Paweł Huryn: если бы мне снова пришлось учиться AI product management, я бы начал отсюда

Paweł Huryn ведёт productcompass.pm и пишет об AI product management для аудитории более 10 000 подписчиков. В этой статье от января 2026 года он описывает конкретную ошибку, которую наблюдает у начинающих AI PM: месяцы, потраченные на линейную алгебру, курсы Python и обратное распространение ошибок, — при том что никакие из этих знаний не переносятся в создание более качественных AI-продуктов.

В статье предлагается восемь областей, важных, по мнению Huryn, на уровне продукта, а не исследований.

Первая — базовые концепции: как работают LLM, что такое трансформеры и эмбеддинги, что делают контекстные окна. Не математика за ними, а ментальная модель того, как технология ведёт себя в продуктовых условиях. Вторая — prompt engineering, который Huryn называет самым недооценённым навыком в AI-продуктах. Он описывает промптинг как продуктовый дизайн для AI — интерфейс между намерением человека и выводом модели.

Третья — файн-тюнинг: когда он нужен, а когда нет. Его позиция: файн-тюнинг зачастую излишен, если промптинг сделан хорошо, а понимание этой разницы экономит значительные инженерные ресурсы. Четвёртая — RAG (retrieval-augmented generation) — механизм предоставления LLM доступа к кастомным данным, который он считает почти обязательной возможностью для любого продукта, работающего с проприетарной или реальновременной информацией.

Пятая — AI-агенты и агентные воркфлоу. Системы, способные планировать, рассуждать и автономно использовать инструменты, становятся стандартной архитектурой для сложных AI-продуктов, и PM’ам нужна рабочая модель их функционирования. Шестая — AI-прототипирование: самостоятельная разработка с помощью no-code инструментов, таких как Lovable, Supabase и n8n. Аргумент здесь: этот навык быстро накапливается, как только начинаешь его применять, и обнажает пробелы в продуктовом мышлении, которые чтение само по себе не выявляет.

Седьмая — знание ключевых базовых моделей — Claude, ChatGPT, Gemini — и понимание их различных сильных сторон, ценовых структур и ограничений, поскольку выбор модели — это продуктовое решение с существенными последствиями. Восьмая, которую Huryn называет самым дефицитным навыком, — AI evals: построение систем измерения, позволяющих определить, действительно ли AI-продукт работает.

Статья отстаивает обучение через действие вместо пассивного потребления. Huryn предлагает два месяца практической работы, исходя из принципа: один час создания учит больше, чем неделя чтения. Подход прагматичный: выучи минимум, необходимый для запуска, затем расширяй знания.

Полезно для любого PM, начинающего работать с AI-продуктами и желающего понять, на чём сосредоточиться в первую очередь, — особенно для тех, кому говорили, что для работы в этой области нужны глубокие технические знания.