Подкаст make sense (Есть смысл)

«Сказать руководителям „относитесь к советам критически" примерно так же полезно, как сказать людям „не поддавайтесь когнитивным искажениям"».

«Самый опасный не тот аналитик, который ничего не понимает, — его ошибки обычно заметны. Гораздо опаснее система, которая достаточно хорошо понимает задачу, данные и самого пользователя, чтобы построить интеллектуально сильный путь именно к тому выводу, который человек хотел получить».

Ведущие:
Юра Агеев, основатель ProductSense

О чем говорим:
00:00 — Введение
01:12 — Знакомьтесь, модель-подхалим
02:42 — Почему проверка не поймала проблему: ставка на краткосрочные пользовательские сигналы
03:21 — Продуктовый парадокс: пользователю нравится, когда его понимают и не спорят с ним
04:01 — Приятный ответ и полезный ответ — не одно и то же, когда ИИ работает как аналитик
04:56 — Эксперимент 2026: слияния больниц, 14 моделей, 2160 анализов
07:33 — «Аналитическое подхалимство, обусловленное целью»: сильные модели видят больше методологических развилок — и потому уязвимее
09:30 — Кейс B2B: как формулировка руководителя незаметно определяет вывод модели
11:04 — ЛЛМ удешевляют не только решение, но и его «интеллектуальную защиту»
13:56 — Какие формулировки провоцируют согласие модели: утверждение против открытого вопроса
16:09 — Контраргумент: ИИ прогнозирует успех Kickstarter-проектов лучше людей
17:45 — Два режима одной технологии: независимый анализ vs часть мотивированного рассуждения
18:01 — Strategy Science: ИИ не повысил точность стратегического прогноза, но добавил перегрузку
19:56 — Три работы ИИ в решении: исследовать, защищать, разрушать — и их опасное смешение в одном чате
22:05 — Как разделить роли: независимый анализ в отдельном контексте, без предпочтений руководителя
24:31 — Сильное основание допускает собственное опровержение
25:01 — Исследование Science: соглашательство при конфликтах вредит отношениям, но нравится больше
27:07 — Защита должна быть встроена в процесс, а не в совет «будь критичнее»
29:46 — Голосование нескольких моделей не гарантирует независимости
32:20 — Главный риск: ИИ делает уже принятое решение похожим на независимый анализ

«У процесса всегда было два результата. Первый — сама выполненная работа. Второй — человек, который стал чуть лучше способен выполнять эту работу самостоятельно»

«Одни и те же модели будут доступны огромному количеству компаний и специалистов. Дефицитом станет среда, в которой люди продолжают приобретать опыт, необходимый для управления этими моделями»

Ведущие:
Юра Агеев, основатель ProductSense

О чем говорим:
00:00 — Введение
01:10 — Итог прошлого выпуска: ИИ снижает цену действия, но не цену решения
01:40 — Новое следствие: опытный специалист вытесняет начинающего из работы
02:10 — Кейс Мэтта Бина: как роботизированная хирургия изменила обучение хирургов
05:04 — Важный вывод: дело не в качестве операций, а в распределении работы
05:55 — «Теневое обучение»: как резиденты сами добывали практику в обход системы
07:49 — Два результата любой работы: сам результат и обученный человек
08:54 — Пример продакт-менеджера: какие задачи раньше доставались джуниорам
10:24 — Что теряется, когда модель делает эту работу за человека
11:28 — Исследование 2024 года: младшие консультанты и генеративный ИИ
13:28 — Почему нужно различать выполнение задачи и формирование навыка
14:03 — Эксперимент: программисты изучают новую библиотеку с ИИ и без
15:03 — Разница между помощью, убирающей сложность, и помощью, которая учит с ней работать
18:39 — Замкнутый круг: меньше практики — медленнее растёт способность оценивать ИИ
19:10 — Модель экономиста Энрике Иде о передаче неявного знания между поколениями
19:51 — Дилемма руководителя: джуниор или опытный сотрудник для задачи с ИИ
20:35 — Почему правка кода джуниора и модели — не одно и то же
21:49 — Контрпример: как PackBot изменил обучение сапёров
23:49 — Главный вопрос: кому достаётся управление при внедрении ИИ
26:03 — Почему запрет на ИИ для новичков — плохое решение
29:14 — Три вещи, которые должна сохранять система обучения с ИИ
32:11 — Суждение — результат переработанного опыта, а не врождённая способность

«Прототип может ускориться в 10 раз, а весь путь продукта — только на 10%. Эта цифра не обесценивает ускорение, а помогает понять, где именно оно произошло.»

