Medium: По ту сторону хайпа — переход к AI product management

Опубликованная в феврале 2026 года на Medium, статья Тхонгчан Тхананата формулирует прямой тезис: рынок технологий 2026 года больше не вознаграждает энтузиазм в отношении AI. Компании накопили достаточно возможностей моделей; теперь работа заключается в том, чтобы превращать эти возможности в пользовательское принятие и выручку. Статья рассчитана на продакт-менеджеров, которые начинают управлять AI-фичами и обнаруживают, что разрыв между работающей моделью и работающим продуктом шире, чем ожидалось.

Фреймворк цепочки ценности

Центральный фреймворк — трёхэтапная цепочка ценности: Capability → Usability → Monetization. Диагноз Тхананата: большинство организаций проваливаются на втором этапе. Они умеют определить, что AI-модель умеет делать, но не могут сделать это достаточно надёжным для формирования пользовательских привычек. Этот провал, по мнению автора, — не технический, а продуктовый. Вероятностная природа AI создаёт разрывы в доверии, которые инженерия сама по себе не закроет. Их закрывают целенаправленный дизайн интерфейса, fallback-паттерны и работа над формированием привычек.

Три компетенции

Три области структурируют практическую часть статьи. Первая — поведенческий экономический подход к дизайну продукта: пользователи несут в себе ментальные модели, построенные на детерминированных системах, и когда модель выдаёт неожиданный результат, доверие быстро разрушается. Задача PM — не улучшить модель, а переосмыслить feedback-loop так, чтобы вариативность была ограничена и коммуницирована. Вторая компетенция — объяснимость продукта: AI-решения должны быть описаны в терминах, которые пользователь может проверить, а не просто резюмированы. Пример с обнаружением мошенничества показателен: флаг на транзакции полезен только если следователь понимает, почему он был поднят, и может действовать на основе этого объяснения. Третья — исполнение в реальных условиях: надёжность на всех платформах, корректная обработка отказов и human-in-the-loop как требование к дизайну, а не граничный случай.

Кейс клиентской поддержки

Наиболее конкретный пример в статье — система AI-триажа обращений в поддержку. В хорошо спроектированной версии сброс пароля и аналогичные задачи с низкими требованиями к суждению направляются в полную автоматизацию; эмоциональные жалобы немедленно эскалируются к живым агентам; гибридные случаи, где нужен контроль человека, но ручная подготовка ответа расточительна, получают черновой ответ. Каждое решение о маршрутизации детерминировано с точки зрения продукта — вероятностная модель заключена в определённые PM-ом категории, которые система применяет. Тхананат описывает это как превращение вероятностной модели в детерминированный бизнес-результат и называет это ключевой работой AI PM.

Кому будет полезно

Статья наиболее актуальна для PM, которые уже запустили или планируют запустить AI-фичу и сталкиваются с разрывом между демо-качеством и надёжностью в продакшне. Материал практичный, лаконичный и строится на одном хорошо выбранном примере, а не на широких обобщениях.