Подкаст make sense (Есть смысл)

«В какой-то момент можно принять решение не привлекать больше, а вовлекать лучше, сделать свою аудиторию более активной внутри продукта. В "красном океане" гораздо эффективнее работать со своей аудиторией и вовлекать ее в прдуктовые сценарии»

«Раньше устаревание знаний было 20–30 лет, сегодня — один год максимум, если не быстрее. Поэтому продукты начнут появляться и устаревать быстрее, и нужно искать новые направления, если хочешь, чтобы бизнес имел возможность куда-то расти.»

Ведущий:

Юра Агеев, основатель ProductSense

Гость: 

Руслан Арзуманов, руководитель продуктового направления Почта Mail, VK

Записи докладов ProductSense'26, кейсы и практики — в Академии ProductSense: https://academy.productsense.io/

Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast

О чем говорим:

00:00 — Введение

02:08 — Почта Mail в 28 лет: от рекорда Гиннесса до экосистемы VK

03:09 — Чем почта отличается от мессенджеров

04:44 — Сколько времени пользователь должен проводить в почте?

06:43 — Подходы к сегментации 50 млн пользователей

09:42 — Для чего на самом деле используют почту?

11:05 — Почта как инструмент малого бизнеса

14:06 — Как из скоринга сегментов родились три продуктовые ставки

17:31 — Когда продукт можно считать зрелым

19:02 — Что делать со зрелым продуктом, когда пользователь уже в нем давно

20:01 — За что пользователи почты готовы платить

22:17 — Как перестоить и деверсифицировать выручку 

24:01 — От единого тарифа к подпискам для семей, фотографов и работы

27:17 — Какие пользователи самые активные?

30:17 — Почта как цифровой архив: письма и файлы за почти 30 лет

32:46 — Как выделить важное во входящих: виджеты билетов, броней и напоминаний

36:50 — Будут ли агенты за нас читать письма?

39:32 — Риск MCP-зации: почта как транспорт для ИИ-агентов и чужих сервисов

41:39 — Какие продуктовые ставки сработали, а какие нет

45:12 — Можно ли за выходные написать свою почту без рекламы?

46:59 — Как управлять портфелем ставок, когда у продукта десятки миллионов пользователей

Словарик:

— MAU и DAU — число уникальных активных пользователей за месяц и за день

— Retention — удержание: какая доля пользователей возвращается в продукт

— MCP — открытый стандарт, через который ИИ-модели и агенты подключаются к внешним сервисам и данным

«У аудитории уже есть устойчивые ожидания от видеопродукта, они знакомы с разными платформами и сравнивают свой опыт. Поэтому важно постоянно учитывать эти ожидания и проверять, насколько сервис им соответствует.»

«Эксперимент — это инструмент оценки и валидации того, что мы сделали. Не бывает такого, что мы начинаем с экспериментов и думаем: давайте поэкспериментируем сейчас, а потом решим. Это неправильный подход.»

Ведущий:

Юра Агеев, основатель ProductSense

Гость: 

Вадим Дорохов, руководитель направления «Опыт зрителя» VK Видео

Записи докладов ProductSense'26, кейсы и практики — в Академии ProductSense: https://academy.productsense.io/

Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast

О чем говорим:

00:00 — Введение

03:22 — Почему видео выделили в отдельный продукт

06:43 — Почему платформа не выбирает между длинными видео и клипами

10:25 — Как принимать решение, когда одна метрика съедает другую

14:42 — Есть ли конфликт целей, когда зрители уходят из одного продукта в другой 

16:42 — Отличают ли зрители VK Видео от раздела видео  во ВКонтакте?

