Кто такой AI/ML Product Manager в 2026?

Все продукты с применением AI/ML можно условно разделить на 2 типа.

1. AI как фича (нет DS / API интеграция LLM/VLM)

Для многих в индустрии сегодня наличие в продукте интеграции с LLM через провайдера проприетарных моделей автоматически навешивает на решение теги AI/ML-based и соответственно классический PM становится AI/ML-продактом.

В данном сетапе вам нужно понимать базовые принципы тарификации моделей, способы минимизации галлюцинаций, эффективные стратегии промтинга и существующие ограничения в виде конечного контекстного окна, с которым может работать модель. В остальном от вас будут ждать "классического" продуктового скилсета.

С появлением вайбкодинга перечисленные AI-навыки дополняются новыми. В небольших стартапах от такого продакта уже могут ждать умение самостоятельно прототипировать новые фичи без поддержки со стороны разработчиков. Несмотря на потенциал агентных систем, такие кейсы пока скорее исключение, но спрос на них будет быстро расти.

2. ML-основное ядро продукта (собственные модели / инференс, наличие DS / DE / MLOps)

При этом на рынке остаются бизнес домены, где под AI/ML подразумевается самостоятельное обучение и инференс моделей.

При построении таких продуктов PM зачастую работает в тесной связке с командой DS. И хотя финальные цели всё так же измеряются в деньгах (GMV / Revenue), фокусными метриками у продакта становятся уже не конверсии, а метрики качества ML-моделей, на которые опираются все остальные безнес-показатели.

А чтобы растить ML метрики требуется дополнительный скиллсет. Нужно понимать основные зоны роста таких решений, специфику выбора и расчета целевых метрик и их ограничения.

Также важно учитывать, что продукты на основе ML отличаются от классических конечностью жизненного цикла моделей, обусловленной изменениями в распределениях входных данных и предсказываемых характеристиках со временем.

При этом построение сильной модели - это только половина дела. Дальше как минимум возникает необходимость донести модель до прода без потери качества, а как максимум автоматизировать процесс периодического переобучения модели.

Эти работы подразумевают построение пайплайнов сбора и обработки данных и реализации сервисов для инференса модели совместно с DE / MLOps специалистами.

🎯 Итог

Под одним и тем же тайтлом AI/ML Product Manager могут скрываться два принципиально разных профиля:

• PM, для которого AI — это внешний чёрный ящик по API

• PM, для которого ML — это живое, развивающееся ядро продукта, с собственным жизненным циклом и командой DS/DE/MLOps

И требования к их компетенциям будут радикально различаться.

P.s. на фото интересный сюжет, который удалось поймать в Сингапуре. Я его считал как церковный креатив, играющий на популярности LLM и противопоставляющий тенденции поиска ответов на любые жизненные вопросы в чатах - идее личного диалога с Богом как источника смысла и мудрости.

Больше деталей о продуктовом менеджменте решений на основе AI/ML в моем телеграм-канале.