1 of 12

Product Anti-Automation Skillset

Заменит ли AI продакта?

Какие навыки и скиллы PM будут дешеветь, а какие дорожать и как AIзировать с умом

Цыпаченко Дарья

Lead Product Manager, ТБанк

ProductConf AI

Anti-Automation Skillset

Всем привет! С возвращением, надеюсь все отлично провели ланч.

Продолжим сейчас говорить про AI треки.

Какой вопрос сегодня точно не будем обсуждать – заменит ли ии продакта.

А вот какие навыки будут дорожать – да. Какие части нашей роли становятся дешевле и более автоматизируемыми, а какие, наоборот, становятся более ценными.

На самом деле, AI не столько создаёт новые навыки, сколько очень жёстко переприоритизирует старые. Обойдемся без драмы сегодня. Пока ни одна профессия еще не исчезла.

Тут хочется еще отметить, что мы пока не знаем куда в итоге придет ситуация с AI, поэтому прогнозировать по скиллам сложно вдвойне. Есть три гипотезы, куда придет AI через 2-3 года – Захватит мир, Плато и Откат/Разочарование. Многие больше всего склоняются к середине – 2 варианту. Я тоже. ��Какие скиллы нужны будут продактам, как и остальным профессиям, будет сильно зависеть от этого. У нас есть на это лет 6, потому что рынок мы смотрим зарубежный по сигналам и трендам. До нас докатывается медленнее – еще через 2-3 года.

Но в текущем моменте также можем выделить общие скиллы, которые точно уже приоритизируются и будут продолжать расти в цене.

2 of 12

РЕЗУЛЬТАТ

Что заберёте за 20 минут

01 · Компетенции

Рынок
Что в роли PM автоматизировать, что усиливать AI, а что сознательно оставлять человеку

02 · Где деньги

Как переводить AI идеи в P&L, cost, risk и TOC, чтобы считать бизнес value, а не только продуктивность

03 · Чекап

Self-audit AI готовности

Anti-Automation Skillset

3 of 12

Даша Цыпаченко

Lead Product Manager, ТБанк · PM mentor

13 лет в IT, 6 лет в Product Management
Про продукты: запустила low-code SaaS/PaaS-платформу, запускаю стартап в Т в сфере HRTech с большим количеством AI фич
Про людей : собираю , управляю, нанимаю, увольняю, собеседую на секции в Т, провожу ассесменты на апгрейд
Про развитие: Помогла 27+ продактам из Yandex, ТБанк, Raiffeisen и др., консультирую компании по поиску PSF/PMF, помогаю выстраивать продуктовый цикл и растить org/product maturity

Anti-Automation Skillset

4 of 12

КОНТЕКСТ

Что происходит в рынке: 4 сдвига, которые меняют роль PM

1. AI literacy + Product arch + Leadership

Растут ожидания к AI literacy, product arch параллельно с ценностью коммуникации, лидерства и адаптивности

2. AI становится темой P&L

Теперь важны не только скорость и wow-effect, но и cost, latency, quality, risk

3. Trust становится реальным активом

Теперь это не абстрактная «полезная штука», а то, что влияет и на adoption, и на готовность людей пользоваться AI в принципе

4. От IC к orchestration

Сильный PM умеет не только делать сам, но и управлять системой из людей и AI агентов (хотя сам тоже должен)

Anti-Automation Skillset

Что у нас вообще сегодня происходит в рынке продактов. Top down

По исследованиям макинзи, бсг, линкедин

1) От продакта всё чаще ждут не только product sense, но и AI literacy, понимания устройства AI-фич, ограничений моделей, данных и архитектуры продукта.�Не обязательно на уровне инженера, но уже точно не на уровне “ну это где-то там работает”. Например в фейсбуке/мета включили в секции собеседований обязательное использование ИИ, часть про базовое устройство нейронок, и архитектуры продуктов. Но четко остается неизменными лидершип и коммуникация. По ним вообще нет измнений.

2) AI перестал быть просто темой скорости или вау-эффекта. Он довольно быстро становится темой экономики: cost, latency, quality, support, risk.�То есть разговор про AI взрослеет и приходит в P&L. Приходит понимание, что можно развалить бизнес, если раньше было больше просто скорость, то сейчас надо обсчитывать. Gartner ожидает, что значимая доля agentic проектов будет отменяться из-за высокой стоимости и неясной бизнес-ценности.

