Тем, кто уже ведёт продукт и хочет снять с себя рутину: отдать её агентам, а себе оставить решения.
От идеи — до проверки гипотезы на реальных пользователях.
Если планируете перейти от реализации задач к роли Product Owner: пройдёте продуктовый процесс целиком и сразу отдадите его рутину агентам.
Если планируете расти в сторону Product Owner: пройдёте полный продуктовый цикл на реальном кейсе — с агентами, которые заберут его рутину.
Настроим агента так, чтобы он работал и с внешними сервисами, и во внутреннем контуре компании, не нарушая требований ИБ. Он сам открывает разрешённые вами файлы и запускает инструменты. Научимся ставить ему задачу так, чтобы результат можно было проверить.
Можно делегировать: бизнес-требования, ТЗ, статусы и сводки по бэклогу, работу с файлами.
ПодробнееСоберём базовый AI-экзоскелет, на котором будут работать все последующие сценарии курса. Покажем, чем агент отличается от обычного LLM-чата: он получает доступ к файлам, терминалу, инструментам и внешним сервисам и может выполнять процесс, а не только отвечать на вопрос.
Живой процесс от запуска агента в рабочей папке до готовых бизнес-требования и ТЗ на разработку, проверки результата и подключения внешнего сервиса.
Настроенное рабочее место агента и описанный процесс «бэклог → бизнес-требование и ТЗ», который можно переносить на свои задачи.
Соберём AI-workflow для исследования клиента и рынка: портрет аудитории, ICP, конкурентная карта, боли и jobs-to-be-done, гипотезы ценностного предложения.
Можно делегировать: сбор источников, кластеризацию сигналов, черновик ICP, сравнение конкурентов и УТП.
ПодробнееСоберём исследовательский workflow, который помогает быстрее перейти от разрозненных источников к внятному портрету клиента, ICP, конкурентной картине и черновику ценностного предложения. Фокус будет не на одном «магическом» промпте, а на цепочке, которую можно регулярно повторять.
Из набора источников соберём research pack: портрет клиента, ICP, карту конкурентов и несколько гипотез УТП.
Повторяемый research pack, который можно использовать дальше в discovery, стратегии и коммуникациях.
Коротко разберём сбор внутреннего контекста, техническое discovery и аналитические эксперименты, а основное время посвятим тому, как упаковать результаты: структура Минто, навык для повторяемой подачи и инструменты для документов и презентаций.
Можно делегировать: поиск контекста, первичный техразбор, часть аналитической рутины и черновик структуры документа или презентации.
ПодробнееНа реальных кейсах посмотрим, как ИИ помогает в discovery, но не будем превращать урок в длинный разбор технических и аналитических сценариев. Основной фокус второй части — как превратить результаты исследования в понятный материал для команды и стейкхолдеров.
Разберём принцип Минто и покажем, как собрать простой навык, который помогает превращать разрозненные выводы в ясную структуру. Сделаем обзор инструментов для подготовки документов и презентаций — без глубокого погружения в каждый инструмент.
Повторяемый шаблон: собрать evidence → проверить выводы → выстроить историю → подготовить черновик документа или презентации для команды и стейкхолдеров.
От результатов discovery перейдём к продуктовой стратегии: выберем, где играть, за счёт чего выигрывать и какие ставки способны дать рост. Разберём, какую роль в этом может играть AI и когда стоит сказать go / no-go.
Можно делегировать: сбор evidence, карту AI-возможностей, сравнение альтернатив и red-team стратегии.
ПодробнееРазберём, как перейти от результатов discovery к продуктовой стратегии: выбрать, где играть, за счёт чего выигрывать и какие ставки действительно способны дать рост. Посмотрим, как AI меняет пространство возможных решений и как отличить реальную продуктовую возможность от технологии, которую просто хочется внедрить.
Начнём с базы продуктовой стратегии: цель, текущая ситуация, рынок и сегмент, ограничения, источники роста и выбор между альтернативами. Разберём, почему стратегия — это не список инициатив и не roadmap, а набор осознанных решений и отказов.
Дальше наложим на эту логику AI. Не будем начинать с вопроса «куда добавить AI». Будем идти от задачи клиента и бизнеса и смотреть, создаёт ли технология новую ценность, открывает ли новый сценарий или сегмент, меняет ли экономику продукта, снимает ли ограничения или создаёт преимущество.
