AI-агенты
для продактов

• Разберём, как устроено рабочее место агента на примере Claude Code / OpenCode: файлы, терминал, веб, контекст проекта, skills, хуки и MCP, работа с API внутренних сервисов без рисков утечки данных.
• На сквозном кейсе «бэклог → бизнес-требование и ТЗ на разработку» покажем, как агент сам собирает контекст из файлов и превращает его в рабочий документ, который достаточно только перечитать.
• Вместо «идеального промпта» опишем агенту процесс: что на входе, что на выходе, как понять, что документ готов, и что делать при сомнении.
• Покажем, как автоматически проверять результат и где добавлять жёсткие запреты.
• Через MCP подключим внешний сервис и покажем, как агент выходит за пределы папки и становится частью рабочего процесса.

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.

• Портрет клиента: как собирать и синтезировать интервью, отзывы, обращения, публичные материалы и внутренний контекст.
• ICP: как отделить наблюдаемые признаки хорошего клиента от общих формулировок и собрать проверяемые критерии сегмента.
• Конкурентный анализ: как агенту дать рамку сравнения, чтобы получить не перечень функций, а различия по аудитории, ценности, ограничениям и модели выхода на рынок.
• Синтез болей и jobs-to-be-done: как кластеризовать сигналы и не потерять противоречия и редкие, но важные паттерны.
• УТП: как из клиентского и конкурентного контекста собрать несколько версий позиционирования и проверить, на каких фактах каждая из них держится.

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.

• Сбор контекста: как быстро войти в новую тему, если информация размазана по Confluence, документации, старым исследованиям и внутренним базам.
• Техническое discovery: на кейсе багов в поиске пройдём путь от симптома к гипотезам причин и посмотрим, как ИИ помогает продакту глубже разобраться в технической проблеме.
• Аналитические эксперименты: разберём, почему опасно просить LLM «что-нибудь посчитать» без определения метрик, контекста и правил проверки.
• Для каждого сценария обозначим границы делегирования: где агент ускоряет исследование, а где легко создаёт убедительный, но неверный вывод.

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.

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.

• Дерево метрик. Агент предлагает черновик от бизнес-цели до драйверов, на которые вы можете влиять. Логику правите вы.
• Драйверы роста. Как по данным понять, какой показатель двигать первым.
• Unit-экономика. Агент считает в таблице или в коде, вы проверяете формулы и допущения.
• Финмодель. Сценарии запуска и масштабирования, которые пересчитываются, когда меняется допущение.
• Что делать с результатом: запускать, масштабировать или пересматривать идею.

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.

• Воронка онбординга. Сравним, как оба агента объясняют, на каком шаге и почему уходят пользователи, и какие действия предлагают.
• NPS-фидбэк. Посмотрим, как с контекстом меняются темы, на которые агент раскладывает комментарии, и как он связывает слова пользователей с их поведением и retention.
• Что нужно знать агенту-аналитику: определения событий и метрик, как устроен продукт, какие есть сегменты и ограничения, по каким критериям проверять результат.
• Как отличить полезный вывод от красивой истории, подогнанной под цифры задним числом.

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.

• Справка перед встречей. Чем занимается подразделение, за какие показатели отвечает собеседник, что у него сейчас горит.
• Персонализированные решения под каждого. CEO, CTO и CFO смотрят на продукт по-разному: каждому нужны свои цифры и своя глубина технических деталей.
• Письмо и презентация. Идём от брифа к структуре, текстам, вёрстке и финальной проверке.
• Репетиция. Агент собирает возражения и голосом играет скептика. Слабые аргументы всплывают ещё до встречи.
• После встречи агент вытаскивает из транскрипта договорённости и сроки.

Из профиля ЛПР и брифа соберём персональный дек, затем проведём живой спарринг с ИИ-стейкхолдером.

Повторяемый pipeline: ресёрч → письмо → дек → спарринг → питч → follow-up.