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
«Все люди плюс-минус понимают, у них есть ожидания от видеопродукта, они видели это на других платформах. И проблема, как правило, в том, что создаётся разрыв между их ожиданиями и тем, что на самом деле они получают от продукта.»
«Эксперимент — это инструмент оценки и валидации того, что мы сделали. Не бывает такого, что мы ставим эксперимент в начало и думаем, давайте поэкспериментируем сейчас, а потом решим. Это неправильный подход.»
Ведущий:
Юра Агеев, основатель ProductSense
Гость:
Вадим Дорохов, руководитель направления «Опыт зрителя», VK Видео
Записи докладов ProductSense'26, кейсы и практики — в Академии ProductSense: https://academy.productsense.io/
Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast
О чем говорим:
00:00 — Введение
03:22 — Почему видео вынесли в отдельный продукт
06:43 — Почему платформа не выбирает между длинными видео и клипами
10:25 — Как принимать решение, когда одна метрика съедает другую
14:42 — Конфликт целей, когда зрители уходят из соцсети в приложение VK Видео
16:42 — Отличают ли зрители VK Видео от видео во ВКонтакте?
18:37 — Детский контент как пример смены восприятия продукта
20:16 — Привычки зрителей и разрыв между ожиданиями и продуктом
21:54 — Продуктовая работа по этапам пути зрителя
23:22 — Плеер вместо гифки на витрине поднял общее время просмотра
25:00 — Единый выбор следующего видео в соцсети и в приложении
26:16 — Почему после ролика к новости не нужно рекомендовать следующее видео
29:12 — Ошибка в аналитике, которая спрятала настоящий результат теста
30:43 — Как понять интересы нового зрителя
32:59 — «Своя» лента из 70% интересов, 20% смежного и 10% нового
34:52 — Один телевизор на семью и раздельные рекомендации для детей и взрослых
36:48 — Четыре защиты решения: проблема, макеты, демо и итоги теста
40:50 — Эксперимент проверяет решение, а не заменяет стратегию
42:25 — Решения на развилках, где данных ещё нет
46:51 — Почему на собеседованиях системность важнее знания метрик
50:36 — Пространство решений и умение сказать, что мы не делаем
«Содержательность — это когда текст несёт какой-то смысл. Для меня это значит, что, прочитав этот текст, можно ответить на вопрос: а зачем этот текст вообще существует? Чем его существование поможет тому, кто его читает?»
«Это проблема LLM: имея возможность искать в интернете, вытаскивать из весов нужные токены, они могут цитировать заблуждение. Когда ты занимаешься чем-то 8, 9, 10 лет, ты знаешь, что это заблуждение. Но оно настолько широко распространённое, что выглядит как правда.»
Ведущий:
Степан Поздняков, продюсер ProductSense
Гость:
Юра Агеев, основатель ProductSense
Записи докладов ProductSense'26, кейсы и практики — в Академии ProductSense: https://academy.productsense.io/
Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast
О чем говорим:
00:00 — Введение
01:25 — Даже подводку в два предложения LLM не может написать человеческим языком
04:46 — Как распознать слоп: стилистический и смысловой
06:19 — Почему нейрослоп неизбежен?
10:14 — Через призму каких характеристик мы смотрим на текст?
12:31 — Чем экспертность отличается от содержательности
14:02 — Почему модели тиражируют распространённые заблуждения
15:45 — Рубленые фразы и почерк двух моделей в одном тексте
18:05 — Команда «Пиши как Пушкин» решает 80% задачи стиля
19:57 — Стилизация ответов модели под себя
22:28 — В какой момент нужны редполитика и скиллы?
24:19 — Пайплайны проверок разными моделями
26:42 — Экспертность через гипотезы и попытки их опровергнуть
28:52 — Почему смысл важнее экспертности
31:46 — Инженерный подход: декомпозиция текста на шаги для Claude
33:35 — Почему LLM хорошо пишут код и причем тут код-ревью
36:04 — Как применить инженерный подход к смыслу текста
38:21 — Проверка смысла второй моделью в режиме «душнилы»
41:04 — Процесс целиком: экспертность, смысл, стиль
Словарик:
— LLM (Large Language Model) — большая языковая модель: ChatGPT, Claude и другие
— Нейрослоп — шаблонный текст нейросети, который выглядит убедительно, но почти не несёт смысла
— Пайплайн — последовательность заданных этапов обработки и проверки, через которую проходит текст или задача
«Проблема качественного анализа в том, что, чтобы проверить его от и до за моделью, тебе придётся повторить этот анализ. Весь этот выигрыш скорости сводит на нет то, что она может где-то лажать.»
«По сути, никаких джобов, персон, мотиваций и потребностей не существует — мы не можем их наблюдать в реальности, просто их измерить. Мы вводим эти понятия только для того, чтобы объяснить реальность.»
«Исследование — это действительно образ мышления. Если взять смежную сферу UX-дизайна: знание определённых тёмных паттернов, законов, правил композиции — оно не делает тебя дизайнером.»
