Большинство продактов уже пробовали использовать AI в работе. Одни получают точный результат. Другие — общие фразы. В чем разница и как прийти к первому сценарию?
Меня зовут Наташа, я менеджер продукта в Selectel. В этой статье поговорим о том, как продакту использовать AI в ежедневной работе. Мы обсудим, как формулировать промты, которые дадут ожидаемый результат, и как встроить AI в процессы, чтобы экономить время, а не тратить его на поиск адекватных вариантов среди всех получившихся.
Почему ИИ дает разные результаты? Дело в том, что модель не понимает задачу так, как понял бы человек. Она иначе воспринимает контекст и не знает всей предыстории запроса. Все зависит от промта — если он размытый, модель AI выдаст то, что в среднем похоже на ответ. Но средний — это ни о чем.
Это нормально и предсказуемо, если учитывать, как работает нейросеть: входные данные проходят через серию преобразований, где каждое следующее приближение уточняет контекст. Но никакой слой не компенсирует отсутствие структуры на входе.
Почему промт — это полезный инструмент для продакта
ИИ помогает справиться с рутиной: он умеет генерировать текст, предлагать идеи, структурировать информацию и даже помогать с анализом пользовательского фидбека. Но чтобы это работало стабильно, нужен навык, который раньше просто не требовался: уметь формулировать запрос так, чтобы модель выдавала полезный результат.
Я подразумеваю не умение «писать красиво» — здесь это не нужно. Я говорю о четкой постановке задачи — прямо как в хорошо составленной гипотезе: с контекстом, ограничениями и ожидаемым результатом. Промт становится еще одним рабочим артефактом. Его не видно в таск-трекере, но он влияет на результат так же, как техническое задание или feature brief.
На практике промтинг можно поставить в один ряд с другими базовыми навыками продакта: работой с аналитикой, приоритезацией, коммуникацией с командой. Это такой же инструмент, как SQL или Notion. Владение им дает ощутимые преимущества.
Как AI работает с инструкцией
AI-модель вроде GPT строит ответ на основе вероятностного предсказания: какой следующий токен — слово, символ, кусок слова — наиболее уместен в текущем контексте. Это предсказание основано на статистике из огромного массива обучающих данных. Поэтому точность результата напрямую зависит от того, насколько ясно вы задали входные условия.
Расскажу, что влияет на результат.
- Формат. Если не задан явно, модель выдает текст на свое усмотрение. Но стоит указать «В виде таблицы», «В Markdown» или «Структурируй по пунктам» — и результат станет читаемым и полезным.
- Роль. Это якорь, от которого модель начинает строить стиль ответа. Указание роли вроде «Ты Senior Product Manager» резко меняет поведение модели: она ориентируется на шаблоны, связанные с этой профессией. Это простой, но мощный способ задать стиль мышления.
- Цель. Модель не умеет угадывать, зачем вы просите тот или иной результат. Просьба «Напиши отчет, чтобы отправить CEO» или «Это для product review» помогает модели подобрать тон, длину и детализацию.
- Объем. Без уточнения модели склонны завершать текст раньше, чем нужно. Если нужен длинный, аргументированный ответ — просите его явно: «Ответ из 500 слов», «По одному абзацу на каждый пункт», «Детализируй каждую гипотезу».
- Инструкции по качеству. Удивительно, но модель реагирует на запрос «Постарайся быть особенно точным» или «Избегай шаблонов, пиши по сути». Это не магия — просто активация соответствующих шаблонов в модели.
Важно понимать: модель не улучшит ваш промт за вас. Она не догадается, что вы на самом деле хотели. Если задача сложная, ее нужно разбить. Если цель критична, ее нужно озвучить. И чем больше ясности на входе, тем меньше итераций на выходе.
Принципы хорошего промта
Промт — это инструкция. Хороший промт — это управляемая постановка задачи. Чем точнее вы описываете контекст, цель, ограничения и формат, тем выше вероятность получить результат, который можно использовать практически без доработок.
Для иллюстрации — задача: получить от модели отчет по результатам A/B теста новой фичи. А вот шаги, как правильно ее задать.
- Указываем роль
Роль задает поведение. Если сказать «Ты продуктовый аналитик с опытом работы в e-commerce», модель активирует шаблоны, связанные с реальной практикой в этой области. Это помогает ей не теоретизировать, а действовать по делу.
- Даем контекст
AI не понимает, в каком бизнес-кейсе вы находитесь. Если не объяснить, куда пойдет результат, модель начнет гадать. Контекст задает направление.
- Указываем значимость задачи
Если решение на основе отчета влечет за собой ресурсы, изменения или риски — об этом нужно сказать. Модель будет внимательнее и чаще уточнит детали, если почувствует, что ошибка может повлиять на бизнес-решение.
- Уточняем формат и визуализацию
AI умеет описывать графики и предлагать варианты визуализации. Если отчет предполагает графики — скажите, какие именно. Упомяните про проверку статистической значимости, сравнение групп, желательно — формат графиков (bar chart, таблица и другое).
- Указываем целевую аудиторию
Если отчет читают непогруженные участники команды — важно упростить язык, убрать внутренние термины, но не потерять суть. AI может адаптировать стиль, если это указать.
- Объясняем ожидаемый объем
Большинство моделей (например, GPT-4) по умолчанию формируют ответ на ~500–700 слов (~3 500–4 500 символов). Если нужно больше, лучше запрашивать ответ по разделам. Так модель не начнет обрезать ответ на середине и не «уплотнит» его, теряя качество.
