Medium: AI-стек продакт-менеджера в 2026 году — агенты, инфраструктура и оценка
Статья Карен Кошман в марте 2026 года на Medium (Bootcamp) обращается к вопросу, с которым всё чаще сталкиваются продакт-менеджеры по мере расширения AI-инструментария: не о том, какие конкретные инструменты попробовать, а о том, как выстроить цельный стек, где всё работает вместе. Статья структурирована вокруг пяти ролей агентов и трёх слоёв инфраструктуры, а её центральный аргумент: именно evaluation — не выбор инструментов — остаётся тем местом, где большинство команд не справляется.
О чём статья
Кошман предлагает пять ролей агентов, которые PM должен либо иметь в работе, либо понимать достаточно хорошо, чтобы сформулировать требования для инженерной команды:
- Агент исследования и discovery — непрерывно мониторит активность конкурентов, социальные сигналы и изменения цен без ручного отслеживания
- Агент аналитики и инсайтов — подключён к data warehouses и отвечает на бизнес-вопросы на обычном языке, снижая зависимость от BI-команд для ad-hoc запросов
- Агент для спецификаций и документации — генерирует черновики PRD из минимального ввода, заменяя написание с чистого листа работой с редактированием
- Агент быстрого прототипирования — использует Cursor или Claude Code для создания proof-of-concept достаточно быстро, чтобы прототипирование стало частью discovery, а не отдельной фазой
- Агент внутренних коммуникаций — составляет статус-апдейты, резюме встреч и материалы для стейкхолдеров
Инфраструктурный аргумент
Кошман помещает этих агентов в трёхслойный инфраструктурный фреймворк: слой контекста (RAG-пайплайны и доступность данных), слой оркестрации (управление потоками агентов, повторными попытками и guardrails) и слой оценки (evaluation). На слое оценки — наибольший акцент. «Каждый агент ровно настолько хорош, насколько хороша его оценка», — пишет она, и без систематических измерений качество AI-фич со временем снижается. Она утверждает, что evaluation должен быть интегрирован в CI/CD-пайплайны так же, как автоматизированные тесты, а не рассматриваться как отдельная операционная задача.
Дополнительный тезис касается структуры репозиториев: единые кодовые репозитории между командами создают общий контекст, который делает агентов для работы с кодом существенно более полезными, тогда как фрагментированные репозитории вынуждают агентов работать с неполной информацией.
Кому полезно
Эта статья наиболее актуальна для продакт-менеджеров, которые уже прошли этап отдельных экспериментов с инструментами и думают о том, как строить системы, устойчивые в долгосрочной перспективе. Особенно применимо для PM, работающих над AI-фичами, где выбор инфраструктуры для внутреннего инструментария и продуктовой инфраструктуры нередко пересекается. Фреймворк оценки — самая действенная часть: он даёт командам конкретный критерий для того, чтобы понять, действительно ли AI-инструменты улучшаются или незаметно деградируют.