На реальных продуктовых примерах разберём путь от проблемы и результатов discovery до конкретной ставки. Посмотрим, где искать точки роста, как сравнивать альтернативы, какие предположения должны оказаться правдой и в какой момент стоит сказать go или no-go.
Отдельно разберём, как использовать AI в самой стратегической работе: для сбора evidence, анализа рынка и конкурентов, поиска альтернатив и red-team стратегии. При этом сам стратегический выбор и ответственность за него остаются за продактом.
На практике возьмём одну продуктовую или бизнес-проблему, найдём несколько возможных направлений роста, сравним их по единой рамке и соберём короткий Product Strategy / AI Strategy Memo: проблема, цель, выбранная ставка, роль AI, ценность для клиента, предполагаемый бизнес-эффект, источники преимущества, ограничения, риски и критерии go / no-go.
Соберём с агентом дерево метрик, unit-экономику и финмодель, которая пересчитывается одним запросом. И разберём, как ставить ему задачу, чтобы в расчётах не было ошибок.
Можно делегировать: черновик дерева метрик, расчёт unit-экономики, сценарии финансовой модели и проверку ключевых допущений.
ПодробнееДерево метрик и unit-экономику вы уже знаете. Здесь пройдём весь путь вместе с агентом: от бизнес-цели и сырых данных до финмодели, по которой можно решать — запускать, масштабировать или пересматривать идею. Агент считает и пересчитывает, логику и допущения проверяете вы.
На одном кейсе соберём с агентом дерево метрик, unit-экономику и финмодель. И покажем, как дать ему задачу так, чтобы он не делал ошибки в расчётах.
Дерево метрик и unit-экономику вы уже хорошо знаете. Тут соберём их вместе с агентом, от бизнес-цели и сырых данных до финмодели, которую можно пересчитать одним запросом.
Покажем, как продуктовый контекст меняет качество анализа. На одинаковых данных сравним bare- и rich-агента на воронке onboarding и NPS-фидбэке.
Можно делегировать: первичный анализ воронок, сегментов, фидбэка и исследовательские итерации.
ПодробнееАгент-аналитик хорош ровно настолько, насколько хорошо вы объяснили ему продукт и подготовили данные. Покажем это на вымышленном фитнес-приложении. Возьмём два репозитория с одинаковыми данными: в первом лежат только таблицы, во втором к ним добавлены описание продукта, словарь данных и навыки для агента.
Два одинаковых аналитических задания для агента без контекста и агента с контекстом. Разберём, почему результаты расходятся.
Шаблон описания продукта и данных для агента-аналитика и два повторяемых сценария: анализ воронки и разбор фидбэка.
Соберём всё, что сделали на прошлых занятиях, в питч. Агент подготовит справку о собеседнике, драфт письма и презентации, а на репетиции сыграет скептика.
Можно делегировать: справку о собеседнике, первый драфт письма и презентации, банк возражений и репетицию.
ПодробнееСоберём полный путь от понимания конкретного стейкхолдера до питча и follow-up. Здесь сходятся результаты предыдущих уроков: исследование, стратегия, метрики и аналитика превращаются в сообщение, которое нужно продать конкретному человеку.
Из профиля ЛПР и брифа соберём персональный дек, затем проведём живой спарринг с ИИ-стейкхолдером.
Повторяемый pipeline: ресёрч → письмо → дек → спарринг → питч → follow-up.
Руководит разработкой и продажами всех ИИ-продуктов и ИИ-инициатив Beeline Cloud. Более 10 лет управляет командами Data- и AI-специалистов. Выпускник МГТУ им. Н.Э. Баумана.
Ранее — исполнительный директор по исследованию данных SBER AI: финансовый эффект ML/AI-проектов для Сбера 150 млрд руб., руководство командами первых прототипов Kandinsky и GigaChat, участие в создании института искусственного интеллекта AIRI. Руководил центром R&D Big Data в МТС (эффект внедрений 4–6 млрд руб. в год) и функцией Data Science в Publicis Media Russia.
В Школе управления СКОЛКОВО — приглашённый эксперт и академический директор направлений по данным и ИИ, топ-эксперт школы (средний рейтинг обратной связи 9,0/10 за 3 года). Член академического совета и преподаватель ФКН НИУ ВШЭ, эксперт программ Университета «Сириус» и других вузов.
