Advertise on podcast: Подкаст make sense (Есть смысл)

«Содержательность — это когда текст несёт какой-то смысл. Для меня это значит, что, прочитав этот текст, можно ответить на вопрос: а зачем этот текст вообще существует? Чем его существование поможет тому, кто его читает?» «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

«Ключевым образом я увидела, что магии не существует. Тот уровень развития инструментов, который нам доступен, способен решать задачи быстрее. Но чтобы это дало долгосрочный эффект, нужно не просто внедрять ИИ, а перестраивать весь процесс целиком.» «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

«Хорошо выполнять задачу самому, хорошо получать результат через другого человека и хотеть управлять — это три разные вещи, которые могут совпасть в одном человеке, а могут и не совпасть.» «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

«Архив можно купить, лицензировать, украсть или приблизительно воспроизвести. А вот поток настоящего пользовательского поведения создаётся заново каждый день» «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

«Сказать руководителям „относитесь к советам критически" примерно так же полезно, как сказать людям „не поддавайтесь когнитивным искажениям"». «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

«У процесса всегда было два результата. Первый — сама выполненная работа. Второй — человек, который стал чуть лучше способен выполнять эту работу самостоятельно» «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

«Прототип может ускориться в 10 раз, а весь путь продукта — только на 10%. Эта цифра не обесценивает ускорение, а помогает понять, где именно оно произошло.» «LLM способны ускорить не только хороший, но и плохой продуктовый процесс: плохая команда быстрее превратит своё предположение в красивый прототип и убедит себя, что проблема доказана.» Ведущие: 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 чём говорим: 00:00 — Введение 00:26 — О чём выпуск: соло про удешевление первой версии 01:26 — Раньше первая версия была дорогой: цепочка передач контекста 03:26 — Бум LLM в менеджменте продукта и вопрос «где кейсы?» 04:27 — Кейс Selectel: кликабельный прототип за 20–25 минут 05:01 — Три концепции редизайна за час; стоимость производства влияет на выбор 06:56 — Кейс EXANTE: требования и HTML-прототип до подключения дизайнера 07:53 — Продакт сам доходит до кода и открывает Merge Request 08:46 — Сокращение цикла фичи с 1,5–2 месяцев до 3–4 недель — и осторожность к цифре 09:59 — Самая важная цифра появляется не там, где ускорение максимально 10:11 — Кейс Content AI: прототип в 5–10 раз быстрее, конвейер — на 10% 11:19 — «Производительность» — что скрывается за словом 12:26 — Нагрузка перемещается дальше по процессу 12:53 — Пример: 3 прототипа превращаются в 30, а пропускная способность прежняя 13:26 — Парадокс: каждый быстрее, а полный цикл не сокращается 15:11 — Главный сдвиг: дефицит переезжает из производства в выбор 16:01 — Побочный эффект: убедительный прототип принимают за доказательство 17:30 — LLM ускоряет и хороший, и плохой продуктовый процесс 18:00 — Чем дешевле генерация, тем важнее профессиональное суждение 18:30 — Кейс Just.ai: мониторинг упоминаний, где эффект легко посчитать 19:51 — Ближе к Discovery и стратегии измерять эффект всё сложнее 20:52 — Как меняется ценность продактов, дизайнеров, разработчиков, тестировщиков 22:48 — Организационный риск: больше работы у тех, кто отвечает за качество 24:42 — Три объяснения разрыва между «в 10 раз» и «на 10%» 26:34 — Лучший результат — вовремя не выпустить фичу 27:37 — Кейсы дают механизм, но не распространённость 30:16 — Ежегодное исследование и его прошлогодний вывод 30:45 — Тема и три трека ProductSense 2026 Кейсы по теме: Selectel — «Как создавать интерактивные прототипы интерфейсов с помощью ИИ» https://clck.ru/3UoZAD EXANTE — «Как продакт-оунер использует ИИ на всём пути от идеи до релиза» https://clck.ru/3UoZAE Content AI — «Как ИИ меняет разработку: прототипы быстрее в 5–10 раз, весь конвейер — примерно на 10%» https://clck.ru/3UoZAF Just AI — «Как мы автоматизировали мониторинг упоминаний продукта с помощью ИИ-агента» https://clck.ru/3UoZAH

«Модель не становится агентом просто потому, что мы её так назвали. Она может хорошо рассуждать, писать сильные тексты, код, планы. Но пока вокруг неё нет рабочего контура — это всё ещё не агент.» «Одна и та же модель в плохой обвязке будет выглядеть как болтливый стажёр: много текста, много уверенности и мало ответственности за результат.» Ведущие: 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 чём говорим: 00:00 — Введение 01:20 — Слово «агент» размылось: каждый понимает своё 02:30 — Три разные вещи: модель, инструмент и рабочая система 04:16 — Субъектность: почему модель кажется агентом, хотя ещё не он 05:04 — Цикл работы: что на самом деле делает агента агентом 06:38 — Главная граница: кто решает, что делать дальше 07:40 — Автономный агент — это рамка работы, а не команда на каждый шаг 08:48 — Разработка: это уже агент или всё ещё дополнительные руки? 09:36 — Два вопроса: автономность внутри задачи и над задачами 10:43 — Почему в коде выходит агент, а в маркетинге — руки: роль тестов 12:00 — Harness/обвязка: то, что превращает токены в работу 14:09 — Рабочее место агента: аналогия рабочего стола 16:34 — Почему у разработки почти идеальная среда для агентов 19:50 — Одна модель в плохой и в хорошей обвязке 20:20 — Что значит «запустить агента» 22:26 — Семь блоков обвязки: участок ответственности и источники 25:02 — Границы полномочий, хуки, память и проверка качества 26:38 — Журнал решений: зачем видеть, что агент решил и почему 27:37 — Пять уровней автономности 29:24 — Проблема не в модели, а в наших нечётких правилах 29:49 — Проектировать работу агента — это хороший менеджмент 32:40 — Главный вывод: следующая компетенция — проектировать обвязку

