Product Management в епоху AI: як змінюється професія. Мій досвід у Кремнієвій долині

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Мене звати Олег Шкіндер. Зараз я працюю як AI Product Manager у Binance US у серці Кремнієвої долини, а до цього пройшов шлях від засновника власного фінтех-стартапу до його продажу та переходу в американську платформу Stockpile, яка допомагає сім’ям навчати дітей інвестувати.

Саме в Stockpile стався момент, який розділив моє професійне сприйняття на «до» і «після». Це була звичайна сесія інтерв’ю з користувачами, але один відгук змусив мене замислитися. Ми помітили цікаву особливість: перед купівлею акцій разом із дитиною батьки масово йшли не в опис компанії у нашому застонку, не в Google і навіть не у Вікіпедію. Вони йшли в ChatGPT. Там вони писали запити на кшталт: «Поясни 12-річній дитині, чому акції можуть падати, навіть якщо компанія дуже успішна».

Батьки питали: «Як пояснити моїй 10-річній дитині, що таке акція Disney?». І ChatGPT видавав геніально просту аналогію: «Уяви, що Disney — це велетенська піца. Акція є одним маленьким шматочком цієї піци. Компанія заробляє на мультфільмах і парках розваг, і якщо в них усе добре, твій шматочок із часом стає дорожчим і смачнішим».

Тієї миті я зрозумів, що користувачі самі підняли планку очікувань. Вони більше не хочуть читати сухі фінансові терміни, а прагнуть, щоб складне ставало простим миттєво. Сьогодні під час роботи над AI-продуктами я бачу, як ця тенденція масштабується. У розмовах між колегами в долині дедалі частіше звучить думка, що AI Product Manager є не новим титулом, а неминучою трансформацією класичної професії.

Фундамент, який не зруйнував навіть ШІ

Попри хайп навколо нейромереж база не потребує переосмислення — саме на ній будується еволюція PM у бік ШІ. По-перше, це фокус на проблемі, а не на технології.

Найкращі продакти все ще починають із болю клієнта. Спокуса додати AI до продукту просто тому, що це модно, є величезною. Але повернімося до нашого прикладу Stockpile. Люди не хотіли «AI-помічника». Вони хотіли, щоб їхні діти зрозуміли природу грошей. Їм була потрібна не транзакція і не чат-бот, а зрозуміла історія. Завдання продакта — починати не з можливостей моделі GPT-4, а з реального запиту користувача.

По-друге, це створення ясності з хаосу. ШІ генерує ще більше шуму та можливостей. Саме PM робить ту «невидиму», але критичну роботу: структурує проблеми, приорітизує завдання, відсіює галюцинації й спрямовує команду. Класичний процес виглядав так:

Проблема -> Гіпотеза -> Вимоги -> Детермінований код

В епоху AI цей ланцюжок змінюється, але мета дати ясність там, де інші бачать хаос, залишається головною.

По-третє, лідерство без формального впливу. ШІ пише код, але не вміє домовлятися. Продакт-менеджер все ще не керує інженерами напряму, а впливає через аргументи та довіру. З появою AI потрібно пояснювати стейкхолдерам не тільки чому ми це робимо, а й чому ми не можемо гарантувати 100% точність відповіді моделі.

Нова реальність: чим AI Product відрізняється від Classic PM

Коли я проходив інтерв’ю в Binance US, одне з перших запитань було в лоб: «Чим AI Product Manager відрізняється від традиційного PM-а і що б ти почав будувати з ШІ для нас уже сьогодні?». Моя відповідь базувалася на тому, що традиційний PM будує детерміновані системи (якщо юзер натиснув А, покажи Б), тоді як AI PM проєктує імовірнісну поведінку. Ви не програмуєте жорстку відповідь, а формуєте середовище, в якому модель найімовірніше відповість правильно. Це ближче до виховання дуже розумного, але схильного до фантазій учня. Ви задаєте System prompts, обмеження (Guardrails) та контекст.

Я запропонував розв’язання проблеми «крипто-вагань». Люди часто годинами досліджують токени, не розуміючи складних термінів токеноміки, і в результаті так і не наважуються на інвестицію. Як відповідь на це, я сформулював концепцію «Багаторівневого пояснення токенів». Це кнопка «Explain», яка миттєво адаптує складні дані під рівень юзера: ELI5 (як для 5-річного), «Новачок» або «Профі». Це не просто опис, а живі відповіді на питання: «Чому волатильність зросла саме цього тижня?» або «Що означає це розблокування токенів для мого портфеля?». Це High Impact при низьких витратах на розробку, бо ми використовуємо LLM для інтерпретації вже наявних даних.

