Lenny's Podcast: Почему LinkedIn переводит PM-ов в AI-powered full-stack builders

Опубликованный 4 декабря 2025 года выпуск Lenny’s Podcast содержит интервью с Tomer Cohen, Chief Product Officer LinkedIn, где он рассказывает об организационном переустройстве, которое LinkedIn применил к собственным продуктовым командам, — и почему он считает традиционную PM-структуру устаревшей для AI-native разработки продукта.

Для кого этот выпуск

Он наиболее актуален для senior PM-ов, product leads и всех, кто управляет или строит продуктовую команду. Также стоит посмотреть начинающим специалистам, которые хотят понять, в каком направлении движется роль и каким навыкам отдавать приоритет сейчас.

Что охватывает выпуск

Cohen описывает решение LinkedIn заменить программу Associate Product Manager программой Associate Product Builder — треком, где участников одновременно обучают программированию, дизайну и управлению продуктом, а не как последовательным специализациям. Программа вводит официальное звание Full Stack Builder и соответствующую карьерную лестницу. Это изменение позиционируется не как сокращение затрат, а как структурный ответ на то, что Cohen называет «сломанной традиционной моделью»: разработка фич занимала около шести месяцев от идеи до выпуска — преимущественно из-за накладных расходов на координацию между отделами.

Ключевые выводы

Накладные расходы на координацию — это реальное узкое место, а не скорость отдельных участников. Cohen утверждает: стоимость перемещения работы между PM, дизайнером и инженером — согласование расхождений в ожиданиях, повторное объяснение контекста — велика и практически невидима. Когда один человек может провести продукт от идеи до запуска, эта стоимость исчезает целиком. LinkedIn обнаружил, что именно это было основным источником задержек в их циклах разработки.
AI-инструменты поднимают «пол» для индивидуальных участников, но не выравнивают их возможности. Лучшие сотрудники осваивают AI-инструменты быстрее всех — вопреки предположению, что AI сократит разрыв между сильными и средними специалистами. Для найма и построения команды AI-грамотность функционирует как дифференциатор, а не как базовый порог, которого все достигают одновременно.
Культурное принятие требует осознанного управления изменениями. LinkedIn обновил критерии performance review и создал явные треки признания за освоение AI-инструментов — потому что неформальные сигналы принятия не работают, когда изменение затрагивает профессиональную идентичность. Публичное признание ранних побед и создание видимых историй успеха имело большее значение, чем объявление о новых инструментах.
Стандартные AI-агенты оказались недостаточными для внутренних рабочих процессов LinkedIn. Команда обучила агентов на внутренних процессах, документах и истории решений. Дженерик-модели давали результаты, требовавшие настолько значительной правки, что это нивелировало экономию времени. Корпоративная кастомизация оказалась необходима до того, как начали проявляться преимущества в эффективности.
Программа включает AI-агентов для критики идей — автоматизированных «адвокатов дьявола», которые проверяют продуктовые идеи на прочность до того, как они достигают живого ревью. Cohen описывает это как способ повысить качество решений, которые доходят до старших ревьюеров: не заменить человеческое суждение, но гарантировать, что ревьюеры работают с идеями, уже прошедшими базовый отбор.

Стоит посмотреть, если вы оцениваете, являются ли проблемы с velocity фич вашей организации структурными (накладные расходы на координацию между функциями), а не проблемами найма, — или если вы формируете продуктовую команду и решаете, какие навыки нанимать, а какие развивать внутри.