Как встраивать ИИ в продукт Полезно продактам, CPO и тем, кто сейчас автоматизирует команды и процессы. 1. ИИ может ухудшить ваш продукт. Он может быть медленным и ненадежным, или же решать проблему, которой ни у кого нет. Тот факт, что это ИИ, еще не означает, что его стоит разрабатывать. 2. Подумайте, нужно ли вам вообще разрабатывать ИИ. Зачастую лучше сначала создать что-то для ИИ, например, сервер MCP. Их проще создавать и поддерживать. 3. Ищите jobs to be done, а не демо. Лучшие возможности для ИИ — это задачи, выполнение которых занимает более 30 секунд, использующие код или интерфейсы, которые пользователи не знают (например, SQL), или задачи, которые пользователи повторяют более 20 раз 4. Онбординг — отличная первая цель. Визард установки с ИИ выполняет работу, занимающую два часа, за 8 минут. 5. Не спрашивайте: «Как добавить ИИ в это?» Спрашивайте: «Как выглядит agent-first-версия этого?» Такой вопрос заставляет переосмыслить jobs to be done для agent-first-будущего и помогает не быть разрушенным ИИ-native конкурентом. 6. Создание продуктов «формата 2030 года» может потребовать начать с нуля и отказаться от накопленных за годы UI-решений и допущений, которые больше не актуальны. 7. Следите за клиентами, которые пересобирают ваш продукт с помощью ИИ. Это показывает, какие функции им действительно нужны. Когда клиенты создают собственный прототип вашего продукта с помощью MCP и Claude Code, — нужно добавить в продукт больше настраиваемых «canvas»-артефактов. 8. Валидируйте ИИ-концепты также, как новые продукты. Запишите, по каким критериям будет оцениваться результат и какой runway у инициативы. Спросите, насколько команда будет разочарована, если её потеряет (PMF-опрос). 9. Опишите, как ваш продукт проигрывает ИИ-native угрозе, а затем профинансируйте собственную версию этого «атакующего». Даже лучший продукт поддержки проиграет продукту, где ИИ отвечает на все тикеты, — вероятно, поэтому Intercom так сильно развернулась в сторону Fin. 10. Ответьте на вопрос: чем это лучше Claude? Именно к нему люди обращаются по умолчанию. Ваш moat — это контекст: функциональность продукта, данные пользователей, а также инструменты и skills, которые вы построили. 11. Сосредоточьтесь на общей ИИ-инфраструктуре. Сделайте примитивы — промпты, стриминг, согласия, evals, задачи и аналитику, — которые продуктовые команды смогут расширять и встраивать в свои продукты. Выберите единый UX-паттерн, чтобы избежать «смерти от тысячи виджетов», а затем не мешайте командам. Продуктовые команды лучше знают своих пользователей, а не ИИ-команда. 12. Позвольте агентам запускать код. Исполнение кода даёт агентам возможности beyond predefined tools. 13. Позвольте агентам делать всё, что могут делать пользователи. Если есть инструмент создания эксперимента, но нет инструмента его запуска, агент сделает всё остальное и остановится, чтобы попросить вас кликнуть по UI. Это ограничивает возможности агентов. 14. Тестируйте продукт headlessly, чтобы развить «эмпатию к агентам». Проверяйте агентные фичи через CLI, чтобы сталкиваться с теми же точками трения, что и они. 15. ИИ не убивает ваш UI — он меняет его назначение. Меньше экранов для выполнения действий, больше — для одобрения, проверки и отмены действий агентов. Стройте UI, когда текста недостаточно. 16. Управляйте агентами на их уровне абстракции. Агенты работают лучше, если позволить им гибко писать и рассуждать. Перестаньте заставлять агентов использовать предустановленные query-инструменты и разрешили им писать собственный SQL. 17. Настройте ИИ-observability с первого дня: - Трейсите LLM-вызовы: входы, выходы, latency и стоимость. Это выявляет ошибки и проблемы, исправление которых даёт быстрый рост качества. - Отслеживайте использование агентами так же, как использование людьми. Агенты не генерируют pageviews или rageclicks, но можно отслеживать вызовы MCP-инструментов, запросы страниц и другое. - Используйте evals, но начинайте с малого. Вручную читайте трейсы, чтобы найти места, где ИИ ошибается. Создайте eval для проверки этой проблемы и улучшайте продукт, чтобы улучшить результат eval. Даже небольшие golden- или синтетические датасеты давали огромный прирост качества по сравнению с обычным циклом разработки. 18. Изучите unit-экономику ИИ-продукта. Наш визард стоит $6,67 за запуск, но улучшенная активация и retention стоят дороже. Переход трейс-саммари со стандартного gpt-4.1-nano на flex-уровень gpt-5-nano вдвое снизил затраты. 19. Многие сбои агентов — на самом деле сбои контекста. Добавление агенту значительно большего объёма контекста улучшило эффективность визарда сильнее, чем улучшенное reasoning, многошаговое планирование, субагенты, pruning и compaction. И Сделайте так, чтобы люди могли легко создавать контекст, которого агент не знает. 20. Прозрачная компания полезна для агентов. Ваши Агенты и агенты клиентов могут смотреть в кодовую базу, handbook и документацию, чтобы лучше понимать, как работает ваш продукт.

