Костя Д. про продукт

MVP в старом смысле умириает: «минимально жизнеспособный» больше не равен «приемлемый» для современного пользака 🤩

1. MVP превратился в минимум боли
Сегодня «минимально жизнеспособный» продукт чаще ощущается как минимально терпимый — и пользователи не хотят терпеть. Планка базового качества выросла, первый релиз должен выглядеть законченным и вызывать доверие.

2. Главная проблема MVP
Во многих командах MVP стал отмазкой «выкатим криво, потом допилим». Формально продукт работает, но он неудобный, некрасивый и не даёт желания возвращаться. В итоге вы валидируете не гипотезу, а терпимость людей к плохому опыту.

3. Поворот к MLP
MLP — Minimum Lovable Product, минимальный, но «любимый» продукт. Один острый кейс, понятный сценарий, быстрый first value и ощущение, что продукт сделан с заботой, а не «на коленке».

4. Как валидировать в 2026
Максимум гипотез проверяйте до кода: интервью, прототипы, лендинги, ручные сервисы. Публичный релиз — это уже не черновик, а версия с нормальной стабильностью, UX‑флоу, визуальной опрятностью и онбордингом — это новая база.

Итог: умирает не концепция MVP, а культура «как‑нибудь выкатывать под видом теста» — рынок избалованных пользователей это больше не прощает..

🩵 - если было полезно!

🤖 Вышло первое руководство по AI-агентам, которое ломает всё, что вы знали о работе с агентами!

Исследовательская команда выпустила "A Practical Guide for Designing, Developing, and Deploying Production-Grade Agentic AI Workflows" — руководство, которое показывает, почему 90% агентских систем разваливаются в production и как именно это исправить.
Это не очередной тред с "советами по промпт-инжинирингу". Это скрытый playbook для агентских систем, которые реально выживают при столкновении с реальностью.

Попробую объяснить важность 👇
→ Показывают, как большинство агентов ломаются из-за неоднозначного роутинга инструментов… и демонстрируют, как перестроить workflow с детерминированным tool-first дизайном
→ Раскрывают, почему MCP-системы глючат, дают сбои или молча ломаются — с реальными failure traces
→ Заменяют хрупкое поведение агентов чистыми function calls для гарантии воспроизводимости
→ Внедряют single-responsibility агентов, чтобы ничто не галлюцинировало инструменты, не смешивало задачи и не угадывало порядок выполнения
→ Выносят каждый промпт во внешние файлы, чтобы промпты версионировались, аудировались и управлялись
→ Используют multi-model consortium (GPT + Gemini + Claude) с выделенным reasoning-агентом, который объединяет черновики и устраняет противоречия
→ Разворачивают всё через контейнеры и Kubernetes — реальный автоскейлинг, observability, retry, логи, health checks

Они построили полный пайплайн news → analysis → script → reasoning → audio → video →
GitHub PR, чтобы доказать каждый принцип. Полные диаграммы. Реальные выводы. Реальные ошибки. Реальные решения.

Это первый end-to-end blueprint того, как на самом деле выглядит production-grade инжиниринг агентов.

Если это приживется, "агентские стартапы" перестанут шипить чатботы в красивых обёртках. Они будут шипить настоящие системы.

Оригинал документа: тут

Моё мнение: Наконец-то AI-агентов начали строить как нормальный софт — с предсказуемостью, мониторингом и надёжным деплоем. Именно это отличает рабочий продукт от красивой демки.

🩵 - если было полезно!

Синдром самозванца в работе или честная самооценка?

В последние годы термин "синдром самозванца" стал невероятно популярным в профессиональном сообществе.
Любое сомнение в своих способностях автоматически получает этот ярлык. Чувствуешь неуверенность на новой позиции? Самозванец. Переживаешь перед важной презентацией? Самозванец. Кажется, что коллеги знают больше? Самозванец.

Но есть проблема: мы начали называть синдромом самозванца то, что им не является.
Иногда сомнения — это не психологическое искажение. Это точная оценка ситуации.

В чём разница:
Синдром самозванца = ты делаешь хорошо, но не веришь в это.
Честная оценка = ты пока не готов, и это скорее всего правда.

