Продакты vs AI: профессия исчезнет? Честный разбор с топ-экспертами

Спикеры:

Анна Подображных — Руководитель Вселенной AI-ассистентов в Т-Банке. Развивает пользовательские AI-продукты и участвует в формировании требований к ML- и AI-продактам.

Валерия Розова — Основательница международного проекта Shanc.ai, бизнес-школы для продакт-менеджеров Roots и платформы для руководителей TYPICAL.

Евгения Одуд — CPO Jetsim, ex-Tinkoff. Продуктовый руководитель с опытом работы в международных компаниях, найма продуктовых специалистов и внедрения AI в процессы бизнеса.

Дарья Васянина — Product advisor, автор Telegram-канала «Дашич, беги». Консультирует компании, помогает нанимать продуктовые команды и работает с карьерными стратегиями специалистов.

Материалы и дата дискуссии:

1. Сайт мероприятия
2. Запись встречи
3. Презентация
4. Дата дискуссии: 23 июня 2026 года
5. Каналы спикеров:
   • Валерии Розовой — https://t.me/valerierozov
   • Анны Подображных — https://t.me/product_weekdays
   • Евгении Одуд — https://t.me/productodud
   • Дарьи Васяниной — https://t.me/dashich_begi

Фокус дискуссии: главный вопрос, который волнует всех продактов

Главный вопрос встречи — не исчезнет ли профессия продакт-менеджера, когда AI сможет анализировать данные, формулировать гипотезы, готовить документацию, создавать прототипы и выполнять часть координационной работы.

Почему требования к продактам меняются уже сегодня

Евгения Одуд: Бизнесу нужен результат, а не демонстрация процесса.

При этом ускоряется не только delivery. Если разработка и прототипирование становятся быстрее, команда должна ускорять и discovery, иначе она начнёт быстрее выпускать непроверенные решения.

По мнению Евгении, от продактов всё чаще ждут:

• Измеримого результата;
• Быстрого цикла от идеи до проверки;
• Способности принимать решения в условиях ограниченных ресурсов;
• Самостоятельности;
• Понимания экономики продукта;
• Стратегического видения.

Анна Подображных: у AI-продукта появляется технологическая неопределённость.

В классическом продукте команда отвечает на несколько основных вопросов: существует ли потребность, решает ли продукт проблему и будут ли люди им пользоваться.

Однако в AI-продукте уже возникают вопросы другого формата: можно ли реализовать обещанную механику; достаточно ли данных; можно ли обеспечить стабильное качество; как оценивать ответ модели; будет ли решение работать не только в демонстрации, но и на реальном потоке пользователей.

Дарья Васянина: «Покажи, что ты сделал» становится фильтром при найме.

Дарья отметила, что некоторые компании хотят видеть у кандидата самостоятельно созданные продукты, прототипы или пет-проекты.

Работодателю важен не только факт вайбкодинга. Такой проект может показывать, что кандидат: проявил любопытство; самостоятельно дошёл до реализации; разобрался в потребности; нашёл пользователей; попробовал получить выручку; умеет не только рассуждать, но и действовать.

Валерия Розова: изменения зависят от типа компании.

В интервью с продактами из зарубежных компаний Валерия не увидела повсеместного появления жёстких новых требований. В крупных и более консервативных компаниях AI пока чаще воспринимается как преимущество, позволяющее быстрее выполнять работу, а не как обязательная часть должностного профиля.

За что будут платить продактам через 2–3 года: новые критерии ценности

Евгения Одуд: доменная экспертиза становится преимуществом, потому что позволяет специалисту быстрее: оценивать предложения AI; замечать фактические ошибки; понимать ограничения рынка; выбирать реалистичные решения; формировать стратегию; прогнозировать последствия решений.

Дарья Васянина: платят за понимание пользователя и способность выйти на рынок. Сделать продукт становится проще, но продать его по-прежнему сложно.

Поэтому растёт ценность продакта, который способен: выявить реальную потребность → сформировать ценностное предложение → собрать первую версию продукта → найти первых пользователей → проверить готовность платить → придумать способ дистрибуции → довести идею до выручки. Дарья предложила смотреть на самостоятельно запущенный продукт не как на проверку навыков разработки, а как на подтверждение продуктового и коммерческого мышления.

Анна Подображных: за скорость качественной проверки гипотез.

Хороший результат:

✅ Быстро подтвердить гипотезу;
✅ Быстро доказать её несостоятельность;
✅ Не потратить ресурсы на решение, которое не работает;
✅ Оперативно перейти к следующему варианту.