18:37 — Детский контент как пример смены восприятия продукта

20:16 — Привычки зрителей и связь между ожиданиями и продуктом

21:54 — Продуктовая работа по этапам пути зрителя

23:22 — Плеер вместо гифки на витрине поднял общее время просмотра

25:00 — Единый выбор следующего видео в соцсети и в приложении

26:16 — Почему после ролика к новости не нужно рекомендовать следующее видео

29:12 — Ошибка в аналитике, которая спрятала настоящий результат теста

30:43 — Как понять интересы нового зрителя

32:59 — «Своя» лента из 70% интересов, 20% смежного и 10% нового

34:52 — Один телевизор на семью и раздельные рекомендации для детей и взрослых

36:48 — Четыре этапа продуктовой работы: проблема, макеты, демо и итоги теста

40:50 — Эксперимент проверяет решение, а не заменяет стратегию

42:25 — Решения на развилках, где данных ещё нет

46:51 — Почему на собеседованиях системность важнее знания метрик

50:36 — Пространство решений и умение сказать, что мы не делаем

«Это проблема LLM: имея возможность искать в интернете, вытаскивать из весов нужные токены, они могут цитировать заблуждение. Когда ты занимаешься чем-то 8, 9, 10 лет, ты знаешь, что это заблуждение. Но оно настолько широко распространённое, что выглядит как правда.»

Ведущий:

Степан Поздняков, продюсер ProductSense

Гость: 

Юра Агеев, основатель ProductSense

Записи докладов ProductSense'26, кейсы и практики — в Академии ProductSense: https://academy.productsense.io/

Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast

О чем говорим:

00:00 — Введение

01:25 — Даже подводку в два предложения LLM не может написать человеческим языком

04:46 — Как распознать слоп: стилистический и смысловой

06:19 — Почему нейрослоп неизбежен?

10:14 — Через призму каких характеристик мы смотрим на текст? 

12:31 — Чем экспертность отличается от содержательности

14:02 — Почему модели тиражируют распространённые заблуждения

15:45 — Рубленые фразы и почерк двух моделей в одном тексте

18:05 — Команда «Пиши как Пушкин» решает 80% задачи стиля

19:57 — Стилизация ответов модели под себя

22:28 — В какой момент нужны редполитика и скиллы?

24:19 — Пайплайны проверок разными моделями

26:42 — Экспертность через гипотезы и попытки их опровергнуть

28:52 — Почему смысл важнее экспертности

31:46 — Инженерный подход: декомпозиция текста на шаги для Claude

33:35 — Почему LLM хорошо пишут код и причем тут код-ревью

36:04 — Как применить инженерный подход к смыслу текста

38:21 — Проверка смысла второй моделью в режиме «душнилы»

41:04 — Процесс целиком: экспертность, смысл, стиль

Словарик:

— LLM (Large Language Model) — большая языковая модель: ChatGPT, Claude и другие

— Нейрослоп — шаблонный текст нейросети, который выглядит убедительно, но почти не несёт смысла

— Пайплайн — последовательность заданных этапов обработки и проверки, через которую проходит текст или задача

«Проблема качественного анализа в том, что, чтобы проверить его от и до за моделью, тебе придётся повторить этот анализ. Весь этот выигрыш скорости сводит на нет то, что она может где-то лажать.»

«По сути, никаких джобов, персон, мотиваций и потребностей не существует — мы не можем их наблюдать в реальности, просто их измерить. Мы вводим эти понятия только для того, чтобы объяснить реальность.»

«Исследование — это действительно образ мышления. Если взять смежную сферу UX-дизайна: знание определённых тёмных паттернов, законов, правил композиции — оно не делает тебя дизайнером.»

Ведущий:

Юра Агеев, основатель ProductSense

Гость: 

Константин Ефимов, соавтор книги "Качественные исследования в бизнесе”, управляющий партнер в X-Patterns.pro

Телеграм-канал PostPostResearch: https://t.me/postpostresearch 

Конференция ProductSense пройдёт 10—11 сентября 2026 года в Москве. Сайт конференции: https://productsense.io

Epic Growth Conf'26 на ProductSense: https://egconf.io/

Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast

О чем говорим:

00:00 — Введение

02:38 — Как евангелисты кастдева ворвались в мир исследователей

04:10 — Три волны исследовательских сообществ

07:22 — Иллюзия быстрого успеха: что на самом деле продавали книги про кастдев

12:44 — Глубинное интервью против 15-минутного кастдева

13:56 — Исследование как образ мышления, а не протокол

16:59 — Подход Cynefin: три домена сложности задач

17:57 — Кластеризация в личных проектах как задача третьего домена

20:38 — «Метод параноика»: протоколы, седина, мозги

21:57 — Как демократизация стёрла третий, самый сложный уровень исследований

24:33 — Кейс телекома про «проклятие трубы»

