Product Operating Model (POM) — это, по сути, продуктовый подход к управлению продуктами. Я уже кратко описал его в прошлой статье, сравнив с функциональным подходом. В этот раз хочу рассмотреть POM через призму влияния искусственного интеллекта на создание продуктов, особенно в условиях, когда каждый, у кого есть доступ к LLM, вдруг решил, что он продакт-менеджер, инженер или дизайнер.
Что такое Product Operating Model
По своей сути и принципам это и есть продуктовый подход. В его основе лежат три ключевых вопроса:
Как создавать продукты?
Как решать проблемы?
Какие проблемы необходимо решить?
Рассмотрим их последовательно.
Как создавать продукты?
Здесь речь идет не просто о частых релизах, а о стремлении к непрерывной поставке (CI/CD), коротким исследовательским циклам и быстрой доставке ценности пользователю. В рамках POM это дает:
быструю реакцию на изменение потребностей клиентов;
возможность выявлять проблемы клиентов до того, как они их осознают (проактивная позиция);
доказательство того, что новые возможности продукта действительно несут ценность.
Как решать проблемы?
Этот принцип предполагает, что команды автономны и принимают решения о способах решения проблем самостоятельно, без получения жестких списков требований или бизнес-задач от заинтересованных сторон. Инженеры, продакт-менеджеры и дизайнеры, как наиболее близкие к технологиям и пользователям, выбирают оптимальное решение для достижения результата.
При этом решения должны быть:
ценными для клиента (пользователь выбирает продукт, компания получает бизнес-ценность);
удобными в использовании;
осуществимыми с технологической точки зрения (или иметь обоснованные альтернативы);
поддерживающими бизнес (согласованными с продажами, маркетингом, поддержкой).
Какие проблемы необходимо решать?
Этот принцип строится на сотрудничестве с заинтересованными сторонами, с пониманием того, что решения могут затрагивать всю организацию. Руководители команд определяют, какие именно проблемы пользователей решать, в каком приоритете и для какого сегмента.
На мой взгляд, это самый сложный элемент POM, так как требует развитой коммуникации, общеорганизационного сотрудничества и определенной философии. Реализуется он через:
Видение продукта (четкое описание будущего, которое компания создает для клиентов, с фокусом на пользователе);
Анализ данных как ориентир для решений (стратегия, основанная на данных, для выявления наиболее важных проблем).
Важная особенность
По большому счету, описание POM мало чем отличается от уже принятых в разных компаниях принципов. Сомневаюсь, что в российских компаниях будет работать «чистая» POM — скорее, это будет нечто среднее между функциональным и продуктовым подходами. В этом плане стоит сохранять реалистичный взгляд: любая методология адаптируется под особенности компании и руководства.
POM — это скорее философия или культура, где:
принципы важнее процесса;
доверие и сотрудничество важнее контроля;
инновации важнее предсказуемости;
обучение важнее избегания ошибок.
Продуктовая культура может выглядеть по-разному в каждой компании, но общим остается фокус на продуктах и результатах, а не на проектах и сроках.
Именно эти культурные аспекты — самое слабое место POM. Как часть корпоративной культуры, они испытывают наибольшее давление со стороны внешних факторов и неформальных правил. Проще говоря, в период сложностей, которые происходят в России с 2022 года, трудно представить компании, работающие в философии POM. Под внешним давлением продуктовая модель трансформируется в функциональную или антикризисную.
Кухарки с ИИ
Появление ИИ, LLM, агентов и новых возможностей искусственного интеллекта, казалось бы, должно было дать мощный толчок развитию продуктов, особенно как инструмент для POM. По всей видимости, этого не происходит. Сначала я думал, что это локальный фактор, но похоже нет.
Исследователь менеджмента Питер Друкер как-то заметил, что развитие науки и управления происходило за счет роста числа умных инженеров, талантливых управленцев и накопления опыта. Его поддерживали и другие классики менеджмента. Но в эпоху ИИ эти принципы, кажется, резко обесцениваются.