Валерия Розова: за мышление, творчество и способность выйти за рамки инструкции. Поэтому возрастает ценность специалиста, который умеет:

• Сформировать оригинальную гипотезу;
• Увидеть неочевидную возможность;
• Предложить новую механику;
• Работать в ситуации, где нет готового фреймворка;
• Соединять бизнес-, пользовательский и технологический контекст;
• Критически оценивать результат;
• Принимать ответственность.

Какие требования появляются у AI- и ML-продактов

Анна Подображных:

Что важно понимать, если нанимаетесь в Т-Банк на роль ML-продакта (по мнению Анны) — как устроен продукт, построенный на данных; насколько полны и точны исходные данные; как организуется разметка; что такое evals; как определить качественный ответ; как построить тестовый набор; как оценивать модель; как техническое качество связано с пользовательской ценностью; какие задачи можно делегировать команде, а что нужно уметь проверить самостоятельно.

На собеседовании кандидатам могут предлагать отдельную секцию ML-дизайна: спроектировать подход к созданию ML-продукта и объяснить работу с данными, разметкой и оценкой качества.

Главные ошибки при создании AI-продуктов

Анна Подображных:

🟣 Недостаточная полнота данных

Анна привела пример функции, которая должна была отвечать на вопрос пользователя: «Сколько я потратил на кофе?» Задача может быть технологически понятной, но её качество ограничено исходными данными:

• Чеки существуют не для всех транзакций;
• Часть чеков плохо распознаётся;
• В чеке может не быть точного наименования;
• Платёж в кофейне не означает покупку кофе;
• Банк может видеть место покупки, но не конкретный товар.

🟣 Нерепрезентативные тестовые запросы

При разработке travel-ассистента команда сначала собирала потенциальные вопросы у сотрудников компании.

После запуска выяснилось, что реальные пользователи задают другие, более простые запросы. Команда потратила много времени на улучшение качества сценариев, которые практически не встречались у основной аудитории.

🟣 Неправильная метрика качества

Команда может улучшать техническую метрику, которая не влияет на пользовательское поведение. Например, ответ ассистента становится качественнее по внутренним критериям, но при этом: не растёт конверсия; не увеличивается частота использования; не меняется удержание; не улучшается бизнес-метрика. Если корреляции нет, команда оптимизирует не тот показатель.

🟣 Для оценки AI-функциональности Анна предложила рассматривать четыре уровня.

1. Бизнес-метрики (выручка, доля рынка);
2. Метрики основного продукта (количество сделок, количество дней, глубина использования);
3. Метрики AI-функции или ассистента (повторные обращения, конверсия внутри ассистента);
4. Технические метрики (полнота ответа, стоимость ответа, скорость ответа).

Должен ли продакт уметь вайбкодить? Мнения за и против

Дарья Васянина: Вайбкодинг как подтверждение инициативности

Дарья наблюдала запросы работодателей на кандидатов, которые уже: самостоятельно собрали продукт; привлекли пользователей; получили выручку; прошли путь от идеи до запуска.

Такие требования могут быть завышенными, но они показывают изменение ожиданий: от продакта хотят не только планирования и координации, но и способности действовать самостоятельно.

Евгения Одуд: Универсальный специалист не всегда экономит ресурсы

Евгения отметила, что специалист с сильной продуктовой, технической, маркетинговой и коммерческой экспертизой может стоить очень дорого.

Product Engineer: новая профессия?

Валерия вынесла в дискуссию гипотезу о развитии роли Product Engineer — специалиста на пересечении инженерии и продуктового управления.

Анна Подображных: такие роли чаще встречаются в стартапах. Product Engineer наиболее реалистичен:

• В новых продуктах;
• В небольших кодовых базах;
• В AI-native-проектах;
• При создании MVP;
• В командах, где архитектура изначально рассчитана на AI-разработку.

Евгения Одуд:

Что добавили участники

Заменит ли AI продакт-менеджеров? Итоговый вердикт экспертов

Кто находится в зоне риска и что будет с Junior- и Middle-продактами

Дарья Васянина:

Более уязвимы продакты, чья основная функция — переводить задачи с бизнес-языка на технический и передавать их разработке. Некоторые компании могут изменить процесс так, чтобы бизнес взаимодействовал с разработкой напрямую.

При этом роль координатора в сложной организации не всегда легко автоматизировать: внутри неё может находиться большой объём неформального контекста и работы со стейкхолдерами.

