Amy Mitchell: Почему AI-инициативы ломают привычные инстинкты product manager'а

Эми Митчелл — практикующий product manager, пишущий о AI-трансформации на уровне продуктовых команд. Этот пост в Substack от июля 2026 года вырос из её личного участия в проекте по расстановке приоритетов: какие из PM-рабочих процессов подходят для AI-агентов, начиная с написания PRD.

Неожиданное расширение масштаба

Митчелл описывает получение узкой, чётко очерченной задачи: оценить, как AI-агенты могут взять на себя создание PRD. На практике масштаб сразу расширился. Работа потребовала принятия решений о том, что является бизнес-ценностью в контексте вывода агента, кто несёт ответственность за управление в случаях, когда PRD агента расходится с ожиданиями стейкхолдеров, и как измерять, действительно ли агент приносит пользу. То, что начиналось как вопрос дизайна рабочего процесса, превратилось в нечто близкое к владению продуктом всей трансформации.

Это расширение, утверждает она, не является провалом скоупинга. Это структурная особенность. AI-инициативы — это изменения систем, а не добавление фич, и они порождают вопросы, для которых обычные PM-фреймворки не предназначены. Попытка жёстко ограничить скоуп одним рабочим процессом без решения этих upstream-вопросов означает, что они будут появляться снова на каждом последующем этапе принятия решений.

Другой режим работы

Главный аргумент: AI-инициативы требуют принципиально иного режима работы по сравнению со стандартным product management. В традиционной PM-работе ориентация по умолчанию — операционная стабильность: запускать надёжно, снижать риски, итерировать на основе обратной связи в рамках заданных параметров. В контексте AI-трансформации правильная ориентация по умолчанию — обучение. Команды, которые подходят к AI-инициативам с менталитетом операционной стабильности, склонны к чрезмерной детализации требований на ранних этапах, инвестированию в решения до понимания проблемы и измерению успеха способами, которые маскируют, производит ли AI-система реальную ценность.

Предлагаемая альтернатива строится вокруг контролируемых экспериментов: проводите небольшие испытания, рассматривайте каждое как событие обучения и принимайте инкрементальные решения о расширении на основе того, что эти испытания выявляют. Это не то же самое, что превращать инициативу в исследовательский проект — цель по-прежнему производственное развёртывание, — но последовательность имеет значение. Обучение предшествует масштабированию.

Поиск шва в существующих процессах

Практические рекомендации остаются близко к примеру с PRD. Вместо того чтобы переосмыслять весь процесс написания документации вокруг AI-агента, нужно определить один конкретный рабочий процесс внутри этого процесса — например, первый черновик описания проблемы — и проверить, способен ли агент создать что-то полезное в таком узком масштабе. Митчелл называет это поиском шва в существующем процессе, а не заменой процесса целиком.

Пост наиболее полезен для product manager’ов, которые впервые участвуют в AI-трансформационном проекте и обнаруживают, что привычные инстинкты не работают. Обрамление через PRD делает аргумент конкретным, но базовая логика применима к большинству PM-рабочих процессов, которые организация может захотеть автоматизировать: начните с одного шва, учитесь на этом и расширяйтесь оттуда.