Як product-менеджеру працювати швидше з AI

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

Усім привіт! Мене звати Максим Мироненко, я Product Lead у одному з бізнесів групи продуктових IT-компаній Universe Group — Guru Apps. Ми створюємо застосунки, які є лідерами в двох основних напрямках: утиліти та AI.

За даними Google, 90% розробників використовують AI в роботі. 80% з них фіксують зростання продуктивності. Це стосується і product-менеджерів. Я використовую AI як інструмент, який прискорює закриття задач: від аналітики до перевірки ідей. Тому у цьому матеріалі — розповім, що в продуктовій роботі можна оптимізувати з AI, де його використання не має сенсу і які помилки я зустрічаю найчастіше.

Ви як product-менеджер аналізуєте дані, працюєте з дизайном чи тестуєте гіпотези. Перемикання між задачами і взаємодія з різними спеціалістами з’їдають час. Тому AI дозволяє вам рухатися швидше в задачах, де на старті не потрібне глибоке занурення.

Наприклад, коли треба зібрати базовий дизайн для фічі, я генерую чорновий варіант через AI. Після чого дизайнер адаптує його під дизайн-систему продукту. Це займає близько 15 хвилин замість повноцінної задачі в беклозі. Це і є головний ефект AI на бізнес-цілі: ви закриваєте задачі швидше за менші ресурси.

Де AI дає результат

Нижче — 5 прикладів того, де АІ дає найбільше результату в моїх робочих процесах.

1. Робота з аналітикою

AI добре працює для попереднього аналізу. Наприклад, я досліджував, як модель пристрою користувача впливає на монетарні метрики. Я вивантажив з Amplitude кілька масивів даних у форматі .csv. Фактично це дані по метриці Х overtime, та певними user property (дані анонімізовані, це важливий інсайт, в тому числі — для конкурентів)

Після цього завантажив ці файли в Codex і попросив проаналізувати кореляцію між метрикою Х і всіма user property. У аналізі я побачив обернену залежність метрикою Х і однією з user property: чим вищий відсоток всередині user property Y (тобто проперті має числовий показник від 1 до 100%), тим нижча метрика Х. Це стало гіпотезою для подальшої перевірки, яка допомагає в моменті розуміти яка аудиторія приходить на продукт.

Отже, AI не замінює аналітика, а скорочує шлях до гіпотези, яку ви потім перевіряєте вручну.

2. Робота з фідбеком користувачів

У продукті з великою базою користувачів щотижня приходять тисячі відгуків. Прочитати їх вручну неможливо. Тому я автоматизував процес таким чином, що AI сегментує коментарі за категоріями (баги, запити на фічі, ціноутворення) і видає резюме.

Як це виглядає на практиці?

1. Беру датасет з відгуками користувачів із Sensor Tower і вивантажую його у форматі .csv.

2. Імпортую в Google Sheets і роблю базову підготовку:

• відсортовую відгуки за довжиною
• через =LEN функцію беру ті, що довші за 50 символів, адже там більше змісту
• перекладаю їх на англійську через =GOOGLETRANSLATE функцію

3. Використовую функцію =AI у Google Sheets та задаю промпт, який аналізує кожен відгук і відносить його до однієї з попередньо визначених категорій (баги, фічі, ціноутворення тощо).

4. Протягую формулу на весь масив і отримую структуровані дані, з яких можна побудувати пайчарт і побачити, що реально болить користувачам.

Цей спосіб дозволяє приймати рішення на основі реальних болів аудиторії, а не суб’єктивних відчуттів. Цей процес можна автоматизувати, щоб не робити його вручну щоразу.

Для самого пайплайну підійде або власний скрипт, або no-code/low-code інструмент на кшталт n8n чи Activepieces. Для новачків другий варіант зазвичай простіший. Нижче — інструкція, як це налаштувати.

• Спочатку треба забирати нові відгуки з App Store або Google Play. Якщо у вас уже є доступ до Sensor Tower, це можна робити через їхні інтеграції та API. Якщо потрібен дешевший або простіший варіант, можна використати готовий scraper, наприклад через Apify, або написати свій парсер.
• Далі ці відгуки треба кудись складати. Для простого сценарію вистачить Google Sheets. Якщо даних стане більше, краще одразу зберігати їх у базу.
• Після цього кожен новий відгук треба прогнати через API мовної моделі, наприклад OpenAI, і витягнути з нього структуру: тему, тип проблеми, тональність, згадану фічу, версію застосунку, якщо вона є.

