От PRD к evals: что мы нашли в вакансиях AI-продактов из 100+ компаний

Как в обычном бизнесе устаканивается роль AI-native продакта — от Walmart и Disney до Citi, Spotify и Optum

Михаил Карпов · основатель ProductCamp, ex-CPO Skyeng, ex-VP Multimedia VK

Ещё недавно технически сильным продактом считался тот, кто мог нормально разговаривать с разработчиками и аналитиками. Теперь Expedia ждёт от Principal PM способности собирать рабочие прототипы через model API и простой код. Citi упоминает AI evaluation frameworks. Spotify пишет о переходе от проектирования экранов к оркестрации агентов.

Это отдельные экзотические роли — или уже устойчивый новый контур продуктовой работы?

Чтобы проверить это, мы проанализировали вакансии продуктовых менеджеров более чем в 100 компаниях из retail, travel, media, finance, healthcare и других индустрий. AI-лаборатории вроде OpenAI и Anthropic сознательно не включали: нас интересовало, как AI меняет продуктовую работу в обычном бизнесе.

Что именно мы исследовали

Под AI-native ролями в этой статье я понимаю не название должности, а продуктовые позиции, где работа с моделями, агентами, AI-качеством или AI-автоматизацией входит в основные обязанности, а не упоминается один раз в списке пожеланий.

Мы вручную разбирали описания ролей и фиксировали индустрию, основной AI-сценарий, seniority и повторяющиеся требования к навыкам и обязанностям продакта. Категории — наша рабочая классификация, а не официальный стандарт рынка.

Важно: это не репрезентативная перепись мирового рынка и не попытка доказать причинно-следственную связь между AI-навыками, зарплатой и карьерным ростом. Это качественно-количественный анализ выборки, цель которого — найти устойчивые паттерны. Это первая часть — во второй планируем изучить и сравнить с российскими вакансиями.

1. AI-native PM уже не профессия только из лабораторий

Когда говорят об AI Product Manager, легко представить роль в OpenAI, Anthropic или другой компании, где AI и есть основной продукт. Но в выборке видно другое: такие продакты нужны уже в широком спектре обычных бизнесов — там, где AI встраивается в конкретные процессы, а не продаётся сам по себе.

Общий паттерн: компании не создают фундаментальные модели. Они встраивают AI в поиск, закупки, рекомендации, поддержку, маркетинг, платежи, HR и клинические процессы. То есть роль уже вышла далеко за пределы frontier labs и AI-native компаний.

«We are also looking for product leaders who have experience leveraging modern AI tools and building AI-native applications and experiences, AI-assisted decisioning»

WALMART · SENIOR PM, FULFILLMENT

2. За словом AI скрываются не только чат-боты

Мы классифицировали вакансии по основному сценарию, для которого нанимали продакта. Самые частые категории — agentic workflows и персонализация. Вместе они составили почти половину корпуса.

Это заметно отличается от публичной дискуссии вокруг GenAI, где часто доминируют генерация текста и чат-интерфейсы. В вакансиях значительно чаще встречаются агенты, автоматизация, принятие решений и персонализация.

«You’ll help define what product management means in an AI-native age, where the work shifts from designing screens to orchestrating agents»

SPOTIFY · PRINCIPAL PM, AGENTIC SURFACES

«10+ years of product management experience, with at least 3 years on ML, search, recommendations, or AI-powered products at scale… evaluation challenges, latency constraints, or safety and guardrail work»

AIRBNB · PM, RELEVANCE AND PERSONALIZATION

3. Что добавилось к работе обычного продакта

Discovery, стратегия, roadmap, delivery и stakeholder management никуда не исчезли. Но поверх классической базы в вакансиях устойчиво повторяется новый контур из пяти элементов.

3.1. Builder mindset

Самостоятельное прототипирование с конкретными инструментами — уже не абстрактная «техническая эрудиция». В некоторых ролях от продакта прямо ждут способности подключить model API, использовать agent tooling и написать немного Python или TypeScript/JavaScript, чтобы создать или направить создание рабочего прототипа.