28:02 — Desk Research и Deep Research до разговоров с людьми

30:14 — Почему ИИ додумывает то, чего нет в обучающих данных

34:39 — Водка на мумиё: то, что не расскажет модель

36:19 — Нет-тест и подхалимность моделей на синтетическом респонденте

39:00 — Почему джобов и персон не существует

42:45 — Как выбор языка меняет глубину ответа

47:07 — Жадность вне фреймворка JTBD: почему драйверы и барьеры проще

48:12 — Как ИИ ускорил протокольные задачи

51:33 — Почему анализ ИИ всё равно нужно перепроверять от и до

53:00 — Советы продактам: как развивать исследовательское мышление

Словарик терминов:

— JTBD (Jobs to be Done) — методология «работ», которые пользователь нанимает продукт выполнить

— Cynefin — подход для классификации задач по уровню сложности

— MVP — минимально жизнеспособный продукт

— Deep Research — режим ИИ для автономного глубокого поиска и анализа информации

— Desk Research — кабинетное исследование по открытым источникам

«Универсального агента, который решает любую задачу целиком, не может создать просто IT-компания. Экспертиза нужна нишевая, и она должна быть продумана людьми, которые делают эту работу каждый день. Без этого массового внедрения ролевых агентов в компаниях не случится.»

Ведущий:

Юра Агеев, основатель ProductSense

Гость: 

Оксана Гапонова, заместитель Генерального директора Яндекс 360

Конференция ProductSense пройдёт 10—11 сентября 2026 года в Москве. Сайт конференции: https://productsense.io

Epic Growth Conf'26 на ProductSense: https://egconf.io/

Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast

О чем говорим:

00:00 — Введение

01:37 — От эйфории вайб-кодинга к умеренному оптимизму

03:46 — Магии не существует: ИИ ускоряет, но не решает всё сам

06:17 — Почему стратегия выжидания не результативна?

09:38 — Причины внедрения ИИ: конкуренты, клиенты, визионерство

10:54 — Может ли вайб-кодинг убить SaaS-сервисы?

16:57 — Универсальные агенты невозможны без нишевой экспертизы создателей

22:10 — Где реальная экономия для бизнеса от использования ИИ?

25:23 — Вечно актуальный вопрос: как должны выглядеть продуктовые команды?

30:37 — Сколько реально ИИ экономит времени лично Оксане

33:57 — Экономика внедрения: как считать эффект от дорогих инструментов

38:47 — ИИ — это новый инструмент, а не революция

42:34 — Кто отвечает, если ИИ ошибся

46:39 — Утечка данных через открытые модели и галлюцинации ИИ

51:13 — Определение стабильного результата субъективно

56:08 — Почему на рынке пока нет ИИ-интеграторов

1:02:40 — Так ли важно понимать глубину процесса?

1:05:19 — План внедрения ИИ в компании

Словарик:

- SaaS — программное обеспечение, предоставляемое по подписке как услуга (Software as a Service)

- CSAT — индекс удовлетворённости клиентов (Customer Satisfaction Score)

- вайб-кодинг — написание кода с помощью ИИ через команды на естественном языке, без глубокого владения кодом

«Добавить ещё одного исполнителя очень легко — открыть ещё одну сессию, запустить ещё одного агента. Технически это почти ничего не стоит. А вот добавить человеку ещё одно внимание, ещё одну память и ещё одну голову мы пока не умеем.»

«Человек может за день инициировать в несколько раз больше работы, чем раньше, но его способность осмыслить эту работу не выросла в несколько раз.»

Ведущий:

Юра Агеев, основатель ProductSense

Epic Growth Conf'26 на ProductSense: https://egconf.io/

Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast

О чем говорим:

00:00 — Введение

01:48 — С агентами человек ставит задачу и уходит, а не работает рядом

04:20 — Новички проверяют каждый шаг, опытные дают свободу

05:56 — Добавить агента легко, добавить человеку внимание и память — нет

08:19 — Важен поток решений на проверку, а не число агентов

10:02 — Хорошее делегирование — про границы, контроль и критерии приёмки

12:11 — Экспертиза пользователя определяет длину сессии и долю подтверждённого успеха

13:33 — Асимметрия: можно инициировать в разы больше работы, но не осмыслить её больше

14:35 — Желание управлять не гарантирует умения

17:03 — Зачем вообще появилась управленческая иерархия? 

