HelloPM: мастер-класс по AI product management 2026

О чём видео

Опубликованный в январе 2026 года, этот полноформатный мастер-класс ведёт Анкит Шукла — основатель HelloPM и специалист в области продукта и роста с более чем десятилетним опытом. Сессия прошла в прямом эфире при более 800 участниках и доступна на YouTube в записи. Она охватывает технические основы и прикладные знания, которые ожидаются от product manager’ов в AI-продуктовых ролях.

Сессия выстроена вокруг того, что AI-ориентированный PM должен понимать по-настоящему: не просто как использовать AI-инструменты, но как работают лежащие в основе системы. Шукла объясняет, как большие языковые модели генерируют вывод через предсказание следующего токена, что делает архитектура трансформера и как токенизация влияет на дизайн промптов на практике. Затем следует GenAI value stack — четырёхуровневый фреймворк для понимания того, где создаётся ценность в AI-продуктах: от инфраструктуры через поставщиков моделей, прикладной уровень до интерфейса.

Технический блок переходит к retrieval-augmented generation (RAG): как работают RAG-пайплайны, что такое эмбеддинги и как векторные базы данных их хранят, почему RAG обычно предпочтительнее fine-tuning для большинства корпоративных продуктовых случаев. Далее — фреймворки prompt engineering с упором на context engineering: структурирование информации, передаваемой модели, для стабильного улучшения качества вывода, а не опора на формулировки.

Сессия завершается AI-агентами и guardrails, а затем разборами трёх продуктов: Granola (AI-заметки встреч), NotebookLM (AI-исследование документов) и Lovable (AI-разработка продуктов). Разборы применяют технические концепции к реальным продуктам, показывая, как дизайн-решения связаны с поведением модели и где видны компромиссы каждого продукта.

Для кого

Для product manager’ов, которые пользуются AI-инструментами неформально, но не имеют чёткой ментальной модели того, как они устроены. Сессия рассчитана на уровень от начального до среднего — опыт программирования не требуется, но участники с некоторым знакомством с LLM получат больше от блока разборов. PM в ролях, связанных со спецификацией AI-функций, написанием AI acceptance criteria или тесным взаимодействием с ML-инженерами, найдут особенно полезным фундаментальный раздел.

Ключевые выводы

Context engineering важнее формулировки промпта. Ключевой тезис Шуклы о взаимодействии с LLM: хорошо структурированный контекст — то, что вы передаёте модели для работы, — оказывает большее влияние на качество вывода, чем формулировка инструкции. Понимание этого меняет подход PM к написанию продуктовых спецификаций для AI-функций.
Выбор между RAG и fine-tuning — продуктовое, а не только техническое решение. Этот выбор имеет импликации по стоимости, обслуживанию и частоте обновлений, о которых PM должен уметь рассуждать совместно с инженерами, а не полностью делегировать техническим командам.
Четырёхуровневый GenAI value stack проясняет, где происходит конкуренция. Разделение инфраструктуры, моделей, приложений и интерфейсов помогает PM определить, на каком уровне реально конкурирует их продукт и откуда берётся защищённость позиции.
Guardrails агентов — это задача продуктового дизайна. Раздел об AI-агентах трактует граничные условия — что агент должен отклонять, эскалировать или подтверждать с пользователем — как продуктовые требования, а не просто меры безопасности. Определение этих границ подаётся как одна из ключевых обязанностей AI PM.
Продуктовые разборы выявляют компромиссы, заложенные в реальных продуктах. Разборы Granola, NotebookLM и Lovable демонстрируют, как понимание архитектуры объясняет, почему каждый продукт принимает те дизайн-решения, которые принимает, и где следующая итерация могла бы улучшиться.

Стоит смотреть, если…

Вы PM, который хочет вести более точные технические диалоги с ML-инженерами, или если ваша команда на раннем этапе планирования AI-продукта и вам нужен общий словарь для архитектурных решений. Также полезно как подготовка перед платным курсом по AI PM, поскольку сессия охватывает базовую терминологию, которую более продвинутые программы обычно считают само собой разумеющейся.