«Hands-on builder mindset, with the ability to use model APIs, agent tooling, and simple code in Python or TypeScript/JavaScript to create or guide working prototypes»

EXPEDIA · PRINCIPAL PM, PERSONAL AI AGENTS

«AI/Gen-AI Propensity: Demonstrated vision for utilizing AI tools (e.g., Cursor, Claude Code) to streamline internal product management and delivery processes»

DISNEY · MANAGER, PRODUCT MANAGEMENT

Это не означает, что PM превращается в production-инженера. Скорее меняется минимальная единица продуктового разговора: вместо документа, описывающего будущую систему, всё чаще можно принести работающую заготовку и обсуждать уже её поведение.

3.2. Evals и контроль качества

Обычному PM часто достаточно смотреть на conversion, retention и бизнес-метрики. Для AI-продукта этого мало: конверсия ничего не говорит о том, где именно система ошибается и почему.

«Strong understanding of LLMs, Generative AI technologies, prompt engineering, AI evaluation frameworks, retrieval-augmented generation (RAG)»

CITI · MARKETING PM — DIGITAL GROWTH & AI INNOVATION

«Exposure to agentic AI systems, LLM-based workflows, autonomous decision pipelines, prompt engineering, and AI evaluation/guardrail practices»

INSTACART · SENIOR PRODUCT MANAGER, AI

За формулировкой evaluation frameworks на практике стоит вполне продуктовая работа:

• сформулировать, что вообще значит «хороший ответ» для конкретной задачи — до того, как модель начала отвечать;

• собрать датасет реальных примеров и edge cases вместо трёх красивых демо-запросов;

• разделить ошибки по типам: галлюцинация, устаревшие данные, неверная интерпретация запроса, нарушение политики;

• построить offline eval, который прогоняется при каждом изменении промпта, модели или retrieval-логики;

• завести online-мониторинг, который ловит деградацию качества раньше, чем её массово заметят пользователи.

3.3. Единый язык метрик агентов

В разных компаниях независимо возникает похожий набор метрик — признак того, что формируется общий язык управления агентными продуктами. Продакт отвечает не только за пользовательскую воронку, но и за качество поведения агента, надёжность выполнения задачи, задержку и стоимость.

«Define and track metrics that measure agent performance, including quality, reliability, latency, and cost»

SPOTIFY · SENIOR PM, PERSONALIZATION — AGENT PLATFORM

Это меняет характер компромиссов. У обычного продукта есть scope, speed и quality. В AI-продукте к ним добавляются autonomy, latency и стоимость каждого запроса или выполненной задачи.

3.4. AI-гигиена как измеримый KPI

В отдельных вакансиях использование AI-инструментов уже зашито не как пожелание, а как измеримый показатель рабочей эффективности.

«Consistent Use: Maintain a minimum of 90% weekly usage of AI tools such as GitHub Copilot, Microsoft 365 Copilot, and other GenAI platforms approved by the enterprise»

OPTUM · LEAD AI TECHNICAL PM

Это пока не универсальный стандарт, но важный сигнал: AI-инструменты переходят из категории «удобно, если умеешь» в рабочую гигиену — как когда-то Excel, SQL или системы аналитики.

• компании начинают смотреть не только на факт использования, но и на частоту и глубину;

• на собеседовании всё легче проверить реальный рабочий процесс, а не знание терминов;

• системное применение AI становится частью личной производительности продакта.

3.5. Responsible AI и новые компромиссы

В регулируемых и чувствительных доменах к привычным scope / speed / quality добавляются риски автоматизации, объяснимость, human-in-the-loop, guardrails, latency, cost и допустимый уровень автономности.

«Deep expertise in AI-driven product innovation, AI ethics, and AI in the healthcare landscape»

TAILORMED · SENIOR PRODUCT MANAGER, AI

Здесь продуктовые решения напрямую определяют, где система может действовать сама, где обязана запросить подтверждение человека и что произойдёт при низкой уверенности или ошибке модели.