3) trust начинает ощущаться как очень реальный актив. Не абстрактная “хорошая штука”, а вещь, которая влияет и на adoption, и на готовность людей пользоваться AI, и на то, насколько безопасно вы вообще можете расширять сценарии. Про доверие вообще моя любимая тема. Тут как про доверие между людьми приобретает совсем другой масштаб, так и доверие миру, контенту и тд. �Я в какой-то момент года два назад вводила в команде прямо мтерику доверия, так как верю до сих пор, что это база. Ее надо научиться обсчитывать и измерять. И это не всегда просто LTV или Retention. Это валюта нового времени во всем от продуктов до нетворкинга НО она менее частотная всегда.

4) PM всё чаще сдвигается от “я сам много руками делаю” к роли, где нужно оркестрировать систему: людей, AI-инструменты, данные, процессы, иногда агентов. У нас в компании есть подходы с агентами для решения различных задач разработки, аналитик, тестирования, поддержки - в основном сейчас во внутренних продуктах.

Это уже дает возможность управлять костами и через них видно, что нужно круто учиться управлять оркестрацией агентов.

Именно поэтому вопрос уже не ‘используете ли вы AI’, а ‘какая часть вашей роли дорожает в мире AI’. Что в нашей роли должно стать сильнее, а что можно спокойно отдавать машине.

5 of 12

HUMAN MOAT

3 области PM, которые приближают незаменимость

Ownership

Отвечать за последствия, а не только за output

Держать quality / cost / risk trade-offs

Задавать границы автоматизации

Judgment / Entrepreneurship

Выбирать, куда направить усилие, на что делать ставку

Понимать product architecture

Принимать решения в неоднозначности

Alignment

Выравнивать стейкхолдеров

Удерживать доверие к продукту и процессу

PM остаётся тем, кто держит выбор, ответственность и доверие

Anti-Automation Skillset

Если попробовать собрать незаменимость PM в три большие зоны, я бы выделила вот таких три кита.

Оунершип– AI по сути ни за что не отвечает и его невозможно призвать к ответственности. Все сейчас бегут внедрять с AI везде а, когда происходит критическая ошибка, просто говорят, что виноват AI. Мы начинаем подходить к тому, что нужно понимать и нести ответственность за последствия AI фичи.

По сути, AI пока все еще и, вероятно, все же всегда, производная комнады, а не ее участник. �Поэтому ownership здесь для меня — это про способность держать последствия, а не только output

Judgement и предпринемательское мышление – AI уже неплохо помогает производить варианты. Иногда даже слишком много вариантов.�Но выбрать, на что делать ставку, какой trade-off принять, где окно возможностей, а где красивая, но пустая идея — это всё ещё человеческая работа.

По факту это способность принимать взвешенные решения в условиях неоднозначности. Также, например, известно, что AI не различает сигналы и тренды, не может анализировать это нормально, поэтому на это нужен человек.

Для этого также нужно понимать архитектуру продукта overall. Мы в своих вакансиях, в том числе, ожидаем от продактов понимания того, как работает их текущий продукт на уровне тех архитектуры.

Третье — Alignment. Это по сути про умение вести переговоры и коммуникацию на разных уровнях, управлять ожиданиями. Постоянно работать над прозрачностью продукта для клиента и пользователя. Очень многие инициативы ломаются не потому, что модель плохая. Они ломаются потому, что не договорились: кто валидирует качество, где границы автоматизации, что допустимо, а что нет, кто несёт ответственность.

Да, какую-то карту переговоров на AI составить можно, но также как и исследования/касдевы, это будет очень синтетический план.

Поэтому мне нравится мысль, что AI ускоряет производство, а PM остаётся тем, кто держит выбор, ответственность и доверие.�

6 of 12

AI-NATIVE PM

3 компетенции AI native продакта

Eval thinking

Умею связывать

Качество модели → Продукт → Бизнес

Data readiness

Понимаю, откуда берутся данные и где они ломаются

Trust by design

Строю AI так, чтобы ему можно было доверять

Источники:

Event logs
Knowledge / контент
Golden set
Feedback / разметка
Аналитические эвристики

Источники:

Маркируем AI часть продукта
Показываем ограничения и источники там, где это важно
Закладываем human validation там, где высокая цена ошибки

precision / recall
win-rate
hallucination rate
latency

→

conversion
TTV
retention
CSAT

revenue uplift
cost reduction
risk cost

→

Anti-Automation Skillset

Если спуститься с верхнего уровня абстракции больших идей до более прикладных навыков и компетенций, то у AI-native PM в топ выходят три следующие три:

Eval thinking по сути это база профита от AI для бизнеса – умение связывать качество модели → продуктовую метрику → бизнес-эффект.