«LLM способны ускорить не только хороший, но и плохой продуктовый процесс: плохая команда быстрее превратит своё предположение в красивый прототип и убедит себя, что проблема доказана.»

Ведущие:
Юра Агеев, основатель ProductSense

Конференция ProductSense пройдёт 10—11 сентября 2026 года в Москве. Сайт конференции: https://productsense.io

Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast

О чём говорим:
00:00 — Введение
00:26 — О чём выпуск: соло про удешевление первой версии
01:26 — Раньше первая версия была дорогой: цепочка передач контекста
03:26 — Бум LLM в менеджменте продукта и вопрос «где кейсы?»
04:27 — Кейс Selectel: кликабельный прототип за 20–25 минут
05:01 — Три концепции редизайна за час; стоимость производства влияет на выбор
06:56 — Кейс EXANTE: требования и HTML-прототип до подключения дизайнера
07:53 — Продакт сам доходит до кода и открывает Merge Request
08:46 — Сокращение цикла фичи с 1,5–2 месяцев до 3–4 недель — и осторожность к цифре
09:59 — Самая важная цифра появляется не там, где ускорение максимально
10:11 — Кейс Content AI: прототип в 5–10 раз быстрее, конвейер — на 10%
11:19 — «Производительность» — что скрывается за словом
12:26 — Нагрузка перемещается дальше по процессу
12:53 — Пример: 3 прототипа превращаются в 30, а пропускная способность прежняя
13:26 — Парадокс: каждый быстрее, а полный цикл не сокращается
15:11 — Главный сдвиг: дефицит переезжает из производства в выбор
16:01 — Побочный эффект: убедительный прототип принимают за доказательство
17:30 — LLM ускоряет и хороший, и плохой продуктовый процесс
18:00 — Чем дешевле генерация, тем важнее профессиональное суждение
18:30 — Кейс Just.ai: мониторинг упоминаний, где эффект легко посчитать
19:51 — Ближе к Discovery и стратегии измерять эффект всё сложнее
20:52 — Как меняется ценность продактов, дизайнеров, разработчиков, тестировщиков
22:48 — Организационный риск: больше работы у тех, кто отвечает за качество
24:42 — Три объяснения разрыва между «в 10 раз» и «на 10%»
26:34 — Лучший результат — вовремя не выпустить фичу
27:37 — Кейсы дают механизм, но не распространённость
30:16 — Ежегодное исследование и его прошлогодний вывод
30:45 — Тема и три трека ProductSense 2026

Кейсы по теме:
Selectel — «Как создавать интерактивные прототипы интерфейсов с помощью ИИ»
https://clck.ru/3UoZAD
EXANTE — «Как продакт-оунер использует ИИ на всём пути от идеи до релиза»
https://clck.ru/3UoZAE
Content AI — «Как ИИ меняет разработку: прототипы быстрее в 5–10 раз, весь конвейер — примерно на 10%»
https://clck.ru/3UoZAF
Just AI — «Как мы автоматизировали мониторинг упоминаний продукта с помощью ИИ-агента»
https://clck.ru/3UoZAH

«Модель не становится агентом просто потому, что мы её так назвали. Она может хорошо рассуждать, писать сильные тексты, код, планы. Но пока вокруг неё нет рабочего контура — это всё ещё не агент.»

«Одна и та же модель в плохой обвязке будет выглядеть как болтливый стажёр: много текста, много уверенности и мало ответственности за результат.»

