Как product-менеджеру внедрять ИИ в IT-проекты России 2025

«Мы потратили 2 миллиона рублей на внедрение ИИ. Получили ноль.»

Это реальные слова технического директора московской компании. Осенью 2024 года они решили, что пора «делать ИИ». Наняли ML-команду, взяли модную нейросеть, разработали систему. Через 8 месяцев работы проект закрыли. Модель работала плохо, бизнес-метрики не выросли, руководство разочаровалось в технологии.

В чем была ошибка? В том, что никто не задал главный вопрос: «Какую конкретную проблему мы решаем?»

Они начали с технологии, а не с проблемы. Это типичная ошибка, которую делают 95% компаний при внедрении ИИ.

Реальность российского рынка ИИ в 2025 году:

• Рынок ИИ в России: 1,69 трлн рублей к концу 2025 года

• 34% компаний уже активно внедряют или используют ИИ

• Рост внедрений: +32% в 2025 году по сравнению с 2024

• 25,000+ клиентов используют YandexGPT (январь-июнь 2025)

• ROI при правильном подходе: 60-70%

• Окупаемость: 3-6 месяцев

• НО: 95% компаний не получают ожидаемой отдачи от инвестиций в ИИ

Эти цифры показывают две истории одновременно.

История первая: Рынок огромен. ИИ работает. Компании зарабатывают деньги.

История вторая: Большинство проваливается. Деньги сливаются в никуда. Проекты закрываются.

Разница между первой и второй историей — это правильный подход к внедрению.

Эта статья для тех, кто хочет попасть в первые 5%, а не в проваленные 95%.

Для кого эта статья:

• Product Manager, который планирует внедрить ИИ в свой продукт

• PM без опыта работы с ИИ, но понимающий, что это необходимо

• Руководители продуктов, которые хотят понять, стоит ли вкладываться в ИИ

• PM, у которого уже есть ИИ-функция, но она не работает как надо

Что вы узнаете:

1. Какие ИИ-технологии реально доступны в России 2025

2. Почему большинство внедрений проваливается (и как этого избежать)

3. Пошаговый план внедрения ИИ в продукт

4. GigaChat vs YandexGPT: какую технологию выбрать

5. Реальные кейсы российских компаний (с цифрами ROI)

6. Бюджет: сколько реально стоит внедрение

7. Метрики: как измерять успех ИИ-проекта

8. Правовые особенности работы с ИИ в России

9. Карьера: как стать ML Product Manager и сколько платят

Без воды. Только практика, которая работает в 2025 году в России.

Что такое ИИ в контексте российского рынка 2025

Прежде чем внедрять, нужно понять: что вообще доступно в России сейчас? Какие технологии работают? Кто главные игроки?

Какие ИИ-технологии доступны в России

После ухода западных компаний (OpenAI, Google AI, Anthropic) российский рынок ИИ пережил трансформацию. Вместо ChatGPT и GPT-4 появились свои решения.

Главные российские ИИ-платформы (ноябрь 2025):

1. YandexGPT (Яндекс)

• Большая языковая модель для генерации текста

• Версии: YandexGPT 3, YandexGPT 5 Pro (запущена в 2025)

• Интеграция с Yandex Cloud

• API для разработчиков

• Умеет: генерировать тексты, отвечать на вопросы, анализировать документы, писать код

2. GigaChat (Сбер)

• Конкурент YandexGPT от Сбербанка

• Версии: GigaChat, GigaChat Pro, GigaChat Max

• Сильная сторона: понимание русского языка, контекст до 32,000 токенов

• Интеграция с Sber AI

• Умеет: то же, что YandexGPT, плюс генерация изображений

3. Другие платформы

• МТС AI: Платформа для корпоративного ИИ

• VK AI: Решения для соцсетей и рекомендаций

• T-Bank AI: ИИ для финтех-продуктов

• Kandinsky (Сбер): Генерация изображений

• Shedevrum (Яндекс): Генерация изображений

Статистика развития (2025):

• 22 нейросети запущены за 2 года российскими экосистемами (Яндекс, Сбер, VK, МТС, T-Bank)

• Более 40% российских IT-компаний используют генеративный ИИ

• Рост внедрения на промышленных предприятиях: +40% (2024-2025)

Типы задач, которые решает ИИ

Не каждая задача требует ИИ. Вот где ИИ действительно дает преимущество:

1. Работа с текстом (NLP - Natural Language Processing)

• Генерация контента (статьи, описания товаров, посты)

• Анализ отзывов и обратной связи (определение тональности, выделение проблем)

• Чат-боты и виртуальные ассистенты

• Автоматическое резюме документов

• Перевод текстов

• Проверка грамматики и стиля

2. Работа с изображениями (Computer Vision)

• Распознавание объектов на фото (товары, лица, документы)

• Анализ качества продукции (дефекты, брак)

• Модерация контента (удаление запрещенных изображений)

• Генерация изображений по описанию

3. Рекомендательные системы

• Персональные рекомендации товаров (e-commerce)

• Рекомендации контента (стриминг, новости, соцсети)

• Подбор вакансий и резюме

4. Прогнозирование и аналитика

• Прогноз спроса (ритейл, производство)

• Предсказание оттока клиентов (churn prediction)

• Определение мошенничества (fraud detection в финтехе)

• Прогноз поломок оборудования (промышленность)

5. Автоматизация процессов

• Обработка документов (извлечение данных из счетов, договоров)

• Автоматизация клиентской поддержки (первая линия)

• Анализ резюме и подбор кандидатов (HR)

Российские компании и их ИИ-продукты

Примеры успешного использования ИИ в России (2025):

Яндекс

• Поиск (ранжирование результатов)

• Алиса (голосовой ассистент)

• Яндекс.Музыка (рекомендации)

• Яндекс.Такси (оптимизация маршрутов)

• Яндекс.Маркет (рекомендации товаров)

Сбер

• Салют (голосовой ассистент)

• Анализ кредитных рисков

• Fraud detection (определение мошенничества)

• HR-автоматизация (анализ 5,000+ резюме в месяц)

VK

• Рекомендации контента в ленте

• Модерация контента

• Таргетированная реклама

Ozon

• Рекомендации товаров

• Автоматическая категоризация

• Прогнозирование спроса

Чем российский ИИ отличается от западного

Ограничения:

• Меньше открытых данных для обучения

• Отставание в вычислительных мощностях (нет доступа к новейшим GPU от NVIDIA)

• Меньше инвестиций в R&D (по сравнению с США и Китаем)

Преимущества:

• Лучше понимает русский язык и контекст

• Учитывает специфику российского рынка

• Не зависит от западных санкций

• Соответствует российскому законодательству

• Данные хранятся в России (важно для финансов, госсектора)

Вывод: Российский ИИ уступает по технологиям, но выигрывает по адаптации к локальному рынку и правовым требованиям.

