Продуктами управляют Коты

Похоже на твой путь?

В 2026 продакт может 8 лет делать продукты, управлять командой, считать юнит-экономику, спорить с разработкой, защищать roadmap перед C-level - и потом завалить собеседование на вопросе: "Расскажите про ваш самый сильный продуктовый кейс с конкретными результатами". Ответ "Все под NDA" не прокатит. Недавно разбирал именно такого человека. Хороший опыт. Нормальное CV. Есть реальные результаты. Собесы тоже есть. А офферов нет. И чем дальше, тем сильнее появляется ощущение какого-то карьерного сюра: «Может, я вообще херовый продакт?» Начали разбирать интервью. И выяснилась довольно неприятная штука. Он отвечал как человек, который много работал. Но не как человек, которого хочется нанять. На вопрос про метрики начинался рассказ про продукт. На вопрос про провал - пятиминутная экскурсия по корпоративной культуре предыдущей компании. На кейсе сразу лез в решение, не зафиксировав проблему. Про AI говорил в духе "ну да, использую ChatGPT". А собственные результаты описывал настолько скромно, будто их сделал какой-то другой продакт, случайно проходивший мимо. И это, кстати, одна из главных проблем собеседований в 2026. Недостаточно быть хорошим специалистом. Нужно еще уметь упаковать свой опыт, показать продуктовую логику, быстро разобрать незнакомый кейс, говорить на языке метрик и бизнеса и не рассыпаться после третьего уточняющего вопроса. Рынок не обязан сам догадаться, что вы крутой. Но правда, я бы правда и чрезмерно самоуверенного чувака не взял. В прошлом году я собрал LinkedIn Friends All Courses Pass - пакет из 7 моих продуктовых и карьерных программ. Внутри около 150 часов материалов: Product Management, CustDev и JTBD, Growth Hacking, Аналитика, AI, карьерные воркшопы и отдельный большой гайд по продуктовым собеседованиям - от CV и питча опыта до кейсов, вопросов нанимающего менеджера, оценки своей стоимости и принятия оффера. Опыта, изложенного в видосах, накопилось на сотнях кейсов-разборов различных ребят в продуктовых и маркетинговых направлениях профессий Плюс 22 августа проведу отдельный 3-часовой воркшоп "Фундамент AI для продакта в 2026". И 29 августа тоже будет. Это последние воркшопы в 2026 году. Потому что можно еще полгода ходить по собесам и считать, что рынок сошел с ума. А можно один раз нормально разобрать, что именно рынок от вас хочет, и перестать проигрывать интервью самому себе. LinkedIn Friends All Courses Pass сейчас стоит 99€. А 17 августа стоимость доступа ко всем материалам вырастет на 50%.

Сегодняшний воркшоп завтра на платформе с монтажем. Все по доступу LinkedIn Friends All Courses Pass бессрочно.

