Срез состояния продуктовой разработки в 2026 году — и куда ИИ ведёт индустрию
Для тех, кто заблудился в продуктовом-менеджменте. Как ИИ изменил индустрию и где мы находимся сейчас.
(Кратко о себе: 20 лет занимаюсь созданием цифровых продуктов, руковожу венчурным фондом Mitgo.VC и тут еще описан интересный кусок опыта про создание корпоративной стартап-студии на 30 млн долларов).
С выходом ChatGPT индустрия создания цифровых продуктов и Product Management начала сильно меняться. Долгое время было непонятно, что происходит. Старые фреймворки и подходы уже не актуальны. Новых еще не было. Все были заняты тестами: а что может ИИ? А так? А вот так?
Надо учиться, но чему и у кого — неясно. Любые курсы, связанные с ИИ, становились неактуальными к моменту завершения.
У меня была абсолютно такая же растерянность. Как тугодуму, мне понадобилось 2 года, чтобы сориентироваться. Но картина выстроилась. Что работает, на что надеяться, чего ожидать, как изменятся команды разработки, какие профессии и роли будут более востребованы.
Дисклеймер: Это пост для практиков внедрения в корпорациях и фаундеров стартапов, а не для ученых в передовых ИИ-моделях.
Итак, что ИИ (LLM) сделал с индустрией создания цифровых продуктов и где сейчас узкое место.
Часть 1. Что такое ИИ для простых смертных продактов (а не Илона Маска)
Во-первых, кажется, самые мощные скачки и изменения мы уже пережили. Когда не было ChatGPT и он появился — это было «вау». Переход с версии 4.1 на 5.2 делает GPT сильнее, но не меняет игру. Пока не построят новые дата-центры и систему генерации электричества для них, стоит ожидать плавных изменений.
Самое время оглядеться: что такое ИИ (LLM) и что он нам дал?
Ключевое — он уравнял доступ людей к передовым знаниям человечества. В принципе, и раньше через Google можно было узнать, что знает человечество про…, но теперь это в 10 раз быстрее и дешевле.
Вы, как и ваш сосед, в 2 секундах от ответов на вопросы, про которые уже есть информация в интернете. Все существующие best practices вам доступны бесплатно.
Надо помнить, что LLM хороши настолько, насколько хороши их датасеты (данные, на которых они обучены). В положении, где все равны (вооружены одинаково), преимуществом для продукта становится нахождение информации, которой еще нет в базах.
Ни одна LLM не подскажет вам, какие именно функции (именно в вашем рынке, в вашей нише) понравятся клиентам. Разве что вы делаете не новый продукт, а повторяете то, что уже было задокументировано (а какие доки оставляют после себя продакты мы все знаем, так что можно особо не надеяться).
Вывод: Пропорционально большая часть людей в вашей компании должна заниматься добычей информации, недоступной пока в LLM. Реальная R&D деятельность: добыча новых данных, правильная их оцифровка и складирование. Для всего остального есть ИИ-агенты.
Растет запрос на людей с идеями (хорошим вкусом и насмотренностью). ИИ новое не придумает, а подскажет, что вероятнее надо делать на базе прошлого. И по сообществам предпринимателей видно, что задачу создания новых идей ИИ не решил никак.
В целом люди сделали шаг к более рациональным существам, ведь сейчас у тебя есть инструмент, чтобы любое свое решение попробовать просчитать или как минимум получить второе мнение. Что хорошо.
Часть 2. Бэклоги сдвинулись
Раньше быть продактом (я про роль, не важно как вы при этом назывались — фаундер, СЕО, СТО, маркетолог… все равно кто-то выполняет роль «что именно мы будем разрабатывать») было довольно просто.
Ты поработал, нагенерил интересный роадмап функций, а дальше можно более-менее выдыхать, так как знаешь, что у разработки на его проработку уйдет год-два.
Сейчас, благодаря Cursor и схожим инструментам, те самые бэклоги (которые у крупных компаний исчислялись годами) сильно подизмельчали. И впервые руководство обнаружило себя в ситуации, что скоро их разработке будет нечем заниматься.
Это породило новые риски:
- Замусоривание: В бэклог кидают «абы что», лишь бы загрузить кодеров.
- Технический долг: Мы пишем код быстрее, чем успеваем думать об архитектуре. Скорость кодинга превысила скорость осмысления. Мы выпускаем фичи быстрее, чем маркетинг успевает про них рассказать, а аналитики — понять, сработало оно или нет.
Часть 3. Новая модель мышления: Режь, потом мерь
В бизнесе изменилась корневая модель мышления. Старый принцип «семь раз отмерь, один раз отрежь» был актуален, когда ресурсы были ограничены, а ошибки — фатальны (как испорченная дорогая ткань). Сегодня стратегия выигрыша выглядит иначе: «отрежь, замерь, переделай».
Почему это работает сейчас? Раньше разработка продукта была долгой и дорогой, поэтому львиная доля времени уходила на планирование. Сейчас скорость важнее стерильности:
- Быстрый запуск: Если мы не про запуск крупного проекта, а что-то более локальное - какой Лендос выбрать? Или, что если добавить тут кнопку которая... Идея сразу идет в работу (никаких долгих обсуждений, приоритизаций, делать ли, не делать ли).
