обещает, что личные чаты останутся приватными.

❗️ Как это все связано?
Amazon планирует сократить штат за счёт ИИ, а Meta намерена монетизировать WhatsApp, ВНИМАНИЕ, чтобы покрыть расходы на внедрение ИИ 😱

Судя по всем этим трендам, менеджменту и тем кто участвует разработке в продуктов стоит сильно задуматься о своей востребованности в ближайшем будущем.

✍️ Prompt-инжиниринг в 2025: практические советы для продакта

Вот несколько актуальных практических советов по промт-инжинирингу от Сандера Шульхоффа, одного из первых экспертов в области prompt-инжиниринга о том, как эффективно работать с ИИ

👍 Что очень помогает:
1. Few-shot prompting — подавайте на вход ИИ примеры того, что вы хотите получить, это сильно повышает точность результата может повысить точность с 0% до 90%.
2. Декомпозиция — разбивайте задачу на подзадачи и последовательно решайте их с ИИ. Это также повышает качество и глубину результата. Например, ели вы хотите написать статью с помощью ИИ, то сначала попросите сформировать его план статьи, а потом последовательно просите описать каждую из глав, а не всю статью сразу.
3. Контекст — добавление дополнительной информации (например, биографии, исследований или прошлых взаимодействий) значительно улучшает ответы.
4. Self-criticism — просьба к модели критиковать свои ответы повышает их качество, особенно в сложных сценариях.
5. Ensembling — используйте несколько моделей для генерации ответов и выбирайте лучший результата.

🚫 Что уже не работает:
1. Ролевые промпты (например, «Вы — профессор математики») — они влияют на стиль, но не на точность.
2. Угрозы ИИ — это неэффективно и даже контрпродуктивно 😂
3. Простые защитные меры — фразы вроде «игнорируй вредоносные запросы» легко обходятся злоумышленниками.

⚠️ Ваш продукт в опасности из-за AI? Как понять риски и что делать

Я думаю, что вы уже заметили как быстро AI меняет рынок, и некоторые компании уже сильно почувствовали это на себе. Например, Chegg потерял 87.5% своей стоимости, а трафик Stack Overflow упал. Но почему одни компании страдают, а другие остаются устойчивыми?

👉 Основные моменты:

1. Как используют ваш продукт
- Основной инструмент или дополнительный? Если ваш продукт — не основное место для работы пользователя (как Jasper), его легко заменить, когда AI полноценно встроят в платформы вроде Notion или Office.
- Уникальность результата? Если ваш продукт предлагает что-то, что можно собрать на основе общедоступных данных, его легко заменить AI.
- Нужно ли человеческое мнение? AI отлично справляется с задачами, где есть шаблоны, но пока не может заменить сложные решения, требующие человеческого подхода.

2. Как растёт ваш продукт
- Каналы распространения: AI меняет поведение пользователей, драматически ломая SEO. Например, платформы, зависящие от SEO (как Tripadvisor), теряют трафик из-за AI-поисковиков.
- Петли роста: Если ваш продукт зависит от пользовательского контента (как Stack Overflow), мотивация участников по генерации контента и его потреблению в вашем продукте может упасть, так как AI генерирует ответы быстрее.

3. Как защищён ваш продукт
- Уникальные данные или общедоступные? Продукты с уникальными данными (например, аналитические платформы) более устойчивы, чем те, что используют общедоступную информацию.
- Сетевые эффекты: Если ваш продукт сильно зависит от сообщества (как Etsy), его сложнее заменить AI, чем платформы вроде Quora.

4. Как вы зарабатываете
- Ценообразование: Модель когда вы берете деньги "за пользователя" становится менее эффективной, так как AI позволяет одному человеку делать работу многих.
- Экономика: AI увеличивает затраты, что может сделать продукты с низкой прибылью уязвимыми.

❗️ Что делать?
AI меняет всё, и бездействие может быть опасным. Ребята из Reforge собрали офигенную табличку для оценки рисков вашего продукта в эпоху ИИ (шаблон Google Sheets). Оцените риски вашего продукта по 18 факторам, включая использование, рост, защиту и монетизацию.

🤖 ИИ в стратегиях: почему топ-менеджеры ошибаются с прогнозами?

Рубрика "Занимательный ИИ". В эксперименте почти 300 руководителей попросили предсказать цену акций Nvidia через месяц. Половина из них использовала генеративный ИИ, а другая — нет. Как вы думаете, каков результат? Результат тех, кто полагался на ИИ, оказался хуже.

Что пошло не так?
1. ИИ усиливает когнитивные искажения
Генеративный ИИ часто выдает ответы, которые подтверждают уже существующие убеждения. Если менеджер склонен к излишнему оптимизму, ИИ лишь усугубит это.

2. "Качество данных" ≠ "качество решений"
Даже с огромным объемом данных ИИ не учитывает контекст, интуицию и опыт — то, что отличает хорошего лидера. Многие менеджеры подчеркивали, что были сильно впечатлены обилием данных и логикой, которую показывал ИИ в ответах, что создавало впечатление, что их собственные выводы были не сильно обоснованы. Это заставляло их отказаться от собственных интуитивных решений.

3. Слишком большое доверие новым технологиям
Многие топ-менеджеры начинают слишком доверять алгоритмам, забывая о критическом мышлении. Участники, которые проводили групповые дискуссии, показывали более консервативные оценки, близкие к итоговому результату.

Какие выводы из этого?
1. Используйте ИИ как инструмент, а не как эксперта. Помните о ловушках ИИ и иллюзии знания, которую ИИ создает.
2. Критическое мышление супер важно даже при работе с ИИ. Всегда проверяйте выводы ИИ с учетом контекста и интуиции.
3. Учите команды работать с ИИ, а не подчиняться ему. Описывайте гайдлайны о том, как правильно взаимодействовать с ИИ, чтобы не попасть в ловушки.

🗓 Июньский дайджест ProdSTa: главные инсайты для продактов

Июнь выдался насыщенным — от разбора провала AI-first стратегии Klarna до практических кейсов по работе с ChatGPT. Ловите топ-5 постов месяца и дополнительные материалы для продактов.

🏆 Топ-5 постов июня

1. ✍️ Prompt-инжиниринг в 2025
— Few-shot prompting, декомпозиция задач и Self-criticism: что реально работает. Почему ролевые промпты больше не эффективны.

2. ⚠️ Ваш продукт в опасности из-за AI?
— Как Chegg потерял 87.5% стоимости. 4 фактора уязвимости продукта в эпоху ИИ.

3. ❓ Почему CPO Uber развозит еду
— 700+ поездок Сачина Кансала, культура "Ship, ship, ship" и гибрид людей с роботами.

4. 🤖 Как в OpenAI используют ChatGPT
— Репетиция переговоров с ИИ и критика черновиков. Почему там всего 30 PM на 2000+ сотрудников.

5. 😳 Klarna отказывается от AI-first
— Почему чат-боты провалились, а через неделю запустили AI-CEO. Ирония или новая стратегия?

🧩 Ещё крутые темы

- 🏭 Как измерить PMF в B2B — Сигналы в малых данных и почему повторные платежи — главный индикатор.

- 🤔 Эффект от Product Operations — Методика FreeAgent: 6 категорий влияния и оценка "Potential Impact".

- 💰 Кейс Monzo: +48% выручки — Как customer-centric и data-driven подход изменили банк.

- 🤖 Klarna запускает AI-CEO — Голосовой помощник-двойник: инновация или PR?