10 главных правил AI-аналитики в 2026 1. AI без качественных данных = ускоренная генерация ошибок Главный актив - не сама AI-модель, а качественные и связанные данные: • единые определения метрик • корректные события • понятная бизнес-логика • актуальные данные • единые правила расчётов Плохие данные → плохие аутпуты. С AI это просто происходит быстрее. 2. AI должен отвечать на бизнес-вопрос Правильная цепочка: Бизнес-проблема → Метрика → Драйверы → Гипотезы → Анализ → Решение → Бизнес-эффект "Найди что-нибудь интересное в данных" - слабая задача. «Почему упал Conversion и какой фактор дал основной вклад?» - правильная. 3. AI не заменяет дерево метрик Рост или падение GGR, NGR, Retention или Conversion нужно раскладывать до конкретных драйверов. Например: GGR = Bets - Wins Bets Sum ≈ PAU × Bets Count × Bet AVG AI должен искать, какой именно драйвер изменился, а не придумывать объяснение верхнеуровневой метрики. 4. Сначала проверка аномалии — потом объяснение Перед бизнес-интерпретацией нужно проверить: • качество данных • изменения в трекинге • выбросы • сезонность • состав пользователей • каналы привлечения • когорты • технические проблемы Иначе ошибка в данных легко превращается в красивую, но ложную продуктовую гипотезу. 5. Корреляция ≠ причинность даже с AI Если Retention пользователей функции X выше, это ещё не значит: Функция X → рост Retention. Причиной могут быть: • самоотбор пользователей • смещение выборки • скрытые факторы • парадокс Симпсона • обратная причинность AI должен разделять: • ФАКТ • ГИПОТЕЗА • ДОКАЗАННАЯ ПРИЧИННАЯ СВЯЗЬ 6. AI должен ускорять эксперименты, а не заменять их AI помогает: • формировать гипотезы • находить сегменты • анализировать результаты • искать различия между группами • оценивать потенциальный эффект • готовить варианты экспериментов Но реальный продуктовый эффект всё равно нужно подтверждать данными. 7. Синтетические пользователи ≠ реальные пользователи AI-модели пользователей позволяют быстрее: • проверять интерфейсы • находить потенциальные проблемы • тестировать сценарии • искать редкие случаи • предварительно проверять гипотезы Но они должны дополнять реальные данные о поведении пользователей, а не заменять их. 8. Персонализация становится динамической Тухлая модель: Сегмент A → показать предложение B Збс модель: Контекст + Поведение + История + Намерение → AI → наиболее подходящий сценарий Оптимизировать нужно не уровень персонализации, а бизнес-результат: • Conversion • Retention • ARPU • LTV • NGR 9. Решение человека остаётся обязательным Особенно если решение имеет большой финансовый или продуктовый эффект. Хорошая схема: AI предлагает → человек оценивает → система выполняет AI ускоряет анализ. Но ответственность за решение остаётся у человека. 10. Главная метрика AI-аналитики - не количество запросов к AI Неважно, сколько: • SQL написал AI • графиков он построил • выводов сгенерировал • AI-инструментов внедрила компания Скорость решений × Качество решений × Бизнес-эффект Цель AI-аналитики - сократить путь: ДАННЫЕ → ИНСАЙТ→ РЕШЕНИЕ→ ЭКСПЕРИМЕНТ→ БИЗНЕС-РЕЗУЛЬТАТ AI-аналитика в 2026 — это не ЦAI пишет SQL и комментарии к графикам. Это: Качественные данные → Дерево метрик → AI-диагностика → Гипотезы → Проверка → Решение человека → Бизнес-эффект Самый опасный аналитик в 2026 году - не тот, кто не использует AI. А тот, кто автоматизировал херовую логику. Воркшоп по AI-аналитике 8 августа для юзеров LinkedIn Friends All Courses Pass. Потом можно в записи посмотреть тоже.

И еще вспомнил, что сделал в сумме за этот год 5 открытых GPT-моделек для вашего найма: CV Summary Creator - делает топовые саммари ваших профайлов Product Management Assessment - прокачивает продуктовые скиллы бесконечно iGaming Skills Trainer - прокачивает iGaming скиллы бесконечно Ваш карьерный эксперт - отвечает на все вопросы по карьере Your Digital Job Interviewer - интервьюирует вас как продакта / проджекта / маркетолога Приходите 8 августа на AI-аналитический воркшоп. Будет 100% полезно всем продактам, аналитикам, маркетологам, проджектам.

Сделал для вас GPT модельку, которая бесконечно задает продактам / маркетологам / проджектам вопросы как на собесах. И дает ответы, чтобы потом у вас не было "а почему меня не взяли"? Вот тут можно использовать ее.

Во вторник, 28 июля, в 14:00 GMT+3 проведу открытый воркшоп про AI-прозрачность в компании. Покажу реальный кейс, в котором мы при помощи AI-агентов довели прозрачность процессов почти до 100%. Без презентации из 48 слайдов про “AI-трансформацию и внедрение…

12 критериев слабого продакт-менеджера в 2026 году 1. Управляет фичами, а не проблемами пользователей. Фокусируется на реализации требований вместо поиска реальных пользовательских проблем. 2. Не связывает продукт с бизнесом. Не может объяснить, как задача повлияет на выручку, удержание, рост или ключевые продуктовые метрики. 3. Ориентируется на vanity metrics. Гордится количеством релизов, Story Points и Velocity вместо Activation, Retention, Engagement, Monetization и North Star Metric. 4. Приоритизирует по мнению, а не по данным. Решения принимаются исходя из статуса руководителя, а не пользовательских инсайтов и аналитики. 5. Редко общается с пользователями. Строит продукт на предположениях вместо интервью, исследований и анализа поведения. 6. Не понимает экономику продукта. Знает DAU, но плохо ориентируется в LTV, CAC, ARPU, NRR, Unit Economics и влиянии продукта на прибыль. 7. Боится экспериментов. Предпочитает долгие обсуждения быстрым проверкам гипотез через A/B-тесты и MVP. 8. Не использует AI как усилитель. Продолжает вручную делать задачи, которые можно ускорить с помощью ИИ: анализ исследований, подготовку PRD, генерацию гипотез и работу с данными. 9. Не умеет говорить «нет». В roadmap всё важно, поэтому команда распыляется и теряет фокус. 10. Работает внутри Jira, а не на рынке. Отлично знает бэклог, но плохо понимает клиентов, конкурентов, продажи и поддержку. 11. Не умеет влиять без формальной власти. Вместо аргументов, данных и доверия пытается продавливать решения через должность или эскалации. 12. Путает активность с результатом. Считает успехом проведённые встречи, написанные документы и выпущенные релизы, а не изменения в поведении пользователей и бизнес-результатах. Чтобы не быть таким продактом, приходи на воркшоп по AI-аналитике 8 августа. И забирай LinkedIn Friends All Courses Pass, а то он в цене скоро вырастет.

