Каких ИИ-навыков ждут от продакт-менеджеров в 2026 году

В конце 2025 года ProductSense и X5 опросили 1 220 менеджеров продуктов, Head of Product и CPO. 97% респондентов сообщили, что используют ИИ в работе, 72% заметили ускорение. При этом 77% не увидели изменений в продуктовых метриках (первичная страница исследования, резюме ProductSense на Хабре). Это самоотчёт: он не измеряет требования работодателей и не доказывает причинное влияние ИИ на бизнес.

В этом разрыве и проходит граница между знакомством с нейросетью и рабочим навыком. Фраза «пользуюсь ChatGPT» говорит об инструменте, но ничего не сообщает о постановке задачи, качестве исходных данных, проверке ответа и решении, которое продакт принял после этой проверки.

Полного исследования российских вакансий Product Manager с единой методикой пока нет. Поэтому ниже не будет доли вакансий, в которых якобы требуют ИИ. Мы сопоставим российский опрос продактов, исследование практик 885 PM внутри Microsoft, enterprise-опрос 379 продуктовых специалистов, исследование ответственности продуктовых ролей и две конкретные вакансии в AI-продуктах — архивную роль AI Lab hh.ru и действующую вакансию ObuChat AI. У каждого источника свой вопрос и своя выборка; ни один не описывает российский рынок PM целиком.

Такой набор позволяет осторожно разобрать три разные планки: базовую ИИ-грамотность обычного продакта, способность встроить ИИ в повторяемый продуктовый процесс и техническую глубину специальной роли AI Product Manager. Для каждой планки посмотрим не на названия сервисов, а на наблюдаемые действия и артефакты, которые можно проверить на работе или собеседовании.

Под ИИ-навыком здесь понимается способность поставить модели конкретную продуктовую задачу, передать достаточный контекст и ограничения, проверить результат и использовать его в решении. Промпт — только один из входов. Если продакт не может объяснить критерий качества и способ проверки, рабочий навык ещё не наблюдаем.

Исследование 885 PM внутри Microsoft показывает, что участники выбирали задачи для делегирования с учётом ответственности. Рутинное форматирование или сведение заметок отдавали легче, а спецификации и карты пути клиента — осторожнее; ответственность за выход всё равно оставалась у человека (Ulloa et al., 2025). Это исследование одной компании с ранним доступом к корпоративным AI-инструментам, а не универсальная шкала для всех продактов.

Для практики полезно разделить компетенцию на три уровня:

Эти уровни не равны грейдам. Junior может собрать аккуратный повторяемый процесс, а senior — ограничиваться разовыми запросами. Разница проходит по сложности задачи, цене ошибки и способности доказать качество результата.

В российском опросе ProductSense × X5 продакты чаще всего называли поиск информации — 69%, генерацию идей — 64% и анализ данных — 52%. Конкурентный анализ отметили 40%, челлендж гипотез — 37%. Респонденты могли выбирать несколько вариантов; проценты показывают распространённость сценариев внутри этой выборки, а не качество работы ИИ (ProductSense, 2026).

В другом опросе, среди 379 product professionals из enterprise-компаний, Productboard отдельно называет подготовку PRD и презентаций, конкурентный анализ и работу с roadmap (Productboard, 2025). Эти результаты нельзя складывать с российскими процентами: различаются выборка, вопросы и контекст компаний.

Карта применения ИИ для продакт-менеджера включает поиск, документы, аналитику и работу с гипотезами. Но частое использование ИИ в задаче ещё не доказывает компетенцию. Поиск ценен, когда у вывода сохраняются источники; анализ — когда расчёт воспроизводится; челлендж гипотез — когда модель помогает найти слабое место, а не голосует за решение вместо команды.

В enterprise-опросе Productboard среди растущих навыков продуктовые специалисты назвали data literacy — 58%, синтез customer insights — 54%, системное мышление — 53% и стратегическое мышление — 52% (Productboard, 2025). Исследование Microsoft добавляет к этой картине выбор задач для делегирования, валидацию результата и сохранение человеческой ответственности (Ulloa et al., 2025). Это разные исследования, поэтому их проценты и выборки не объединяются.

На пересечении этих сигналов и обычного продуктового цикла получается рабочая матрица из восьми навыков. Это не рейтинг требований работодателей. Каждая строка сформулирована как проверяемая практика: действие, артефакт и контроль качества.

У этой матрицы есть общий принцип: хороший артефакт хранит след проверки. По нему видно не только ответ модели, но и исходные данные, критерий качества, ошибку, которую искали, и решение продакта после проверки.

Архивная вакансия AI Product Manager в AI Lab hh.ru задавала высокую техническую планку: запуск GenAI/LLM-продуктов в production, оценка качества без строгого ground truth через human evaluation, LLM-as-judge и онлайн-сигналы, понимание ограничений моделей и стоимости инференса, работа с A/B-тестами и пилотами. В зоне ответственности также были качество ответов, UX, производительность и риски (карточка hh.ru, проверена 18.08.2026).

