AI Product PRD: требования к продуктам на базе AI/ML

AI Product PRD расширяет стандартный PRD разделами, которые традиционному софту не нужны: выбор модели, критерии оценки, допустимые уровни ошибок, требования к пайплайну данных и фолбэк-поведение, когда модель ошибается или выдаёт результат с низкой уверенностью.

Это не то же самое, что AI-Optimized PRD — стандартный PRD, форматированный для чтения AI-агентами. AI Product PRD предназначен для продуктов, где AI является ключевой функциональностью: чат-боты, рекомендательные системы, генераторы контента, системы предсказаний и любые продукты, где модель машинного обучения создаёт основной результат.

Key insight

Традиционные PRD определяют детерминированные требования: при входе X дать выход Y. AI Product PRD определяют допустимые диапазоны: при входе X дать выход Y с точностью не менее Z%, а если уверенность падает ниже порога — переключиться на поведение W.

Когда использовать AI Product PRD

Используйте AI Product PRD, когда:

• Ключевая ценность продукта зависит от модели машинного обучения (LLM, классификация, рекомендации, генерация)
• Результат вероятностный — один и тот же вход может дать разные выходы
• Нужно определить допустимые пороги качества, а не точные результаты
• Качество и доступность данных — предпосылки для работы продукта
• Продукту необходимо фолбэк-поведение для случаев, когда модель ошибается или галлюцинирует

Стандартного PRD достаточно, когда:

• AI — вспомогательная фича, а не ядро продукта (например, автодополнение в форме)
• AI-компонент использует стороннее API с чётко определённым поведением (например, вызов GPT-4 с фиксированным промптом)
• Не требуется кастомное обучение, файн-тюнинг или фреймворк оценки модели

Что добавляет AI Product PRD

AI Product PRD сохраняет все разделы стандартного PRD (постановка проблемы, целевые пользователи, скоуп, метрики успеха) и добавляет пять AI-специфичных разделов.

1. Постановка AI-задачи

Прежде чем определять требования, обоснуйте, почему AI — правильный подход. Не каждая задача требует модели — некоторые лучше решаются правилами, эвристиками или простым поиском.

Ответьте на три вопроса:

• Почему не работает подход на правилах? Если можно написать if/else логику, которая покрывает 95% случаев, модель, скорее всего, не нужна.
• Что производит модель? Метка классификации, сгенерированный текст, ранжированный список, числовое предсказание, изображение — будьте конкретны.
• Что потребляет модель? Текст, изображения, структурированные данные, сигналы поведения пользователей или их комбинацию.

2. Требования к модели

Определите, что должна делать модель и насколько хорошо.

3. Критерии оценки

Определите, как измерить, достаточно ли хороша модель для выпуска. Это заменяет расплывчатое «AI должен быть точным» на тестируемые условия.

Фреймворк оценки: Определите, когда запускаются оценки (перед каждым деплоем, по расписанию, при дрифте данных), кто анализирует результаты и что происходит, когда метрика падает ниже порога.

4. Требования к данным

AI-продукты чаще терпят неудачу из-за плохих данных, чем из-за плохих моделей. Определите:

• Обучающие данные: источник, объём, метод разметки, требования к актуальности
• Пайплайн данных: как данные поступают от источника к модели (пакетный vs потоковый, шаги трансформации)
• Качество данных: минимальные требования к полноте, точности и актуальности
• Конфиденциальность данных: обработка PII, требования к анонимизации, соответствие GDPR/CCPA
• Хранение данных: сколько хранятся обучающие данные и выходы модели

5. Фолбэк-поведение

Определите, что происходит, когда модель не может выдать надёжный результат. Пользователи столкнутся с ошибками модели — продукт должен обрабатывать их корректно.

Key insight

Фолбэк-поведение — не второстепенная деталь, а ключевое требование к продукту. Пользователи оценивают AI-продукты не по тому, как хорошо они работают на простых случаях, а по тому, насколько корректно они обрабатывают ошибки. Проектируйте фолбэки одновременно с основным сценарием, а не после него.

AI Product PRD и другие вариации PRD

Типичные ошибки

1. Пропуск вопроса «зачем AI». Если подход на правилах покрывает 95% случаев, добавление модели создаёт сложность (обучение, мониторинг, пайплайны данных) без пропорциональной ценности. Обоснуйте модель, прежде чем специфицировать её.

2. Отсутствие критериев оценки до начала разработки. Если команда строит модель и затем спрашивает «достаточно ли это хорошо?», ответ всегда будет субъективным. Определите метрики и пороги до начала разработки модели.

3. Игнорирование дизайна фолбэков. Демо работает отлично. Затем 5% продуктовых входов дают мусор. Без заранее определённых фолбэков команда спешно латает краевые случаи после запуска.

4. Отношение к данным как к чужой ответственности. Модель хороша ровно настолько, насколько хороши её обучающие данные. Если PRD не определяет требования к данным, ML-команда обнаружит пробелы в данных в середине разработки — самое дорогое время для таких открытий.

5. Отсутствие плана на деградацию модели. Модели деградируют со временем по мере изменения мира (дрифт данных, дрифт концепций). PRD должен определять требования к мониторингу и триггеры дообучения, а не только критерии запуска.

Ресурсы

• PRD — полное руководство — обзор всех вариаций
• AI-Optimized PRD — PRD, форматированный для AI-агентов (другой случай использования)
• Шаблоны PRD — стандартный, MVP, AI-Optimized и AI Product
• Промпт-навигатор — подберите подходящий тип документа