Посмотрим, что происходит с POM, когда заинтересованные стороны получили доступ к ИИ, а внешние факторы изменили мир.
Первое. Управление продуктом — одна из сложнейших функций в маркетинге (4P) — перестало требовать глубокой образованности, высокой эрудиции и насмотренности. Причины этого явления мы здесь разбирать не будем.
Второе. С каждым годом доступ к информации, синтезу решений и даже их реализации вырос колоссально. Я искренне рад развитию ИИ: то, что раньше делалось за неделю, теперь делается за пару часов. Это действительно круто.
Но как следствие доступности, все кухарки решили, что могут управлять продуктом. И речь здесь исключительно о заинтересованных сторонах. Раньше продукт решал проблемы пользователей (или хотя бы делал вид). Теперь же создается впечатление, что продукт решает проблемы стейкхолдеров.
Пример: приходит CEO, который всю ночь «вайб-кодил» фичу, и требует немедленно внедрить ее в продукт. Он сам ее придумал и реализовал, поэтому переубедить его невозможно — он влюблен в свое детище. Разработчики и менеджеры, к сожалению, не могут его переубедить.
Другой случай: заинтересованная сторона сходит в условный Deepseek и точно выясняет, сколько и как делать задачу. Более того, она же придумывает дизайн и пользовательские пути из сферического вакуума. Иногда даже считает выручку, но это уже вершина использования ИИ.
Еще один перекос: в одной уважаемой на рынке компании стоит KPI на количество выпускаемых функций. Похоже, они не слышали о принципах POM.
Все это было бы полбеды, и, возможно, внедряемые функции принесли бы пользу. Но есть одно «но». Наши кухарки совершенно не знакомы с математикой — не успели спросить у ИИ. А любая модель дружелюбна и подтверждает ваши гениальные решения (если вы, как я, не настроили ее иначе). Поэтому вы всегда будете уверены, что решение верное. Особенно в исследованиях. Особенно если вы придумали решение проблемы, которой может и не быть.
Математика все равно остается на страже здравого смысла. При вероятности правильного ответа нейросети около 95-96%, к 20-му этапу последовательных итераций вероятность правильного решения падает примерно до 36%. Проще говоря, шанс получить верное продуктовое решение, полностью делегируя его нейросети, падает экспоненциально с ростом числа этапов (анализ 5-8 интервью) и прочего, объема новой добавляемой информации, сложности продукта и количества связей между его частями.
Вы можете возразить: почему бы команде не создать что-то быстро, запустить и посмотреть, что получится? Конечно, можно, и именно так сегодня многие и делают. Проблема в результате — в изначальном определении проблемы. Отсюда и парадокс производительности ИИ.
Многим руководителям компаний безразлично, какие результаты приносят такие функции. Они искренне убеждены: если бы их идеи воплощались быстрее, результаты обязательно были бы хорошими для бизнеса.
Что же с этим делать?
Думаю, нам придется подождать, пока заинтересованные стороны перестанут отрицать очевидное: проблема не во времени или скорости выпуска фич, а в том, что их идеи зачастую неэффективны, потому что решают не ту проблему или решают проблему, которой у пользователей нет.
Это называется AI Productivity Paradox — команды используют ИИ для ускорения выхода, но результаты не улучшаются . Сильные продуктовые компании используют ИИ иначе: сначала они строят, чтобы учиться (discovery), и только потом — чтобы зарабатывать (delivery). Они используют ИИ для проверки гипотез, а не для генерации фич.
Полагаю, текущая внешняя ситуация в России и мире в целом откладывает повсеместное внедрение Product Operating Model.
Но мы все равно вернемся к этой модели, только уже с ИИ, как инструментом ускорения и получения результатов в решении реальных проблем пользователей и главное, бизнеса.
Больше интресного тут - https://t.me/dao_producta