Контекст як основа UX

У AI-продуктах контекст стає основою. Якість відповіді вашого продукту напряму залежить від того, що ви «згодували» моделі. Що система знає про користувача? Які дані їй заборонено використовувати? Без якісного контексту AI виглядає як «магічний, але тупий» співрозмовник, а з ним — стає інтелектуальним партнером. Проєктування цього вікна контексту є прямою зоною відповідальності продакта.

Коли ви працюєте над вікном контексту, обговорення в команді стає дуже практичним. Ви більше не сперечаєтесь про колір кнопки. Ви починаєте обговорювати ризики, метрики, стратегію та конкретні кроки, які потрібно зробити, щоб випустити продукт у продакшн. Наприклад: як ми захистимо персональні дані? Які джерела інформації є пріоритетними? Яка допустима затримка (latency) для нашої бази даних? Саме ці рішення визначають, чи буде AI корисним, чи просто «галюцинуватиме» коштом компанії. У моєму дашборді з’явилися метрики, яких раніше не існувало: Relevance, Grounding / Hallucination Rate, Containment та Latency.

Hard Skills нової ери: системне мислення та економіка ШІ

Робота AI-продакта вимагає глибокої технологічної інтуїції. Першим блоком стає розуміння економіки токенів та затримки (latency). Кожне продуктове рішення тепер є компромісом між вартістю, швидкістю та очікуваннями користувача. Ми з командою постійно збалансовуємо ці параметри. Наприклад, якщо користувач хоче просто дізнатися ринкову капіталізацію BTC — це надзвичайно чіткий запит, який обробляється швидкою моделлю, коштує умовні $0,0003 і видає результат миттєво.

Але якщо клієнт просить проаналізувати 50-сторінковий аналітичний звіт із вузькою специфікою, це завдання може обійтися компанії в 100 разів дорожче. Така операція потребує потужної моделі, яка буде «думати» та аналізувати дані протягом 30-60 секунд.

Продакт повинен розуміти ці взаємозв’язки, адже саме від нього залежить, чи відповідатиме швидкість та точність системи потребам користувача.

Наступним рівнем є опанування архітектури RAG (Retrieval-Augmented Generation). Продакт має розуміти концепцію «підручника» для моделі: ми не просто донавчаємо ШІ, ми даємо йому доступ до вашої бази знань. У багатьох компаніях накопичені величезні масиви унікальних даних, які можуть зробити досвід користувача надзвичайно персоналізованим. Продакт має розуміти, як перетворити ці дані на цінність через embeddings (векторизацію), chunking (розбиття тексту) та векторний пошук. Це дозволяє будувати фінансові інструменти, які не вигадують стан рахунку клієнта, а спираються на реальну історію транзакцій.

Окреме місце займає проєктування Guardrails та безпеки. Ви напевно помічали, що при спробі отримати юридичну, фінансову чи медичну пораду, відповідь моделі завжди зводиться до одного: «Я можу проаналізувати дані, але я не є експертом, тому зверніться до професіонала». Це результат роботи продакта над безпекою системи. Ми стаємо архітекторами цих обмежень, формуючи такі патерни поведінки моделі, щоб вона залишалася корисною, але не переходила межу відповідальності.

AI Evaluation. Як зрозуміти, що ваш ШІ справді став кращим

Це, мабуть, один із найскладніших та найважливіших хард-скілів для PM сьогодні. У традиційному софті тестування зрозуміле: кнопка або працює, або ні. У світі LLM ви можете змінити одне слово в промпті, і модель почне краще відповідати на одні питання, але повністю «зламається» на інших. Для розв’язання цієї проблеми ми будуємо систему AI Evals. Моїм завданням як PM є створення «Золотого набору» (Golden Dataset) — колекції еталонних запитів та відповідей. Щоб зрозуміти, як це працює на практиці, наведу приклад оцінки релевантності та обґрунтованості:

• Кейс 1 (Позитивний). Користувач питає: «Який мій баланс у BTC?». Модель звертається до бази даних і відповідає: «Ваш баланс 0.05 BTC». Евалуація позначає це як Passed, оскільки відповідь точна та базується на реальних даних (Grounding).
• Кейс 2 (Галюцинація). На те саме питання модель відповідає: «Ваш баланс 0.05 BTC, і це гарний час для продажу, бо ціна зросте». Евалуація позначає це як Failed. Чому? Тому що модель порушила Guardrails, надавши фінансову пораду, якої не було в джерелах.
• Кейс 3 (Релевантність). Користувач питає про ризики стейкінгу, а модель видає загальну історію блокчейну. Система оцінки фіксує низький Relevance Score, що є сигналом для PM: потрібно змінити стратегію Chunking (як ми подаємо дані моделі).

