Мысли про ИИ-агентов - по итогам конференции ProductCamp

В прошлую субботу сходила на ProductCamp Amsterdam — не-конференция, где участники сами предлагают темы, голосуют за то, что хотят обсудить, а потом расходятся по нескольким параллельным сессиям. Забавно, что много лет назад я сама использовала такой формат для стратегических сессий и тренингов, а теперь было очень приятно побыть в роли участника.

Оставлю здесь несколько заметок, вдруг пригодятся и вам, особенно если думаете о том, как использовать AI в продуктовой работе.

🗒️ Создание AI-агентов уже не что-то новое, а вполне обычная продуктовая практика
Агентов можно использовать, чтобы автоматизировать рутину, работать с большими объёмами неструктурированных данных или создавать AI-ассистентов для пользователей.

Я ушла с несколькими идеями агентов уже для своих проектов — особенно после сессии о том, как один продакт собрал целую команду из 10 агентов для маркетинга - смотрите фото.

А еще оказалось, что не все используют агентов для ускорения задач и планов на день - коглда собирают контекст из разных почт и месенджеров и получают список задач на день. Потому что не всем это нужно, а еще потому что ИИ прекрасно умеет генерировать ещё больше задач, потом всё равно приходится решать, что из этого вообще стоит делать 😁

🗒️ Контекст решает

Практически любой разговор про AI-агентов в какой-то момент возвращался к одному и тому же: LLM нужно дать хороший (= достаточный) контекст.
Это может быть информация от пользователя, продуктовая документация, правильно размеченные данные или чёткое понимание конкретного процесса, который мы пытаемся воспроизвести с помощью AI. Чем лучше контекст — тем полезнее будет агент.

🗒️ AI-фичи пока чаще остаются частью большого продукта, а не его основой

Мы обсуждали много примеров AI-ассистентов, встроенных в существующие продукты, но гораздо меньше продуктов, где AI действительно является ядром.
Чтобы это работало, продукту нужно накапливать данные о пользователях и от пользователей, а затем использовать весь этот контекст для той самой AI-магии ✨

🗒️ Умение создавать AI-продукты становится must-have навыком для PM
Это была сессия Марины Малых из Semrush, она показывала итоги свего исследования вакансий. И оказалось, что сейчас требуется опыт создания AI-продуктов, а не просто использование в работе.

Каким-то образом почти всё было про AI, но при этом ощущения «опять AI» не возникло 😁


Пост в LinkedIn тут: https://lnkd.in/p/e8y2uVZA - давайте коннектиться там тоже.

Долг в обучении - это что еще такое?

Нашла исследование TalentLMS 2026 Annual L&D Benchmark Report, которое объединяет ответы 1 000 сотрудников и 101 HR-руководителя из США и сравнивает результаты с данными 2022–2024 годов.

Главный вывод — появляется learning debt, или «долг в обучении»: количество программ, платформ и ожиданий растёт, а времени и внимания для реального обучения становится меньше.

50% руководителей и 53% сотрудников говорят, что из-за высокой нагрузки для обучения почти не остаётся времени.
Только 37% компаний оценивают L&D через влияние на бизнес.
22% руководителей считают ненадёжность AI-контента заметной проблемой.
84% сотрудников довольны корпоративным обучением, но удовлетворённость ещё не подтверждает влияние на результат.
79% компаний переходят к развитию и найму на основе навыков.

Отчёт напоминает, что:

Проблема L&D часто не в отсутствии контента, а в отсутствии условий для обучения. Добавление нового курса может только увеличить learning debt.

Посмотрите на колтичество курсов на каждого сотрудника, в вашей компании может быть не дефицит обучения, а наоборот долг в обучении. Может быть стоит закрыть часть программ или сделать необязательными? Или помочь сотрудникам построить траектории обучения, чтобы эта нагрузка оказалась посильной?

Оставайтесь на связи, здесь пишу про современное образование и управление EdЕech продуктами 💛 @LXnotes

Забавное наблюдение — животные на обложках IT-книг

Муж купил книгу про AI Engeneering, и я обратила внимание, что обложки IT книг вечно с какими-то животными. Я очень люблю животных (учитель биологии так-то), поэтому я копнула глубже.

Оказалось, это книги издания O’Reilly, и эта традиция появилась ещё в 1980-х.

O’Reilly тогда выпускали небольшие руководства по Unix. Когда книги начали продавать не только как техническую документацию, но и в обычных книжных магазинах, понадобился более узнаваемый дизайн.

Дизайнер Edie Freedman нашла старые зоологические гравюры XIX века и решила использовать их на обложках. Названия Unix-инструментов вроде awk, sed, yacc, vi и так звучали довольно загадочно — странные животные отлично дополняли этот мир.

Постепенно это превратилось в фирменный стиль O’Reilly. Причём животное не всегда напрямую связано с темой книги. Иногда дизайнеры ищут ассоциацию между его поведением и технологией, иногда выбор гораздо более условный.

O’Reilly взяли визуальный элемент, который вообще никак не ассоциировался с IT, и десятилетиями использовали его настолько последовательно, что теперь старая зоологическая гравюра + крупный заголовок практически мгновенно считываются как «книга O’Reilly».

При этом технологии на обложках меняются от Unix до GenAI и AI agents, а визуальный язык, придуманный около 40 лет назад, всё ещё работает.

Хороший пример сильной айдентики. Она не обязательно должна буквально изображать продукт, иногда важнее, чтобы она была узнаваемой.

Вот тут можно почитать подробнее про иторию: https://www.oreilly.com/content/a-short-history-of-the-oreilly-animals/

Ну только посмотрите, какие хорошики! 🥰

Студенты почти не пользуются ИИ-тьютором. Проблема ИИ или продукта?

Пожалуй, самый интересный вывод из новых материалов Stanford SCALE об AI-тьюторах связан не с качеством ответов AI.

От 40% до 47% студентов вообще никогда не использовали платформу искусственного интеллекта. Даже те студенты, которые заходили на платформу, использовали её всего четыре-пять недель в рамках многомесячного исследования, в среднем от двух до пяти минут в неделю.

Важное уточнение контекста
Материал Stanford — это обзор разных моделей AI-тьюторинга и нескольких исследований.
В исследовании с показателем 2–5 минут в неделю использовалась AI-платформа для обучения чтению детей 1–5 классов, исследование проходило в двух школьных округах и включало 355 учеников, платформа рекомендовала заниматься минимум 30 минут в неделю. Название платформы и школьных округов исследователи намеренно не раскрывают.

А что если добавить учителя?
Участие человека немного повышало вовлечённость, но даже регулярные напоминания не гарантировали, что учащиеся будут достаточно пользоваться AI-тьютором или начнут учиться лучше.

Наш продуктовый вывод:
Недостаточно создать инструмент, который хорошо объясняет материал. Нужно ещё понять:
▫️в какой момент learning journey он действительно нужен
▫️почему учащийся должен к нему обратиться
▫️что заставит его вернуться
▫️как встроить работу с тьютором в обучение, а не оставить его дополнительной опцией где-то рядом с курсом

Кажется, наиболее убедительные результаты показывают решения, в которых AI помогает живому тьютору, а не полностью заменяет его.

Посмотрите на картинке - шкала тьюторинга и составляющие высокоэффективного тьюторинга (high-impact tutoring)

Оставайтесь на связи, здесь пишу про современное образование и управление EdЕech продуктами 💛 @LXnotes