4 of 16

Автоматизация VS AI workflow VS AI agent

Определение	Автоматизация Программа, которая выполняет заранее определенные, основанные на правилах задачи автоматически.	AI workflow Программа, которая вызывает LLM через API для одного или нескольких шагов.	AI agent Программа, предназначенная для выполнения недетерминированных задач автономно.
Основы	Булева логика	Булева логика + нечеткая логика	Нечеткая логика + автономность
Типы задач	Детерминированные, предопределённые задачи	Детерминированные задачи, требующие гибкости	Недетерминированные, адаптивные задачи
Сильные стороны	Надёжные результаты Быстрое выполнение	Лучше справляется со сложными правилами Отлично подходит для распознавания шаблонов	Высокая адаптивность к новым переменным Имитация человеческого поведения и рассуждений
Слабые стороны	Ограничена только явно запрограммированными задачами Не может адаптироваться к новым сценариям Сложности с обработкой комплексности	Требует данных для эффективного обучения моделей Труднее отлаживать и интерпретировать	Менее надёжен, может давать непредсказуемые или нежелательные результаты Медленнее выполняет задачи
Примеры	Отправка уведомления в Slack каждый раз, когда на сайте регистрируется новый лид	Анализ, скоринг и маршрутизация каждого входящего лида с сайта с помощью ChatGPT	Выполнение полноценного интернет-поиска по каждому входящему лиду и обновление информации

🤖

5 of 16

Что могут делать AI-агенты?

🤖

Воспринимать: собирать информацию из своей среды

Принимать решения: оценивать варианты и выбирать лучший для достижения целей

Действовать: выполнять задачи или команды для достижения результатов

Коммуницировать: взаимодействовать с системами, пользователями и другими агентами

Обучаться: со временем улучшаться, анализируя действия и результаты

Решать

Воспринимать

Действовать

Коммуницировать

Обучаться

6 of 16

Повторяющаяся задача = Агент

Для каждой задачи внутри системы создай ИИ агента.

Для каждого агента = отдельный промпт.

Кач-во промпта зависит от рабочих фреймворков, которые работают. Вот несколько из них:

JTBD (Jobs To Be Done) — проектирование функций и процессов, исходя из реальных задач пользователя.
TDD (Test-Driven Development) & Testing Pyramid — тесты на всех уровнях: unit, integration, e2e.
Hypothesis-Driven Development — развитие через формулировку и проверку гипотез.
Definition of Done — чёткие критерии завершения для каждого результата.
Checklist-driven Execution — выполнение по чек-листам и шаблонам.
Audit & Double-Check Protocol — глубокая проверка задач, стандартов и решений.
No Gaps Protocol — контроль полноты логических цепочек и процессов.
Incident Management — автоматизация фиксации, анализа и устранения инцидентов.
Root Cause Analysis — анализ первичных причин проблем через 5 последовательных “почему”.
5W+H (Who, What, When, Where, Why, How) — универсальная рамка для постановки и анализа задач.
Situation-Problem-Solution — классическая логика для описания и решения проблем.

7 of 16

Архитектура ИИ-агентов в продуктовом цикле

AI-оркестратор: координация, постановка задач, коммуникация с человеком.

AI-агенты: исследователь, аналитик, приоритизатор, бизнес-аналитик, продуктовый аналитик.

Коммуникация: протоколы (MCP, LangChain) для бесшовного взаимодействия, API краулеры и парсеры

Цикл: ввод → планирование → действие → обратная связь → обновление памяти.

Анализ требований и приоритизация

Дизайн и подготовка прототипа

Разработка

Работа с рисками

Тестирование и

выход в пром

AI-агенты

8 of 16

Примеры ценного контекста для ИИ

Сайт вашей компании/продукта (используйте браузер для «сохранить как PDF» / кроулер)
Презентация стратегии вашей компании (экспорт в формате PDF)
Все ваши данные по сегментации и исследованию клиентов
Исследование вашей конкурентной среды
Видение компании, стратегия, квартальные плановые документы и т. д.
Корпоративные процессы
Организационная структура и роли вашей команды
Прошлые ретроспективы вашей команды
Ваша последняя оценка производительности или неформальная обратная связь от менеджера

После чего создайте базу знаний (Google Docs вполне ок)

9 of 16

Преимущества использования ИИ-агентов в продуктовом менеджменте

Экономия времени

Сокращение рутинных задач до 80%.
Рост T2M

Качество решений

Повышение точности за счет данных и аналитики.