4. Кому пока доверяют такую работу

Большая часть рассмотренных вакансий относится к уровням Senior, Staff, Lead, Principal или VP. На Mid приходится меньшая часть корпуса.

Осторожная интерпретация здесь такая: компании пока чаще доверяют AI-native продукты людям с сильной классической продуктовой базой. Им одновременно приходится управлять неопределённостью модели, бизнес-риском, данными, стоимостью, качеством и пользовательским доверием.

Даже внутри одной компании требования могут заметно различаться. В соседней команде AI бывает лишь одним из возможных инструментов, а в основной роли — центральной частью продукта и ежедневной работы.

«Identify opportunities for emerging technologies, including AI and machine learning, to enhance product capabilities»

WALMART · STAFF PM, OFFER RANKING ENGINE — СОСЕДНЯЯ КОМАНДА

5. Матрица AI-навыков продакта

Классические компетенции — стратегия, discovery, roadmap, delivery и работа со стейкхолдерами — остаются обязательными. Разрыв между человеком, который просто «в теме» AI, и продактом, готовым вести сложный AI-продукт, возникает в новых измерениях: прототипирование, agent architecture, evals, data experimentation, responsible AI и cost/latency intuition.

Самый заметный разрыв — в работе с агентами, evals и responsible AI. Именно эти навыки чаще всего отличают человека, способного обсуждать AI, от человека, способного отвечать за поведение системы в проде.

Развёрнутая матрица: блоки и поднавыки

6. Что из этого исследования не следует

Чтобы не превращать наблюдения по выборке в слишком громкие прогнозы, отдельно перечислю выводы, которые наши данные не позволяют сделать.

• Не всем продактам срочно нужно переименовываться в AI Product Manager.

• Нельзя утверждать, что AI-навыки автоматически повышают зарплату или ускоряют карьерный рост.

• Пропорции из выборки не описывают весь мировой рынок вакансий.

• От продакта не требуется программировать на уровне production-инженера.

• Категории исследования — рабочая классификация, а не общепринятый стандарт профессии.

7. Выводы

Роль AI-native продакта перестаёт быть экспериментальной и постепенно устаканивается. По вакансиям уже видно, что компании из самых разных отраслей сходятся примерно в одном наборе дополнительных ожиданий к продуктовой роли.

• уметь быстро собирать и проверять прототипы, а не ограничиваться PRD;

• проектировать agent workflows и понимать границы автономности;

• строить evals, разбирать failure modes и мониторить качество в проде;

• говорить на языке quality, reliability, latency и cost;

• системно использовать AI в собственной работе;

• управлять responsible AI, human-in-the-loop и рисками автоматизации.

Главное изменение не в новом названии должности. Оно в том, что стало заметно понятнее, какие именно дополнительные навыки требуются человеку, который отвечает за AI-продукт в обычном бизнесе — от retail и travel до финансов и healthcare.

Об авторах и продолжении исследования

Исследование подготовлено Михаилом Карповым совместно с сообществом ProductCamp — крупнейшим русскоязычным продуктовым community с 15-летней историей. Через конференции и инициативы ProductCamp прошли тысячи продактов, а сами материалы строятся вокруг практики и опыта работающих команд.

Последние несколько лет занимаюсь AI-native продуктами и развиваю AI Product Club — практические программы по AI-инструментам, агентам и автоматизации для продуктовых команд. Здесь намеренно оставил только исследовательскую часть — без продающих ссылок и призывов.

Это первая часть исследования. В следующих планируем отдельно разобрать рынок РФ и СНГ и сравнить его с требованиями крупных международных технологических работодателей.

Буду особенно рад содержательной критике методологии: какие категории вы бы объединили, какие требования считаете переоценёнными и что уже видите в найме внутри своей компании?

Приложение: примеры ролей из корпуса

Ниже — сокращённая иллюстративная часть выборки. Повторы компаний сохранены: разные команды внутри одного работодателя нередко ищут продактов под принципиально разные AI-сценарии.