Почему 95% внедрений ИИ проваливаются: главные ошибки

Статистика жесткая: 95% компаний не получают ожидаемой отдачи от инвестиций в ИИ. По данным McKinsey 2025, две трети ИИ-проектов не окупаются за первый год.

Почему так происходит? Разберем главные ошибки.

Ошибка 1: Начинают с технологии, а не с проблемы

Плохой подход:

«У нас будет ИИ! Давайте возьмем GigaChat и сделаем чат-бот!»

Результат: Чат-бот сделали. Никто не пользуется. Деньги потрачены впустую.

Почему не работает:

• Непонятно, какую проблему решает чат-бот

• Нет метрик успеха

• Не проверили, нужно ли это пользователям

Правильный подход:

Начинать с проблемы:

• Какую боль испытывают пользователи?

• Как мы измеряем эту боль сейчас? (текущие метрики)

• Как ИИ может решить эту проблему?

• Насколько это решение лучше, чем без ИИ?

• Как мы измерим успех?

Пример правильного подхода:

Проблема: Клиенты ждут ответа поддержки 2 часа. 60% вопросов — типовые («Как отменить заказ?», «Где мой трек-номер?»).

Решение: Чат-бот на базе GigaChat, который отвечает на типовые вопросы.

Метрики:

• Снижение времени ответа с 2 часов до 30 секунд (для типовых вопросов)

• 60% вопросов решаются ботом без участия человека

• Экономия 3 FTE (Full-Time Equivalent) специалистов поддержки

Результат измеряем через 3 месяца.

Ошибка 2: Плохие или отсутствующие данные

ИИ работает на данных. Без качественных данных не будет работать никакая модель.

Типичные проблемы с данными:

Недостаточно данных

• Для обучения нужны тысячи (иногда миллионы) примеров

• Компания думает, что 100 примеров достаточно

• Результат: модель работает плохо, точность низкая

Низкое качество данных

• Данные неразмечены (нет labels)

• Данные неструктурированы (хаос в таблицах)

• Данные неполные (много пропусков)

• Данные устарели (собраны 5 лет назад)

Данные не репрезентативны

• Обучали на данных из Москвы, применяют для всей России

• Обучали на мужчинах 25-35 лет, применяют для всех

• Результат: модель работает плохо для других сегментов (bias - предвзятость)

Реальный кейс провала:

Компания решила сделать систему анализа счетов для ДМС (добровольное медицинское страхование).

Задача: Автоматически находить завышения в счетах.

Проблема: Обучали модель на данных за 2020-2021 годы. Но тарифы изменились в 2023-2024. Модель находила «завышения» там, где их не было, потому что работала на устаревших данных.

Результат: Проект провалился, модель не внедрили.

Ошибка 3: Нереалистичные ожидания

Руководство часто ждет от ИИ магии: «Вау-эффект с первого дня».

Что обещают:

• ИИ заменит всех операторов поддержки

• ИИ увеличит продажи в 2 раза

• ИИ решит все проблемы продукта

Что получают:

• ИИ отвечает на 40% вопросов (не на 100%)

• Продажи выросли на 8% (не в 2 раза)

• Появились новые проблемы (галлюцинации модели, ошибки)

Реальность:

ИИ — это инструмент. Он улучшает процессы, но не творит чудеса. Успех зависит от:

• Качества данных

• Правильной постановки задачи

• Интеграции с существующими процессами

• Обучения команды работе с ИИ

Правильный подход:

Ставить реалистичные цели:

• Не «заменим всех людей», а «автоматизируем 50% типовых задач»

• Не «увеличим продажи в 2 раза», а «увеличим конверсию на 10-15%»

• Запускать MVP (минимально жизнеспособный продукт), тестировать, улучшать

Ошибка 4: Отсутствие стратегии интеграции

Компании фокусируются на технической стороне и забывают про интеграцию в бизнес-процессы.

Типичная ситуация:

ML-команда сделала модель. Она работает в тестовой среде. Точность 85%. Все довольны.

Проблема: Как интегрировать в продукт? Кто будет поддерживать? Как обновлять данные?

Результат: Модель лежит в репозитории. Никто ей не пользуется.

Что нужно для успешной интеграции:

1. Инфраструктура

• Где будет работать модель? (облако, on-premise)

• Как она будет получать данные? (API, база данных)

• Как отслеживать ее работу? (мониторинг, логи)

2. Процессы

• Кто отвечает за обновление модели?

• Как часто переобучать?

• Что делать, если модель начала ошибаться?

3. Команда

• Кто поддерживает модель в production?

• Есть ли у команды навыки работы с ML?

• Нужно ли нанимать ML-инженера?

4. Пользовательский опыт

• Как пользователь взаимодействует с ИИ?

• Что делать, если ИИ ошибается?

• Как собирать обратную связь?

Ошибка 5: Игнорирование правовых рисков

68% российских компаний сталкиваются с правовыми барьерами при внедрении ИИ.

Главные риски:

Защита персональных данных

• ИИ обрабатывает персональные данные (ПДн)

• Нужно соблюдать ФЗ-152 «О персональных данных»

• Необходимо согласие пользователей

• Данные должны храниться в России

Ответственность за ошибки ИИ

• Если ИИ примет неправильное решение, кто несет ответственность?

• Пример: ИИ отклонил заявку на кредит ошибочно. Можно ли обжаловать?

• Законодательство пока не имеет четких ответов

Этические вопросы

• Предвзятость (bias): модель дискриминирует определенные группы

• Пример: модель для подбора кандидатов отдает предпочтение мужчинам

• Это нарушает принципы равенства и может привести к судебным искам

42% компаний вынуждены приостанавливать или корректировать внедрение из-за юридических проблем.