8 топ-гайдов по AI-агентам от топ-компаний The State of AI in 2025: Agents, Innovation, and Transformation McKinsey & Company Исследование о том, как компании внедряют AI и AI-агентов, масштабируют пилоты и получают бизнес-результаты. Внутри данные о выручке, затратах, трансформации процессов, рисках и влиянии AI на занятость. Agentic AI on the Rise: Keys to Unlocking Value AWS Marketplace Обзор агентного AI, уровней зрелости компаний и реальных корпоративных кейсов. Также разобраны сервисы AWS, фреймворки и подходы к покупке, разработке и запуску AI-агентов. AI Agents 101: An Introduction to Agents and Examples of How to Build Them Cisco Вводный материал об AI-агентах, уровнях автономности и основных технологиях. Рассматриваются planning, reasoning, reflection, tool calling, память и базовые агентные паттерны. Agents in the Long Game of AI: Computational Cognitive Modeling for Trustworthy, Hybrid AI MIT Press Академическая книга о создании объяснимых и надёжных гибридных AI-агентов. Авторы разбирают архитектуру OntoAgent, символическое мышление, память, обучение, обработку языка и интеграцию data-driven инструментов. Building Effective Enterprise Agents Boston Consulting Group Практический гайд по созданию production-grade агентов в крупных компаниях с legacy-системами, сложными данными и строгим governance. Внутри дизайн агентов, платформенная архитектура, evaluation, LLMOps, безопасность и масштабирование. A Practical Guide to Building Agents OpenAI Базовый практический гайд для продуктовых и инженерных команд. Помогает понять, когда действительно нужен агент, как выбирать модели и инструменты, проектировать orchestration и внедрять guardrails. Building Effective AI Agents: Architecture Patterns and Implementation Frameworks Anthropic Руководство по выбору архитектуры AI-агентов: от одиночного агента до мультиагентных систем. Содержит реальные кейсы, паттерны оркестрации, рекомендации по памяти, инструментам, стоимости, безопасности и governance. From Design to Deployment: Mastering AI Agents Intel Подборка статей, исследований и курсов по AI-агентам. Включает материалы по оценке качества, инженерным навыкам, Agentic RAG, архитектуре, ответственному AI и различиям между агентами, workflows и обычной автоматизацией. В субботу 8 августа мы проводим воркшоп по AI-аналитике. Будет мегаполезно всем продактам, аналитикам, маркетологам и прочим суетологам. Оно для юзеров LinkedIn Friends All Courses Pass.

Метрик много. Мозг один. 8 августа в 12:00 GMT+3 проведём трёхчасовой воркшоп для обладателей LinkedIn Friends All Courses Pass - “AI-аналитика метрик без говна”. Сейчас AI пытаются встроить почти во всё: аналитику, продукт, маркетинг, BI и прогнозирование. Открываешь LinkedIn - и создаётся ощущение, что нейросети уже самостоятельно находят точки роста, объясняют падение Retention, прогнозируют Revenue и принимают решения за команды. На практике всё обычно выглядит иначе. У компании несколько дашбордов, разные версии одной и той же метрики, таблицы, которые противоречат друг другу, и AI-ассистент сверху, который очень уверенно объясняет цифры, не понимая контекста бизнеса. Раньше неправильные выводы из данных делали вручную. Теперь их можно получать быстрее и формулировать гораздо убедительнее. Поэтому главная проблема современной аналитики не в нехватке инсайтов. Инсайтов уже слишком много. Проблема в том, чтобы понять, какие из них действительно влияют на продукт, Revenue и решения команды, а какие просто красиво объясняют уже случившееся. На воркшопе разберём, где AI действительно полезен в работе с метриками. Покажем, как быстрее исследовать изменения, искать аномалии и скрытые паттерны в поведении пользователей, анализировать Funnel, Retention, Monetization и сегменты, отличать сигнал от шума и проверять выводы нейросети, а не принимать уверенный ответ за пруф. Будут практические кейсы, удачные подходы и ошибки компаний, которые решили, что ещё один AI-инструмент сможет заменить мышление аналитиков и продактов. Поговорим о гипотезах, причинно-следственных связях и решениях, которые реально влияют на деньги. И ещё важный момент: сразу после воркшопа стоимость платформы вырастет на 50%. До окончания мероприятия можно присоединиться по текущему прайсу. После воркшопа он изменится. Если хочется понять, как использовать AI не для генерации красивых объяснений, а для нормальной работы с продуктом, аналитикой и Revenue - welcome. 8 августа 2026, 12:00 GMT+3. Продолжительность - 3 часа.

