Как 7 AI-скиллов помогают вести стратегию развития продукта в Яндекс?⚡️

#кейс Александра Цельсова, CPO @ Яндекс (с конференции AI Skills)

Ключевой инсайт: не пишите стратегию отдельным документом, который устаревает через неделю. Соберите команду AI-агентов вокруг одной встречи, и следующий шаг продукта будет собираться сам ⚡️

1. Материалов больше, чем можно удержать

Сейчас мы строим новый продукт внутри большой компании, незнакомая индустрия, кросс-функциональная команда

За время недавней проработки накопилось 64 ветки обсуждения и материалы 48 встреч

После каждой встречи у нашей команды множество веток коммуникаций:
• новые фичи в продукте
• финансовые и юридические детали
• бизнес результаты для руководства
• операционные задачи командам дизайна, разработки, саппорта
• и другие

Мы искали возможность упростить и ускорить синхронизацию данных, предпринятых шагов и обратной связи, чтобы все участники большой команды всегда оставались в контексте изменений

2. Цикл из семи шагов вокруг каждой встречи

Ранее до встречи мы стандартно двигались так: обработать контекст, собрать бриф со сценарием и критериями, отработать вопросы, определить следующие шаги

Сейчас мы используем 7 наших AI-агентов, которые помогают на автопилоте нам двигаться дальше гораздо эффективнее:

• context-search: поднимает прошлые интервью
• requirements-brief: собирает бриф встречи, сценарий и критерии проверки
• practice-loop: отрабатывает вопросы
• meeting-insights: разбирает запись встречи
• reasoning-check: проверяет, откуда взялся вывод
• decision-brief: предлагает следующие действия с основаниями
• knowledge-base: сохраняет решения, открытые вопросы и следующие проверки

3. SkillStore вместо своих промптов с нуля

Каждый шаг это отдельный скилл: context-search, requirements-brief, practice-loop, meeting-insights, reasoning-check, decision-brief.

Часть методов я беру готовыми из внутреннего каталога скиллов Яндекса: нашёл метод, поставил версию, предложил доработки. Скилл, собранный на большом объёме данных, полезнее моего собственного

4. Анализатор встреч вытаскивает больше, чем я услышал

Наше локальное приложение разбирает запись: транскрибирует, сопоставляет с вопросом, на который мы искали ответ, и подсвечивает новые свидетельства, расхождения с прежними выводами и открытые вопросы.

Отдельно работает проверка рассуждений: откуда взялся вывод и достаточно ли для него оснований

5. С одного эпизода два результата

Для продукта это следующий обоснованный шаг, для себя практика на рабочей задаче. В базе остаются решения, их основания и следующие проверки, поэтому видно, где команда развернулась и почему.

Заменять людей на встрече агентами я не стал: рутина нужна, чтобы команда становилась сильнее, а не чтобы отдать работу на аутсорс

Вот так мы автоматизировали с AI часть работы со стратегий.

Успехов с AI-adoption в ваших командах!
Александр Цельсов, CPO @ Яндекс Логистика

p.s.

В Community Sprints мы теперь регулярно встречаемся с AI-native профессионалами в нашем комьюнити

Развивайте себя или свое дело вместе с нами в AI Champions: лайвы и кейсы от профессионалов из бигтеха, которые внедряют AI у себя и в командах ⚡️