22:08 — Формальная и реальная власть

23:18 — Автономия работает только вместе с обратной связью

25:09 — Решения за других людей психологически дороже, чем решения за себя

27:03 — Чем сильнее агент, тем слабее личное чувство ответственности человека

29:22 — У агента нет человеческой стороны управления

31:09 — Профессиональный менеджер смещается к проектированию системы решений

35:23 — Управление агентами мы тоже постепенно передаём агентам

«Компании годами получают обратную связь и великолепно умеют её игнорировать»

«Сама по себе модель — это не преимущество. Завтра такая же модель может появиться у ваших конкурентов»

Ведущий:

Юра Агеев, основатель ProductSense

Конференция ProductSense пройдёт 10—11 сентября 2026 года в Москве. Сайт конференции: https://productsense.io

Epic Growth Conf'26 на ProductSense: https://egconf.io/

Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast

О чем говорим:

00:00 — Введение

01:12 — Конкурентный рынок компьютерных томографов

06:47 — Как готовая сеть продаж и обслуживания стала преимуществом компании

08:26 — Дистрибуция решает: действительно ли технологии вторичны?

09:48 — Карлотта Перес о технологических революциях

12:16 — Проекция истории на сегодняшний рынок ИИ

14:55 — Почему ответ «Данные — наше преимущество» слишком грубый?

17:56 — Кейс ByteDance: усиливающийся цикл между продуктами

21:04 — Сервисная сеть как канал обратной связи с рынком

25:06 — Распространение технологий за пределами их создателей

27:21 — Опасность путать редкую способность с системой преимуществ

28:27 — Главный вопрос: успевает ли компания создать новую уникальность быстрее её обесценивания

32:17 — Контакт с реальностью — не гарантия: компании умеют игнорировать сигналы

34:59 — Как должен звучать главный вопрос продуктовой компании сегодня

«К концу 2025 года 97% опрошенных менеджеров продуктов уже использовали ИИ в работе, но 77% не видели изменений в продуктовых метриках. Встроить ИИ в процессы с конкретными целевыми показателями успели только около 10% участников».

«Можно научить каждого станочника быстрее управлять новым двигателем, но это не изменит расположение фабрики».

«Настоящий перелом произошёл по мере распространения небольших электродвигателей, которые можно было устанавливать непосредственно на отдельные станки — этот принцип назывался unit drive, индивидуальный привод. Вместо одного большого двигателя стало много маленьких, но последствия оказались организационными».

Ведущий:

Юра Агеев, основатель ProductSense

Конференция ProductSense пройдёт 10—11 сентября 2026 года в Москве. Сайт конференции: https://productsense.io

Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast

О чем говорим:

00:00 — Введение

01:18 — Выводы про ИИ из исследования ProductSense 2025

05:27 — Производительность сотрудника — не то же самое, что производительность системы

08:24 — Аналогия с электрификацией фабрик: один вал на всю фабрику

09:38 — Первый этап электрификации — новый двигатель просто вращал старые валы

10:27 — Эффект электрификации проявился только спустя десятилетия

13:31 — Компании сейчас делают с ИИ то же самое, что фабрики делали с электромотором

15:58 — 77% сложностей успешных внедрений ИИ — не в модели, а в процессах

18:34 — Два способа контроля ИИ: подтверждение каждого результата и обработка исключений

22:12 — Единица улучшения: задача сотрудника и рабочий поток компании

24:34 — Ускорение кода не сокращает цикл, если ревью и тестирование не успевают

28:22 — «Супергерой» с личной ИИ-системой — актив человека, а не организации

30:00 — Стандартизировать нужно не каждый шаг мышления, а точки перехода в общую систему

31:04 — Итог: Вопрос не в скорости двигателя, а в архитектуре фабрики

Словарик:

- Unit drive — индивидуальный электропривод на каждый станок вместо одного общего вала на всю фабрику

«Самый опасный не тот аналитик, который ничего не понимает, — его ошибки обычно заметны. Гораздо опаснее система, которая достаточно хорошо понимает задачу, данные и самого пользователя, чтобы построить интеллектуально сильный путь именно к тому выводу, который человек хотел получить».