Как понять что есть что из этого:

Посмотри на результаты:
- Запуски работают, команда слушает, метрики растут → синдром
- Запуски валятся, тебя не слушают, постоянно тонешь → может не готов

Послушай фидбек:
Говорят "хорошо", ты не веришь → синдром
Говорят "нужно подтянуть", и правда тяжело → честная оценка

Посмотри на паттерн:
Сомневаешься везде, даже где силён → синдром
Сомневаешься только в новой области без опыта → нормально

Когда работать над собой:
Если объективно делаешь хорошо, но мозг говорит "ты плох" — это синдром. Работай с ним:

- Записывай успехи
- Верь фидбеку
- Помни: год делаешь хорошо ≠ везение

Когда стоить менять условия:
Если стараешься изо всех сил, но результатов нет — может дело не в тебе:
1) Роль слишком сложная: Поставили на задачи выше уровня. Это ошибка того кто назначил, не твоя.
2)Компания токсичная: Обесценивают, критикуют, не дают ресурсов. Ты не плох, среда плохая.
3) Условия не те: Хаос, нет процессов, даже опытный утонет. Тебе нужны другие условия.

Пример:
Junior пришёл продактом в стартап. Через месяц: "Я самозванец, ничего не выходит."
А там:
-Процессов нет
-CEO меняет всё каждый день
-Данных ноль
-От junior ждут senior работы и тд

Это не синдром или приговор. Это скорее неподходящие условия.
Ушёл в нормальную компанию. Через полгода, год— вполне себе PM.
Запомни:
Синдром = "ты плох" (но это неправда).
Честная оценка = "ты пока не готов к этому" (но можешь быть готов позже или в других условиях).

🙋‍♂️Можно просто спросить себя:

-Результаты есть?
-Что говорит фидбек?
-Я везде неуверен или только тут?
-Мне дают условия расти или я деградирую?
-Может дело в месте, а не во мне?

Лично я считаю: лучше честно признать "я пока не готов" и найти правильные условия для роста, чем годами бороться с "синдромом самозванца" в токсичной среде или неподходящей роли.

Вывод:
Не каждое сомнение — синдром самозванца.
Иногда это твоя подсказка: "Что-то не так."
Может ты хорош, но мозг врёт → начинай работай с этим.
Может ты в неправильном месте → меняй место, не себя.
Умение честно оценить себя — это большая сила.

🩵 - если было полезно!

Превращайте идею в рабочий прототип продукта за 10 минут — не написав ни строчки кода👇

Нашёл полезный пост на просторах Linkedin от Nikolai Golos:

Вот рабочий процесс, который я использую, чтобы быстро проверить и создать MVP мобильного приложения:

Шаг 1️⃣ Проверка идеи

Я начал с Grok, чтобы исследовать, есть ли реальный спрос.

Промпт:
→ «Найди обсуждения на Reddit и Twitter о [минималистичных виджетах для продуктивности]. О чём спрашивают люди? Чего не хватает?»

Меньше чем за минуту я получил болевые точки, пробелы в функциях и доказательства того, что люди активно ищут такой инструмент.

Шаг 2️⃣ Создание PRD (Документ требований к продукту)

Затем я использую Claude, чтобы превратить это исследование в полноценную спецификацию продукта.

Первый промпт (системная инструкция):

→ «Ты — старший продакт-менеджер. Когда я поделюсь идеей продукта, создай PRD, охватывающий: проблему, целевую аудиторию, ключевые функции, крайние случаи и метрики успеха».

Затем я добавляю:

→ «Напиши PRD для виджета iOS, который показывает полный год в виде сетки из 365 точек. Вот моё маркетинговое исследование: [вставленные результаты из Grok]»

Шаг 3️⃣ Превращение в прототип

Теперь я хочу увидеть реальный продукт. Поэтому я использую Rork (попробуйте бесплатно здесь: https://rork.com/), чтобы превратить PRD в интерфейс.

Промпт:

→ «Спроектируй простое iOS-приложение с виджетом, который показывает полный год в виде сетки из 365 точек. Используй следующий PRD: [твой PRD из Claude]»

Rork генерирует понятный, кликабельный прототип с макетом и интерактивными элементами — готовый к тестированию прямо на телефоне, который можно сразу делиться и получать обратную связь.
--
Каждый раз, когда я запускаю этот процесс, я поражаюсь тому, насколько многое стало возможным без написания ни единой строчки кода. ИИ сделал невероятно лёгким путь от идеи до её проверки и превращения во что-то реальное!

