Кто такой AI-продакт-менеджер?

Вступление: хайп вокруг вакансии AI PM

В индустрии сейчас настоящий ажиотаж вокруг AI. Но что на самом деле скрывается за вакансией «AI Product Manager»? Стоит ли переучиваться, или это просто очередной маркетинговый ход?

В этой статье разберём: кто такой AI PM на самом деле; типы компаний, которые ищут таких специалистов; реальный список задач (спойлер: это не только про нейросети); красные флаги при найме; навыки, которые понадобятся; когда стоит соглашаться на такую роль, а когда — бежать; и вопросы с реальных собеседований.

Лучший способ получить работу AI PM — стать отличным продактом, который умеет использовать AI, а не «охотиться за хайпом». Работодатели ищут навыки, а не громкие заголовки в резюме.

Пока читаете — сверьте базу в экспресс-квизе, прогоните кейс на моке и разберите формулировки в кабинете резюме. Хайп в LinkedIn туда не подставишь.

Что изменилось: эпоха ChatGPT и «новая нормальность»

До ChatGPT

Это была узкая ниша для гиков. Специалисты работали бок о бок с дата-сайентистами над рекомендательными системами, компьютерным зрением и кастомными ML-моделями. Нужно было понимать архитектуру нейросетей и тонкости обучения моделей.

После ChatGPT

Все изменилось. Сегодня «AI PM» часто называют обычного PM’а, который работает с продуктом, где есть хотя бы одна функция на основе LLM (больших языковых моделей).

Совет от IT Career Gym: сейчас большинство таких ролей лучше описывать как AI-грамотные PM (AI-literate) или AI-информированные (AI-informed). Это как PM для API: вы не пишете код протокола, но управляете продуктом, который с ним работает.

Типы компаний, где нужны AI-менеджеры

Все вакансии можно разделить на три уровня. Понимание этого поможет правильно выбрать траекторию. Сверьте формулировки в каталоге вакансий и в мэтчах — одни и те же слова «AI» в JD часто значат разное.

Тип 1. Интеграторы AI-инструментов (самый простой уровень)

Сюда попадает большинство компаний.

• Внедряют готовые AI-решения для аналитики.
• Подключают чат-ботов для поддержки «из коробки».
• Добавляют AI-фичи в старые бизнес-процессы.

Что требуется: базовые знания рынка и умение выбрать SaaS-решение.

Минус: это наименее интересный опыт для настоящего AI-продакта. Здесь вы скорее пользователь, чем создатель.

Тип 2. Строители AI-продуктов (золотая середина)

Это компании, которые строят агентные решения для клиентов.

• AI является ядром пользовательского опыта.
• Используются фреймворки поверх LLM.
• Навыки: RAG (Retrieval-Augmented Generation), MCP, базовое понимание ML. Нужно уметь мониторить поведение системы и управлять качеством (QA).

Реальность: жизнь будет связана с промпт-инжинирингом и настройкой «температуры» моделей. Это как раз тот уровень, который стоит тренировать на моке и в ИИ-ассистенте.

Тип 3. AI-инфраструктура (элита)

Таких компаний единицы во всём мире.

• Вы строите сами фреймворки, LLM или движки для SaaS-платформ.
• Требования: глубокое понимание ML, работа с исследователями (Research Scientists) и Data Engineers.

Чем на самом деле занимается AI PM? День за днём

Если вы пришли в компанию второго типа, день будет выглядеть так.

• Промпт-инжиниринг. Вы пишете, тестируете и оптимизируете промпты для пользовательских фич. Это около 50% работы.
• Проектирование агентов. Высокоуровневый дизайн: как бот будет взаимодействовать с внешним миром.
• Эвалюация. Системы оценки ответов модели. Это навык, который превращает «игрушку» в надёжный продукт.
• Работа с вероятностями. В обычном ПО 1+1 всегда 2. Здесь модель может дать разный ответ десять раз подряд. Нужно управлять этой неопределённостью.

Использование AI в работе самого PM

Вы будете использовать чат-ботов для написания требований и документации, быстрого анализа обратной связи от пользователей и первых набросков прототипов, пока дизайнер занят. Это не «магия продукта» — это ускорение черновика. Потренируйте разбор фидбека в ИИ-ассистенте до того, как пообещаете это на собесе.

Реалии рынка: чего хотят компании и в чём их ошибки

Путаница в головах нанимающих менеджеров

Часто AI PM — это первый AI-специалист в компании. Нанимающие менеджеры сами не разбираются в теме и не могут отличить реальную экспертизу от шума в резюме.

Истинные потребности бизнеса

Компаниям нужен PM, который понимает концепции AI достаточно, чтобы принимать правильные продуктовые решения. Им не нужен человек, который напишет модель с нуля.