Ведущий:
Юра Агеев, основатель ProductSense
Гость:
Константин Ефимов, соавтор книги "Качественные исследования в бизнесе”, управляющий партнер в X-Patterns.pro
Телеграм-канал PostPostResearch: https://t.me/postpostresearch
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
02:38 — Как евангелисты кастдева ворвались в мир исследователей
04:10 — Три волны исследовательских сообществ
07:22 — Иллюзия быстрого успеха: что на самом деле продавали книги про кастдев
12:44 — Глубинное интервью против 15-минутного кастдева
13:56 — Исследование как образ мышления, а не протокол
16:59 — Подход Cynefin: три домена сложности задач
17:57 — Кластеризация в личных проектах как задача третьего домена
20:38 — «Метод параноика»: протоколы, седина, мозги
21:57 — Как демократизация стёрла третий, самый сложный уровень исследований
24:33 — Кейс телекома про «проклятие трубы»
28:02 — Desk Research и Deep Research до разговоров с людьми
30:14 — Почему ИИ додумывает то, чего нет в обучающих данных
34:39 — Водка на мумиё: то, что не расскажет модель
36:19 — Нет-тест и подхалимность моделей на синтетическом респонденте
39:00 — Почему джобов и персон не существует
42:45 — Как выбор языка меняет глубину ответа
47:07 — Жадность вне фреймворка JTBD: почему драйверы и барьеры проще
48:12 — Как ИИ ускорил протокольные задачи
51:33 — Почему анализ ИИ всё равно нужно перепроверять от и до
53:00 — Советы продактам: как развивать исследовательское мышление
Словарик терминов:
— JTBD (Jobs to be Done) — методология «работ», которые пользователь нанимает продукт выполнить
— Cynefin (Кеневин) — фреймворк для классификации задач по уровню сложности
— MVP — минимально жизнеспособный продукт
— Deep Research — режим ИИ для автономного глубокого поиска и анализа информации
— Desk Research — кабинетное исследование по открытым источникам
— Cynefin (Кеневин) — подход для классификации задач по уровню сложности
«Ключевым образом я увидела, что магии не существует. Тот уровень развития инструментов, который нам доступен, способен решать задачи быстрее. Но чтобы это дало долгосрочный эффект, нужно не просто внедрять ИИ, а перестраивать весь процесс целиком.»
«Универсального агента, который решает любую задачу целиком, не может создать просто IT-компания. Экспертиза нужна нишевая, и она должна быть продумана людьми, которые делают эту работу каждый день. Без этого массового внедрения ролевых агентов в компаниях не случится.»
Ведущий:
Юра Агеев, основатель ProductSense
Гость:
Оксана Гапонова, заместитель Генерального директора Яндекс 360
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
01:37 — От эйфории вайб-кодинга к умеренному оптимизму
03:46 — Магии не существует: ИИ ускоряет, но не решает всё сам
06:17 — Почему стратегия выжидания не результативна?
09:38 — Причины внедрения ИИ: конкуренты, клиенты, визионерство
10:54 — Может ли вайб-кодинг убить SaaS-сервисы?
16:57 — Универсальные агенты невозможны без нишевой экспертизы создателей
22:10 — Где реальная экономия для бизнеса от использования ИИ?
25:23 — Вечно актуальный вопрос: как должны выглядеть продуктовые команды?
30:37 — Сколько реально ИИ экономит времени лично Оксане
33:57 — Экономика внедрения: как считать эффект от дорогих инструментов
38:47 — ИИ — это новый инструмент, а не революция
42:34 — Кто отвечает, если ИИ ошибся
46:39 — Утечка данных через открытые модели и галлюцинации ИИ
51:13 — Определение стабильного результата субъективно
56:08 — Почему на рынке пока нет ИИ-интеграторов
1:02:40 — Так ли важно понимать глубину процесса?
1:05:19 — План внедрения ИИ в компании
Словарик:
- SaaS — программное обеспечение, предоставляемое по подписке как услуга (Software as a Service)
- CSAT — индекс удовлетворённости клиентов (Customer Satisfaction Score)
- вайб-кодинг — написание кода с помощью ИИ через команды на естественном языке, без глубокого владения кодом
«Хорошо выполнять задачу самому, хорошо получать результат через другого человека и хотеть управлять — это три разные вещи, которые могут совпасть в одном человеке, а могут и не совпасть.»
«Добавить ещё одного исполнителя очень легко — открыть ещё одну сессию, запустить ещё одного агента. Технически это почти ничего не стоит. А вот добавить человеку ещё одно внимание, ещё одну память и ещё одну голову мы пока не умеем.»
«Человек может за день инициировать в несколько раз больше работы, чем раньше, но его способность осмыслить эту работу не выросла в несколько раз.»
Ведущий:
Юра Агеев, основатель ProductSense
Epic Growth Conf'26 на ProductSense: https://egconf.io/
Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast
О чем говорим:
00:00 — Введение
01:48 — С агентами человек ставит задачу и уходит, а не работает рядом
04:20 — Новички проверяют каждый шаг, опытные дают свободу
05:56 — Добавить агента легко, добавить человеку внимание и память — нет
08:19 — Важен поток решений на проверку, а не число агентов
10:02 — Хорошее делегирование — про границы, контроль и критерии приёмки
12:11 — Экспертиза пользователя определяет длину сессии и долю подтверждённого успеха
13:33 — Асимметрия: можно инициировать в разы больше работы, но не осмыслить её больше
14:35 — Желание управлять не гарантирует умения
17:03 — Зачем вообще появилась управленческая иерархия?
22:08 — Формальная и реальная власть
23:18 — Автономия работает только вместе с обратной связью
25:09 — Решения за других людей психологически дороже, чем решения за себя
27:03 — Чем сильнее агент, тем слабее личное чувство ответственности человека
29:22 — У агента нет человеческой стороны управления
31:09 — Профессиональный менеджер смещается к проектированию системы решений
35:23 — Управление агентами мы тоже постепенно передаём агентам
«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