Таблица: Главные ошибки и их последствия

Роль Product Manager в ИИ-проектах

Внедрение ИИ меняет роль Product Manager. Вы больше не просто «владелец бэклога». Вы становитесь AI-оркестратором — человеком, который координирует сложную систему из данных, моделей, процессов и людей.

Чем управление ИИ-продуктом отличается от обычного

Традиционный продукт:

• Детерминированный (если пользователь нажал кнопку X, происходит Y)

• Предсказуемый (поведение продукта на 100% определено кодом)

• Легко тестировать (написали тест-кейсы, проверили)

ИИ-продукт:

• Вероятностный (модель дает ответ с вероятностью 78%, иногда ошибается)

• Непредсказуемый (модель может выдать неожиданный результат)

• Сложно тестировать (нельзя предсказать все варианты ответов)

Пример:

Традиционная функция: «Показать пользователю товары из категории "Электроника"»

• Результат: Всегда показываем товары из категории «Электроника»

• Предсказуемо на 100%

ИИ-функция: «Показать пользователю товары, которые он, вероятно, купит»

• Результат: Модель анализирует поведение, показывает рекомендации

• Иногда рекомендации отличные (пользователь покупает)

• Иногда рекомендации странные (модель ошиблась)

• Непредсказуемо

Что должен знать PM для работы с ИИ

Вам не нужно быть ML-инженером. Но нужно понимать базовые концепции.

Минимально необходимые знания:

1. Типы машинного обучения

• Supervised Learning (обучение с учителем): Модель учится на размеченных данных (есть правильные ответы)

• Пример: Классификация писем на спам/не спам

• Unsupervised Learning (обучение без учителя): Модель ищет паттерны сама

• Пример: Группировка пользователей по поведению (кластеризация)

• Reinforcement Learning (обучение с подкреплением): Модель учится методом проб и ошибок

• Пример: Обучение ИИ играть в шахматы

2. Что такое LLM (Large Language Model)

• Большая языковая модель (например, YandexGPT, GigaChat)

• Обучена на огромных объемах текста

• Умеет генерировать текст, отвечать на вопросы, переводить

• Работает вероятностно (предсказывает следующее слово)

3. Основные термины

• Обучение модели (Training): Процесс, когда модель учится на данных

• Точность (Accuracy): Процент правильных ответов модели

• Переобучение (Overfitting): Модель хорошо работает на обучающих данных, но плохо на новых

• Галлюцинации: LLM генерирует правдоподобный, но ложный ответ

• Fine-tuning: Дообучение модели на специфических данных

• Prompt Engineering: Искусство составления правильных запросов к LLM

• RAG (Retrieval-Augmented Generation): Модель ищет информацию в базе знаний перед ответом

4. Метрики качества модели

• Precision (точность): Из всех положительных предсказаний, сколько правильных?

• Recall (полнота): Из всех положительных примеров, сколько модель нашла?

• F1-score: Среднее между Precision и Recall

Не нужно знать математику и код. Но нужно понимать термины, чтобы говорить с ML-командой на одном языке.

Новые задачи PM в ИИ-проектах

1. Стратегия данных

Данные — это топливо для ИИ. PM отвечает за то, чтобы данные были качественными и постоянно обновлялись.

Вопросы, которые решает PM:

• Какие данные нам нужны для обучения модели?

• Где мы возьмем эти данные?

• Как мы будем собирать новые данные от пользователей?

• Как мы обеспечим качество данных?

• Как мы создадим «добродетельный цикл данных»?

Добродетельный цикл данных (Data Flywheel):

1. Пользователи используют продукт

2. Продукт собирает данные (клики, действия, обратная связь)

3. На этих данных модель дообучается и становится умнее

4. Улучшенная модель делает продукт лучше

5. Больше пользователей приходят в продукт

6. Цикл замыкается

Пример: YouTube

• Вы смотрите видео

• YouTube собирает данные: что вы смотрите, сколько времени, что пропускаете

• Алгоритм рекомендаций улучшается

• Вы получаете лучшие рекомендации

• Вы смотрите больше видео

• YouTube становится лучше

Задача PM — спроектировать такой цикл в своем продукте.

2. Управление ожиданиями

ИИ не идеален. Он ошибается. PM должен объяснять это команде и стейкхолдерам.

Что делать:

• Ставить реалистичные цели (не «заменим всех людей», а «автоматизируем 50% задач»)

• Объяснять, почему модель не может быть точной на 100%

• Показывать прогресс итеративно (MVP → улучшение → масштабирование)

3. Проектирование UX для ИИ

ИИ ошибается. Пользователь должен иметь возможность это исправить.

Принципы UX для ИИ-продуктов:

• Прозрачность: Пользователь понимает, что это ИИ (не прикидываться человеком)

• Контроль: Пользователь может отменить решение ИИ

• Обратная связь: Кнопки «Полезный ответ» / «Бесполезный ответ»

• Объяснимость: Почему ИИ принял такое решение?

Пример: ChatGPT

• Прозрачность: Указано, что это ИИ

• Контроль: Можно попросить переписать ответ

• Обратная связь: Кнопки 👍 👎

• Объяснимость: Иногда объясняет свои рассуждения

4. Этический контроль

PM отвечает за то, чтобы ИИ не дискриминировал пользователей и не нарушал их права.

Вопросы, которые PM должен задавать:

• На каких данных обучалась модель?

• Нет ли в данных предвзятости (bias)?

• Не дискриминирует ли модель определенные группы пользователей?

• Как мы защищаем персональные данные?

• Что будет, если модель ошибется? Какие последствия?

Пример предвзятости:

Компания сделала ИИ-систему для отбора резюме. Модель обучали на данных за последние 10 лет. Но за эти 10 лет в компании работало 80% мужчин и 20% женщин. Модель «научилась», что мужчины — лучшие кандидаты, и стала отклонять резюме женщин.

Это bias (предвзятость). PM должен это отловить и исправить.

Таблица: Традиционный PM vs AI Product Manager

Пошаговый план внедрения ИИ в продукт

Теперь перейдем к практике. Это пошаговый фреймворк, который поможет внедрить ИИ правильно.

Шаг 1: Найдите правильную задачу

Не каждая задача нужна ИИ. Иногда простое решение работает лучше.