Как изменился Agile в эпоху AI в 10 поинтах? AI не отменил Agile и не переписал его базовые принципы. Ценность для клиента, работающий продукт, взаимодействие людей и готовность к изменениям по-прежнему остаются в центре. Но способы, которыми команды реализуют эти принципы, заметно изменились. 1. Agile стал системой быстрого обучения Раньше Agile чаще воспринимался как способ ускорить разработку. Теперь его ценность все больше в том, чтобы быстрее пройти цикл от гипотезы до данных и скорректировать направление. 2. Узкое место сместилось от создания к проверке AI может быстро генерировать код, тесты, документацию и варианты решений. Поэтому главным ограничением становится не производство результата, а его качественная проверка, интеграция, безопасность и сопровождение. 3. Маленькие партии работы стали еще важнее Чем быстрее команда создает изменения, тем выше риск накопить крупные pull request, лишний код и незавершенную работу. WIP-лимиты, управление потоком и короткие циклы доставки становятся защитой от AI-перепроизводства. 4. Sprint все чаще становится циклом управления риском Релизы могут происходить непрерывно, поэтому спринт уже не обязательно является контейнером поставки. Его роль смещается к синхронизации целей, инспекции результата и адаптации дальнейших действий. 5. Product Owner меньше пишет и больше задает контекст AI способен подготовить user stories, acceptance criteria, обобщить обратную связь и предложить варианты приоритизации. Но ответственность за Product Goal, выбор проблемы и создаваемую ценность остается у человека. 6. Agile-события становятся менее административными AI может собирать статусы, выявлять блокеры и готовить материалы для ретроспективы. Это позволяет использовать встречи не для отчетности, а для обсуждения решений, рисков и изменений. 7. Velocity становится еще менее надежной метрикой Количество задач, коммитов, строк кода или story points может расти без увеличения ценности. Поэтому больший вес получают lead time, deployment frequency, change failure rate, recovery time и продуктовые результаты. 8. AI нужно внедрять как эксперимент Он не гарантирует ускорения на любой задаче. Иногда время проверки и исправления результата съедает весь выигрыш, поэтому эффект нужно измерять на конкретных сценариях, а не оценивать по ощущениям. 9. Definition of Done расширяется Для AI-assisted работы недостаточно того, что решение просто запускается. Нужны human review, автоматические тесты, проверка безопасности, защита данных, контроль лицензий и уверенность в том, что результат можно поддерживать. 10. Объектом управления становится вся Human + AI-система Оптимизировать работу отдельного разработчика уже недостаточно. Нужно смотреть на весь поток: проблема клиента, решение, AI-assisted выполнение, проверка, релиз, данные и обучение. AI не заменил Agile. Он сделал слабые процессы заметнее, а сильные команды - быстрее. Приходите 8 августа на воркшоп по AI-аналитике. Для пользователей LinkedIn Friends All Courses Pass.

