В эпоху агентов: как ИИ переворачивает процесс создания продукта

Спикер: Альбина Мунирова

Многие из вас уже слышали про AI-native разработку и команды. Но что это значит: научиться вайбкодить, подключить ChatGPT — или изменить способ работы команды? На примере фреймворка Double Diamond разберемся, какие ключевые изменения произошли в процессах за последнее время и куда переехало узкое горлышко с приходом ИИ.

Сам фреймворк появился, когда разработка и тестирование в продакшне стоили дорого: команда долго выбирала решение, чтобы не переделывать продукт. С ИИ эксперименты подешевели — узкое место переместилось в принятие решений.

Этап Discover: непрерывно собирать сигналы

Загрузить транскрипты интервью в ChatGPT и попросить выводы — плохой сценарий. На выходе обычно получается усредненный ответ без настоящих инсайтов.

Чтобы получить качество, сравнимое с качеством работы человека, исследование делят части. Например, агент-исследователь собирает сигналы из интервью, аналитики, поддержки, логов и отзывов, нормализует и удаляет дубли. Агент-синтезатор ищет паттерны. Агент-критик проверяет выводы.

Модель легко заменяет редкий сигнал средним обобщением. Поэтому просите исключения и несостыковки, меняйте роли, сегментируйте данные и проверяйте первоисточники. Модели нужно разрешить отвечать, что данных недостаточно.

AI-персоны не заменяют интервью: это обобщенная версия пользователя. Зато на них удобно проверять гайды. Если разные персоны отвечают одинаково, вопросы, вероятно, не помогают получить новую информацию.

Этап Define: ИИ готовит данные, решение остается за человеком

На этом этапе автоматизировать можно многое, кроме главного решения: какой сигнал действительно важен и что команда возьмет в работу.

Чтобы не спешить с выводами, при синтезе делайте разделение по трем группам: факты, интерпретации и гипотезы. Затем подключайте критика: достаточно ли данных, нет ли другого объяснения, не замаскировано ли решение под проблему? ИИ готовит черновик, человек утверждает смысл и приоритет.

Этап Develop: прототип становится общим языком

Вайбкодинг пока не заменяет разработчиков, особенно в высоконагруженных продуктах. Его сила в другом: команда может быстро ошибаться и перебирать варианты.

Любой участник может форкнуть продукт и собрать кликабельный прототип. Вместо объяснений дизайнеру команда смотрит на работающие варианты и выбирает лучший. Со временем прототипы можно приблизить к продакшену вместе с командой разработки.

Этап Deliver: релиз возвращает данные в цикл принятия решений

Релиз — не финал, а часть непрерывной проверки. Рутину и тесты можно автоматизировать, но ответственность за риск остается у человека. Все сигналы из тестов и продакшена возвращаются на этап Discover. При этом удобно, что ТЗ можно не писать заново, а восстановить по выбранному прототипу с учетом всех имеющихся данных о продукте.

Для такой работы нужен общий контекст: принципы продукта и команды, глоссарий, метрики, правила и история принятия решений. Как проверить, что ваша база по продукту имеет достаточно информации: человек, который ничего не знает о продукте, может быстро получить из нее ответ.

Double Diamond никуда не исчез. Он стал быстрее, дешевле и перестал быть линейным. Теперь главное узкое место — между этапами, где человек решает, какую проблему брать, какое решение отбрасывать и когда продукт готов к выпуску.

А сам AI-native подход можно описать следующей формулой:

общий контекст + непрерывная обратная связь + дешёвые эксперименты + встроенное качество + ясные права на решение.

И роль менеджера продуктов во всей этой цепочке — выбрать правильную проблему, быстро отбросить слабые решения и отвечать за качество и риск.

@productsense