Когда ИИ имеет смысл:

1. Задача требует обработки больших объемов данных

• Анализ тысяч отзывов пользователей

• Обработка миллионов транзакций (fraud detection)

• Рекомендации из каталога в 100,000 товаров

2. Задача требует распознавания паттернов

• Определение спама в письмах

• Распознавание объектов на изображениях

• Прогнозирование спроса

3. Задача требует персонализации

• Персональные рекомендации для каждого пользователя

• Адаптивный контент

• Персонализированные push-уведомления

4. Задача повторяется и отнимает много времени

• Ответы на типовые вопросы в поддержке

• Категоризация заявок

• Заполнение стандартных документов

Когда ИИ НЕ нужен:

• Задача решается простым алгоритмом (например, сортировка списка)

• Данных мало (меньше 1000 примеров)

• Задача требует 100% точности (например, финансовые расчеты)

• Простое решение дешевле и быстрее

Фреймворк оценки задачи:

Задайте себе 5 вопросов:

1. Какую проблему мы решаем?

• Для кого? (пользователи, бизнес, внутренние процессы)

• Насколько она болезненна? (измеряем в текущих метриках)

2. Может ли ИИ решить эту проблему лучше, чем другие методы?

• Что произойдет, если мы НЕ используем ИИ?

• Какое альтернативное решение есть?

3. Есть ли у нас данные?

• Сколько данных нужно?

• Сколько у нас есть?

• Какого качества эти данные?

4. Какой ROI мы получим?

• Сколько стоит разработка?

• Сколько мы сэкономим/заработаем?

• Через сколько окупится?

5. Готовы ли мы поддерживать ИИ-систему?

• Есть ли команда?

• Есть ли инфраструктура?

• Есть ли процессы?

Если на все 5 вопросов ответы положительные — идем дальше.

Шаг 2: Проведите аудит данных

Данные — это фундамент. Без качественных данных модель не будет работать.

Что проверить:

1. Количество данных

• Сколько примеров у нас есть?

• Сколько нужно для обучения модели?

Ориентиры:

• Простые задачи классификации: 1,000-10,000 примеров

• Сложные задачи (NLP, Computer Vision): 10,000-1,000,000 примеров

• LLM (обучение с нуля): миллиарды примеров (не реально для большинства компаний)

2. Качество данных

Проверьте:

• Полнота: Есть ли пропуски в данных?

• Точность: Правильно ли размечены данные?

• Актуальность: Данные свежие или устарели?

• Репрезентативность: Данные покрывают все сегменты пользователей?

3. Разметка данных

Для supervised learning нужны размеченные данные (labeled data).

Пример:

• Задача: Классификация отзывов на позитивные/негативные

• Нужно: 10,000 отзывов, каждый размечен («позитивный» или «негативный»)

Разметка данных — это дорого и долго. Бюджет на разметку может составлять 30-50% от общего бюджета проекта.

Варианты разметки:

• Разметка руками (наняли людей)

• Краудсорсинг (Яндекс.Толока, Amazon Mechanical Turk)

• Полуавтоматическая разметка (модель размечает, человек проверяет)

4. Правовые аспекты

• Есть ли согласие пользователей на обработку данных?

• Данные содержат персональную информацию (ПДн)?

• Соблюдаем ли мы ФЗ-152?

Чек-лист аудита данных:

• [ ] Определили, сколько данных нужно

• [ ] Оценили, сколько данных есть

• [ ] Проверили качество данных

• [ ] Понимаем, как будем размечать данные

• [ ] Проверили правовые аспекты

• [ ] Рассчитали бюджет на сбор/разметку данных

Шаг 3: Выберите технологию

В России 2025 года есть два основных варианта: YandexGPT и GigaChat.

Сравнение YandexGPT vs GigaChat:

Когда выбирать YandexGPT:

• Нужна высокая скорость ответов

• Задачи: чат-боты, генерация коротких текстов, маркетинг

• Уже используете Yandex Cloud

Когда выбирать GigaChat:

• Нужна аналитика и длинные тексты

• Задачи: анализ документов, резюме, рекомендации

• Дешевле для простых задач

• Нужна генерация изображений

Другие варианты:

• МТС AI: Корпоративные решения

• VK AI: Если делаете продукт в экосистеме VK

• Специализированные модели: Для Computer Vision, Speech Recognition (распознавание речи)

Шаг 4: Рассчитайте бюджет

Сколько реально стоит внедрение ИИ?

Структура затрат:

1. Разработка (один раз)

• Анализ и проектирование: 200,000-500,000₽

• Разработка MVP: 300,000-1,000,000₽

• Интеграция с продуктом: 200,000-500,000₽

• Тестирование: 100,000-300,000₽

Итого на разработку: 800,000₽ - 2,300,000₽

2. Данные (один раз или регулярно)

• Сбор данных: от 100,000₽

• Разметка данных: от 200,000₽ (зависит от объема)

• Очистка и подготовка: от 100,000₽

Итого на данные: 400,000₽ - 1,000,000₽

3. Операционные расходы (ежемесячно)

• API-запросы к YandexGPT/GigaChat: от 50,000₽/мес

• Облачная инфраструктура: от 30,000₽/мес

• Мониторинг и поддержка: от 50,000₽/мес

Итого операционка: 130,000₽/мес+

Общий бюджет на запуск (без команды):

• Минимальный: 1,000,000₽ (разработка) + 130,000₽/мес (операционка)

• Средний: 2,000,000₽ + 200,000₽/мес

• Крупный проект: 5,000,000₽+ + 500,000₽/мес+

Реальный кейс (B2B производитель):

• Разработка системы на базе GigaChat: 300,000₽ (turnkey)

• Операционка: 50,000₽/мес

• Срок разработки: 4 месяца

• Результат: 80% автоматизация отдела продаж

• Окупаемость: 4 месяца

Шаг 5: Запустите MVP (минимально жизнеспособный продукт)

Не пытайтесь сделать идеальную систему сразу. Запустите простую версию, протестируйте, улучшите.

Принципы MVP для ИИ:

1. Ограничьте scope (рамки)

Не пытайтесь автоматизировать всё. Начните с одной задачи.

Плохо:

• Чат-бот, который отвечает на ВСЕ вопросы пользователей

Хорошо:

• Чат-бот, который отвечает на 5 самых частых вопросов

2. Используйте готовые решения

Не обучайте модель с нуля. Используйте готовые API (YandexGPT, GigaChat).

3. Начните с малого сегмента

Не запускайте для всех пользователей сразу. Начните с 5-10% пользователей или одного отдела.