Действующая вакансия Product Manager в AI-продукты от ObuChat AI показывает другую расстановку акцентов. В ней обязателен классический продуктовый цикл — проблема, гипотеза, проверка, реализация и анализ результата. Опыт с AI/ML/LLM, RAG, агентами и чат-ботами указан как преимущество, но не как обязательное условие; работодатель отдельно ставит продуктовое мышление и ответственность за результат выше опыта в конкретной индустрии (карточка hh.ru, опубликована 14.08.2026).

Эти две карточки не дают частотности. Они показывают диапазон даже внутри AI-контекста и помогают точнее ответить, что должен знать AI Product Manager в конкретной команде.

Граница проходит по объекту управления, а не по престижу роли. Обычному продакту не нужно изображать ML-инженера. В технически глубокой AI-роли от PM могут ждать обсуждения с ML, engineering, legal и security решений, от которых меняются поведение системы и цена ошибки; в другой команде специальный AI-опыт останется преимуществом, а не входным требованием.

В исследовании Microsoft участники охотнее делегировали задачи с низкой ответственностью и осторожнее — спецификации или карты пути клиента. Они подчёркивали: ошибка в сгенерированном материале всё равно отражается на человеке, который выпускает его под своим именем. Для задач с серьёзными последствиями PM искали способ быстро проверить результат (Ulloa et al., 2025).

Поэтому ИИ можно поручить подготовительную работу: собрать варианты, сгруппировать материалы, предложить формулу или найти контраргумент. Но четыре точки остаются у продакта. Он выбирает проблему, за которую стоит браться. Проверяет происхождение и качество данных. Принимает компромисс между ценностью, сроком, стоимостью и риском. Наконец, отвечает за последствия решения перед пользователем и командой.

Productboard получил в своём enterprise-опросе ещё один сигнал: среди растущих компетенций респонденты называли грамотность работы с данными, синтез пользовательских инсайтов, системное и стратегическое мышление (Productboard, 2025). В исследовании ответственного применения GenAI с 25 интервью и опросом более 300 специалистов продуктовых ролей практики зависели не только от личной осторожности, но и от позиции руководства и организационных правил (Smith et al., версия 2026 года).

Значит, верификация результата — не финальная вычитка после работы модели. Она начинается раньше: с выбора допустимых данных и критерия качества, а заканчивается человеком, у которого есть полномочия принять, изменить или остановить решение. Если этой цепочки нет, автоматизация лишь быстрее переносит непроверенное предположение в продукт.

В двух разобранных вакансиях работодатели описывают работу через наблюдаемые процессы: гипотезы и MVP, метрики качества, пилоты, A/B-тесты, продуктовый цикл и анализ результата после запуска (AI Lab hh.ru, ObuChat AI). В карточках нет требования предъявить длинный список знакомых моделей.

Поэтому строку «уверенно использую нейросети» лучше раскрывать как кейс из шести частей:

Для research-кейса покажите вопрос, реестр источников, найденные противоречия и решение, которое изменилось после проверки. Для анализа данных — исходную таблицу, формулу или код, контрольный расчёт и оговорки. Для автоматизации — схему шагов, серию тестовых примеров, журнал ошибок и условие, при котором процесс возвращается человеку.

Такой артефакт, вероятно, убедительнее перечня инструментов: нанимающий руководитель видит ход работы и может задать проверочный вопрос. При этом публичных интервью с российскими hiring managers, которые подтверждали бы это как общее правило найма, недостаточно. Поэтому это практическая гипотеза, а не доказанное правило.

В резюме оставьте только измерение, которое действительно проводили. Шаблон «сократил подготовку weekly report с X до Y, сохранив контроль Z» годится как форма, но X, Y и Z нельзя заполнять оценкой на глаз. Если эффект пока не измерен, честнее назвать масштаб проверки: сколько реальных примеров прогнали, какие ошибки нашли и какое ограничение осталось.

ИИ на собеседовании продакт-менеджера стоит обсуждать тем же способом: не демонстрировать гладкий ответ модели, а разбирать собственное решение. Самый полезный вопрос после презентации кейса — где вы не доверились ИИ и что проверили вручную.

Начинать лучше с одной повторяемой задачи, а не с попытки встроить ИИ во весь продуктовый цикл за выходные. Для junior-продакта после перехода из аналитики такой задачей может быть конкурентный research, черновик требований или проверка дерева метрик — то, где уже понятен предмет и легче заметить ошибку модели.

1. Дни 1–3. Опишите задачу и сохраните ручной baseline: сколько времени занимает работа, каким должен быть результат, какие ошибки недопустимы.

2. Дни 4–7. Зафиксируйте входные данные, контекст, ограничения, формат выхода и критерий качества. Отдельно перечислите сведения, которые нельзя передавать внешнему сервису.