- Указываем ограничения по достоверности
Если задача аналитическая, особенно важно сократить абстрактные примеры и ничем не подтвержденные гипотезы. Модель действительно воспринимает просьбы быть точной и снижает вероятность придуманных исследований в несколько раз, особенно в задачах, где важны факты и числа.
- Добавляем эталон
Если есть пример желаемого результата, можно его добавить. Добрая рекомендация: в эталоне не должно быть чувствительных данных. Публичные модели не хранят сессию, но теоретически все, что вы ввели, может быть использовано для дообучения. Поэтому шаблон — да, реальные цифры — нет.
Предлагаю рассмотреть примеры хороших и плохих промтов.
Типичные ошибки в промтах
И даже если вы учли все нюансы, результат все равно может разочаровать. Покажу кейсы, промт для которых кажется корректным, а на самом деле не содержит нескольких ключевых деталей, и объясню, почему это произошло.
- Слишком «человеческая» формулировка задачи
Что происходит
Промт написан так, как будто его читает коллега, который в курсе контекста. А модель не в курсе. И не спросит — просто «придумает» что-то, что, по ее мнению, подходит.
Почему это ошибка
Мозг «достраивает» пробелы в смысле — модель достраивает по шаблонам. Это разные механизмы. Без уточнений AI придумает задачу, которую удобно решать, а не ту, которую вы хотели решить.
Что делать
Не писать «по-человечески». Нужно готовить промт, похожий на задачу в документации: явно, без пропусков, с явными предпосылками.
- Переоценка «умности» модели
Что происходит
Запрос вроде «проанализируй и сделай вывод» звучит просто, но требует логической связности, понимания контекста, способности отделять главное от второстепенного. AI играет в эксперта, но делает это на основе вероятностей, а не логики. Поэтому все звучит умно, но по сути — мимо.
Почему это ошибка
Модель не знает, что для вас важно. Без указания критериев она будет строить ответ по «частотным» шаблонам — и результат получится бессмысленно аккуратным.
Что делать
Не оставлять модель «одной» на этапе вывода. Нужно уточнить, что сравниваем, по каким признакам, что считаем успехом, и на чем основан финальный вывод.
- Стремление получить все и сразу
Что происходит
Запрос на один длинный отчет со всеми блоками сразу. Модель не справляется с контекстом, сокращает, выкидывает детали или завершает ответ раньше времени.
Почему это ошибка
У моделей есть ограничения по длине вывода (примерно 500–700 слов в большинстве публичных конфигураций). К тому же, чем больше задача, тем больше вероятность, что модель начинает «сглаживать» смысл, чтобы уместить все.
Что делать
Работать по частям: структура → первый раздел → второй → вывод. Это надежно и масштабируемо.
- Работа с чувствительной информацией без ограничений
Что происходит
Копипаст из таблички с данными в промт. Без пояснений и контроля — особенно в публичных продуктах (GPT, Claude, Gemini).
Почему это ошибка
Даже если у модели заявлена защита, вы не можете быть уверены, как обрабатывается сессия. И даже если все защищено, создается риск на уровне процессов.
Что делать
Не передавайте реальные данные без необходимости. А если передаете, используйте локальные решения или корпоративные модели.
Недостаточная конкретика даже в «правильном» промте
Что происходит
Формально промт включает все нужное: роль, цель, формат, ограничения. Но ответ все равно не соответствует ожиданиям.
Почему это ошибка
Промт написан как список требований, а не как цельная постановка задачи. Модель «видит» элементы, но не улавливает связь между ними.
Что делать
Формулируйте промт как целостную рабочую задачу. Не просто блоками, а как короткий бриф.
Этот раздел — не о технических ошибках, а о паттернах мышления, которые мешают эффективно работать с AI. Чем раньше начинаете это отслеживать, тем быстрее AI превращается в полноценного помощника, а не повод для раздражения.
Сценарии использования AI в работе продакта
AI полезен там, где нужно быстро обработать информацию, сформулировать идею или подготовить черновик. Ниже — реальные задачи из продуктовой практики, где промтинг уже помогает, если все задать правильно.
Главные выводы
- AI не догадается, чего вы хотите — ему нужно сказать.
- Хороший промт = контекст, роль, цель, формат, ограничения.
- Не пишите как коллеге, пишите как для API.
- Модель помогает думать за вас, а не переписывать за вами.
AI — это не универсальный ответ, а инструмент. Он работает эффективно там, где задача понятна, типовая и регулярно повторяется. Промтинг, как навык, позволяет делегировать часть рутины: отчеты, черновики, структуры, первые итерации. Но это не значит, что все теперь нужно делать через модель.
Я использую AI в своей практике, когда это действительно экономит время. Если вы регулярно проводите customer interviews, запускаете A/B тесты, проверяете гипотезы или готовите одни и те же виды отчетов, вам не нужно каждый раз писать огромный промт с нуля. Контекст рутинной задачи не меняется — и его можно один раз задать, а потом использовать снова с минимальными правками. Это как шаблон в Notion или повторяемый Jira Epic.
Но если задача разовая, нетиповая, с кучей нюансов: усилия на промт окажутся больше, чем польза от результата. Особенно если результат все равно придется сильно дорабатывать. Тогда проще и быстрее сделать руками.
AI — это не интеллектуальный ассистент, а языковая система. Чем точнее мы ее направляем, тем меньше она философствует вместо дела. И, как с любым инструментом, ключевой вопрос не в том, можно ли, а имеет ли смысл.
Читайте также
Загляните в Академию Selectel — там мы много пишем о работе с нейросетями.