То, что мы называем задачей, часто есть название артефакта, и это совсем не равно задаче. Лендинг — это форма результата, стратегия — жанр документа. Задача появляется только тогда, когда понятно, какую работу этот артефакт должен выполнить.» «Плохой результат легко отбросить, а вот средний нас затягивает. И как раз в этом и заключается опасность.» «Агент часто просто возвращает нам нашу же воду, наше непонимание, но аккуратно отформатированное. И это неприятно, потому что ответственность становится видимой.» 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 чём говорим: 00:00 — Введение 00:33 — Почему «собрать лендинг» ещё не значит поставить задачу 01:18 — История: пришёл к агенту с полным контекстом 02:29 — «Маленькое чудо»: лендинг за минуты вместо недель 02:56 — Страница выглядит убедительно, но собрана из чужих страниц 03:56 — Средний результат злит сильнее плохого 04:50 — Рефлекс «дай больше контекста» не сработал 05:40 — Инсайт за кофе: чиню не то, задачи ещё нет 06:21 — Какую работу страница должна сделать для человека 07:45 — Название артефакта — ещё не задача 08:53 — Агенты как честное зеркало: проблема видна быстрее 09:41 — Сильный редактор и продакт дособирают задачу за постановщиком 10:54 — Почему агент не переспрашивает, а достраивает среднее 11:28 — Исследование «What prompts don't say»: угадывает ~40% 13:45 — Пересборка задачи: в какой ситуации человек 14:57 — Дизайн-система: выдать ≠ объяснить, как ей пользоваться 16:37 — Разметка фотографий отдельным агентом 17:44 — Паттерны лендингов, структура наконец проявляется 18:56 — Промпт сократился до одной строки 19:52 — Главный вывод: момент, когда отдаём задачу в исполнение 21:36 — Эксперт vs новичок: паттерн до исполнения 22:21 — Мульти-агенты и декомпозиция на независимые куски 23:35 — Intelligence vs judgment: задачи суждения не режутся 24:06 — Дрейф цели на длинной дистанции 25:12 — Формула: «помоги оформить задачу», а не «сделай» 25:32 — Агент как неприятный собеседник, ищущий дыры 26:26 — Скорость агента работает против сырой задачи 28:42 — Итог: собирать задачу, а не прятать её

«Компетентность — это не просто объём знаний, это способность видеть ситуацию иначе: замечать несостыковки, видеть фальшь, узнавать паттерны, быстро понимать, где ответ нормальный, а где в нём что-то не так.» «Доверие — это механизм снижения социальной сложности. Без доверия невозможно жить, потому что альтернатива — это проверка всего, а на это физически не хватит времени.» «В следующий раз, когда модель даст вам убедительный, правдоподобный ответ, остановитесь и спросите себя: это точно проверенный ответ или очередное случайное число 17?» 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 03:00 — Почему все модели отвечают «17»?   05:00 — Что такое компетентность? 10:47 — Зоны развития в работе с моделью 15:30 — Зоны компетенций на примерах из жизни 18:00 — Доверие как механизм снижения сложности 19:18 — Три сигнала доверия: способность, доброжелательность, целостность 22:32 — Мир ненадёжных сигналов 27:04 — Метакогнитивная лень и когнитивный долг 29:38 — Искажения моделей: подхалимство и якорение 32:20 — Метод работы за границей компетентности 36:43 — Киборг и кентавр: две модели взаимодействия 38:48 — «Мы и так живём через делегирование»

«Продуктовое мышление — это способность превращать неопределённость в проверяемые продуктовые решения, удерживая одновременно пользователя, бизнес, систему и команду.» «Вкус — это способность чувствовать последствия решения до того, как они действительно развернулись.» «Можно много чего делегировать, но менеджер продукта за это всё отвечает.» 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 01:24 — Четыре блока работы менеджеров продукта до LLM 06:40 — Роль артефактов в работе с командой и почему они стали способом оценки 08:33 — Что такое продуктовое мышление 11:46 — Признаки продуктового мышления у человека 13:17 — Что меняют большие языковые модели 18:14 — Артефакты обесценились как признаки работы 20:37 — Где LLM помогают, а где всё ещё зона ответственности человека 22:27 — Как теперь оценивать промежуточную работу продуктового менеджера 26:36 — Качество использования LLM как отдельный навык 27:17 — Что в 2026 году меняется и не меняется в работе продуктовых менеджеров 30:00 — Вкус как защитный ров и его связь с продуктовым мышлением 34:57 — Ставка на ответственность и качество решений Словарик: — LLM — (Large Language Model) большая языковая модель