Насчёт джуниор-специалистов: практика должна начинаться до первой работы (стажировки, проектная работа, прототипы, исследования).

Валерия Розова:

• Специалисты, действующие только по инструкции. Если вся работа сводится к повторяемому набору операций, её проще алгоритмизировать.
• Категорические противники AI. Рациональный скептицизм полезен. Но специалист, который принципиально отказывается тестировать новые инструменты, может блокировать изменения и становиться менее привлекательным для команды.

Почему фундаментальные знания становятся важнее: продакт-менеджер должен уметь оценивать, корректно ли поставлена задача, полны ли данные, жизнеспособна ли стратегия, соответствует ли решение рынку, не противоречат ли выводы фактам и можно ли использовать результат.

Для этого необходимы фундаментальные знания о: пользователях, стратегии, аналитике, исследованиях, метриках, финансах и так далее.

Евгения Одуд:

По мнению Евгении, компании могут меньше нанимать:

• Junior-продактов;
• Middle-продактов;
• Специалистов без доменной базы.

Бизнес стремится получить более опытного сотрудника, способного управлять AI-помощниками и брать ответственность за результат.

Начинающий продакт может приходить не с нулевой точки, а с экспертизой из другой функции, например: аналитика, маркетинг, продажи, разработка, дизайн.

Анна Подображных:

Анна сместила вопрос с исчезновения профессии на изменение образования. Если AI выполняет часть базовых операций, начинающего специалиста нужно учить не механическому исполнению, а мышлению и оркестрации инструментов.

Раньше начинающих специалистов учили выполнять операции, потому что их нельзя было делегировать AI.

Анна сформулировала вывод предельно кратко: нужно обучать мышлению, а не выполнению шаблонных операций.

Как внедрять AI в работу команды: системный подход

Евгения Одуд: AI должен стать частью процесса компании.

Личное использование ChatGPT или Claude отдельным сотрудником ещё не означает, что компания внедрила AI. Для системной работы необходимо определить единый источник актуального контекста и обновлять документацию.

Анна Подображных: Нужны внутренние амбассадоры.

Лучше работают сотрудники, которые:

1. Сами тестируют инструменты;
2. Находят полезный сценарий;
3. Показывают результат коллегам;
4. Объясняют, как повторить решение;
5. Вовлекают окружающих личным примером.

Создание автоматизации требует первоначальных затрат времени: специалисту приходится выбирать между выполнением задачи привычным способом сейчас или затратой большего времени на создание инструмента, который будет экономить время в будущем.

Валерия Розова: Без корпоративной поддержки возникают ограничения безопасности.

Для работы с внутренней информацией компания должна решить: какие модели разрешено использовать; где хранятся данные; можно ли передавать продуктовый контекст; нужна ли корпоративная подписка; как проходит security-review; как соблюдать требования регуляторов.

Дарья Васянина: Не каждой компании сегодня нужен сложный AI-контур. Иногда бизнесу сначала необходимо: описать процессы и навести порядок внутри себя, поскольку AI не исправляет автоматически неработающий процесс. Во многих компаниях барьером остаётся не технология, а готовность бизнеса менять рабочие привычки.

Как конкурировать с AI

Дарья Васянина: отметила, что специалисту необходимо регулярно пересматривать собственную ценность. Рынок не гарантирует, что однажды сформированный набор компетенций останется востребованным навсегда.

Анна Подображных: AI нужно использовать не в логике «либо он, либо я», а как средство повышения скорости.

Евгения Одуд: предложила отказаться от идеи конкуренции и «оседлать» AI — постепенно перестраивать собственный workflow и передавать технологии подходящие задачи.

Валерия Розова: Вместо вопроса «как победить AI» стоит задавать другой: какую работу я смогу выполнять лучше и на более высоком уровне, если использую AI?

FAQ слушателей дискуссии

1. Что такое доменная экспертиза и как понять, что она есть?

Ответ Евгении Одуд → Доменная экспертиза — это глубокое понимание индустрии, сегмента пользователей или конкретного продуктового процесса. Она проявляется в том, что специалист: знает ключевых участников рынка; понимает бизнес-модель; ориентируется в ограничениях; знает поведение пользователей; понимает значимые метрики; может быстро оценить реалистичность решения.

2. Нужен ли продакту sales-подход?

Ответ Дарьи Васяниной → Понимание продаж было важно и раньше, особенно в B2B. Но снижение стоимости разработки делает дистрибуцию ещё более критичной. Работающий прототип без способа привлечь клиентов не подтверждает жизнеспособность бизнеса.