ClaudeMD автоматического выбора ИИ-модели для продуктовой работы Рейтинги – это стартовая калибровка, а не фиксированные данные и чем выше число, тем лучше. Модель / Стоимость / Интеллект / Вкус sonnet-5 / 8 / 6 / 6 / opus-4. / 8 / 5 / 8 / 7 / fable-5 / 3 / 9 / 8 / – Стоимость. То, что ощущается в лимитах токенов и скорости. – Интеллект. Насколько сложную, многошаговую или неоднозначную задачу можно доверить модели без присмотра. – Вкус. Качество структуры документа, формулировок, тона в коммуникации и чуткость к контексту. Откалибруй эти цифры под собственный опыт после пары недель использования. Важна не точность чисел, а сам принцип: не гонять сложные решения через дешёвую модель и не тратить дорогую модель на рутину. Как применять: – Это дефолты, а не ограничения. Если результат дешёвой модели не дотягивает, то не спрашивай разрешения, перезапускай с более сильной. Суди по результату, а не по тому, что модель просто должна была справиться.

Пересогласование стоит дешевле, чем решение, принятое на слабом анализе

– Когда параметры конфликтуют для чего-то, что реально влияет на решения или уходит наружу, опирайся на: 1. Интеллект > 2. Вкус > 3. Стоимость – Массовая механическая работа (расшифровка транскриптов интервью, разметка тикетов, сведение таблиц с метриками, черновой синтез фидбека из десятков источников): sonnet-5. – Всё, что уходит наружу стейкхолдерам, клиентам, руководству (питчи, обоснование приоритизации, деликатные апдейты о задержках, переговоры о scope): нужен вкус ≥ 7. – Ревью и вторая пара глаз (проверка PRD перед отправкой инженерам, стресс-тест roadmap, поиск дыр в бизнес-кейсе): fable-5 или opus-4.8, по возможности оба как независимые мнения, если решение необратимое. – Стратегические и неоднозначные решения (trade-off между конкурирующими метриками, приоритизация, спорные ставки без явного правильного ответа): fable-5. – Никогда не используй самую слабую модель для документов, которые пойдут выше вашего уровня или станут прецедентом для команды. Режимы работы – Написание PRD и спек с нуля → opus-4.8 как основа → fable-5 для финального ревью перед отправкой в разработку. – Discovery-синтез sonnet-5 для чистой расшифровки на входе (несколько интервью → инсайты → гипотезы) → fable-5 для самого синтеза (нужен интеллект, чтобы не сгладить противоречия) – Приоритизация бэклога / RICE-скоринг → sonnet-5 для механического прогона по формуле → opus-4.8 для проверки, не искажает ли формула реальный контекст → fable-5 для синтеза – Коммуникация о задержках и плохих новостях стейкхолдерам → fable-5 или opus-4.8. Тон и причины здесь важнее скорости. – Рутинные апдейты статуса, саммари встречи, заметки в трекер → sonnet-5. – Pre-mortem, поиск слабых мест в плане запуска → opus-4.8 → fable-5 как отдельная независимая проверка. – Черновик поста / статьи / контента на основе рабочих заметок → opus-4.8 для черновика → fable-5 для финальной правки тона и структуры. – Анализ больших выгрузок данных / метрик → sonnet-5 для первого прохода и агрегации → эскалация на opus-4.8, если нужна интерпретация неоднозначных паттернов → fable-5 для финальной проверки паттернов.

Google не ждёт смерти поиска. Google сам его меняет Пока многие обсуждают, убьёт ли ChatGPT классический поиск, Google делает гораздо более интересный ход. Он постепенно превращает поиск в AI-ассистента. Сегодня у компании уже два AI-продукта: AI Overviews — готовый ответ прямо над поисковой выдачей. AI Mode — полноценный диалоговый поиск, где можно уточнять вопрос, загружать изображения и вести длинный разговор. Масштабы аудитории соответствуют Гуглу: AI Overviews используют более 2,5 млрд пользователей в месяц. У AI Mode — уже более 1 млрд пользователей в месяц. Понятно, что это использование очень разное и для большинства пользователей заключается в беглом просмотре блока вверху результатов поиска. Но даже проценты из этого могут дать новый большой источник клиентов для любого бизнеса. Для нас, продактов, это новая реальность. С одной стороны — новые риски. Если раньше мы (или наши партнеры из рекламных агентств) пытались понять алгоритмы SEO, то теперь нужно понимать логику LLM, которая ещё менее прозрачна. С другой — появляются новые возможности. Раньше пользователь приходил в Google с набором ключевых слов: “Купить honda click в кредит” Теперь он приходит с настоящей задачей: “Мне нужен первый мотоцикл для ежедневных поездок на работу. Бюджет до 120 тысяч песо, желательно с недорогим обслуживанием и возможностью оформить кредит.” Это уже не поиск страниц или сайтов. Это поиск решения проблемы. Google тоже понимает, что меняет правила игры. Недавно они анонсировали новые инструменты для владельцев сайтов. Правда, при проверке в живом аккаунте сайта, который хорошо проиндексирован Гуглом, оказалось что никаких инструментов пока нет. Пост в блоге — только планы и анонс стратегии. Когда-нибудь в Search Console появятся отдельные отчёты по показам в AI Overviews и AI Mode. Владельцы сайтов смогут увидеть, насколько часто их контент используется генеративным поиском. Кроме того, Google уже тестирует отдельный переключатель, который позволяет отказаться от использования сайта в AI-ответах, не исчезая из обычной поисковой выдачи. Правильный выбор стратегии. Зачем бороться с трендами, если можно адаптироваться и возглавить? Жду, когда появится аналитика. По личным ощущениям — результаты в блоке AI Overviews отлично отвечают на половину поисков и даже нет желания скролить ниже — туда где синие ссылки, за первые места в которых когда-то была война и большие ставки 😉 #aifuture #google #search #producteye