Основатель студии образования и ИИ-разработки Espada Innovative Solutions. Среди клиентов: Twinby, «Черноголовка», Borjomi, «БКС Мир Инвестиций».
Построил с нуля «Защитник» — сервис защиты от мошенников на 18 миллионов пользователей, заблокировавший больше 3 миллиардов нежелательных звонков в 2025 году. Сегодня также отвечает за VoiceTech — линейку голосовых сервисов МТС: Секретарь, Определитель номера, Шумоподавление, Ассистент в звонке и Запись разговоров.
Два направления с разной логикой роста: у «Защитника» одна аудитория и один рынок, у VoiceTech — несколько отдельных продуктов, каждый со своим сегментом и своей причиной, почему им пользуются.
На модуле поделится опытом, как ищут новые точки роста внутри уже большого продукта: новые сегменты, новые каналы, новые продукты внутри линейки.
Победитель премии RuCode в номинации «ИИ инноватор» за эффективное внедрение технологий искусственного интеллекта в образовательный процесс. Преподаёт машинное обучение и AI-агентов в МФТИ, НИУ ВШЭ и Школе аналитиков данных МТС.
Отвечает за аналитику портфеля цифровых продуктов с совокупной аудиторией более 20 млн пользователей. Выстраивает систему принятия продуктовых и инвестиционных решений на основе данных: от декомпозиции бизнес-целей и проектирования деревьев метрик до оценки unit-экономики, прогнозирования финансовых результатов и поиска точек роста.
Обладает экспертизой в запуске аналитики для новых продуктов, проверке бизнес-гипотез, планировании экспериментов и построении финансовых моделей. Помогает продуктовым командам связывать поведение пользователей с выручкой, затратами и долгосрочной ценностью продукта.
Большую часть своей карьеры работает над внутренними продуктами компаний.
«Обожаю данные и data-driven подход. При любом чихе лезу в логи, фронтовые ручки и raw-данные))»
Product Lead в Typeform. Ранее — Product Lead в Manychat и Joom.
Преподаёт Product Management в Harbour.Space University, Barcelona.
В прошлом ML-разработчик. Использует ML/AI-бэкграунд в работе с продуктом.
Нет. Промпт — разовый запрос, мы собираем повторяемые сценарии, подключённые к вашим источникам. К концу курса у вас не подборка текстов, а семь работающих агентов, которые продолжают приносить пользу без нас.
Код писать не нужно: агентов собираем из готовых инструментов и интеграций, а не на Python. Но работать в терминале и с настройками инструментов будем — на первом занятии всё настроим вместе. Если вы умеете читать SQL и понимаете, откуда берутся ваши метрики, этого достаточно.
Семь занятий по 1,5 часа за 6 недель плюс примерно 2–3 часа в неделю на практику. Практика делается на ваших рабочих задачах, так что это чаще не дополнительная нагрузка, а другой способ сделать то, что вы и так делаете.
Все занятия идут в записи, доступ 12 месяцев. Вопросы по пропущенному можно задать в чате потока — преподаватели отвечают между занятиями.
На YouTube вам покажут чужой готовый результат. Здесь вы за 1,5 часа собираете свой — на рабочих кейсах, с преподавателем, который видит, где вы застряли, и с проверкой, что результат не выдуман моделью. Разница не в информации, а в том, что после курса сценарий работает у вас.
Да. Выставляем счёт на юрлицо, готовим договор и закрывающие документы, место бронируем до оплаты. — вернёмся с индивидуальным предложением: счёт на юрлицо, договор и закрывающие документы. Или напишите на ask@mlinside.ru.
Да, до 18 месяцев — от 4 000 руб в месяц, полная стоимость 72 000 руб. Рассрочку выбираете при оплате на платформе GetCourse: она первой в списке способов оплаты. Если сомневаетесь, какой вариант подойдёт, — , менеджер поможет до оплаты.
По итогам курса выдаём сертификат MLinside с программой и списком преподавателей. Если нужен документ установленного образца для отдела обучения — напишите в заявке, обсудим отдельно.
Если после первого занятия поймёте, что это не ваше — вернём всю сумму. Условия возврата — в публичной оферте.
Подойдёт, если вы работаете рядом с продуктом и хотите говорить с ним на одном языке: формализовывать задачи, понимать, откуда берутся продуктовые метрики, и использовать AI не только для кода.