Ведущие:
Юра Агеев, основатель ProductSense

Конференция ProductSense пройдёт 10—11 сентября 2026 года в Москве. Сайт конференции: https://productsense.io

Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast

О чём говорим:
00:00 — Введение
01:20 — Слово «агент» размылось: каждый понимает своё
02:30 — Три разные вещи: модель, инструмент и рабочая система
04:16 — Субъектность: почему модель кажется агентом, хотя ещё не он
05:04 — Цикл работы: что на самом деле делает агента агентом
06:38 — Главная граница: кто решает, что делать дальше
07:40 — Автономный агент — это рамка работы, а не команда на каждый шаг
08:48 — Разработка: это уже агент или всё ещё дополнительные руки?
09:36 — Два вопроса: автономность внутри задачи и над задачами
10:43 — Почему в коде выходит агент, а в маркетинге — руки: роль тестов
12:00 — Harness/обвязка: то, что превращает токены в работу
14:09 — Рабочее место агента: аналогия рабочего стола
16:34 — Почему у разработки почти идеальная среда для агентов
19:50 — Одна модель в плохой и в хорошей обвязке
20:20 — Что значит «запустить агента»
22:26 — Семь блоков обвязки: участок ответственности и источники
25:02 — Границы полномочий, хуки, память и проверка качества
26:38 — Журнал решений: зачем видеть, что агент решил и почему
27:37 — Пять уровней автономности
29:24 — Проблема не в модели, а в наших нечётких правилах
29:49 — Проектировать работу агента — это хороший менеджмент
32:40 — Главный вывод: следующая компетенция — проектировать обвязку

То, что мы называем задачей, часто есть название артефакта, и это совсем не равно задаче. Лендинг — это форма результата, стратегия — жанр документа. Задача появляется только тогда, когда понятно, какую работу этот артефакт должен выполнить.»

«Плохой результат легко отбросить, а вот средний нас затягивает. И как раз в этом и заключается опасность.»

«Агент часто просто возвращает нам нашу же воду, наше непонимание, но аккуратно отформатированное. И это неприятно, потому что ответственность становится видимой.»

Ведущий:
Юра Агеев, основатель ProductSense

Конференция ProductSense пройдёт 10—11 сентября 2026 года в Москве. Сайт конференции: https://productsense.io

Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast

О чём говорим:
00:00 — Введение
00:33 — Почему «собрать лендинг» ещё не значит поставить задачу
01:18 — История: пришёл к агенту с полным контекстом
02:29 — «Маленькое чудо»: лендинг за минуты вместо недель
02:56 — Страница выглядит убедительно, но собрана из чужих страниц
03:56 — Средний результат злит сильнее плохого
04:50 — Рефлекс «дай больше контекста» не сработал
05:40 — Инсайт за кофе: чиню не то, задачи ещё нет
06:21 — Какую работу страница должна сделать для человека
07:45 — Название артефакта — ещё не задача
08:53 — Агенты как честное зеркало: проблема видна быстрее
09:41 — Сильный редактор и продакт дособирают задачу за постановщиком
10:54 — Почему агент не переспрашивает, а достраивает среднее
11:28 — Исследование «What prompts don't say»: угадывает ~40%
13:45 — Пересборка задачи: в какой ситуации человек
14:57 — Дизайн-система: выдать ≠ объяснить, как ей пользоваться
16:37 — Разметка фотографий отдельным агентом
17:44 — Паттерны лендингов, структура наконец проявляется
18:56 — Промпт сократился до одной строки
19:52 — Главный вывод: момент, когда отдаём задачу в исполнение
21:36 — Эксперт vs новичок: паттерн до исполнения
22:21 — Мульти-агенты и декомпозиция на независимые куски
23:35 — Intelligence vs judgment: задачи суждения не режутся
24:06 — Дрейф цели на длинной дистанции
25:12 — Формула: «помоги оформить задачу», а не «сделай»
25:32 — Агент как неприятный собеседник, ищущий дыры
26:26 — Скорость агента работает против сырой задачи
28:42 — Итог: собирать задачу, а не прятать её