Цикличность трендов

Это напоминает бум Web3 (который сошёл на нет) и эпоху Mobile PM (которая стала просто базой).

Наше мнение в IT Career Gym: скоро знание AI станет базовым требованием для любого PM, как сегодня знание API или принципов авторизации (RBAC). Не отставайте — и не путайте это с отдельной «волшебной» профессией.

Красные флаги: куда не стоит идти работать

Пропустите вакансию, если компания:

• Хочет «впихнуть» AI в существующий продукт, не понимая зачем.
• Требует «разработать AI-стратегию» в первом же пункте — без конкретных сценариев.
• Не может внятно объяснить, какую именно бизнес-задачу будет решать нейросеть.
• Просто переименовала обычную PM-вакансию, добавив модные слова.

Обязательный вопрос на собеседовании: «Как в компании регулируется использование AI-инструментов с проприетарными данными?» Если скажут «никак» или начнут запинаться — это тревожный звоночек с точки зрения безопасности и зрелости процесса.

Навыки AI-продакта: чек-лист

Базовые PM-навыки (никуда не делись)

Вы всё ещё ищете проблемы, проверяете гипотезы, строите решение, тестируете, запускаете и измеряете метрики. AI лишь ускоряет процессы. Если гипотезы хромают — сначала экспресс-квиз, не курс по fine-tuning.

Для AI-грамотного PM (90% вакансий)

• Понимание концепций RAG, MCP, архитектуры LLM.
• Оптимизация промптов и фреймворки оценки (evaluation frameworks).
• Работа с вероятностными системами (мониторинг дрейфа модели).
• Умение мониторить производительность модели: latency, cost, quality.

Для истинного AI PM (топ-уровень)

• Коллаборация с исследователями и инженерами по данным.
• Построение вертикальных генеративных инструментов для гипер-персонализации.
• Создание агентов, которые выполняют действия за пользователя: вызов API, обновление БД.

Когда стоит брать AI PM роль (а когда нет)

Хорошие причины

• В компании есть чёткий кейс использования AI и понимание, зачем им эксперт именно сейчас.
• Вы хотите быть на передовой навыков, которые завтра станут обязательными для всех.

Плохие причины (бегите)

• Компания паникует: «Мы ничего не знаем про AI, спасите нас!» От вас ждут магии.
• Вы просто гонитесь за хайпом и высокой зарплатой, не понимая специфики вероятностных систем.

Вопросы с собеседований: как готовиться

Ниже — реальные кейсы. Мы структурировали их по блокам. Прогоните один полностью на мок-интервью — лучше, чем выучить десять определений RAG.

1. Вероятностные vs детерминированные системы

Сценарий: вы заменяете систему маршрутизации обращений в поддержку с «правил if-else» на LLM.

Вопрос: как вы будете управлять ожиданиями пользователей? Какие новые метрики введёте?

2. Оценка реальности AI-фич

Кейс: компания хочет «добавить AI для повышения вовлечённости на 20%».

Вопрос: какие вопросы вы зададите, чтобы понять, что это действительно задача для AI, а не для обычного A/B-теста?

3. RAG и работа с данными

Проблема: пользователи жалуются, что AI-ассистент даёт устаревшую информацию о политиках компании.

Вопрос: пройдитесь по шагам диагностики и решения. Используйте принципы RAG.

4. UX и доверие пользователей

Как спроектировать интерфейс для вероятностных ответов? Как показать пользователю, что AI «не уверен» в ответе?

5. Оценка эффективности (эвалюация)

Ваша AI-фича показала 85% точности на тестах, но пользователи жалуются. В чём причина? Как будете расследовать?

Разбор раундов Product Sense, RAG и behavioral — в отдельном гайде как устроены собеседования на AI PM. STAR для поведенческих — в STAR-историях.

Резюме для карьерного трека

AI Product Manager — это не волшебник. Это продакт-менеджер, который понимает природу данных и ограничения нейросетей.

Ваш план действий:

1. Освойте базовые PM-практики: проверка гипотез, юнит-экономика.
2. Изучите теорию: RAG, векторизация, промпт-инжиниринг.
3. Научитесь писать промпты и тестировать API моделей (OpenAI, Anthropic).

Помните: хайп уйдёт, но экспертиза в работе с данными и автоматизации принятия решений останется. Проверьте формулировки в кабинете резюме — «охотник за хайпом» там читается сразу.

Хотите прокачаться в AI-продакт менеджменте? Бесплатно оцените уровень в квизах, разберите фидбек через ИИ-ассистента и не пропускайте разборы новых терминов в блоге. Готовьтесь к будущему, где AI-грамотность — база, а не «плюшка».