ИИ-продакт-менеджер: как запускать ИИ-функции, считать их экономику и качество
ИИ-продакт-менеджер отвечает за продукт или функцию, в основе которой работает модель машинного обучения или большая языковая модель. Он решает, какую задачу пользователя стоит отдать модели, формулирует гипотезу и метрику успеха, договаривается с командой о проверочном наборе и пороге качества, считает стоимость одного ответа и одного пользователя в месяц, планирует пилот и решает, расширять функцию или закрывать. Для этого нужны продуктовая база, понимание того, как ошибаются модели, умение читать результаты проверки и считать экономику.
Содержание

Отличие от обычной продуктовой работы видно на первой же встрече с командой. Кнопка «Сохранить» либо работает, либо нет, а модель отвечает правильно в какой-то доле случаев. Поэтому первый вопрос ИИ-продакта звучит не «какую модель взять», а «что случится, когда модель ошибётся в одном случае из десяти, и кто это заметит». От ответа зависят порог качества, интерфейс, проверка человеком и допустимая цена запроса.
Чем ИИ-продакт отличается от соседних ролей
В вакансиях роль называют AI Product Manager, менеджер ИИ-продуктов, продакт ИИ-ассистента. Продакт пишет требования, в которых рядом с пользовательскими сценариями стоят спецификация данных (какие есть примеры, кто их размечает, что считать правильным ответом) и критерии приёмки в цифрах. Он следит, чтобы качество измерялось одинаково до запуска и после, и защищает решение вроде «функцию не выпускаем: точность не дотягивает».
Границы с соседями проходят по ответственности. Продакт, который пользуется нейросетями для разбора интервью и черновиков PRD, работает с ИИ как с инструментом — об этом статья о нейросетях для продакт-менеджера. У ИИ-продакта модель находится внутри продукта, и за её ошибки отвечает он. Руководитель проектов в области ИИ отвечает за сроки, бюджет и вывод модели в эксплуатацию, продакт — за то, какую проблему решать и как измерять успех. Специалист по ИИ и LLM-инженер собирают решение; продакт не пишет этот код, но понимает, как каждая настройка влияет на качество и цену.
Какие задачи стоит решать ИИ-функцией
Новичок часто начинает с технологии: «есть доступ к языковой модели, давайте сделаем чат». Полезнее идти от задачи и проверить её по нескольким признакам. Ошибка должна быть дешёвой или заметной: неверную подсказку, которую пользователь сразу видит и исправляет, пережить проще, чем неверный ответ, незаметно ушедший клиенту. Правильный ответ должен записываться заранее, иначе качество не измерить. И нужен запасной путь на случай, когда модель не уверена или сервис недоступен.
По этим признакам хорошо подходят предзаполнение форм, классификация обращений, поиск по смыслу, черновики ответов, которые сотрудник правит перед отправкой. Плохо — решения с денежными или юридическими последствиями без проверки человеком и задачи, где эталонные ответы собрать нельзя.
Учебный пример: карточка объявления по описанию продавца
Ситуация вымышленная. Сервис объявлений о подержанной технике видит, что продавцы бросают форму на шаге характеристик и ошибаются с объёмом памяти и моделью. Продакт предлагает функцию: продавец пишет описание своими словами, модель предлагает категорию и характеристики, продавец подтверждает или исправляет.
Гипотеза записана проверяемо: с предзаполненной карточкой доля объявлений, опубликованных с первой попытки, вырастет, а жалоб покупателей на неверные характеристики не станет больше. Метрики выстроены деревом: наверху доля опубликованных объявлений, ниже — доля карточек, совпавших с эталоном, рядом защитные метрики: критические ошибки (неверный объём памяти меняет цену), отказы модели отвечать, стоимость на продавца.
Вместе с аналитиком и инженером продакт собирает проверочный набор, по-английски eval set, — 400 реальных описаний с карточками, проверенными модераторами. Набор прогоняют при каждой смене модели или инструкции. Пилот идёт на 10 % продавцов, остальные заполняют форму по-старому, и решение о расширении принимают по заранее записанным порогам, а не по впечатлению от демонстрации.
Метрики качества: что значит «доля правильных ответов»
Команда приносит результат: «новая инструкция даёт 84 % верных ответов против 80 %». Прежде чем выкатывать, стоит спросить, сколько вопросов в наборе.
Эван Миллер из Anthropic в статье «Adding Error Bars to Evals: A Statistical Approach to Language Model Evaluations» (arXiv 2411.00640, 2024) предлагает рассматривать проверочный набор как выборку из множества возможных вопросов и считать для доли верных ответов стандартную ошибку: для оценок «верно/неверно» это корень из p(1 − p)/n, а 95-процентный интервал — результат плюс-минус 1,96 стандартной ошибки. Для набора HumanEval из 164 задач стандартная ошибка в таблице статьи — 3,2 процентного пункта. Если подставить в формулу продуктовый набор из 100 вопросов с результатом 80 %, интервал составит около ±7,8 пункта: разница между 80 и 84 % неотличима от шума. При 400 вопросах он сужается примерно до ±3,9 пункта.
