Привет, я Адам 👋
Пару месяцев назад я вышел в AI-центр Т-Банка продуктовым директором развивать пользовательские продукты. В этом посте расскажу, в чем ключевые отличия разработки AI-продуктов от традиционных, и как мы адаптировали классический Stage-Gate под работу над AI-продуктами.

Традиционная разработка vs AI-разработка: ключевые отличия

Классический продуктовый цикл (Stage-Gate) обычно включает четыре этапа:
🔹 Ideate — генерация и оценка новых идей, выявление пользовательских потребностей, создание гипотез о ценности

🔹 Discovery — подтверждение гипотез, проектирование решения и тестирование без разработки. Используем качественные исследования, прототипы и собираем данные для модели роста

🔹 Delivery — создание MVP, тестирование с пользователями, вывод продукта на рынок

🔹 Scale — расширение аудитории, оптимизация продукта и процессов для устойчивого роста

В AI-продуктах этот процесс требует существенной перестройки. На первый план выходят техническая осуществимость, качество данных и баланс метрик, которых нет в традиционной разработке.

Ключевые особенности AI-разработки

1️⃣ Двойная валидация
В традиционных продуктах достаточно подтвердить ценность для пользователя. В AI необходима и техническая валидация. Иногда даже самые перспективные идеи с подтвержденным спросом могут оказаться технически нереализуемыми

2️⃣ Приоритет данных
Качество решения напрямую зависит от качества данных. Поэтому мы рекомендуем посвящать первые итерации работы над новым проектом исключительно анализу данных, и только потом переходить к продуктовым вопросам

3️⃣ Баланс метрик
AI-разработка — это постоянный поиск баланса между точностью, скоростью, стоимостью и другими техническими параметрами. Часто приходится жертвовать одними показателями ради других, исходя из конкретных бизнес-задач

4️⃣ Этика и alignment
На каждом гейте оцениваем соответствие модели ценностям компании и требованиям безопасности. Проверяем поведение AI в пограничных случаях и разрабатываем механизмы защиты от потенциальных злоупотреблений. Для AI-продуктов критично обеспечить не только функциональность, но и этичное, предсказуемое поведение, что напрямую влияет на доверие пользователей и репутацию бренда.

Stage-Gate для AI-продуктов: наш подход

Специфика AI требует особого внимания к управлению рисками и проверке технической осуществимости. Поэтому мы решили разделить Stage-Gate на два последовательных трека: Discovery (поиск и валидация) и Delivery (разработка и запуск).

Discovery-трек:

🧠 Ideation:
На этом этапе оцениваем идею AI-продукта: анализируем бизнес-задачу, определяем потребности пользователя и оцениваем рынок. Главный вопрос: как AI создаст уникальную ценность? Отсеиваем случаи использования AI ради AI

🔍 Concept Validation: Проверяем потребность пользователя и техническую осуществимость. Проводим исследования, анализируем данные для обучения модели, оцениваем риски и определяем технические метрики для прототипа

⚙️ Prototype Development: Создаем прототип для демонстрации ценности и технической осуществимости. Оцениваем метрики AI-модели и пользовательский опыт. Тестируем alignment и разрабатываем архитектуру решения

Delivery-трек:

🧪 Beta Testing: Тестируем MVP на ограниченной группе пользователей. Проверяем техническую корректность, метрики AI и взаимодействие с пользователями. Формируем план доработок на основе реальных данных

🚀 MLP Launch: Запускаем полную версию продукта. Внедряем мониторинг продуктовых и технических метрик. Проверяем эффективность в реальных условиях и собираем обратную связь

📈 Scale & Optimize: Расширяем на всю целевую аудиторию. Оптимизируем работу под нагрузкой, следим за дрейфом данных. Обеспечиваем надежность и этичность AI при масштабировании

Полное описание процесса Stage-Gate для AI продуктов, который мы внедряем у себя, читайте в документе Stage-Gate AI в Notion

Рассказал в продуктовом канале Т-Банка про то, чем отличается жизненный цикл создания классических продуктов и AI продуктов. Еще поделился описанием процесса Stage-Gate для AI продуктов. Бесплатно, без смс!

Если вы думаете, что я использую AI технологии для чего то важного… вы не ошибаетесь.

Заметил, что в Perplexity сделали отображение статуса research в live activity виджете. Красиво!

Даня (наш лид ML разработки) навалил базы про продактов, которые делают AI/ML продукты.
https://xn--r1a.website/karty_dengi_product/191

От себя отмечу, что для продакта и продукта, где AI является ядром, ключевой вызов, барьер и точка контроля - Eval. Чем он хуже, тем хуже стратегия, продукт и процесс работы над ним. Первое, что должен делать продакт, приступая к разработке решения, - сделать Eval, который и определит, как вы сделаете техническое решение. Это своего рода эволюция TDD в Eval Driven Development.

Без этого вы обречены на хаотичное блуждание, как в бескрайней пустыне, где нет ориентиров и неясно направление движения.

