Medium: Как AI меняет структуру product-команд и принятие решений

Жока Торрес — консультант по product management с более чем 30-летним опытом работы с продуктовыми командами. В этой статье на Medium от февраля 2026 года он собирает наблюдения от команд, которые активно используют AI-инструменты для разработки и прототипирования, и исследует, как эти инструменты меняют командную динамику — не на уровне индивидуальной продуктивности, а на структурном уровне того, где возникают задержки в работе.

Ключевое наблюдение

Когда скорость инженерного исполнения возрастает, узкое место смещается выше по цепочке. Торрес документирует анонимные случаи, когда инженерные команды сообщали, что двигаются быстрее, чем product-команды успевают принимать решения. Это переворачивает привычную динамику, при которой инженеры ждут, когда PM уточнит требования или расставит приоритеты в бэклоге. Сдвиг не гипотетический — Торрес представляет это как то, что команды переживают прямо сейчас.

Что следует из ускорения исполнения

Как только скорость реализации перестаёт быть главным ограничением, открывается ряд структурных вопросов. Традиционное соотношение один PM на пять–девять инженеров строилось на предположении, что инженерное время дорого, а предоставление продуктового направления относительно дёшево. Когда стоимость реализации падает, это соотношение теряет своё первоначальное обоснование. Торрес формулирует это не как рекомендацию по реструктуризации команд, а как организационный вопрос, с которым некоторые компании начинают сталкиваться.

Он также отмечает влияние на распределение знаний внутри команд. AI-инструменты, которые помогают документировать сложные кодовые базы и резюмировать технический контекст, снижают зависимость от конкретных senior-инженеров как единственных хранителей институциональных знаний. Когда эти знания становятся более доступными через инструменты, это меняет то, как PM взаимодействуют с разработкой: меньше времени на построение контекста, больше — на постановку направления.

Более быстрый выпуск также повышает потребность в усиленном надзоре со стороны senior-специалистов. Когда команда может генерировать больше функций или итераций за единицу времени, нагрузка на архитектурное ревью и обеспечение качества возрастает, а не снижается.

Что статья даёт и чего не даёт

Торрес пишет исходя из консалтингового опыта, поэтому примеры анонимизированы и не могут быть независимо проверены. Он не предлагает фреймворк для реструктуризации или рекомендованное соотношение — статья носит наблюдательный, а не предписывающий характер. Это одновременно и её ограничение: читатели, ищущие конкретную модель для применения в своей организации, не найдут её здесь.

Ценность — в диагностике. Для PM в компаниях, активно внедряющих AI-инструменты для разработки, эта статья предлагает честное описание того, что реально меняется на организационном уровне, — за пределами индивидуальных выигрышей в продуктивности, на которых сосредоточено большинство материалов об AI в работе PM.