Из статьи следуют ещё два правила. Если вопросы связаны — скажем, по пять вопросов к одному документу, — ошибку считают с учётом этих групп: на одном из разобранных наборов она оказалась втрое больше наивной. А две версии сравнивают попарно, по каждому вопросу, а не сопоставляя итоговые проценты. Для продакта порядок меняется: сначала решить, какую разницу важно заметить, затем подобрать размер набора и только потом сравнивать версии.
Экономика: стоимость токенов на одного пользователя
Языковые модели тарифицируют по токенам — фрагментам, на которые модель режет текст. Платят за входящие токены (инструкция, данные, история диалога) и за исходящие. В правилах тарификации Yandex AI Studio в октябре 2026 года YandexGPT Pro 5.1 в синхронном режиме стоит 0,8 ₽ с НДС за 1000 токенов входа и столько же за выход, в асинхронном, когда ответ можно подождать, — 0,41 ₽. У Alice AI LLM Flash вход стоит 0,1 ₽, выход — 0,2 ₽. Там же сказано, что кеширование не гарантируется, поэтому закладывать скидку от кеша рискованно.
В примере с объявлениями допустим: инструкция со списком полей — 2500 токенов, описание — 200, ответ — 300. Это 3000 токенов, или 2,4 ₽ за вызов на YandexGPT Pro 5.1. Около шести вызовов в месяц на продавца, с учётом перегенераций, дают примерно 14 ₽. На Alice AI LLM Flash вызов обошёлся бы примерно в 0,33 ₽, и если дешёвая модель держит порог на проверочном наборе, её стоит проверить первой. Объёмы токенов здесь допущения: реальные даёт журнал запросов пилота.
В диалогах расходы растут быстрее. Модель не помнит разговор, и на каждом шаге ей заново отправляют всю историю. При инструкции на 1500 токенов, вопросе на 150 и ответе на 250 первый шаг стоит 1900 токенов, а диалог из десяти реплик — около 37 000, почти вдвое больше, чем десять первых шагов. Поэтому продакт ограничивает или сжимает историю, а фоновые задачи переносит в асинхронный режим. Итог сравнивают с выручкой на пользователя и со стоимостью процесса без модели.
Риски и регулирование
Риски ИИ-функции повторяются от проекта к проекту. Модель уверенно выдаёт неверный ответ. Поставщик обновляет модель, и качество меняется без единой строчки кода со стороны команды. Пользователи вводят телефоны и паспортные данные или пытаются заставить модель нарушить инструкцию. Помогают продуктовые решения: подтверждение человеком там, где ошибка дорогая, повторный прогон набора при каждом обновлении, мониторинг защитных метрик, понятное поведение при отказе.
Если в запрос попадают персональные данные, а модель работает на зарубежных серверах, возникает трансграничная передача по закону «О персональных данных», и её решают с юристами до запуска. Федеральный закон от 26.07.2026 № 243-ФЗ о поддержке технологий ИИ в основном касается разработчиков больших фундаментальных моделей, маркировки материалов и интеллектуальной собственности, но продакту, строящему функцию на такой модели, полезно знать его устройство.
Как работать с ML- и LLM-командой
Инженеры ждут от продакта не просьбы «сделайте умнее», а постановки: пользовательская задача, примеры правильных и неправильных ответов, спецификация данных, порог качества и защитные метрики, допустимая задержка, бюджет на запрос, сценарий отказа. Без этого команда оптимизирует то, что легко измерить.
Обещать к дате конкретную точность продакт не может, поэтому договаривается о коротких итерациях с понятным вопросом: «через две недели узнаем, держит ли дешёвая модель порог на нашем наборе». Полезно регулярно разбирать с командой 30–50 неверных ответов по причинам: нередко виновата не модель, а ошибка в эталоне, противоречивая инструкция или устаревший документ в контексте.
Что может не подойти
Руководство хочет дату запуска, а честный ответ звучит как «сначала проверим, достижимо ли качество». Часть идей придётся закрывать после пилота, и защитить отказ бывает труднее, чем выпустить функцию. Без понимания токенов, поиска по документам и статистики разговор с инженерами превращается в пересказ их слов. Тем, кому ближе пользователи и рынок, чем логи запросов, стоит присмотреться к классической продуктовой роли.
С чего начать и в каком порядке осваивать
Шаги выстроены так, чтобы сначала научиться измерять и только потом улучшать: если начать с подбора модели, будет непонятно, стало лучше или хуже. Каждый шаг опирается на результат предыдущего.
