Senior Product Manager, Top Tier Employee and Ambassador @ Avito
Заметки о создании технологичных продуктов и жизни в Испании.
Post #106
673
Этот год в Avito проходит под эгидой AI-трансформации, как, думаю, и во многих технологических компаниях. Я считываю этот термин как попытку найти эффективный способ интеграции AI-решений в две области: оптимизацию работы подразделений и построение новых продуктов на базе ИИ.
Здесь хочу разогнать одну тему, которая меня давно тревожила. А именно — как на самом деле прокачать себя и сделать свою работу эффективнее с помощью AI. То есть не просто побаловаться новой фичей, а реально сделать так, чтобы AI приносил пользу на ежедневной основе.
Если у вас есть ощущение, что все вокруг убежали куда-то вперед в этой AI-гонке, а вы отстаете или не понимаете, как и какие инструменты применять эффективно, то у меня для вас хорошая новость: вы не одни. Продолжительное время я существовал в пузыре, думая, что безнадежно отстал, мало юзаю AI, а вот те парни — молодцы: каждый день что-то устанавливают, интегрируют и т.п.
На практике есть около 1% early birds, которые находятся на передовой и первыми бегут тестировать какие-то новые AI-приколюхи. Но реальность состоит в том, что для решения практических рабочих задач такое многообразие не нужно.
Что безоговорочно повысило мою эффективность с начала года, так это доступ по mcp к внутренним сервисам Avito (то есть агенты с разными скиллами). И, по сути, не так важны модель и клиент (Codex от OpenAI и Claude от Anthropic, по моему субъективному мнению, примерно одинаково хорошо справлялись с моими задачами). Главное — иметь тот самый агентский доступ ко всем внутренним базам, Confluence-документам, дизайн-системе и т.д.
Теперь по фактам:
🔹Время написания SQL-запросов к dwh сократилось на 70%
🔹Поиск и анализ предыдущих тестов, исследований по всей компании — на 80%
🔹Построение прогнозных traction-моделей — на 30%
🔹Создание рабочего прототипа — на 60%
*личные оценки на горизонте прошедших 6 мес
Это лишь несколько конкретных примеров из реальной жизни продуктовой команды.
К сожалению, пока нет полного доступа к дизайн-системе, что не позволяет делать прототипы по дизайн-гайдам. Но, опять же, это вопрос времени. Новые скиллы появляются постоянно.
Что я хотел всем этим сказать, после появления mcp-доступа я практически забыл про ChatGPT, Lovable, Figma Make и другие standalone-решения. Я абсолютно убежден, что Claude Code с mcp способен закрыть 95% всех потребностей продуктового лидера.
Самое главное — теперь практически стирается граница между ролями в продуктовой команде. Теперь ты и продакт, и аналитик, и даже разработчик. В целом меня это воодушевляет, но один факт пока остается неоспоримым: нужно иметь достаточно хороший контекст, понимать дерево метрик, знать источники данных и устройство наших сервисов. Без этого очень легко быть введенным в заблуждение и получить недостоверный результат.
Здесь хочу разогнать одну тему, которая меня давно тревожила. А именно — как на самом деле прокачать себя и сделать свою работу эффективнее с помощью AI. То есть не просто побаловаться новой фичей, а реально сделать так, чтобы AI приносил пользу на ежедневной основе.
Если у вас есть ощущение, что все вокруг убежали куда-то вперед в этой AI-гонке, а вы отстаете или не понимаете, как и какие инструменты применять эффективно, то у меня для вас хорошая новость: вы не одни. Продолжительное время я существовал в пузыре, думая, что безнадежно отстал, мало юзаю AI, а вот те парни — молодцы: каждый день что-то устанавливают, интегрируют и т.п.
На практике есть около 1% early birds, которые находятся на передовой и первыми бегут тестировать какие-то новые AI-приколюхи. Но реальность состоит в том, что для решения практических рабочих задач такое многообразие не нужно.
Что безоговорочно повысило мою эффективность с начала года, так это доступ по mcp к внутренним сервисам Avito (то есть агенты с разными скиллами). И, по сути, не так важны модель и клиент (Codex от OpenAI и Claude от Anthropic, по моему субъективному мнению, примерно одинаково хорошо справлялись с моими задачами). Главное — иметь тот самый агентский доступ ко всем внутренним базам, Confluence-документам, дизайн-системе и т.д.
Теперь по фактам:
🔹Время написания SQL-запросов к dwh сократилось на 70%
🔹Поиск и анализ предыдущих тестов, исследований по всей компании — на 80%
🔹Построение прогнозных traction-моделей — на 30%
🔹Создание рабочего прототипа — на 60%
*личные оценки на горизонте прошедших 6 мес
Это лишь несколько конкретных примеров из реальной жизни продуктовой команды.
К сожалению, пока нет полного доступа к дизайн-системе, что не позволяет делать прототипы по дизайн-гайдам. Но, опять же, это вопрос времени. Новые скиллы появляются постоянно.
Что я хотел всем этим сказать, после появления mcp-доступа я практически забыл про ChatGPT, Lovable, Figma Make и другие standalone-решения. Я абсолютно убежден, что Claude Code с mcp способен закрыть 95% всех потребностей продуктового лидера.
Самое главное — теперь практически стирается граница между ролями в продуктовой команде. Теперь ты и продакт, и аналитик, и даже разработчик. В целом меня это воодушевляет, но один факт пока остается неоспоримым: нужно иметь достаточно хороший контекст, понимать дерево метрик, знать источники данных и устройство наших сервисов. Без этого очень легко быть введенным в заблуждение и получить недостоверный результат.
- 👍 8
- 🤮 4
- 💯 2
- ⚡ 1
- ❤🔥 1
- 🔥 1





