ИИ-продакт: кого искать и как проверить кандидата

Разбираю, как меняется роль продакта и кого искать, если вы нанимаете продакта в ИИ-продукт:

1. Почему роль меняется.
2. Что ждут от ИИ-продакта в вакансиях.
3. Как проверить кандидата.

Почему роль меняется

С агентами для программирования прототип собирается за часы, раньше на это уходили недели. Сделать фичу стало дешевле, поэтому больше времени уходит на решение, какую задачу брать и как проверить, что она дала эффект. Компании ищут продакта, который отвечает за этот выбор и за результат для бизнеса.

Код всё чаще пишут агенты, и ручное написание кода становится нишей. Важнее становится умение понять бизнес-проблему, решить, когда выпускать, и получить обратную связь.

Отсюда спрос на продакта, который быстро формулирует требования, понимает бизнес и пользователей и проверяет результат до передачи в разработку.

Что ждут от ИИ-продакта в вакансиях

Я посмотрел 50 вакансий AI Product Manager и Product Owner на hh.ru на 12 октября 2026 года. Работодатели ждут сильную продуктовую базу и понимание возможностей и ограничений ИИ.

Запуск, исследование проблемы и спроса (discovery), стратегия и метрики встречаются почти в каждой вакансии. Нужен продакт полного цикла: найти проблему, проверить спрос, запустить пилот, довести до регулярного использования и оценить эффект. Ведение бэклога само по себе результатом не считается. Выборка целевая: она показывает, какие ожидания повторяются, но не долю навыков на всём рынке.

Вторая часть требований касается самого ИИ. Работодатели ждут от продакта:

• выбор задач, где ИИ даёт полезный эффект;
• проверку качества ответов на эталонных наборах примеров и разбор ошибок, в том числе галлюцинаций, то есть фактов, которые модель выдумала;
• понимание возможностей и ограничений LLM, агентов, RAG (поиска по базе знаний с генерацией ответа) и интеграций;
• сценарий передачи задачи человеку, когда ИИ ошибается (fallback);
• контроль достоверности ответов, безопасности данных, стоимости запросов и времени ответа;
• внедрение у пользователей (adoption): обучение и регулярное использование инструмента.

Глубина технических требований разная. Одни работодатели прямо пишут, что разрабатывать модели не нужно, другие ждут опыт с промышленными LLM-приложениями. Общий минимум — понимать архитектуру настолько, чтобы ставить задачи и принимать результат. Плюсом для кандидата будет умение самому собрать прототип на no-code-платформе, в n8n или с агентами для программирования.

Как проверить кандидата

Работодатели проверяют кейсы, личный вклад и измеримый эффект. Попросите два-три кейса и разберите каждый по одной схеме:

1. Проблема и пользователь: что болело и у кого.
2. Гипотеза и роль кандидата: что проверял и что сделал сам.
3. Решение: почему выбран ИИ и этот подход, какие данные и интеграции понадобились.
4. Качество и экономика: как оценивали ответы, что делали с ошибками, сколько стоит один сценарий.
5. Результат: стадия (прототип, пилот или промышленное использование), сколько людей пользуются и какой эффект в метриках.

Хороший признак — когда кандидат показывает артефакты: схему системы или агента, набор проверок качества, метрики до и после запуска, расчёт стоимости сценария. Планы масштабирования результатом не считаются.

Если коротко, ищите человека с сильной продуктовой базой, который умеет оценивать и улучшать качество ИИ-продукта.