- Возьмите задачу с заранее известными ответами, например классификацию отзывов на открытом наборе, и разметьте 200–400 примеров.
- Прогоните набор через модель по API, посчитайте долю верных ответов и интервал.
- Измените инструкцию или модель и сравните версии попарно на тех же вопросах.
- Посчитайте стоимость тысячи запросов и стоимость на пользователя в месяц.
- Напишите одностраничный PRD: гипотеза, дерево метрик, пороги, сценарий отказа, план пилота.
Продуктовая база нужна заранее: исследования пользователей, A/B-тесты, юнит-экономика.
Обучение: какие программы есть и что в них проверять
Ближе всего к профессии онлайн-курс Нетологии «Менеджер ИИ-продуктов»: выбор сценариев ИИ, требования к внедрению ML, пилоты и экономика метрик. Слушатели готовят PRD, спецификацию данных, дерево метрик, калькулятор ROI и TCO, критерии приёмки, дизайн квази-A/B-теста и план мониторинга на четырёх кейсах — от сопоставления товаров в каталоге до ассистента техподдержки; можно взять свой. Объём — 54 часа теории и 196 часов практики. Срок указан по-разному: 7,5 месяца для новичков и 5,5 для опытных, а в данных курса — 9 месяцев, поэтому уточните его у школы.
Программа рассчитана на тех, кто приходит из аналитики, маркетинга, IT или управления проектами, и на действующих продактов. Дата-сайентистам, которым нужны алгоритмы, она не подойдёт: модели здесь не обучают.
Если продуктовая база есть и хочется руками собрать и оценить ИИ-функцию, посмотрите онлайн-курс Яндекс Практикума «Нейросети для работы с продуктом». За два месяца (20 часов теории, 60 практики) делают четыре проекта: MVP, анализ данных и воронки с расчётом экономики, агента для возвратов и оценку качества, рисков и стоимости ИИ-функции с защитой внедрения. Инструменты технические — GitHub, SQL, Python, LLM API, — так что без опыта разработки придётся быстро разбираться в Git и деплое.
Продакт, который сам прогонял проверочный набор и считал стоимость запроса, иначе читает отчёты инженеров.
Тем, кто внедряет ИИ в процессы компании, подходит онлайн-курс Karpov.Courses «ИИ-автоматизация: проектирование и запуск агентных систем»: 3,5 месяца, вебинары дважды в неделю, около 15 часов нагрузки в неделю. Работают на своих задачах: собирают ассистента по рабочим документам со ссылками на источник, затем доводят агентную систему до пилота с тестами качества, планом внедрения и презентацией для бизнеса. Выдают диплом о переподготовке ИТМО. Подписку на модель оплачивают отдельно, а методика оценки качества на странице не раскрыта — спросите о ней до оплаты.
Сколько зарабатывает ИИ-продакт-менеджер
Отдельной зарплатной статистики по менеджерам ИИ-продуктов в открытых источниках нет: роль входит в общую специализацию «менеджер продукта». Ориентир — калькулятор Хабр Карьеры: для менеджера продукта уровня Senior по России в октябре 2026 года он показывает 355 000 ₽ в месяц по 219 анкетам. Сервис считает медиану за скользящие шесть месяцев по зарплатам, которые указали сами специалисты, а не по вакансиям.
В октябре 2026 года в поиске Хабр Карьеры по запросу «AI product manager» была, например, вакансия продакт-менеджера ИИ-помощника уровня Senior в СберЗдоровье, но без зарплаты, как и большинство продуктовых вакансий выдачи. Поэтому смотрите медиану по уровню и региону и читайте обязанности: функция с проверочными наборами и расчётом стоимости и «внедрение чат-бота» — разные работы.
Откуда приходят в профессию и что показать работодателю
Чаще всего в ИИ-продукты переходят действующие продакт-менеджеры: в компании появляется ИИ-функция, и её отдают тому, кто ведёт соседнее направление. Другие пути — из продуктовой аналитики и Data Science или из предметной области, когда специалист поддержки, лучше всех знающий правильные ответы, становится владельцем ИИ-функции своего отдела. Сразу без продуктового опыта на эту роль попадают редко.
Работодателю показывают разбор одной функции: гипотеза, дерево метрик, размер проверочного набора, сравнение версий с интервалами, стоимость на пользователя, риски и решение по итогам пилота. Если в вашей компании пробуют языковые модели, предложите собрать для эксперимента проверочный набор и посчитать экономику — это и будет первый опыт в роли. Сравнить школы поможет рейтинг онлайн-школ по профессиям с ИИ; он шире темы, в нём есть и ИИ-креаторы, и промпт-инженеры, поэтому проверяйте, учат ли в программе считать качество и стоимость.