3. Неделя 2. Прогоните 5–10 реальных примеров. Не улучшайте инструкцию после каждого ответа молча: сохраняйте версии и записывайте, где результат сломался.

4. Неделя 3. Добавьте проверки. Для research это открытие источников и сверка цитат, для данных — контрольный расчёт, для требований — поиск пропущенных ограничений и граничных сценариев.

5. Неделя 4. Определите fallback: при какой ошибке задача возвращается человеку, какой шаг можно повторить и что должно попасть в журнал.

6. Неделя 5. Соберите артефакт: исходная задача, версии процесса, тестовые примеры, найденные ошибки, итоговый способ проверки и измеренный эффект либо честное ограничение. Покажите его руководителю, коллеге или на пробном собеседовании.

Этот план можно пройти самостоятельно. Внешняя практика становится полезна в следующей точке: когда один знакомый кейс уже получается, но нужно проверить ход мысли на других продуктовых задачах и получить обратную связь, которую модель сама себе дать не может.

Если один кейс уже собран самостоятельно, следующий шаг — потренироваться на других продуктовых задачах и получить внешнюю обратную связь. Для этого можно посмотреть спринт «AI для продактов»: на публичной странице заявлены живые онлайн-разборы продуктовых кейсов, работа с ИИ для ресерча, метрик, гипотез, стратегии, PRD, мокапов и быстрых проверок, а также обратная связь эксперта. Спринт рассчитан на junior / junior+ и переходящих из смежных ролей; в программе есть работа над собственной библиотекой промптов и фреймворков AI PM toolkit.

Практический минимум — поставить задачу с контекстом и ограничениями, проверить источники и расчёты, безопасно работать с данными и объяснить решение. Следующий уровень — повторяемый workflow с критерием качества, тестовыми примерами, журналом ошибок и fallback. Для специальной AI-роли техническая глубина зависит от продукта и команды.

Универсального требования в собранных источниках нет. В действующей вакансии ObuChat AI специальный AI-опыт указан как преимущество, а продуктовый цикл — как обязательная база. В технически глубокой роли AI Lab, напротив, требовалось понимание LLM и оценки качества. Код полезен для прототипа и проверки, но его необходимость задаёт конкретная роль.

Обычный PM может использовать ИИ внутри research, аналитики, документов и прототипов, оставаясь владельцем продуктового решения. В специальной AI-роли сама модель входит в пользовательский сценарий. Тогда к продуктовым навыкам могут добавиться метрики качества модели, стоимость, latency, риски, пилоты и взаимодействие с ML-командой.

ИИ снижает стоимость первого черновика кода, но не проверяет за продакта смысл метрики, схему данных и корректность выборки. Глубина зависит от команды: где-то достаточно прочитать запрос и сверить результат, где-то нужно самому изменить код. В портфолио важнее воспроизводимый расчёт и контрольный пример, чем факт генерации SQL.

В исследовании Microsoft PM легче отдавали форматирование и сведение заметок, осторожнее — спецификации и карты пути клиента; ответственность за результат сохранялась у человека (Ulloa et al.). Можно делегировать подготовку вариантов. Выбор проблемы, проверку данных, продуктовый компромисс и утверждение решения делегировать некому.

Соберите один кейс по формуле: задача, данные и контекст, роль ИИ, способ проверки, решение человека, эффект или ограничение. Приложите артефакт, который можно открыть: реестр источников, таблицу с контрольным расчётом, прототип со сценарием теста или схему автоматизации с журналом ошибок.

Начните с знакомой продуктовой задачи и критерия правильного результата. Затем освойте постановку контекста и проверку ответа. Аналитическая грамотность нужна на каждом шаге: без неё трудно заметить неверный вывод. К агентам переходите после того, как ручная последовательность уже работает и понятно, где поставить проверки и вернуть задачу человеку.

Массовое использование ИИ ещё не отвечает на вопрос, каких ИИ-навыков ждут от продакт-менеджера. В исследованиях видны распространённые сценарии, навыки мышления и границы делегирования; в отдельных вакансиях — разные требования конкретных команд. Рабочая компетенция появляется там, где продакт может показать проверяемый результат и назвать собственную ответственность за него.

Перед следующим запросом к модели ответьте себе на три вопроса:

1. Какую продуктовую задачу я уже решаю с ИИ?

2. Как я проверяю результат и где возвращаю задачу человеку?

3. Какой эффект или ограничение могу подтвердить артефактом?

Затем выберите один пробел из матрицы и соберите один кейс за 30 дней. Это может быть самостоятельная работа; если нужна практика на других задачах и внешняя обратная связь, посмотрите спринт «AI для продактов». Критерий следующего шага простой: после него у вас должен остаться не новый список инструментов, а артефакт, который выдерживает проверочный вопрос.