4. Соберите обратную связь

Добавьте кнопки «Полезно» / «Бесполезно», чтобы понять, как работает ИИ.

Пример MVP для чат-бота поддержки:

Этап 1 (MVP):

• Бот отвечает на 5 самых частых вопросов

• Если бот не знает ответа → переключает на человека

• Запускаем для 10% пользователей

• Срок разработки: 1 месяц

Этап 2 (после тестирования):

• Добавляем еще 10 вопросов (на основе обратной связи)

• Улучшаем качество ответов

• Запускаем для 50% пользователей

Этап 3 (масштабирование):

• Бот отвечает на 80% типовых вопросов

• Интеграция с CRM

• Запускаем для 100% пользователей

Шаг 6: Измерьте результат

Как понять, работает ли ИИ?

Метрики для ИИ-проектов делятся на два типа:

1. Технические метрики (качество модели)

• Accuracy (точность): Процент правильных ответов

• Precision (точность предсказаний): Из всех положительных предсказаний, сколько правильных?

• Recall (полнота): Из всех положительных примеров, сколько модель нашла?

• F1-score: Баланс между Precision и Recall

Пример:

Чат-бот отвечает на вопросы:

• Accuracy: 85% (из 100 вопросов 85 ответов правильные)

• Precision: 90% (из 90 ответов, которые бот дал, 81 правильный)

• Recall: 80% (из 100 вопросов бот ответил на 80)

2. Бизнес-метрики

Технические метрики — это хорошо. Но руководство хочет видеть влияние на бизнес.

Примеры бизнес-метрик:

• Снижение времени ответа поддержки (с 2 часов до 30 секунд)

• Экономия на зарплате (автоматизировали 3 FTE)

• Рост конверсии (рекомендации увеличили покупки на 12%)

• Снижение оттока (churn rate снизился на 5%)

• Рост выручки (персонализация увеличила средний чек на 8%)

Формула расчета ROI для ИИ-проекта:

ROI = (Польза - Затраты) / Затраты × 100%

Пример:

Затраты:

• Разработка: 1,000,000₽

• Операционка: 100,000₽/мес × 12 мес = 1,200,000₽

• Итого за год: 2,200,000₽

Польза:

• Экономия на зарплате: 3 FTE × 100,000₽/мес × 12 мес = 3,600,000₽

• Рост конверсии: +500,000₽/год

• Итого: 4,100,000₽

ROI = (4,100,000 - 2,200,000) / 2,200,000 × 100% = 86%

Проект окупился за первый год.

Шаг 7: Масштабируйте или откатите

После тестирования MVP принимаете решение:

Вариант 1: Масштабировать

Если метрики хорошие:

• Расширить функционал

• Запустить для всех пользователей

• Увеличить инвестиции

Вариант 2: Улучшить

Если метрики средние:

• Собрать больше данных

• Улучшить модель (fine-tuning)

• Улучшить UX

Вариант 3: Откатить

Если метрики плохие:

• Признать неудачу

• Откатить изменения

• Сэкономить деньги на операционных расходах

Важно: Не бойтесь признавать неудачи. Лучше закрыть проект раньше, чем сливать деньги годами.

Технический раздел: API, промпты и архитектура

Теперь немного углубимся в технические детали. Этого достаточно, чтобы PM мог говорить с разработчиками на одном языке.

Как работает API для LLM

API (Application Programming Interface) — это интерфейс, через который ваш продукт общается с ИИ-моделью.

Базовая схема работы:

1. Ваш продукт отправляет запрос (prompt) в API

2. API передает запрос модели (YandexGPT или GigaChat)

3. Модель генерирует ответ

4. API возвращает ответ вашему продукту

5. Ваш продукт показывает ответ пользователю

Пример запроса к YandexGPT API:

import requests

url = "https://llm.api.cloud.yandex.net/foundationModels/v1/completion"
headers = {
    "Authorization": "Bearer YOUR_API_KEY",
    "Content-Type": "application/json"
}
data = {
    "modelUri": "gpt://your-folder-id/yandexgpt/latest",
    "completionOptions": {
        "temperature": 0.7,
        "maxTokens": 500
    },
    "messages": [
        {
            "role": "user",
            "text": "Напиши описание товара для интернет-магазина: ноутбук ASUS"
        }
    ]
}

response = requests.post(url, headers=headers, json=data)
result = response.json()

print(result["result"]["alternatives"][0]["message"]["text"])

Что здесь происходит:

• Отправляем запрос на API YandexGPT

• Передаем промпт: «Напиши описание товара...»

• Указываем параметры:

• temperature: 0.7 (креативность, 0 = детерминированно, 1 = очень креативно)

• maxTokens: 500 (максимальная длина ответа)

• Получаем ответ и показываем пользователю

Стоимость API-запросов:

• YandexGPT: от 0.4₽ за 1000 токенов

• GigaChat: от 0.3₽ за 1000 токенов

Токен — это примерно 0.75 слова.

Пример расчета:

• 1 запрос к чат-боту: 100 токенов (входящий промпт) + 200 токенов (ответ) = 300 токенов

• Стоимость 1 запроса: 300 / 1000 × 0.4₽ = 0.12₽

• 10,000 запросов в день: 10,000 × 0.12₽ = 1,200₽/день

• Месяц: 1,200₽ × 30 = 36,000₽/мес

Промпт-инжиниринг: как получить правильный ответ от ИИ

Prompt Engineering — это искусство составления запросов к LLM, чтобы получить нужный результат.

Плохой промпт:

Напиши текст

Результат: Непонятный текст ни о чем.

Хороший промпт:

Напиши описание товара для интернет-магазина электроники.

Товар: Ноутбук ASUS VivoBook 15

Характеристики:
- Процессор: Intel Core i5-1135G7
- Оперативная память: 8 ГБ
- Диск: SSD 512 ГБ
- Экран: 15.6", Full HD
- Цена: 45,990₽

Стиль: продающий, но не агрессивный. Длина: 100-150 слов.

Результат: Качественное описание товара, готовое к публикации.

Техники промпт-инжиниринга:

1. Определите роль модели

Ты — опытный маркетолог с 10-летним стажем.
Напиши текст для email-рассылки...

2. Дайте примеры (Few-Shot Prompting)

Классифицируй отзывы на позитивные/негативные.

