Skip to content
Статья Medium февр. 2026 г.

Ria Florensi: за рамками продакт-менеджера с AI — дискавери в эпоху AI

Эта статья Риа Флоренси от февраля 2026 года — часть серии об AI-дополненном управлении продуктом — сосредоточена именно на дискавери. Центральный тезис: традиционная двухфазная модель — сначала учиться, потом строить — больше не описывает работу лучших команд. Когда создание рабочего прототипа занимает часы, а не недели, граница между обучением и выпуском фактически исчезает.

Флоренси описывает это как цикл Cook, Serve, Taste, Adjust: построить один небольшой компонент, понаблюдать за его работой, пересмотреть гипотезу, которая его породила, и повторить. Акцент на «одном небольшом компоненте» — намеренный: ограничение эксперимента рамками одной AI-сессии сохраняет чёткость контекста и делает результаты полезными. Слишком широкий охват порождает что-то, что трудно оценить и ещё труднее улучшить.

Статья прямо связывает скорость AI-разработки с риском подмены суждения исполнением. Чем быстрее можно строить, тем чаще командам приходится решать, какие гипотезы вообще стоит проверять. Флоренси называет это «product sense» и разбивает его на пять компонентов: скорость экспериментирования, качество суждения, распознавание паттернов, интеллектуальная честность и публичное обучение. Из них суждение — решение о том, что строить дальше и почему — это единственное, что AI не может заменить.

Из статьи вытекают две практические привычки. Во-первых, документировать решения явно, не полагаясь на непрерывность сессии: письменная запись о том, что было построено, зачем и что это дало, помогает команде сохранять согласованность при перерывах и сбросе контекста. Во-вторых, разделять скорость исполнения и качество решений — быстрое движение по плохой гипотезе быстрее приводит к плохому результату, но не к хорошему.

Статья написана на основе опыта в финтех-разработке, но паттерны применимы к любой команде, внедряющей AI-ассистированные воркфлоу. Наиболее полезна для продакт-менеджеров, которые уже выпускают продукты быстрее с AI, но не могут объяснить, почему результаты улучшаются с той же скоростью.