PMCurve: продакт-менеджмент и AI в 2026 году

Видео вышло в декабре 2025 года. Его автор — Дипак Сингх (Deepak Singh), основатель PMCurve, платформы, сфокусированной на образовании в области технического продакт-менеджмента. Сингх ведёт программу Advanced AI Product Management на Maven и на протяжении нескольких лет помогает опытным инженерам и PM развивать навыки, необходимые для создания AI-продуктов. Видео является самостоятельным материалом, а не модулем курса, и ориентировано на PM с базовым опытом работы с AI-инструментами, которые теперь хотят мыслить об этом более системно.

Для кого

Видео адресовано PM, вышедшим за пределы вводного уровня: тем, кто уже использует AI-инструменты или создаёт AI-фичи и теперь решает более сложные вопросы оценки, управления и масштабного внедрения. Фокус — на стратегическом мышлении, а не на базовых инструментах, что делает материал актуальным прежде всего для PM среднего и старшего уровня.

Ключевые тезисы

Оценка AI-возможностей требует иного подхода. Стандартные фреймворки приоритизации не переносятся напрямую на AI-фичи, поскольку сторона «усилий» плохо определена, когда производительность модели переменна и продолжает улучшаться. Сингх аргументирует необходимость явных критериев, специфичных для оценки AI-возможностей.
Управление становится задачей продукта, а не только юридической. По мере того как AI-фичи переходят от внутренних инструментов к клиентским, вопросы о том, как принимаются AI-решения и как их можно оспорить или отменить, становятся частью поверхности продукта. Сингх рассматривает это как задачу проектирования и спецификации для PM.
Проектировать для доверия — не то же самое, что проектировать для удобства использования. AI-фичи нередко проходят UX-тестирование, но тормозятся на этапе внедрения, потому что пользователи недостаточно доверяют выводам, чтобы полагаться на них в значимых ситуациях. Сингх показывает, что проектирование под доверие означает интерпретируемость AI-выводов и предоставление пользователям реальных способов верифицировать или исправить их.
Discovery для AI-продуктов должен включать изучение режимов отказа модели. Фаза discovery для AI-фичи должна включать явное исследование того, где модель сейчас даёт сбои, — а не только того, чего хотят пользователи. Строить с учётом известных режимов отказа до запуска эффективнее, чем обнаруживать их в продакшне.
Задача 2026 года — координация, а не только возможности. Оценка Сингха: отдельные AI-инструменты уже достаточно хороши для многих PM-задач, а более сложная проблема — координация AI-работы в рамках продуктовой команды: согласованные практики промптинга, общий контекст, чёткое владение AI-выводами. Это задача командного и процессного проектирования не в меньшей степени, чем выбора инструментов.

Стоит посмотреть, если

Это видео наиболее полезно для PM в продуктовых организациях, которые начинают рассматривать AI не как инструмент индивидуальной продуктивности, а как командную компетенцию, требующую структуры и управления. Фреймворк из 10 вопросов, который представляет Сингх, — хорошая отправная точка для командной сессии планирования, ревью роадмапа или внутреннего аудита того, как AI используется в продуктовой функции.