3. Можно ли перейти в продакт из продаж или банковского управления?

Ответ Валерии Розовой → Управленческий или коммерческий опыт может быть преимуществом, но не заменяет продуктовые навыки: стратегии, работу с пользователями, исследованиями.

Ответ Анны Подображных → Хороший people manager и хороший product manager — не одно и то же.

4. Как перейти в продакт в BigTech, имея смежный опыт?

Ответ Валерии Розовой → Нужно изучить формат интервью и пройти диагностический assessment, чтобы понять, каких компетенций не хватает. В BigTech обычно проверяют более формализованный набор навыков, поэтому опыт «швейцарского ножа» необходимо перевести в понятные для компании продуктовые компетенции.

5. Нужны ли будут frontend-разработчики?

Ответ Анны Подображных → AI может размывать границы между языками и ускорять написание кода, но сохраняются задачи архитектуры, качества, безопасности, поддержки.

6. Важен ли возраст продакт-менеджера?

Ответ Евгении Одуд → Сталкивалась как с предпочтением более молодых кандидатов, так и с обратной ситуацией, когда для руководящей роли компания ожидала более взрослого специалиста.

Главные выводы встречи

1. AI не отменяет продакт-менеджмент, но снижает ценность части рутинных операций.
2. Компании будут платить за бизнес-результат, а не за количество проведённых процессов.
3. Доменная экспертиза становится одним из главных конкурентных преимуществ.
4. Умение создать прототип полезно, но важнее способность найти пользователя и выйти на рынок.
5. AI- и ML-продактам необходимо понимать данные, разметку, evals и ограничения моделей.
6. Технические метрики должны быть связаны с продуктовыми и бизнес-метриками.
7. Product Engineer наиболее реалистичен в стартапах, новых продуктах и ограниченных сценариях.
8. Ожидание, что один продакт заменит всю команду, часто основано на завышенных представлениях о возможностях AI.
9. Наиболее уязвимы специалисты, которые только передают задачи и не влияют на решения.
10. Джунов и мидлов могут нанимать меньше, поэтому возрастёт значение практики и смежной доменной экспертизы.
11. Продуктовое образование должно учить мышлению, а не механическому применению инструментов.
12. AI усиливает специалиста с фундаментальной базой, но не создаёт эту базу вместо него.
13. Системное внедрение AI требует инфраструктуры, актуального контекста, безопасности и поддержки руководства.
14. Лучший подход — не конкурировать с AI, а перестраивать с его помощью собственный workflow.
15. Стратегия, ответственность, стейкхолдер-менеджмент и понимание пользователя остаются человеческой зоной работы.

От дискуссии к плану личного развития

Я использую AI, но мне не хватает продуктового фундамента

Systematic Product Management

Подходит тем:

• Кто чувствует хаос в работе, видит пробелы в hard-компетенциях и хочет упорядочить знания;
• Кому важно примерить на себя роль продакт-менеджера и освоить качественный продуктовый процесс;
• Кто внедряет продуктовый подход в своей компании и хочет с его помощью улучшить показатели.

Узнать подробнее

Я понимаю продукт, но хочу самостоятельно собирать AI-решения

AI Powered Product Manager

Подходит тем:

• Кто стремится разобраться в технологиях и начать использовать AI в продуктовых процессах;
• Кто готов взять на себя больше функций продакта и самостоятельно тестировать гипотезы;
• Кто хочет увидеть свежие кейсы применения AI и внедрить его в работу компании.

Узнать подробнее

Я могу собрать продукт, но не понимаю, как получить первых клиентов

Go-to-market 0→1

Подходит тем:

• Кому нужно проектировать продукты и выводить их на рынок;
• Кто хочет сократить путь до первых продаж и избежать типичных ошибок;
• Кто создаёт GTM-стратегии и отвечает за их реализацию.

Узнать подробнее

Я выпускаю фичи, но не умею связывать их с деньгами

Product Economics: Finance, Monetization, Pricing

Подходит тем:

• Кому важно глубоко разобраться в экономике продукта и взять ответственность за бизнес-результат и вклад в развитие компании;
• Кто хочет выйти за рамки своей функции и больше влиять на продукт и его показатели;
• Кто ищет устойчивую бизнес-модель нового продукта или совершенствует существующую, чтобы увеличить финансовые метрики.

Узнать подробнее

Полезные ссылки

• Интенсив по GTM
• Библиотека полезных материалов Roots
• Telegram-канал
• Написать нам