Ми використовуємо підхід LLM-as-a-judge, де потужніша модель оцінює відповіді меншої за заданими мною критеріями. Побудова такої системи оцінки — це 70% успіху AI-продукту. Без неї ви рухаєтеся в тумані.

Vibe-coding як нова норма

Це, мабуть, найбільш практична зміна. ШІ перестав бути лише фічею в продукті й став основним інструментом моєї щоденної роботи. У 2024-2025 роках з’явився термін, який швидко стає стандартом — vibe-coding. Раніше для перевірки ідеї я малював ваєрфрейми, йшов до дизайнера, потім до розробника. Зараз я можу відкрити Lovable, Bolt.dev або n8n, під’єднати API-ключ і за кілька годин зібрати робочий прототип.

Vibe-coding став для мене вирішальним під час розробки AI-агента для Stockpile. Нам потрібно було створити асистента, який допомагає батькам і дітям обговорювати інвестиції, спираючись на реальні дані: ризики портфеля, історію транзакцій та акції. Головна перевага була саме в персоналізації даних. На практичному прикладі це виглядало так: коли користувачі відкривали чат з агентом, ми надавали їм одразу пропрацьовані «швидкі запити» (suggested prompts), які могли б їх найбільше зацікавити. Наприклад: «Які ризики мого портфеля зараз?» або «Як змінилася ціна моїх акцій Disney за останній місяць порівняно з ринком?». Це знімало бар’єр «порожнього рядка».

Також ми зіткнулися з важливим етичним та юридичним моментом. При прямих запитаннях на кшталт «Чи варто мені зараз купити акцію Google?», ми мали чітко пояснити, що агент не може надавати фінансових порад. Ми проєктували відмову так, щоб вона була корисною: «Я не можу дати пораду щодо покупки, але я можу пояснити, як Google заробляє гроші та які ризики зараз бачать аналітики».

Була ніч перед презентацією роадмапи. Замість слайдів я «завайбкодив» робочий прототип цього агента. Наступного ранку кожен у компанії міг власноруч спробувати, як агент відповідає на питання про їхній конкретний портфель. Раніше такі речі на етапі ідеї були просто недоступними. На співбесідах у Долині тепер часто кажуть: «Не розказуй, як ти це зробиш. Покажи прототип».

Сьогодні швидкість стала новим KPI. Продакт може (і повинен) самостійно створити ранній флоу до того, як дизайнер відкриє Figma, а інженер — IDE.

Висновок

Коли я дивлюся на ці зміни, я відчуваю не страх, а азарт. Роль продакт-менеджера не зникає, вона проходить через наймасштабнішу еволюцію за останні десятиліття. Ми перестаємо бути просто «менеджерами функцій» чи «перекладачами» між бізнесом та розробкою. Ми трансформуємося в архітекторів інтелектуального досвіду.

Раніше успіх продакта вимірювався кількістю випущених фіч або дизайном інтерфейсів. Сьогодні ваш головний KPI — це якість мислення вашого продукту. Як він реагує на неочевидні запити? Наскільки він безпечний? Як він використовує унікальні дані вашої компанії, щоб дати користувачу цінність, яку він не отримає у звичайному ChatGPT? AI-прототипування та vibe-coding — це наші нові суперсили. Вони дозволяють нам валідувати ідеї зі швидкістю думки, роблячи процес розробки набагато ближчим до мистецтва, ніж до сухого виробництва.

У світі, де нові моделі ШІ розвиваються щомісяця, виграє не той, хто знає всі технічні деталі, а той, хто найшвидше адаптується, хто вміє ставити правильні питання моделі та будувати системи евалуації, які гарантують довіру користувача. Фундаментальні навички — емпатія до клієнта, стратегічне бачення та лідерство — залишаються вашим хребтом. Але тепер вони посилені штучним інтелектом, який звільняє нас від рутини написання нескінченних специфікацій і дає можливість фокусуватися на головному: створенні продуктів, які справді розуміють людей.

Раніше кожен PM мав знати, що таке API. Сьогодні кожен PM повинен розуміти LLM, RAG, guardrails і AI-UX. Це не робить професію складнішою — це робить її цікавішою. AI-прототипування допомагає нам навчатися швидше. У настільки динамічному середовищі воно стає не просто методом роботи — це найкращий спосіб бути на крок попереду, перетворюючи складне на просте і створюючи майбутнє вже сьогодні.

Сподобалась стаття? Підписуйтесь на автора, щоб отримувати сповіщення про нові публікації на пошту.