Воу воу! Perplexity показали Labs — новый режим, расширяющий Research возможности. Похоже, Labs позволяет создавать интерактивные мини-приложения, используя coding, headless browsing и дизайн тулы для получения динамичных результатов. Можно создавать дашборды, презентации и веб-сайты с авто-деплоем, делая исследования с динамичным аутпутом.

https://x.com/perplexity_ai/status/1928141072011776088

Я уже зарядил с десяток параллельных запросов. Жду результат!

Получилась херня!

Perplexity все еще не залончили Comet, но юзеры, которые попали в закрытую бету, периодически делятся впечатлениями в твитторе.

https://x.com/testingcatalog/status/1928546603448562087

Выглядит впечатляюще. За агентским браузингом, уверен, будущее. Думаю, лет через 5 это будет работать так быстро, что в течении десятка секунд можно будет решить 90% вопросов, а LLM, скорее всего, будут локально пахать внутри браузера, используя отдельный чип на SoC оптимизированный для инференса сеток.

P. S. На самом деле, мне бы хватило, чтобы такой браузер мог за меня таможенную декларацию для посылок оформить, а то задолбался.

Perplexity прибирает себе не Apple, а Samsung

Корейский гигант близок к заключению обширной сделки по встраиванию ИИ-помощника Perplexity в свои устройства, сообщает Bloomberg. Из конкретики пока что — предустановка приложения Perplexity на будущие устройства Samsung, а также встраивание его поисковых функций прямо в браузер по умолчанию. Обсуждают и внедрение Perplexity в Bixby, уже существующего помощника Samsung.

Кроме того, Samsung может стать одним из крупнейших инвесторов Perplexity — в ближайшем раунде стартап собирается поднять 500 млн долларов при оценке в 14 млрд долларов. Интеграции покажут уже в этом году, а в следующем можно ожидать, что Perplexity станет помощником по умолчанию в Galaxy S26.

Я ранее писал, что в переговорах с Perplexity была Apple — на мой взгляд, покупка или крупная инвестиция помогла бы гиганту резко поменять курс развития своей Siri и поисковых функций. Однако Apple предпочла заняться переработкой ИИ через внутренние команды, а на WWDC через неделю вообще не будет ничего про AI — говорить будут про дизайн и ребрендинг названий: похоже, теперь индекс будет соответствовать году выпуска, и следующие операционки и устройства будут иметь индекс 26: iOS 26, tvOS 26, iPhone 26.

Тут действительно произошёл некоторый зоопарк с неймингом из-за разных поколений айфонов, часов и более новых устройств типа AirPods и Vision Pro: даже айфон современный — iPhone 16, а последняя iOS — 18. Но и тут первенство за Samsung: это они ещё в 2020 году перешли на нейминг в соответствии с годом выпуска, а не порядковыми номерами продуктов. А теперь Samsung делает стратегические инвестиции в ИИ, пока Apple собирается пропустить ещё один сезон на динамично изменяющемся рынке.

Когда вышел Civil War от A24, мне говорили, что это левацкая пропаганда. А оно во как все развернулось. Пророческий фильм, получается.

Персонализация — это next level в AI ассистентах. Думаю, кто обуздает это на максимум, тот и будет доминировать в следующем витке продуктовой борьбы. Сейчас почти у всех сервисов есть память, но работает она не всегда хорошо, так же можно настроить промпт о себе. Но когда работает, это очень круто. Мне теперь не надо каждый раз объяснять, какая у меня камера и что я юзаю лайтрум для редактирования, тот же Perplexity сразу понимает, что искать нужно объектив с учетом того, что у меня камера Sony, она компактная, поэтому объектив не должен менять весовой баланс и противоречить философии и т.д. Задача сделать так, чтобы работало хорошо всегда и не запоминало всякую дичь из тредов. Пример: я искал как-то что-то про гомеопатию, а потом увидел в памяти "предпочитает гомеопатию". Так быть не должно!

Я не просто промпт инженер. Я промпт инженер промптов, которые пишут промпты

Думаю, все видели свежую статью от AI Research лабы Apple про reasoning в LLM. Если нет, то вкратце: ризонинг на самом деле — не настоящий ризонинг, а просто, грубо говоря, выученные цепочки рассуждений и расход токенов на предсказание этих паттернов. Сетки могут продолжать пытаться рассуждать, даже если в цепочке уже пришли к правильному выводу, просто чтобы сжечь бюджет на рассуждения.

По факту, ребята поставили эксперимент, получили результаты, озвучили интерпретацию. С этим можно не соглашаться, задавать вопросы к дизайну эксперимента, выводам и так далее. Но что делает интернет-общественность? Докапывается до личностей и авторитетов — ad hominem. Почти вся критика, которую я видел, сосредоточена на двух вещах:
— Личность автора: главным автором числится студентка PhD, стажёрка. Да ещё и женщина! Что она себе позволяет? Кто она такая, чтобы делать громкие заявления?
— Apple: компания, у которой нет ни одной своей большой LLM и которая проиграла AI-гонку. Что они себе позволяют? Вот когда сделают что-то серьёзное, тогда и поговорим.