🙂Если было полезно!

Карьера "вуз → джун → мид → сеньор" больше не работает

Руководитель крупнейшей консалтинг-фирмы McKinsey недавно заявил: "У нас работет 60К сотрудников, и 25К из них - это ИИ-агенты". На практике это значит вот что:

Как раньше был устроен стандартный консалтинговый проект в вакууме?
- Менеджер руководит всем проектом и отвечает за финальный результат перед большими дядями.
- Консультанты (или старшие аналитики) отвечают за стримы - конкретные направления работ.
- У каждого конса есть по 1-2 младших аналитика или стажера, которые "работают руками". Строят гипотезы, анализируют анализ, моделируют модели, клепают презы и всё такое.
Понятно, что в реальности всё это может перемешаться, но примерно так.

А теперь, по всей видимости, фирма очень хочет заменить младших ребят на ИИшку. Понятно, что работать прям самостоятельно ИИ он не умеет (как и стажер, лол). Главная задача ИИ - разгрузить консультантов от рутины. Чтобы они справились сами со всем объёмом, и можно было нанимать меньше стажеров.

И здесь очень хочется сделать вывод: "Если стажеры теперь не нужно, то хрен теперь устроишься после вуза на джуновскую позицию". Причём не только в консалтинге. McKinsey - просто яркая иллюстрация, которая под руку попалась. Такая же фигня происходит и в обычных корпорациях, и в айти, и вообще где угодно.

Но в реальности всё чуть сложнее. Консультанты-мидлы (как и разрабы-мидлы) сами собой не рождаются. Их нужно выращивать из джунов. А значит, компаниям всё равно придется нанимать младшеньких. Либо же брать мидлов/сеньоров из других компаний (это дороже), где их будут выращивать.

И вот здесь уже можно сделать очень важный вывод:
Если ИИ будет выполнять большую часть работы джунов, но джуны всё равно будут, то... самим джунам придется серьезно поменяться.
Но как именно?

Во-первых, вся пирамида сдвинется на один уровень вверх. Топовые компании будут брать меньше джунов, и сразу искать таких, которые смогут быстро проявить качества мидлов. Самостоятельно вести небольшие стримы, структурировать значимые куски работ, уметь профессионально общаться. И (важно) быстро расширять свою зону ответственности. Ведь если нет, то проще тупо взять готового мидла/сеньора, выдать ему ИИшку и сказать "ну, давай, дедлайн через неделю".

Во-вторых, будут нанимать меньше младших "универсалов-дженералистов". Опять же, потому что таких ребят нужно обучить-натаскать, заточить их на функциональную пользу. Это инвестиционный период - когда компания вкладывает в джуна больше, чем вытаскивает обратно. Доступные ИИ-агенты - это альтернативное вложение, из-за которой отдачу от джуна будут ожидать гораздо-гораздо быстрее. А это достигается двумя способами. Либо очень-очень мощный и талантливый джун-универсал (редкость), либо джун с узкой специализацией. Такому нужно меньше времени на адаптацию, потому что он изначально глубже погружен в специфику, лучше знает своё болото, ну вы поняли.

Наконец, джуну нужно будет с ходу уметь работать с ИИ-инструментами. Ведь напомню, его сразу сместят на один шаг вверх по пирамиде, выдадут ИИ-помощников и скажут: "ждём результат". Хорошее умение работать с ИИ-тулами становится не полезной бонусом, а базовой грамотностью. Причём речь идёт не об обычном ChatGPT, а о специальных профессиональных ИИ-штуках.

Короче говоря, джуны 2.0 должны уже из универа выходить "почти-мидлами" с высоким уровнем автономности, сильной специализацией и хорошими специализированными ИИ-навыками. И большой вопрос, смогут ли вузы и эдтехи быстро перестроиться под этот сдвиг.

P.S. Если ваш друг (или ребенок) сейчас думает, на кого учиться и кем вообще быть, то очень рекомендую хорошенько погрузиться в изменение, которые я чуть приоткрываю в этом посте.