Снижение рисков

Уменьшение ошибок и упущений в процессе.

Масштабируемость

Возможность параллельной работы над многими проектами.

Фокус на стратегии

Менеджер концентрируется на творческих задачах.

10 of 16

Задаем роль

Я — [Product Manager] в компании [Ozon], а ты мой помощник и советник, который помогает мне, чтобы я достиг максимального потенциала.

Я буду предоставлять тебе подробную информацию о нашей компании: стратегия, целевая аудитория, инсайты о рынке, продукты, внутренние стейкхолдеры и динамика команды, прошлые оценки эффективности и результаты ретроспектив.

В каждом разговоре я буду давать тебе информацию о конкретной инициативе, чтобы ты помог мне сориентироваться в ней.

Я ожидаю от тебя: задавать вопросы, когда это необходимо, чтобы получить больше контекста; восполнять важные недостающие сведения; оспаривать мои предположения. Задавай мне вопросы, которые позволят тебе максимально эффективно помогать мне в моей роли.

Это отправная точка, и вам следует корректировать её со временем, в зависимости от того, как вы хотите, чтобы вёл себя ваш второй пилот.

11 of 16

Проведите онбординг

Представьте, что вы онбордите нового продакта. Какие документы вы бы ему дали?

Загрузите:

* лендинг продукта

* стратегию / роадмапы

* исследования, сегментации

* процессы команды

* структуру и роли

* ретроспективы, фидбек

12 of 16

Начинаем работать над инициативами

Теперь, когда ты знаешь о моей компании и моей команде, я хочу немного рассказать вам об инициативе, над которой я работаю, и представить её конкретный контекст. Это отправная точка того, что мне известно, и я буду обновлять информацию по мере поступления новой информации и новых идей: [Расскажите, что вам известно об этой инициативе, в любом порядке.]

Это может быть как часть пайплайна в n8n

13 of 16

В идеале

Разработать ИИ агента, который будет писать ИИ агентов.

Один из таких — n8n MCP workflow

14 of 16

План на сегодня

Разыграть синтетичекий кейс (фича для магазина игрушек)
Обогатить контекстом (кто я, какая цель, о компании, о клиентах, цели на 1-3 г)
Собрать агента оркестратора
Собрать несколько ИИ агентов из фреймворка Triple Diamond

подготовить промпты с few-shots
скормить транскрибацию встречи со stakeholders
получить PRD (БФТ) с JTBD
получить промпт для Lovable / BOLT
получить разметку для фичи (events + user properties)
собрать агента ИБ
собрать агента юриста
спроектировать А/В тест
спроектировать CustDev интервью (few-shots)

Если успеем:

MVP в Lovable / BOLT
Синтетические кастдевы

Транскрипция:

15 of 16

Материалы

Материалы с воркшопа

Пример диалога https://telegra.ph/Dialog-05-29-11
JSON n8n https://t.me/c/3045451970/9

дополнительно полезные материалы

https://www.youtube.com/live/mcwOFfIP5sU

Figma

16 of 16

Что дальше?

Развивайте свою связку, улучшайте кач-во промптов, добавляйте новых агентов.

Вот хороший Claude for PMs, что умеет:

Настоящее командное сотрудничество

Несколько экземпляров Claude могут работать над одним и тем же проектом одновременно.
Разработчики-люди наблюдают за развитием ИИ в режиме реального времени, комментируя проблемы.
Члены команды могут подключаться в любом месте
Менеджеры получают прозрачность, не прерывая рабочий процесс

Плавная передача данных между человеком и ИИ

ИИ может начать задачу, человек может ее завершить (или наоборот)
Обновления хода выполнения видны всем, а не сохраняются в журналах чата.
Обзоры кода происходят естественным образом через PR-комментарии
Никаких встреч типа «что сделал ИИ?»

Масштабируемость

Добавляйте членов команды
Несколько агентов ИИ, работающих параллельно над разными задачами
Распределенные команды автоматически синхронизируются
Работает с существующими рабочими процессами и инструментами GitHub