Топ-10 продуктовых метрик в 2026 году: что изменилось с приходом AI Еще несколько лет назад большинство продуктовых команд смотрели на DAU, MAU, Retention, Conversion и NPS. Эти метрики никуда не исчезли, но эпоха AI изменила сам подход к оценке успешности продукта. Сегодня недостаточно знать, сколько людей открыли приложение. Гораздо важнее понять: решил ли AI задачу пользователя, насколько быстро он принес ценность и оправдывается ли экономика модели. Изучая современные практики AI-продуктов и практики Amplitude, можно выделить 10 ключевых метрик, которые становятся основой продуктового управления. 1. North Star Metric Главная метрика продукта — показатель создаваемой ценности, а не выручки. Она объединяет интересы пользователя, продукта и бизнеса. 2. AI Task Success Rate Самый важный показатель AI-продукта. Какой процент задач AI действительно решил успешно? Не количество запросов, а количество достигнутых результатов. 3. Time to Value (TTV) Сколько времени проходит до первого полезного результата? Чем быстрее пользователь получает ценность, тем выше вероятность удержания. 4. Weekly Retention Удержание остается главным индикатором здоровья продукта. Во многих AI-сервисах именно недельное удержание становится информативнее классических DAU и MAU. 5. AI Feature Adoption Какой процент активных пользователей регулярно использует AI-функции? Если AI есть, но им почти не пользуются, проблема не в модели, а в продукте. 6. Human Acceptance Rate Насколько часто пользователь принимает результат AI без существенных изменений? Именно эту метрику используют многие AI-first продукты для оценки качества генерации. 7. Cost per Successful Task Новая экономика AI. Важно считать не стоимость запроса к модели, а стоимость успешно выполненной пользовательской задачи с учетом токенов, инференса и инфраструктуры. 8. Net Revenue Retention (NRR) Для подписочных продуктов это по-прежнему одна из важнейших бизнес-метрик. AI должен не только привлекать пользователей, но и увеличивать доход от существующей клиентской базы. 9. AI Trust Score Пользователи должны доверять AI. Это можно оценивать через количество регенераций ответа, ручных исправлений, положительных оценок и повторного использования результатов. 10. Experiment Velocity В эпоху AI выигрывает не тот, у кого самая мощная модель, а тот, кто быстрее проверяет гипотезы и учится на данных. Что изменилось? Раньше спрашивали: • Сколько пользователей пришло? • Сколько времени они провели в продукте? Сегодня вопросы такие: • Решил ли AI проблему пользователя? • Насколько пользователь доверяет результату? • Сколько стоит успешное выполнение одной задачи? • Улучшает ли AI удержание и экономику продукта? AI не отменил классические продуктовые метрики он добавил новый уровень измерения. Теперь успешный продукт оценивается не только по активности пользователей, но и по качеству работы AI, скорости получения ценности и эффективности использования вычислительных ресурсов. Для обладателей LinkedIn Friends All Courses Pass 8 августа мы проведем воркшоп по AI-аналитике. Там с метриками разберемся, всякими когнитивными искажениями, агентной аналитикой и так другим AI-слопом.

Почему из маркетологов массово мигрируют в продакты? Мне кажется, дело не в тренде на Product Management и не в том, что там выше зарплаты. Просто меняется сама природа маркетинга. Еще несколько лет назад сильный performance-маркетолог создавал огромное конкурентное преимущество. Он умел находить аудитории, оптимизировать кампании, вручную управлять ставками, тестировать десятки гипотез и буквально выжимать максимум из рекламных кабинетов. Сегодня большая часть этой работы постепенно автоматизируется. Meta сама подбирает аудитории, Google сам управляет ставками, AI генерирует тексты, изображения и креативы быстрее, чем это делает большинство специалистов. Настройка рекламы становится не уникальной компетенцией, а базовой функцией платформ. Но самое интересное происходит не здесь. Раньше рост компании во многом определялся тем, сколько качественного трафика удавалось купить. Сегодня этого уже недостаточно. Стоимость привлечения пользователей растет практически во всех каналах, поэтому главный вопрос бизнеса изменился. Теперь важно не только привести человека в продукт, но и понять, почему он остается, возвращается и начинает платить. Почему пользователь зарегистрировался, но не дошел до первой ценности? Почему исчез после первой недели? Почему одни люди становятся постоянными клиентами, а другие уходят, даже если пришли из одной и той же рекламной кампании? Ответы на эти вопросы уже находятся не в рекламном кабинете, а внутри продукта. Поэтому все больше компаний инвестируют не только в закупку трафика, но и в онбординг, пользовательский опыт, эксперименты, персонализацию, удержание и монетизацию. Именно там сегодня создается большая часть долгосрочного роста. По сути, центр принятия решений постепенно сместился. Если раньше маркетинг отвечал за привлечение пользователей, то теперь бизнесу нужны люди, которые понимают весь путь клиента - от первого клика до долгосрочной ценности для компании. Поэтому многие сильные маркетологи становятся продактами. Их опыт работы с аналитикой, гипотезами, экспериментами и пониманием поведения пользователей отлично переносится в продуктовую разработку. Разница лишь в том, что теперь они оптимизируют не рекламные кампании, а сам продукт. Я не думаю, что прям таргетологи умерли. Скорее умерла профессия человека, который умеет только запускать рекламу. В ближайшие годы будут востребованы те, кто умеет смотреть шире: понимать экономику продукта, работать с данными, проводить эксперименты и находить точки роста не только в маркетинге, но и в самом пользовательском опыте. Типа чувак 360. Для пользователей LinkedIn Friends All Courses Pass 8 августа мы проведем воркшоп по AI-аналитике. Будем искать баланс между когнитивными искажения и AI и продактов с маркетологами.