Сильный PM умеет показать, какая метрика качества реально двигает деньги.

У нас был кейс с подсказками и рекомендациями для пользователей , где мы все пытались качать precision, но потом посмотрели на все это после запуска, что все равно даже при хорошем precision против baseline не происходит более быстрого решения задачи пользователем, роста использования, снижения нагрузки на поддержки. От идеи отказались, так как пользователи просто не могли окончательно решить задачу без общения со смежными командами. Надо всегда возвращаться к пользовательским сценариям,

Data readiness – Очень многие AI-фичи упираются не в то, что “модель слабая”, а в то, что данных не хватает, они плохо собраны, плохо размечены, не логируются, не дают нужного контура обратной связи.

На самом деле, у нас в кейсах, например, на сбор данных для прямо новой фичи, с exclusive data, которой нельзя найти в общих источниках, ушло около 8 меяцев на качество и дообучение. За это время удалось поднять аксептанс рейт.

Trust

Мы сталкиваемся с большим количеством сгенерированного контента – текст, визуалы, музыка, видео и тД Доверие к AI при всем этом не появляется само. Его нельзя прикрутить в конце как полировку.�Если сценарий чувствительный, если цена ошибки высокая, если пользователю важно понимать границы системы — всё это надо закладывать сразу. Делать для пользователя свои сревисы и фичи максимально прозрачиными по наличию AI ген состаляющих. Понятно, что если это под капотом, например, ранжирование, то тут это явно не применимо, но в клиентских интерфейсах, всегда надо оставться в trust&safty границах.

7 of 12

РАМКА ПРИНЯТИЯ РЕШЕНИЙ

Фреймворк ”Automate ↔ Augment ↔ Human-Only”

Automate

Делегируем моделям задачи с высокой повторяемостью, низкой ценой ошибки и чёткими правилами

Augment

AI делает 60–80% черновой работы, человек держит контекст, качество и ownership

Human-Only

Задачи с высокой ценой ошибки, этикой, доверием, переговорами

Правило: чем выше цена ошибки и роль доверия, тем дальше задача от полной автоматизации

Anti-Automation Skillset

Если говорить о том реальном подходе, который можно применить в команде/продукте для оценки ИИзации фич, то это такие три зоны:

Automate — когда задача повторяемая, относительно формализуемая и с невысокой ценой ошибки.

Augment — когда AI может сильно помочь, но человек всё ещё держит контекст, качество и ownership. Мне кажется, это вообще самая интересная зона для продакта.

И Human-Only — там, где высока цена ошибки, важны доверие, переговоры, влияние, ответственность, этика.

На самом деле самое важное тут понять, что ошибка в классфикации задачи для вас – это становится не только методологической проблемой, а также потерями в P&L, скорости, trust и качестве решений.

Здесь нет цели загнать всё в AI.�Скорее наоборот:�цель — не пытаться автоматизировать то, что лучше и безопаснее усиливать, или то, что пока разумнее оставлять человеку.

8 of 12

ПРИМЕРЫ

Как раскладывать продуктовые задачи по матрице

Automate

Первичный ресерч, sum up фактов/инсайтов
Sum up интервью/логов, первичная кластеризация тем
Драфты PRD/release notes/SQL запросов

Цели:

скорость цикла
cost / час
% ручных правок

Augment

Прогноз через симуляции
Поиск метрик
Оценка AI-фич через eval
Анализ интервью

Цели:

скорость принятия решений
точность прогнозов
hit-rate гипотез

Human-Only

Переговоры со стейкхолдерами
Выбор стратегии и pricing модели
Гейты качества
Этические решения, где цена ошибки высока (комплаенс, приватность, безопасность)

Цели:

согласованные решения
снижение риска
NPS стейкхолдеров

Anti-Automation Skillset

Если приземлить это на реальные продуктовые задачи, то картинка обычно получается довольно понятной.

В Automate хорошо ложится всё, что повторяется и не требует глубокого человеческого выбора:�первичный ресерч, суммаризация интервью, черновики документов, первичная кластеризация.

Это не значит, что человек исчезает.�Скорее это значит, что мы перестаём тратить дорогой человеческий ресурс на то, что машина уже умеет делать достаточно нормально.

В Augment AI часто хорошо ускоряет мышление, но не должен становиться единственным субъектом решения.

