make sense podcast
Podkast haqida
Вместе с гостями подкаста make sense мы говорим о том, что важно при создании продуктов: люди, идеи, деньги, инструменты и практики
«Архив можно купить, лицензировать, украсть или приблизительно воспроизвести. А вот поток настоящего пользовательского поведения создаётся заново каждый день»
«Компании годами получают обратную связь и великолепно умеют её игнорировать»
«Сама по себе модель — это не преимущество. Завтра такая же модель может появиться у ваших конкурентов»
Ведущий:
Юра Агеев, основатель ProductSense
Конференция ProductSense пройдёт 10—11 сентября 2026 года в Москве. Сайт конференции: https://productsense.io
Epic Growth Conf'26 на ProductSense: https://egconf.io/
Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast
О чем говорим:
00:00 — Введение
01:12 — Конкурентный рынок компьютерных томографов
06:47 — Как готовая сеть продаж и обслуживания стала преимуществом компании
08:26 — Дистрибуция решает: действительно ли технологии вторичны?
09:48 — Карлотта Перес о технологических революциях
12:16 — Проекция истории на сегодняшний рынок ИИ
14:55 — Почему ответ «Данные — наше преимущество» слишком грубый?
17:56 — Кейс ByteDance: усиливающийся цикл между продуктами
21:04 — Сервисная сеть как канал обратной связи с рынком
25:06 — Распространение технологий за пределами их создателей
27:21 — Опасность путать редкую способность с системой преимуществ
28:27 — Главный вопрос: успевает ли компания создать новую уникальность быстрее её обесценивания
32:17 — Контакт с реальностью — не гарантия: компании умеют игнорировать сигналы
34:59 — Как должен звучать главный вопрос продуктовой компании сегодня
«К концу 2025 года 97% опрошенных менеджеров продуктов уже использовали ИИ в работе, но 77% не видели изменений в продуктовых метриках. Встроить ИИ в процессы с конкретными целевыми показателями успели только около 10% участников».
«Можно научить каждого станочника быстрее управлять новым двигателем, но это не изменит расположение фабрики».
«Настоящий перелом произошёл по мере распространения небольших электродвигателей, которые можно было устанавливать непосредственно на отдельные станки — этот принцип назывался unit drive, индивидуальный привод. Вместо одного большого двигателя стало много маленьких, но последствия оказались организационными».
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 чем говорим:
00:00 — Введение
01:18 — Выводы про ИИ из исследования ProductSense 2025
05:27 — Производительность сотрудника — не то же самое, что производительность системы
08:24 — Аналогия с электрификацией фабрик: один вал на всю фабрику
09:38 — Первый этап электрификации — новый двигатель просто вращал старые валы
10:27 — Эффект электрификации проявился только спустя десятилетия
13:31 — Компании сейчас делают с ИИ то же самое, что фабрики делали с электромотором
15:58 — 77% сложностей успешных внедрений ИИ — не в модели, а в процессах
18:34 — Два способа контроля ИИ: подтверждение каждого результата и обработка исключений
22:12 — Единица улучшения: задача сотрудника и рабочий поток компании
24:34 — Ускорение кода не сокращает цикл, если ревью и тестирование не успевают
28:22 — «Супергерой» с личной ИИ-системой — актив человека, а не организации
30:00 — Стандартизировать нужно не каждый шаг мышления, а точки перехода в общую систему
31:04 — Итог: Вопрос не в скорости двигателя, а в архитектуре фабрики
Словарик:
- Unit drive — индивидуальный электропривод на каждый станок вместо одного общего вала на всю фабрику
«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
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
«Компетентность — это не просто объём знаний, это способность видеть ситуацию иначе: замечать несостыковки, видеть фальшь, узнавать паттерны, быстро понимать, где ответ нормальный, а где в нём что-то не так.»
«Доверие — это механизм снижения социальной сложности. Без доверия невозможно жить, потому что альтернатива — это проверка всего, а на это физически не хватит времени.»
«В следующий раз, когда модель даст вам убедительный, правдоподобный ответ, остановитесь и спросите себя: это точно проверенный ответ или очередное случайное число 17?»
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 чем говорим:
00:00 — Введение
03:00 — Почему все модели отвечают «17»?
05:00 — Что такое компетентность?
10:47 — Зоны развития в работе с моделью
15:30 — Зоны компетенций на примерах из жизни
18:00 — Доверие как механизм снижения сложности
19:18 — Три сигнала доверия: способность, доброжелательность, целостность
22:32 — Мир ненадёжных сигналов
27:04 — Метакогнитивная лень и когнитивный долг
29:38 — Искажения моделей: подхалимство и якорение
32:20 — Метод работы за границей компетентности
36:43 — Киборг и кентавр: две модели взаимодействия
38:48 — «Мы и так живём через делегирование»
«Продуктовое мышление — это способность превращать неопределённость в проверяемые продуктовые решения, удерживая одновременно пользователя, бизнес, систему и команду.»
«Вкус — это способность чувствовать последствия решения до того, как они действительно развернулись.»
«Можно много чего делегировать, но менеджер продукта за это всё отвечает.»
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 чем говорим:
00:00 — Введение
01:24 — Четыре блока работы менеджеров продукта до LLM
06:40 — Роль артефактов в работе с командой и почему они стали способом оценки
08:33 — Что такое продуктовое мышление
11:46 — Признаки продуктового мышления у человека
13:17 — Что меняют большие языковые модели
18:14 — Артефакты обесценились как признаки работы
20:37 — Где LLM помогают, а где всё ещё зона ответственности человека
22:27 — Как теперь оценивать промежуточную работу продуктового менеджера
26:36 — Качество использования LLM как отдельный навык
27:17 — Что в 2026 году меняется и не меняется в работе продуктовых менеджеров
30:00 — Вкус как защитный ров и его связь с продуктовым мышлением
34:57 — Ставка на ответственность и качество решений
Словарик:
— LLM — (Large Language Model) большая языковая модель
«То, что вчера требовало от эксперта знаний — сделать сайт, написать описание, разметить данные — сегодня модель делает почти что из коробки.»
«Модель на самом деле не ошибается — просто у неё нет понимания, как решать именно эти задачи.»
«Когда вы ловите себя на том, что повторяете модели одно и то же снова и снова, — это сигнал, что в контексте появилась дыра.»
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 чем говорим:
00:00 — Введение
02:50 — Устройство контекстного окна на примере аналогий
04:14 — Статистический разрыв при обучении модели
05:09 — Семантический разрыв при обучении модели
06:56 — Ошибки мышления модели, подхалимство и уход от ответственности
09:00 — Захламление контекста и сжатие
11:11 — Две картины мира: человек и модель
18:22 — Неоднородность интелекта моделей и рваные границы
21:40 — Почему дообучить модель самому — это тупик?
22:16 — Контекст-инжиниринг: то, на что мы реально влияем
24:52 — Правило 1: разбивать задачи на чаты и контролировать сжатие
26:16 — Правило 2: не сваливать 30 файлов сразу, ловушка якорения
27:50 — Правило 3: hand-off, выжимка задачи для следующей сессии
28:51 — Правило 4: разметка источников по важности и актуальности
31:04 — Правило 5: повтор инструкций — сигнал о дыре в контексте
32:31 — Луп-инжиниринг: что приходит на смену
Словарик:
Луп-инжиниринг — (Loop Engineering) практика проектирования систем, которые автономно управляют работой ИИ-агентов