Ведущие:

Юра Агеев, основатель ProductSense

О чем говорим:

00:00 — Введение

01:12 — Знакомьтесь, модель-подхалим

02:42 — Почему проверка не поймала проблему: ставка на краткосрочные пользовательские сигналы

03:21 — Продуктовый парадокс: пользователю нравится, когда его понимают и не спорят с ним

04:01 — Приятный ответ и полезный ответ — не одно и то же, когда ИИ работает как аналитик

04:56 — Эксперимент 2026: слияния больниц, 14 моделей, 2160 анализов

07:33 — «Аналитическое подхалимство, обусловленное целью»: сильные модели видят больше методологических развилок — и потому уязвимее

09:30 — Кейс B2B: как формулировка руководителя незаметно определяет вывод модели

11:04 — ЛЛМ удешевляют не только решение, но и его «интеллектуальную защиту»

13:56 — Какие формулировки провоцируют согласие модели: утверждение против открытого вопроса

16:09 — Контраргумент: ИИ прогнозирует успех Kickstarter-проектов лучше людей

17:45 — Два режима одной технологии: независимый анализ vs часть мотивированного рассуждения

18:01 — Strategy Science: ИИ не повысил точность стратегического прогноза, но добавил перегрузку

19:56 — Три работы ИИ в решении: исследовать, защищать, разрушать — и их опасное смешение в одном чате

22:05 — Как разделить роли: независимый анализ в отдельном контексте, без предпочтений руководителя

24:31 — Сильное основание допускает собственное опровержение

25:01 — Исследование Science: соглашательство при конфликтах вредит отношениям, но нравится больше

27:07 — Защита должна быть встроена в процесс, а не в совет «будь критичнее»

29:46 — Голосование нескольких моделей не гарантирует независимости

32:20 — Главный риск: ИИ делает уже принятое решение похожим на независимый анализ

«Одни и те же модели будут доступны огромному количеству компаний и специалистов. Дефицитом станет среда, в которой люди продолжают приобретать опыт, необходимый для управления этими моделями»

Ведущие:

Юра Агеев, основатель ProductSense

О чем говорим:

00:00 — Введение

01:10 — Итог прошлого выпуска: ИИ снижает цену действия, но не цену решения

01:40 — Новое следствие: опытный специалист вытесняет начинающего из работы

02:10 — Кейс Мэтта Бина: как роботизированная хирургия изменила обучение хирургов

05:04 — Важный вывод: дело не в качестве операций, а в распределении работы

05:55 — «Теневое обучение»: как резиденты сами добывали практику в обход системы

07:49 — Два результата любой работы: сам результат и обученный человек

08:54 — Пример продакт-менеджера: какие задачи раньше доставались джуниорам

10:24 — Что теряется, когда модель делает эту работу за человека

11:28 — Исследование 2024 года: младшие консультанты и генеративный ИИ

13:28 — Почему нужно различать выполнение задачи и формирование навыка

14:03 — Эксперимент: программисты изучают новую библиотеку с ИИ и без

15:03 — Разница между помощью, убирающей сложность, и помощью, которая учит с ней работать

18:39 — Замкнутый круг: меньше практики — медленнее растёт способность оценивать ИИ

19:10 — Модель экономиста Энрике Иде о передаче неявного знания между поколениями

19:51 — Дилемма руководителя: джуниор или опытный сотрудник для задачи с ИИ

20:35 — Почему правка кода джуниора и модели — не одно и то же

21:49 — Контрпример: как PackBot изменил обучение сапёров

23:49 — Главный вопрос: кому достаётся управление при внедрении ИИ

26:03 — Почему запрет на ИИ для новичков — плохое решение

29:14 — Три вещи, которые должна сохранять система обучения с ИИ

32:11 — Суждение — результат переработанного опыта, а не врождённая способность