Дизраптор

Правдивые доводы, всем советую к прочтению ✌

🧠 Человеческие soft skills в мире AI: что действительно важно

Пару дней назад в моём linkedin один интересный человечек спросил меня: "Зачем прокачивать коммуникацию и эмпатию, если ChatGPT может написать любое письмо?"

Я кстати вспомнил историю.

2 года назад:
Команда два месяца пилила фичу. Вложились полностью.
Релиз. Adoption 3%. Фича мертва.
На ретро разработчик: "Я месяц назад понял что не взлетит. Но промолчал."
— Почему?
— Ты бы не послушал. Ты был уверен.
Вот тебе всемогущий AI. ChatGPT мог написать идеальный PRD (требования). Но не мог услышать что человек боялся сказать правду.

В чём разница:
AI генерит контент. Человек создаёт контекст.
AI анализирует данные. Человек чувствует людей.
AI предлагает варианты. Человек решает когда нет правильного ответа.

Навыки, которые AI не заменит:
1. Эмпатия (вот прям настоящая)
Дизайнер приносит макет. Формально ок. Но я вижу — нужно доработать.
— Всё норм?
— Проблемы дома. Не спал две ночи.
Переносим дедлайн. Через неделю — найс.
ChatGPT не спросит "как ты?".
Эмпатия — не "понимать боли клиента". Это чувствовать человека рядом. Видеть когда ему плохо.

2. Критическое мышление в хаосе
AI даст 10 вариантов. Выбрать нужно тебе.
И тут:
-Команда устала, сложное не потянет
-Через месяц миграция, всё сломается
-Вариант №3 выглядит хуже, но решает реальную проблему
-CEO настаивает на первом, но он не сработает
AI не знает контекста. Ты знаешь (ну или догадываешься 💳).

3. Умение слышать
Клиент: "Нужна интеграция с 1С."
Новенький продакт: "Ок, делаем".
Опытный копает:
— Зачем?
— Чтобы не вбивать дважды.
— А если автоэкспорт раз в день?
— О, это даже лучше!
AI ответит буквально. Человек услышит что ЗА запросом.

4. Умение говорить "нет"
CEO хочет фичу. Инвесторы другую. Клиенты третью. Команда не может.
AI выдаст дипломатичный текст. Но сказать должен ты.
Принять недовольство. Объяснить. Устоять.

5. Чувство момента
На планёрке назревает конфликт. Ещё фраза — взорвётся.
Переводишь тему. Потом отдельно с каждым.
Или чувствуешь — пора тяжёлого разговора. И не откладываешь.
AI не чувствует атмосферу. Ты чувствуешь.

6. Умение признавать ошибки
"Я был неправ. Идём не туда. Меняем курс."
Сказать команде. Взять ответственность.
AI не несёт ответственность. Ты несёшь.

7. Умение вдохновлять
Команда выгорела. Третий месяц пилим. Конца не видно.
Можно: "Давайте, чуть-чуть осталось." (не работает)
А можно остановиться. Посидеть. Вспомнить зачем это делаем.
Через полчаса люди с горящими глазами.
AI может сгенерить речь. Но не может зажечь.

🚬 Что будет:
AI заберёт всё больше технического.
Но ценность у тех кто умеет:

-Видеть суть проблемы
-Чувствовать людей
-Решать в хаосе
-Вдохновлять
-Создавать новое
-Прокачивает софты и интуицию

🏆 Главное:
Чем больше AI берёт технического — тем важнее человеческое.
Раньше ценился тот кто знает фреймворки. Сейчас это гуглится.
Ценится тот кто умеет работать с людьми. Понимать. Договариваться. Чувствовать.
Я боюсь не того что AI заменит продактов.
Я боюсь что продакты начнут полагаться на AI где нужно думать самому.
Когда вместо разговора с юзером спросят ChatGPT.
Когда перестанут развивать эмпатию — "и так норм, AI поможет".
Вот тогда заменят.

✅Вывод:
AI — инструмент. Используй.
Но твоя ценность не в промптах.
А в том, насколько хорошо ты понимаешь людей и решаешь их проблемы.
Это не автоматизируешь.

P.S. Если продакт общается с командой через AI-сообщения — пора менять продакта.

👍 - Если было полезно!