Примеры:
- "Отличный товар, доставка быстрая!" → Позитивный
- "Товар сломался через неделю" → Негативный

Отзыв: "Качество хорошее, но дорого"
Тональность: ?

3. Разбейте задачу на шаги (Chain-of-Thought)

Проанализируй отзывы пользователей и выдели главные проблемы.

Шаг 1: Прочитай все отзывы
Шаг 2: Сгруппируй отзывы по темам
Шаг 3: Найди самые частые темы
Шаг 4: Выдели топ-5 проблем с примерами

4. Ограничьте формат ответа

Ответь в формате JSON:

{
  "проблема": "описание проблемы",
  "частота": "количество упоминаний",
  "примеры": ["пример 1", "пример 2"]
}

Архитектурные паттерны для ИИ-продуктов

1. Простой API-вызов

Самая простая архитектура:

Пользователь → Ваш бэкенд → YandexGPT API → Ответ пользователю

Плюсы:

• Просто реализовать

• Не нужна своя инфраструктура

Минусы:

• Зависимость от внешнего API

• Задержки (latency)

• Стоимость растет с количеством запросов

Когда использовать: Для MVP, небольших проектов.

2. RAG (Retrieval-Augmented Generation)

Модель ищет информацию в вашей базе знаний перед тем, как ответить.

Пользователь → Запрос → Поиск в базе знаний → Найденные документы + Промпт → LLM → Ответ

Пример:

Пользователь спрашивает: «Как отменить заказ?»

1. Система ищет в базе знаний статьи про отмену заказа

2. Находит релевантную статью

3. Передает статью в промпт для LLM:

Ты — ассистент поддержки.
Используй эту информацию для ответа:

[Статья из базы знаний]

Вопрос пользователя: Как отменить заказ?

1. LLM генерирует ответ на основе реальной статьи

Плюсы:

• Ответы основаны на ваших данных (не галлюцинации)

• Можно обновлять базу знаний без переобучения модели

Минусы:

• Сложнее реализовать

• Нужна система поиска (векторная база данных)

Когда использовать: Для чат-ботов, FAQ, документации.

3. Fine-tuning (дообучение модели)

Вы берете готовую модель и дообучаете ее на ваших данных.

Плюсы:

• Модель адаптирована под вашу специфику

• Лучше понимает терминологию вашей индустрии

Минусы:

• Дорого (нужны GPU для обучения)

• Требуется много размеченных данных (тысячи примеров)

• Сложно поддерживать

Когда использовать: Для узкоспециализированных задач (медицина, юриспруденция, финансы).

4. Гибридный подход (Human-in-the-loop)

ИИ делает первый проход, человек проверяет и исправляет.

Пользователь → ИИ генерирует ответ → Человек проверяет → Финальный ответ пользователю

Пример:

Система анализа резюме:

1. ИИ анализирует резюме и выделяет топ-10 кандидатов

2. HR-специалист проверяет список и исправляет ошибки

3. Финальный список отправляется на собеседования

Плюсы:

• Сочетает скорость ИИ с точностью человека

• Снижает риск ошибок

Минусы:

• Требуется время человека

Когда использовать: Для критичных задач (найм, медицина, финансы).

Мониторинг и поддержка ИИ-систем

ИИ — это не «запустил и забыл». Модели деградируют со временем (data drift).

Data Drift — это когда данные, на которых модель работает в production, отличаются от данных, на которых она обучалась.

Пример:

Модель обучена на данных за 2023 год. В 2025 году поведение пользователей изменилось. Модель начинает ошибаться.

Что нужно мониторить:

1. Технические метрики

• Accuracy (точность): Не падает ли?

• Latency (задержка): Сколько времени модель отвечает?

• Error rate: Сколько запросов заканчиваются ошибкой?

2. Бизнес-метрики

• Влияние на конверсию

• Удовлетворенность пользователей (NPS, CSAT)

• Обратная связь (кнопки 👍 👎)

3. Data Drift

• Проверка: изменились ли данные?

• Если да → переобучить модель

Как часто переобучать модель:

• Рекомендательные системы: каждую неделю

• Чат-боты: каждый месяц

• Модели прогнозирования: каждые 3-6 месяцев

GigaChat vs YandexGPT: детальное сравнение

Два главных игрока на российском рынке LLM. Как выбрать?

Подробное сравнение

Реальные кейсы использования

Кейс 1: Чат-бот для e-commerce (YandexGPT)

Задача: Чат-бот отвечает на вопросы покупателей.

Почему YandexGPT:

• Высокая скорость (пользователь ждет ответ максимум 2 секунды)

• Короткие ответы (50-100 слов)

• Дешевле для большого количества запросов

Результат:

• 80% вопросов решаются ботом

• Средняя скорость ответа: 1.5 секунды

• Стоимость: 40,000₽/мес (при 100,000 запросов)

Кейс 2: Анализ резюме для HR (GigaChat)

Задача: Автоматический анализ резюме, выделение ключевой информации.

Почему GigaChat:

• Хорошо справляется с аналитикой длинных текстов

• Лучше понимает контекст (резюме на 2-3 страницы)

• Дешевле для задач с меньшим количеством запросов

Результат:

• Обработка 5,000 резюме в месяц

• 80% времени HR-специалиста освобождено

• Стоимость: 15,000₽/мес

Кейс 3: Генерация контента для маркетинга (YandexGPT)

Задача: Генерация описаний товаров, постов для соцсетей.

Почему YandexGPT:

• Отлично для маркетинговых текстов

• Быстрая генерация (можно сгенерировать 100 описаний за час)

Результат:

• 500 описаний товаров в неделю

• Экономия времени копирайтера: 20 часов/неделю

• Стоимость: 10,000₽/мес

Когда выбирать что

Выбирайте YandexGPT, если:

• Нужна высокая скорость ответов

• Короткие тексты (чат-боты, маркетинг)

• Большое количество запросов (экономия на масштабе)

• Уже используете Yandex Cloud

• Нужна генерация кода

Выбирайте GigaChat, если:

• Нужна аналитика длинных текстов (резюме, документы, отзывы)

• Небольшое количество запросов (дешевле)

• Нужна генерация изображений (встроено)

• Уже используете экосистему Сбера

• Бюджет ограничен (для простых задач дешевле)

Можно ли использовать оба?

