### Когда искусственный интеллект заменит вашего Product Manager? Спойлер: уже сегодня.

На днях листал Linkedin и наткнулся на интересную вакансию. **Donau Soja Organisation** ищет себе в команду Product Owner/Project Manager. И знаете, что я подумал? Классическая история. Отличная компания, важная миссия, но подход к управлению продуктом — прямиком из 2015 года. Давайте разберем, почему нанимать человека на эту роль — это как покупать лошадь, когда уже изобрели автомобиль.

**Кто такие Donau Soja?**
Если кратко, это некоммерческая организация из Вены, которая строит в Европе новую реальность — с устойчивым, не-ГМО белком (в основном соей). Они объединяют всех: от фермера с трактором до ритейлера с полкой в супермаркете. Их цель — сделать цепочки поставок еды более прозрачными, устойчивыми и надежными. Миссия, достойная уважения. Для этого у них есть некий IT-продукт, очевидно, платформа для отслеживания, сертификации и взаимодействия участников этой самой цепочки.

**Какую боль они пытаются закрыть?**
Давайте честно посмотрим на обязанности в вакансии. Компания ищет «человека-оркестра». Он должен:
* Собирать требования с бизнеса и рынка.
* Превращать их в понятные User Stories для разработчиков.
* Приоритизировать задачи по хитрой формуле «ценность/усилия/риск».
* **«Возглавлять и направлять внешних IT-вендоров»**. Вот он, ключевой момент. У них нет своей команды разработки, они работают с подрядчиком.
* Координировать тестирование, релизы, документировать всё и вся, проводить тренинги, отчитываться перед руководством.

По сути, Donau Soja ищет не просто менеджера, а **человеческий API** между своим бизнесом и внешней командой разработки. Это классическая боль не-IT компаний, у которых есть IT-продукт. Коммуникация с подрядчиком — это всегда потери при переводе, затянутые сроки, споры о бюджетах и взаимное недопонимание. И они хотят заткнуть эту дыру одним дорогим специалистом, который будет выполнять 80% рутинной, механической работы.

**А что, если вместо человека нанять систему?**
Представьте себе не одного сотрудника, а цифровую систему на базе ИИ, которую мы назовем «AI Product Hub». Эта система не болеет, не уходит в отпуск, не выгорает и работает 24/7. Она берет на себя всю операционную рутину, оставляя людям только стратегию и финальные решения. Звучит как фантастика? Давайте посмотрим, как это можно реализовать уже сегодня.

—

### Диалог в курилке двух IT-директоров

**Михаил:** Сергей, видел вакансию от Donau Soja? Опять ищут «универсального солдата», чтобы подрядчиков пинать.

**Сергей:** Ну а как иначе? Бизнес говорит на своем, технари — на своем. Нужен переводчик. Живой, с опытом. Чтобы мог и требования сформулировать, и вендору по рукам дать, если те ерунду предлагают.

**Михаил:** А зачем для этого целый человек? 80% его работы — это копипаста и пересказ. Смотри. «Собрать требования и написать user stories». Мы же можем скормить кастомному GPT все записи созвонов со стейкхолдерами (предварительно транскрибировав их через Whisper), переписку в почте и тикеты в поддержке. Он сам выделит ключевые запросы, сгруппирует их и напишет черновики User Stories с Acceptance Criteria. Человеку останется только проверить и утвердить.

**Сергей:** Допустим. А приоритизация? Тут же чуйка нужна, понимание рынка.

**Михаил:** Чуйка — это хорошо, но она не масштабируется. ИИ может быть объективнее. Он проанализирует, как часто упоминается та или иная фича в запросах, соотнесет ее со стратегическими целями компании (которые мы ему тоже «скормим») и рассчитает объективный скоринг по модели RICE. Никаких «мне кажется, это важнее». Только данные.

**Сергей:** Ладно, с этим убедил. Но самое сложное — работа с вендором. Контроль сроков, качества, документации. Нейронка что, будет им в Zoom звонить?

**Михаил:** Нет, она будет их системным ассистентом. Из утвержденной User Story ИИ генерирует формальное техническое задание для подрядчика. Когда вендор присылает техническую документацию, ИИ проверяет ее на полноту и соответствие шаблону. Он же может мониторить репозиторий и сигнализировать, если стиль кода или покрытие тестами падает ниже оговоренного уровня. Это холодный, беспристрастный контроль. А для рутины вроде «когда будет готово?» есть автоматизированные запросы статуса и парсинг ответов.

**Сергей:** Хм… А тестирование? UAT, регрессия? Это же люди должны всё прокликать.

**Михаил:** Уже давно не всегда. Есть AI-инструменты, которые по User Story сами генерируют тест-кейсы. Есть системы визуальной регрессии, которые находят малейшие изменения в верстке. ИИ может анализировать логи после релиза и автоматически создавать баг-репорты с максимально точным описанием проблемы. Человек нужен только для нетривиальных сценариев. Документацию и скрипты для обучающих видео ИИ напишет за 15 минут, а не за три дня. Отчеты для руководства? Соберет данные из Jira, Git и AWS и сверстает в красивый дашборд.

**Сергей:** Звучит красиво. Но люди этому не будут доверять. Как ты заставишь бизнес поверить, что машина поняла их правильно?

**Михаил:** А не надо заставлять. Начинаем с малого. Сначала ИИ работает как «второй пилот» для живого менеджера. Он не принимает решения, а предлагает варианты: «Вот 5 вариантов User Story, выбери лучший», «Я считаю, этот баг критический, потому что о нем написали 3 клиента категории А. Согласен?». Постепенно, когда команда видит, что 9 из 10 предложений ИИ адекватны и экономят время, доверие растет. Мы вводим принцип **Human-in-the-loop**: ИИ делает, человек верифицирует. Со временем верификация становится формальностью.

### Как проверить, что этот «AI Product Hub» работает?

Валидация — ключ ко всему. Здесь не нужно верить на слово, нужно считать.

1. **Качество артефактов:** Проводим слепое A/B тестирование. Даем разработчикам два описания задачи: одно написано человеком, другое — сгенерировано ИИ. Спрашиваем, какое из них понятнее и полнее. Результаты вас удивят.
2. **Скорость:** Замеряем ключевые метрики. Time-to-market для новой фичи, время на исправление бага, время на написание документации. Сравниваем «до» и «после» внедрения ИИ-ассистентов.
3. **Стоимость:** Считаем не только стоимость разработки у вендора, но и стоимость владения (TCO). Сколько часов внутренних экспертов мы тратим на постановку задач и приемку? ИИ сокращает это время в разы.
4. **Удовлетворенность:** Оцениваем удовлетворенность стейкхолдеров. Стали ли они получать нужные им функции быстрее? Уменьшилось ли количество ошибок в релизах?

Вместо того чтобы искать одного дорогого специалиста, который станет узким горлышком и точкой отказа, Donau Soja могла бы инвестировать в создание системы. Системы, которая автоматизирует рутину, делает процесс разработки прозрачным и управляемым, и позволяет их собственным экспертам по агробизнесу и устойчивому развитию сосредоточиться на самом главном — на видении продукта, а не на микроменеджменте подрядчиков.

Потому что в 2024 году конкурируют уже не люди, а системы управления. И те, кто раньше это поймет, получат решающее преимущество.

Вакансия отсюда: https://www.linkedin.com/jobs/view/4404076493/