Почему продакту всё равно придётся понять Kubernetes

Продакту не нужно настраивать Kubernetes — но нужно понимать, как он влияет на скорость релизов, стабильность продукта и диалоги с разработкой. В этой видео разобрали Kubernetes простым языком на одном примере и показали, какую реальную пользу это знание даёт продактам.

Вариант 1: Овервью за 3 минуты
https://www.youtube.com/watch?v=c26igucCPfg

Вариант 2: Более подробно за 40 минут:
https://www.youtube.com/watch?v=TwyhnBDOHPw

👍 - Если было полезно!

🇲🇾 Куала-Лумпур глазами продакта: когда контрасты — это фича

В отпуске прилетел в KL и понял — этот город как early-stage стартап. Что-то работает идеально, что-то сломано, но всё вместе почему-то функционирует.

Что ломает мозг за первые 48 часов

Grab = суперприложение, которое реально работает
Такси, еда, посылки, оплата счетов, страховка. Один app закрывает 80% городских сценариев. Мы годами пытаемся построить суперапп, здесь это как- то работает 🤪

Торговые центры = третье место
Каждые 1000 метров ТЦ с кондиционером (+35°C), WiFi, фудкортами, коворкингами. Это не про
шопинг — это городская инфраструктура. Люди живут в ТЦ: работают, едят, встречаются.

Еда 24/7 за $2-3
Мамаки (местные забегаловки) круглосуточно. Нормальная еда за копейки в любое время. Friction "я голоден" решён.

Cashless везде
От уличной палатки до такси — всё по QR. Touch 'n Go, GrabPay, карты. Наличка не нужна.

⚙️ Фичи, которые удивляют:
-Молельные комнаты везде — в каждом ТЦ, аэропорту, офисе. Инклюзивность на уровне архитектуры.
-Кондиционеры как религия — везде. При местном климате это survival feature.
-Фудкорты вместо ресторанов — 10-20 точек в одном месте. Маркетплейс еды в офлайне.
-Petronas Twin Towers как waypoint — видно отовсюду. Навигация: "иди к башням, потом поверни".
-Миксовая архитектура — рядом мечеть, храм, небоскрёб, ночной рынок. Город работает с контрастами как с фичей.

❌ Что не работает

-Общественный транспорт — лотерея
Метро покрытие слабое. Автобусы "когда-нибудь". Grab выиграл потому что альтернатива сломана. Когда базовая инфра не работает — частные решения взрывают.
-Пешеходная навигация = хаос
Тротуары появляются и исчезают. Google Maps "5 минут" = 15 минут по жаре. Город под машины, не под людей.
-WiFi есть, но с friction — регистрация каждый раз. Зато мобильный интернет дешёвый — обходное решение.
- Контрастная экономика — роскошный ТЦ, за углом трущобы ❌
Неравномерность бросается в глаза.

Частота города:

-ТЦ каждые 1000м — всегда есть где укрыться, поработать, поесть
-7-Eleven на каждом углу — любая потребность за 2 минуты
-Grab за 3-5 минут — мобильность решена
-Еда в радиусе 100м — никогда не голоден
- Почти всё работает до поздней ночи

Чистота — интересный кейс
Внутри зданий идеально. Снаружи — по-разному. Сервис на высоте там где за него платят.

🙋‍♂️Что украл для продуктов
1. Один app для всего — люди хотят не 10 специализированных, а один который решает всё.
2. Работай с контрастами — KL не скрывает разнообразие. В продукте тоже можно сделать rough edges частью identity.
3. Private побеждает когда public сломан — Grab взлетел потому что транспорт не работает. Есть большая боль — даже несовершенное решение выстрелит.
4. ТЦ как third place — офис, дом, и торговый центр. Продукт тоже может быть универсальным хабом.
5. Климат определяет поведение — при +35°C люди от кондиционера к кондиционеру. Физический контекст критичен.
6. Cashless как default — убери friction в оплате, конверсия взлетит.
7. Diversity как фича — продукт для всех сразу, не для одной группы.

✅ Вывод:
KL — это работающий хаос. Что-то сломано, что-то гениально, но система функционирует.
Урок: не обязательно делать идеально всё. Можно сделать 3-4 вещи очень хорошо и закрыть главные боли. Остальное простят.
Мы зацикливаемся на полировке каждого пикселя. А можно просто решить главную проблему — и этого достаточно.

👍 - Если было полезно!