«То, что вчера требовало от эксперта знаний — сделать сайт, написать описание, разметить данные — сегодня модель делает почти что из коробки.» «Модель на самом деле не ошибается — просто у неё нет понимания, как решать именно эти задачи.» «Когда вы ловите себя на том, что повторяете модели одно и то же снова и снова, — это сигнал, что в контексте появилась дыра.» 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 02:50 — Устройство контекстного окна на примере аналогий 04:14 — Статистический разрыв при обучении модели 05:09 — Семантический разрыв при обучении модели 06:56 — Ошибки мышления модели, подхалимство и уход от ответственности 09:00 — Захламление контекста и сжатие 11:11 — Две картины мира: человек и модель 18:22 — Неоднородность интелекта моделей и рваные границы 21:40 — Почему дообучить модель самому — это тупик? 22:16 — Контекст-инжиниринг: то, на что мы реально влияем 24:52 — Правило 1: разбивать задачи на чаты и контролировать сжатие 26:16 — Правило 2: не сваливать 30 файлов сразу, ловушка якорения 27:50 — Правило 3: hand-off, выжимка задачи для следующей сессии 28:51 — Правило 4: разметка источников по важности и актуальности 31:04 — Правило 5: повтор инструкций — сигнал о дыре в контексте 32:31 — Луп-инжиниринг: что приходит на смену Словарик:  Луп-инжиниринг — (Loop Engineering) практика проектирования систем, которые автономно управляют работой ИИ-агентов

«Безопасность за счёт скрытия алгоритма почти никогда не работает. Если ваш криптографический алгоритм — это black box, это не делает его безопаснее: как только данные о его работе утекут, он тут же перестанет быть безопасным.» «Голосование в смарт-контракте честнее настоящих мировых голосований: чтобы проголосовать, нужно использовать токены протокола, поэтому каруселей и мёртвых душ тут нет как класса.» «С точки зрения основного регулятора и госдепартамента США вся эта возня с биткоинами пока даже не стоит времени — между традфинансами и криптой несколько порядков разницы в объёме средств.» Ведущий:  Юра Агеев, основатель ProductSense Гость:  Григорий Чикишев, руководитель команды трейдинга в Quantum Brains 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 чём говорим: 00:00 — Введение 03:38 — Жизнь без посредника и при чём тут блокчейн 06:08 — Довериться алгоритму, а не людям 09:33 — Баланс между удобством пользователя и безопасностью 12:00 — Торговля с применением децентрализованных финансов 16:54 — Риски смарт-контрактов и повторная атака 18:52 — Открытый код против «безопасности через сокрытие» 20:32 — Поиск уязвимостей как часть игры. Отсутствие регулирования 22:37 — Управление протоколом через голосование сообщества 25:15 — Proof-of-Stake против Proof-of-Work 26:10 — Мгновенный заём и арбитраж 27:55 — Злоупотребление заёмом: атака на протокол Drift 32:24 — Крах стейблкоина UST и «мёртвая спираль» 35:09 — Высокочастотная торговля: туннель Нью-Йорк—Чикаго и Ротшильд под Ватерлоо 36:31 — Крах FTX и связь крипты с традиционными финансами 37:41 — Дойдут ли механики децентрализованных финансов до банков? 39:21 — Стейкинг и кредитование: откуда берётся доходность 44:15 — Почему ИИ до сих пор не справляется с торговлей 46:04 — Где ИИ полезен: анализ уязвимостей и данных в блокчейне 47:28 — Роль человека в финансах будущего. Ошибка выжившего 50:07 — Объяснимость моделей и прогноз на 5 лет Словарик: — Блокчейн — распределённый реестр, где данные о транзакциях хранятся в цепочке блоков и проверяются участниками сети — Смарт-контракт — программа в блокчейне, которая автоматически выполняет условия сделки — Proof-of-Stake — способ подтверждения транзакций, где вес участника зависит от количества его токенов — Proof-of-Work — способ подтверждения транзакций через вычислительную работу, например майнинг — Флэш-заём — мгновенный заём в блокчейне, который берётся и возвращается в рамках одной связанной операции — Drift — децентрализованный финансовый протокол — Стейблкоин — криптовалюта, привязанная к стоимости обычного актива, чаще всего доллара — UST — стейблкоин проекта Terra, потерявший привязку к доллару в 2022 году — FTX — крупная криптовалютная биржа, обанкротившаяся в 2022 году — Robinhood — инвестиционное приложение для простой покупки акций и других активов — Revolut — финансовое приложение с банковскими, платёжными и инвестиционными функциями — Стейкинг — размещение криптовалюты для поддержки работы сети с получением вознаграждения — DeFi — децентрализованные финансы: финансовые сервисы на блокчейне без классических посредников — HFT — высокочастотная торговля: автоматическая торговля на бирже с очень высокой скоростью