- Мгновенная обратная связь: Тщательно отслеживаем, на что повлияло решение.
- Право на ошибку: Если гипотеза не подтвердилась — откатываемся назад и пробуем другой путь.
В сумме такой итерационный подход позволяет двигаться в разы быстрее конкурентов, застрявших в битвах между смыслами и мнениями топ-менеджмента. Никто не знает, что сработает. И если раньше в работу шло то, что HIPPO (самый важный начальник) считал верным, сейчас можно сразу проверить и понять по факту.
Важное уточнение: есть 2 типа решений. Если решение невозможно быстро «откатить» (например, в медицине или при работе с людьми), мы возвращаемся к классическому «семь раз отмерь». Но там, где цена ошибки — время разработки, дешевле реализовать сразу две идеи и узнать правду, чем обсуждать и выбирать одну.
Резюмируем, как адаптировать продуктовые команды под ИИ:
- Больше ресурсов на Discovery-этапы. Закладывать больше времени на проработку задач. Вы хотите, чтобы ваш бэклог стал в 2-4 раза длиннее и проработаннее, чем это было 5 лет назад.
- Больше ресурсов на Аналитику. Растет запрос на измерение: на что повлияло решение, оцифровка данных по пути, анализ причин успеха/неудачи и пополнение бэклога новыми задачами.
- «Холд» ресурсов на разработку. По факту, больше отделов можно включать в спринты, а не разворачивать на входе с фразой «в роадмап запросам вашего отдела никогда не попасть».
Часть 4. Кризис MVP и ренессанс Качества
Гармония в мире есть. Когда все делали дорого (долгие планы, разработка 2-3 года), сила была у тех, кто мог делать быстро. Так появились Agile и Lean Startup. Сейчас, когда MVP делают за неделю, ценность вновь сместилась туда, кто может дать качество.
Да, тесты и проверки идей никуда не делись. Но «еле рабочий» MVP вас никуда не вынесет. Скорее, он даст ложные данные, из-за которых вы свернете не туда.
AppStore и другие платформы забиты AI-слопом (мусорным контентом), море соло-фаундеров выпустили свои мини-продукты. И пока неясно, где им брать клиентов. Так что если на фоне 10 быстрых поделок у вас будет нормальный готовый продукт, с качественным контентом и маркетинг-сопровождением, у вас будет хоть какой-то шанс быть замеченным.
И главное: ИИ ужасен в UI/UX. Все 99 продуктов, которые вы сделаете, он будет запихивать в 5-6 шаблонов, которые умеет. Это отлично, так как дает возможность отличиться от нагенерированных ИИ-приложенек.
Как изменится работа продакт-менеджера?
В классической теории роль продакт-менеджера включала:
- Следить за рынком и реагировать.
- Вести актуальный роадмап.
- Проводить эксперименты и отслеживать эффективность.
- Исследование аудитории (custdev, опросы).
- Сбор новых идей в бэклог.
- Работа со стейкхолдерами (от дизайнеров до CEO).
- Часто — продуктовый маркетинг и аналитика.
На практике успевать делать всё это качественно одному человеку было невозможно. Сейчас, если обложиться ИИ-агентами, можно успевать куда больше.
Все эти задачи по-прежнему актуальны. Экспериментов, где люди жили на бэклоге, нагенеренном через ИИ, хватает — хорошего мало. ИИ тут не изменил ничего, только инструментарий как это делать, но не что.
Итого: Куда дует ветер?
Чего должно становиться больше (автоматически снижая ресурсы на остальное):
- Запрос на объемы нового качественного контента. Речь не про AI-слоп, а про данные, которых в ИИ пока нет. Ведь теперь есть кому это все обрабатывать и читать. Нужна оцифровка знаний, которые раньше хранились только в головах.
- Сбор данных — это религия. Что бы вы ни делали, обязательно в процессе надо собирать и грамотно складировать данные (и то, что продукт генерит, и фидбек клиентов, и результаты гипотез). Иначе ваши ИИ-агенты умнеть не будут, а это долгосрочно хреновая идея. Общие LLM у всех будут плюс-минус одинаковые, разница будет в корпоративных моделях с доступом к уникальным данным.
- Расширение функционала. В каждой профессии всегда было 10-20 вещей, которые «хорошо бы делать, но руки не доходят». Сейчас у вас есть возможность наконец-то делать их.
- Фокус на идеях. Уделять больше времени исследованиям и генерации бэклога. Раньше было незачем, если задач и так висит на 3 года. А сейчас: или сокращаем производство, или надо больше идей и ресурсов для анализа сделанного.
Самая важная часть роли продакта сегодня — бинарная оценка результата: Получилось или нет.
У вас может быть 45 AI-агентов, которые блестяще выполнили 45 маленьких задач. Но, как в старой шутке, из букв «О», «П», «Ж», «А» нужно сложить слово «ВЕЧНОСТЬ». Сложились ли эти кусочки кода и дизайна в работающий бизнес? Получилось ли целое из кусочков? Ответить на этот вопрос пока может только человек.
Итого: кубики и задачи не изменились сильно, но распределение ресурсов надо подправить заметно. И можно спокойно и успешно ожидать следующую волну, которая вновь смоет текущую схему.
Жизнь :)