Наступний крок це створення регулярної задачі, яка раз на тиждень:

• забирає нові відгуки
• класифікує їх через LLM
• порівнює нові результати з попереднім тижнем
• формує короткий висновок для команди
• надсилає цей звіт у Slack

У Slack для цього треба створити app, встановити її у workspace, отримати approve від owner або admin, якщо це вимагає політика компанії, і видати боту потрібні scopes для надсилання повідомлень у потрібний канал.

На практиці ви отримаєте простий цикл: щотижня система збирає відгуки, групує їх по категоріях, показує нові патерни і надсилає команді короткий summary без ручної роботи.

3. Робота з гіпотезами

AI добре працює для брейншторму. Коли я бачу drop-off 50% на етапі воронки, де половина користувачів не доходять до наступного кроку, я використовую ChatGPT, щоб швидко згенерувати можливі причини.

Для цього закидаю в ChatGPT скріншот конкретного екрана або навіть весь флоу з кількох екранів і описую проблему. Наприклад: де саме користувачі відпадають і що це за крок у воронці. На основі цього отримую:

• список можливих причин drop-off
• варіанти покращення
• готові тексти або навіть дизайн-рішення як референс

Далі починається основна робота: перевіряю аналітику, дивлюся, як це зроблено у конкурентів, проходжу цей шлях у продукті сам.

AI тут не дає відповідь, але сильно пришвидшує старт і розширює поле гіпотез.

4. Комунікація і підготовча робота

Підготовка до інтерв’ю, формулювання повідомлень, структурування думок. Жодна з цих задач не критична, але кожна забирає час. З AI ви оформлюєте ідею за хвилини замість годин.

Наприклад, для підготовки до інтерв’ю я використовую ChatGPT та передаю йому профіль кандидата, опис ролі та ДНК Guru Apps з ключовими цінностями і рисами, які для нас визначають сильного кандидата.На основі цього отримую:

• список релевантних питань під конкретного кандидата
• зони, на які варто звернути увагу під час інтерв’ю
• гіпотези, що варто глибше розкрити в розмові

Це дозволяє швидко зібрати структуру інтерв’ю і не витрачати час на підготовку з нуля.

5. Автоматизація рутинних задач

У product-менеджменті є задачі, що повторюються регулярно. Наприклад, перевірка конкурентів. Тому для цього я зробив інструмент, який відстежує оновлення застосунків і надсилає повідомлення в Slack, аби більше не перевіряти це вручну. Такі речі виглядають дрібними, але за кілька місяців економлять години.

Vibecoding як окремий інструмент

З vibecoding ви як product-менеджер створюєте інструменти під себе. Замість універсальних сервісів, які не закривають задачу повністю, ви робите рішення, яке враховує контекст вашого продукту і процесів. Менше зайвих дій та менше повернень до одних і тих самих задач вручну.

У великих командах це про персональну ефективність і автоматизацію роботи. На етапі R&D це працює інакше: ви можете самі зібрати MVP, отримати перший фідбек від користувачів і вже після цього передати рішення команді розробки.

Де AI не варто використовувати

Для мене є дві ситуації, де AI не працює.

Перша: делегування. AI може запропонувати гіпотезу, допомогти з аналізом чи дати варіанти рішення. Але він не приймає рішень і не закриває задачу під ключ. Фінальний контроль за вами.

Друга: коли простіше зробити самому. Контекст продукту буває складним. Іноді пояснити його AI займає більше часу, ніж виконати задачу вручну.

Помилки в роботі з AI

З мого досвіду, є чотири основні помилки, які допускають product-менеджери.

1. Поверхнева робота з даними. Якщо дати AI неструктуровані дані або нечітке завдання, результат буде відповідний. Якість входу визначає якість виходу. Тому формулювати задачу потрібно чітко.
2. Недовикористання. Більшість product-менеджерів обмежують AI текстовими задачами і не пробують аналітику або візуалізацію. Згенерувати дизайн як референс перед постановкою задачі дизайнеру може кожен, але мало хто це робить.
3. Очікування, що AI вирішить задачу. Генерація гіпотез тривіальна. Валідація потребує вашого часу і контексту продукту. Не плутайте одне з іншим.
4. Безпека. Не давайте AI доступ до критичних систем або адміністративних прав.

Отже, AI змінює швидкість роботи product-менеджера. Ви швидше працюєте з даними, формуєте гіпотези, автоматизуєте рутину, але суть роботи залишається та сама: перевірка і прийняття рішень.

Найбільший результат я отримую від vibecoding. Це дозволяє тестувати ідеї, створювати інструменти під себе і працювати з меншим ресурсом команди. У результаті виграє той, хто розуміє, де AI дає швидкість у його конкретному контексті.