Всё, что нужно знать о поехавших фанатосах.

Что-то много стало воя про то, что люди ведут каналы с помощью GPT. Особенно забавно это слышать на фоне того, что большая часть продуктовых каналов — это откровенная копипаста статей Ленни и Reforge без указания ссылок. А у многих инфлюенсеров и вовсе копирайтеры на ставке сидят. Это другое?

Меня в комментах часто спрашивают, а как конкретно в работе применяю AI штуки.
В последнее время супер активно ревьюю 2-/ 6- pager'ы команды и других команд в рамках всяких stage-gate. Читать текст и давать фидбек весьма накладно по времени, а учитывая, что принципы хорошего пейджера стандартные и общие, сделал проект в клоде, куда загрузил доку по stage-gate, принципам хорошей стратегии и продуктовой разработки, принципам написания хорошего пейджера, примеры таких и дал инструкции для трех типов задач:
- когда прошу клод дать фидбек;
- когда прошу оценить его свой фидбек, чтобы удостовериться, что я не галлюцинирую и объективен;
- инструкции написания финального коммента с фидбеком автору документа.

И в этом проекте просто стартуешь новый чат, прикладываешь пейджер и, надиктовывая собственные мысли по нему, получаешь ответ. Смотришь, копипастишь, правишь, отправляешь.

Теперь хочу сделать агента, к которому дам доступ ребятам, чтобы они сначала об него обстучали, а потом уже мне кидали во имя максимально быстрых итераций.

Вот так я делегировал работу ИИ и продолжаю получать свою зарплату. Главное, чтобы начальство не узнало. Oh wait...

К слову о важности ревью пейджеров.

Спасибо @partially_unsupervised за шутку

Почитал интересное эссе «The internet killed general-purpose products. AI will bring them back» (Dan Hock)

Основная мысль:
В последние годы интернет постепенно вытеснил универсальные продукты "для всех". Компании научились делать узконаправленные решения, заточенные под конкретные потребности разных групп клиентов. Но сейчас мы наблюдаем поворот: AI технологи могут вернуть универсальные продукты в нашу жизнь, только теперь они будут гораздо умнее - способны подстраиваться под каждого пользователя и обеспечивать действительно высокое качество.

Как это произошло:
• Раньше универсальные продукты (например, универмаги) были «достаточно хороши» по всем параметрам: ассортимент, цена, качество, опыт покупки. Но такой подход нестабилен — большинство клиентов ценит лишь 1–2 параметра, и компании, которые фокусируются на них, выигрывают конкуренцию.
• Пример: Costco, Walmart, Temu, Shein победили за счёт низких цен; Amazon — за счёт удобства; Nordstrom и D2C-бренды — за счёт качества; локальные магазины — за счёт клиентского опыта. Универмаги умерли, потому что не смогли конкурировать с нишевыми игроками.
• Этот тренд наблюдается не только в ритейле, но и в других сферах — медиа (YouTube/TikTok для персонализации, Голливуд и спорт для массового опыта, престижное ТВ для интеллектуалов) и образовании (университеты теряют позиции из-за онлайна и специализированных программ).

Почему так происходит:
• Считается, что побеждают либо очень крупные, либо очень мелкие компании («barbell effect»), а середина вымирает. Автор считает это объяснение неполным.
• По Майклу Портеру, чтобы выиграть, компания должна иметь:
• Ярко выраженное ценностное предложение
• Специализированную цепочку создания ценности
• Умение делать выбор (trade-offs), от чего-то отказываться ради фокуса
• В зрелых индустриях появляются кластеры компаний, каждая из которых оптимизирует свой параметр, а те, кто остаётся «посередине», вымирают.

Что изменит AI:
• За последние годы интернет открыл новые горизонты в распространении товаров и услуг, что привело к появлению узкоспециализированных продуктов.
• Сейчас AI делает следующий шаг: он не просто меняет способы доставки, а переосмысливает сам продукт. Теперь можно создавать решения, которые подстраиваются под каждого покупателя и сочетают в себе всё лучшее — от качества до удобства.
• Возьмём розничную торговлю: благодаря AI тот же Amazon сможет предложить каждому именно то, что ему нужно. Больше не придётся выбирать между премиальным магазином и масс-маркетом.
• В сфере медиа мы увидим площадки, которые будут создавать контент специально для вас, не жертвуя при этом качеством и не теряя широкий охват.
• А в образовании умные AI-наставники смогут учить каждого студента индивидуально, причём гораздо эффективнее, чем традиционные вузы или онлайн-курсы. Они также лучше справятся с оценкой знаний.

Главный вывод:
AI возвращает эру универсальных продуктов, только теперь они смогут быть одновременно отличными по разным параметрам, устраняя необходимость жёстких компромиссов между качеством, удобством, персонализацией и масштабом. Это приведёт к новой централизации рынков вокруг крупных AI-универсалов