А в Human-Only то, где критичны договорённость, ставка, власть решения и цена ошибки:�переговоры со стейкхолдерами, стратегия, quality gates, сложные этические и рискованные решения

Надо честно смотреть, где AI даст вэлью по целям и метрикам зоны.

9 of 12

BUSINESS CASE

Как матрица “приземляется” на P&L в каждой зоне

Зона	Что улучшаем	Как переводим в деньги
Automate	cycle time, throughput, manual work, conversion, retention, TTV, adoption	↓ OPEX / cost-to-serve
Augment	качество решений, speed of analysis, hit-rate гипотез	↑ revenue / margin
Human-Only	decision quality, adoption, incident rate	↓ risk + ↑ speed of value

ROI = uplift − ownership cost

модель / токены
инфра
инференс
подготовка данных
Eval
ресурсы на Review
поддержка
управление точностью

Anti-Automation Skillset

Теперь, наверное, мой любимый кусок — как всё это приземляется на деньги.

Одна и та же AI-активность даёт деньги по-разному в разных зонах матрицы

На самом деле не надо пытаться влиять AI там, где вы не можете подтянуть верхнюю метрику, даже если очень хочется. Мы например, в одном платформенном продукте пытались влиять на деньги и revenue явно, когда это было невозможно. Времени потратили много , ресурсов тоже, выхлоп нулевой.

Первая зона — Automate.�Здесь AI не столько делает продукт умнее, сколько делает процесс дешевле и быстрее.�Тут деньги обычно приходят через более понятные вещи: меньше ручного труда, ниже cost-to-serve, быстрее цикл, меньше операционных затрат.

Вторая зона — Augment�На мой взгляд, это самая важная зона для PM.�Здесь AI не заменяет человека полностью, а усиливает качество решений, discovery, эксперименты, сценарное мышление, анализ причин метрик.

Если AI помогает пользователю быстрее дойти до ценности, лучше выбрать, лучше сконвертиться, реже отвалиться — вот там начинается реальный бизнесовый эффект, быстрее выход на профит.

Третья зона — Human-Only.�И вот тут часто кажется, что денег нет, потому что это не автоматизация и не прямой uplift в конверсии. Но на самом деле деньги здесь есть — просто они более косвенные и более управленческие. Это меньше плохих решений, меньше рискованных релизов, быстрее согласования, меньше стоимость ошибок.

И здесь, как мне кажется, очень важно не романтизировать AI.�Почти любая AI-инициатива рано или поздно заставляет считать не только uplift, но и ownership cost.

И в костах на AI мы сейчас чаще всего говорим про первый три – токены, инфра, инференс, а на самооом деле их намного больше.

У нас был кейс, когда мы внедряли распознавание звноков и ответы через AI, чтобы растить time to task у сотрудников. Времени потратили кучу – выхлоп околонулевой, так как оказалось, что ресурсы на человеское review нужны огромные и не сопоставимы с сутью ценности фичи.

10 of 12

DECISION CHECKLIST

Нужен ли здесь AI? Проверьте 4 вещи

1. Повторяемость

Насколько задача типовая и формализуемая?

2. Цена ошибки

Что произойдет, если AI ошибется?

3. Доверие

Нужны ли переговоры, лидерство и принятие ответственности?

4. Аудитируемость

Есть ли данные, логирование и возможность проверить качество?

Высокая повторяемость → ближе к Automate

Высокая цена ошибки и доверие → ближе к Human-Only

Anti-Automation Skillset

11 of 12

С ЧЕГО НАЧАТЬ

Self-audit для оценки AI skills

Понимаю, как AI создает ценность для бизнеса
Могу объяснить, что такое генеративный ИИ и языковая модель
Понимаю основные принципы работы генеративных ИИ и могу их использовать в повседневных задачах
Понимаю возможности и ограничения AI
Понимаю, чем отличается обучение без учителя, с учителем, с подкреплением
Умею мыслить через evals - оценивать качество модели, продукт, влияние на бизнес
Понимаю экономику AI-фич
Понимаю откуда брать данные для обучения модели
Учитываю trust/risk
Могу определить задачу для своей проблемы
Могу генерировать и валидировать гипотезы для AI-продукта/фичи
Меняю собственный workflow с помощью AI

Незаменимость продакта — не в том, чтобы делать работу «через AI», а в том, чтобы держать систему продукта в границах качества, стоимости и ответственности

Anti-Automation Skillset

1 of 12

2 of 12

3 of 12

4 of 12

5 of 12

6 of 12

7 of 12

8 of 12

9 of 12

10 of 12

11 of 12

12 of 12