Да! Некоторые компании используют гибридный подход:

• YandexGPT для чат-бота (быстрые ответы)

• GigaChat для анализа обратной связи (аналитика длинных текстов)

Реальные кейсы российских компаний: ROI и цифры

Теперь посмотрим на реальные примеры внедрения ИИ в России с конкретными цифрами.

Кейс 1: B2B производитель химической продукции

Компания: Производитель химии для промышленности (Москва)

Проблема:

• Отдел продаж тратит 80% времени на обработку входящих заявок с сайта

• 60% заявок — типовые (запрос прайса, вопросы по доставке)

• Медленная обработка → потеря клиентов

Решение:

Внедрили систему на базе GigaChat + YandexGPT:

1. GigaChat: Анализирует входящие заявки с сайта, классифицирует по типу

2. YandexGPT: Генерирует коммерческие предложения автоматически

3. Интеграция: С CRM и email

Технические детали:

• Архитектура: RAG (база знаний с прайсами и условиями)

• API: GigaChat для анализа, YandexGPT для генерации писем

• Разработка: 4 месяца

Бюджет:

• Разработка (turnkey): 300,000₽

• Операционка: 50,000₽/мес

• Итого за год: 300,000 + 600,000 = 900,000₽

Результаты (через 6 месяцев):

• 80% типовых заявок обрабатываются автоматически

• Время обработки заявки: с 2 часов до 5 минут

• Экономия: 2 FTE менеджеров (200,000₽/мес × 6 = 1,200,000₽)

ROI: (1,200,000 - 600,000) / 600,000 × 100% = 100%

Окупаемость: 4 месяца

Кейс 2: Сбербанк — автоматизация HR

Компания: Сбербанк

Проблема:

• 5,000+ резюме в месяц

• HR-специалисты тратят 80% времени на ручной отбор

• Медленный процесс найма (2-3 недели на первичный отбор)

Решение:

Внедрили систему на базе GigaChat:

1. Анализ резюме (извлечение ключевой информации)

2. Сравнение с требованиями вакансии

3. Автоматический рейтинг кандидатов (топ-10%)

4. HR-специалист проверяет только топ-10% (Human-in-the-loop)

Результаты:

• 90% резюме обрабатываются автоматически

• Время первичного отбора: с 2 недель до 2 дней

• Экономия времени HR: 70%

ROI: Не раскрыт, но экономия очевидна (тысячи часов работы HR)

Кейс 3: E-commerce — персональные рекомендации

Компания: Средний интернет-магазин электроники (50,000 товаров, 100,000 пользователей/мес)

Проблема:

• Конверсия низкая (2%)

• Пользователи не находят нужные товары

• Стандартные рекомендации не работают

Решение:

Внедрили рекомендательную систему на базе ML (не LLM, а классический ML):

1. Анализ поведения пользователя (что смотрел, что добавлял в корзину)

2. Collaborative filtering (рекомендации на основе похожих пользователей)

3. Персональные рекомендации на главной странице и в карточке товара

Технические детали:

• Модель: Collaborative Filtering + Content-Based Filtering

• Инфраструктура: Yandex Cloud

• Обучение: Каждую неделю на свежих данных

Бюджет:

• Разработка: 1,500,000₽

• Операционка: 80,000₽/мес

• Итого за год: 1,500,000 + 960,000 = 2,460,000₽

Результаты (через 6 месяцев):

• Конверсия выросла с 2% до 2.8% (+40% относительный рост)

• Средний чек вырос на 12%

• Рост выручки: +5,000,000₽/год

ROI: (5,000,000 - 2,460,000) / 2,460,000 × 100% = 103%

Окупаемость: 6 месяцев

Кейс 4: Провал — ДМС проверка счетов

Компания: Крупная страховая компания

Проблема:

• Ежемесячно обрабатывают тысячи счетов по ДМС

• Нужно автоматически находить завышения и ошибки

Решение (попытка):

Обучили модель на данных за 2020-2021 годы для поиска аномалий в счетах.

Проблема:

• Тарифы на медицинские услуги изменились в 2023-2024

• Модель работала на устаревших данных

• Находила «завышения» там, где их не было

• Пропускала реальные ошибки

Результат:

• Проект провалился

• Модель не внедрили

• Потрачено: около 2,000,000₽

Урок: Данные должны быть актуальными. Data drift убивает проекты.

Таблица: Сравнение кейсов

Общие выводы из кейсов

Что работает:

• Четкая проблема (автоматизация типовых задач)

• Качественные и актуальные данные

• Реалистичные ожидания (автоматизация 80%, а не 100%)

• Интеграция в существующие процессы

• Измеримые бизнес-метрики

Что не работает:

• Расплывчатая задача («сделаем ИИ»)

• Устаревшие или низкокачественные данные

• Завышенные ожидания (магия и вау-эффект)

• Отсутствие интеграции (модель в вакууме)

• Игнорирование обратной связи

Метрики: как измерять успех ИИ-проекта

Метрики для ИИ-проектов делятся на три категории.

1. Технические метрики (качество модели)

Эти метрики показывают, насколько хорошо работает модель.

Для задач классификации (например, спам/не спам):

Accuracy (точность)

• Процент правильных предсказаний

• Формула: Accuracy = (Правильные предсказания) / (Всего примеров)

• Пример: Модель правильно классифицировала 85 из 100 писем → Accuracy = 85%

Precision (точность предсказаний)

• Из всех положительных предсказаний, сколько правильных?

• Формула: Precision = True Positives / (True Positives + False Positives)

• Пример: Модель сказала «спам» для 20 писем, из них 18 действительно спам → Precision = 90%

Recall (полнота)

• Из всех положительных примеров, сколько модель нашла?

• Формула: Recall = True Positives / (True Positives + False Negatives)

• Пример: Было 25 спам-писем, модель нашла 20 → Recall = 80%

F1-score

• Среднее гармоническое между Precision и Recall

• Формула: F1 = 2 × (Precision × Recall) / (Precision + Recall)

• Используется, когда нужен баланс между Precision и Recall

Когда какую метрику важнее:

• Precision важнее: Когда False Positive дорого стоит

• Пример: Fraud detection (блокировка легальной транзакции — плохо для пользователя)

• Recall важнее: Когда False Negative дорого стоит

• Пример: Медицинская диагностика (пропустить болезнь хуже, чем ложная тревога)

Для задач генерации текста (LLM):

• Perplexity: Насколько модель уверена в своих предсказаниях (ниже = лучше)

• BLEU score: Сравнение сгенерированного текста с эталонным

• Человеческая оценка: Люди оценивают качество текста (1-5 звезд)

2. Бизнес-метрики

Технические метрики — это хорошо, но бизнес хочет видеть влияние на деньги.

