Гуманитарии — тоже люди!

Трудно всё же им приходится... особенно спслистам в области типапсихологии. Пока технари спокойно рубят бабло (хотя уже не так спокойно, как раньше), тренеру эмоинтеллекта нужно постоянно доказывать нужность (гм) — свою и этого вида интеллекта.

Не хочется выглядеть той чайкой, какой меня обозвал в комментарии автор поста, но чем больше я узнаю "психологов", тем больше я "люблю собак". А варюсь я в этом психокотле довольно давно и даже имею в анамнезе (зчркнт) дипломе крайне положительные отметки по ряду психодисциплин. Это я к тому, что какие-то основания для выражаемого мнения у меня таки есть.

Короче, текст, на который я пишу ответ, — негуманитария скорее насмешит, чем заставит задуматься о своем печальном будущем, в котором гуманитарий, вооруженный ГИИ, отберет у соперника кусок хлеба с маслом.

Почему? Лень писать разбор, к тому же я просто обязана обратиться к "ИИ" — как инженер и гуманитарий в одном флаконе. Так что вот вам анализ от дипломатичного Перплексити.

Коротко: текст сильный по вдохновляющей риторике, но в нём есть несколько логических пробелов, преувеличений и необоснованных обобщений.

Ясная цель и нарратив: автор четко формулирует эксперимент, его задачу и результат — это делает текст эмоционально убедительным.

Конкретика по формату: описаны этапы программы, количество команд/проектов — это придаёт доверие и ощущение реального кейса.

Фокус на продуктовом мышлении и эмпатии как ценности — логично и отвечает текущим трендам в разработке продуктов.

Апелляция к опыту практики и собственной компании добавляет авторитетности.

1. Необоснованное обобщение на всю индустрию

Проблема: из успешного пилота в одном университете делается обобщение, что "через 5 лет психологи будут создавать больше AI-продуктов, чем программисты".

Почему это слабо: одних успешных курсов недостаточно, чтобы прогнозировать смену профессиональной структуры отрасли. Нет данных по масштабам, качеству долгосрочных продуктов, устойчивости таких команд, коммерческому успеху и сравнению вклада с профессиональными разработчиками.

2. Причинно-следственная ошибка (AI → исчезновение важности программирования)

Проблема: автор утверждает, что появление генеративного ИИ «снимает» барьер программирования.

Почему это слабо: ИИ упрощает ряд задач, но не устраняет потребности в инженерах для архитектуры, безопасности, инфраструктуры, интеграции, оптимизации ML-пайплайнов и поддержки производства

3. Недостаток валидации результатов (какое качество продуктов?)

Проблема: указывается количество продуктов, но не их качество, жизнеспособность, метрики успеха (реальная пользовательская база, удержание, монетизация, техническая устойчивость).

Почему это слабо: число «работающих» MVP никак не коррелирует с долгосрочной успешностью.

А можно было признать ограничения эксперимента, проверить результаты и потом привести данные — сколько проектов перешли в пилот у пользователей, получили инвестиции, выдержали нагрузку в продакшне.

4. Сильная риторика вместо анализа рисков

Проблема: апелляция к великим фразам (Эйнштейн, Монтессори, Ницше) усиливает эмоциональность, но не заменяет анализ рисков и ограничений.

Почему это слабо: воспринимается как популизм.

5. Неоднозначность терминологии

Проблема: непонятно, что именно подразумевается под «создать продукт» — прототип, MVP, коммерческий продукт, сервис с поддержкой пользователей?

Почему это важно: разные определения ведут к разным выводам о значимости результатов.

Как поправить: чётко определить уровни (идея → прототип → MVP → продакшн → масштаб) и указать, каких уровней достигли проекты.

· Смягчить обобщения и прогнозы — заменить «через 5 лет психологи будут создавать больше AI-продуктов, чем программисты» на «мы ожидаем роста доли продуктов, инициированных гуманитариями» и добавить условности («при наличии инструментов, методологии и поддержки»).

· Добавить раздел «Ограничения исследования», где честно перечислить неизвестные и риски.

· Привести метрики качества проектов (примеры успешных кейсов, данные о пилотах).

· Разделить этапы создания продукта: где AI стирает порог входа (генерация идей, прототипы), а где остаются критичными технические компетенции (продакшн, безопасность, масштабирование).

· Включить рекомендации по модели сотрудничества: смешанные команды (гуманитарии + инженеры), роли Product Owner / Product Manager, обучение минимальным техническим навыкам.

· Для громких заявлений привести независимые подтверждения: отзывы индустрии, рекрутинговые тренды, статистику по вакансиям или исследования по влиянию AI на трудовой рынок.

Исходная фраза: «главным ограничением создания цифрового продукта становится уже не программирование. Главное — качество мышления.»

Предложенная корректировка: «для прототипирования и проверки гипотез программирование перестаёт быть главным узким местом благодаря AI; при этом на стадии вывода продукта в продакшн и масштабирования техническая экспертиза остаётся критически важной. Поэтому ключевым становится сочетание качественного продуктового мышления и доступной технической поддержки.»

Кстати, сомневаюсь в особой ценности описанного автором эксперимента. "Всё уже придумано до нас". Продакт-менеджер — специалист на стыке гуманитарных и технических дисциплин. Главная задача продакта — делать продукт полезным для пользователей и прибыльным для бизнеса. Для этого нужны как развитые коммуникативные навыки, так и понимание технологий. То есть можно быть гуманитарем или технарем, получить доп. компетенции и стать продактом. "ИИ" позволяет избежать накопления собственного опыта, хорошо это или плохо (полагаю, и то, и другое).