Примеры бизнес-метрик для разных задач:

Чат-бот поддержки:

• Снижение времени ответа (с 2 часов до 30 секунд)

• Процент вопросов, решенных ботом (80%)

• Экономия на зарплате операторов (3 FTE)

• Удовлетворенность пользователей (CSAT вырос с 3.5 до 4.2)

Рекомендательная система:

• Рост конверсии (+15%)

• Рост среднего чека (+12%)

• Увеличение времени на сайте (+20%)

• Рост выручки (+5 млн₽/год)

Автоматизация HR:

• Снижение времени на первичный отбор (с 2 недель до 2 дней)

• Экономия времени HR-специалистов (70%)

• Качество кандидатов (не снизилось)

Fraud detection (определение мошенничества):

• Снижение мошеннических транзакций (на 40%)

• False Positive Rate (не увеличился ли процент ложных блокировок?)

• Экономия (сколько денег сберегли)

3. Пользовательские метрики

Как пользователи относятся к ИИ в продукте?

Обратная связь:

• Кнопки 👍 👎 (сколько пользователей ставят лайки ответам ИИ?)

• CSAT (Customer Satisfaction Score): Оценка удовлетворенности (1-5 звезд)

• NPS (Net Promoter Score): Готовы ли пользователи рекомендовать продукт?

Поведенческие метрики:

• Retention: Возвращаются ли пользователи?

• Engagement: Как часто пользуются ИИ-функцией?

• Adoption Rate: Сколько пользователей вообще пробуют ИИ-функцию?

Как измерять ROI для ИИ-проекта

Формула ROI:

ROI = (Польза - Затраты) / Затраты × 100%

Затраты:

• Разработка (один раз)

• Операционные расходы (ежемесячно)

• Поддержка и обновления

Польза:

• Экономия на зарплате (автоматизация)

• Рост выручки (конверсия, средний чек)

• Снижение оттока (churn)

• Рост удовлетворенности клиентов (LTV)

Пример расчета:

Проект: Чат-бот для поддержки

Затраты за год:

• Разработка: 1,000,000₽

• Операционка: 100,000₽/мес × 12 = 1,200,000₽

• Итого: 2,200,000₽

Польза за год:

• Экономия на зарплате: 3 оператора × 80,000₽/мес × 12 = 2,880,000₽

• Рост удовлетворенности → снижение churn → дополнительная выручка: 500,000₽

• Итого: 3,380,000₽

ROI = (3,380,000 - 2,200,000) / 2,200,000 × 100% = 53.6%

Окупаемость: 2,200,000 / (3,380,000 / 12) ≈ 7.8 месяцев

Таблица: Метрики для разных типов ИИ-задач

Правовые и этические аспекты работы с ИИ в России

68% российских компаний сталкиваются с правовыми барьерами при внедрении ИИ. Это серьезная проблема, которую нельзя игнорировать.

Российское законодательство по ИИ (2025)

Основные законы:

1. Федеральный закон «Об экспериментальных правовых режимах в сфере цифровых инноваций» (2020)

• Создает «регуляторные песочницы» для тестирования ИИ-решений

• Позволяет компаниям тестировать технологии в особом правовом режиме

2. Федеральный закон № 152-ФЗ «О персональных данных» (2006, обновления 2024-2025)

• Регулирует обработку персональных данных

• Требует согласия пользователей на обработку

• Данные должны храниться на территории России

3. Национальная стратегия развития ИИ (2019, обновлена 2024)

• Определяет приоритеты развития ИИ в России

• Выделяет бюджеты на поддержку (15.7 млрд₽ на 2024-2026)

4. Федеральный проект «Искусственный интеллект» (2024-2026)

• Бюджет: 15.7 млрд рублей

• Гранты для компаний, внедряющих ИИ

• Налоговые льготы для IT-компаний

5. Центр развития искусственного интеллекта (создан в июне 2025)

• Координация усилий по развитию ИИ

• Сбор лучших практик

• Методические рекомендации

Защита персональных данных (ФЗ-152)

ИИ часто работает с персональными данными. Это значит, что нужно соблюдать закон.

Что считается персональными данными (ПДн):

• ФИО

• Дата рождения

• Адрес

• Телефон, email

• Паспортные данные

• Фотографии (если можно идентифицировать человека)

• История покупок, поисковые запросы, геолокация

Требования закона:

1. Согласие на обработку

• Пользователь должен дать явное согласие на обработку ПДн

• Согласие должно быть конкретным (не «на всё», а «на обработку для целей X»)

2. Уведомление Роскомнадзора

• Если обрабатываете ПДн, нужно уведомить Роскомнадзор

• Исключение: обработка для внутренних целей компании

3. Хранение в России

• Персональные данные российских граждан должны храниться на территории РФ

• Можно передавать за границу, но только с согласия пользователя и при соблюдении условий

4. Меры защиты

• Шифрование данных

• Контроль доступа

• Аудит безопасности

Штрафы за нарушения:

• Для компаний: до 500,000₽ (первое нарушение), до 18,000,000₽ (повторное)

• Блокировка сайта/сервиса

Этические вопросы ИИ

1. Bias (предвзятость)

ИИ учится на данных. Если данные содержат предвзятость, модель тоже будет предвзятой.

Примеры:

• Модель для найма дискриминирует женщин (обучена на данных, где 80% сотрудников — мужчины)

• Модель кредитного скоринга дискриминирует определенные регионы

• Модель распознавания лиц хуже работает для людей с темной кожей (обучена на датасете с преимущественно белыми лицами)

Как избежать:

• Аудит обучающих данных на предвзятость

• Использование сбалансированных датасетов

• Тестирование модели на разных сегментах пользователей

• Мониторинг метрик по сегментам (модель работает одинаково хорошо для всех?)

2. Прозрачность и объяснимость

Пользователи должны понимать, как ИИ принимает решения.

Проблема: Многие модели — «черный ящик». Невозможно объяснить, почему модель приняла именно такое решение.

Решение:

• Использовать объяснимые модели (Explainable AI - XAI)

• Показывать пользователю, на основе чего принято решение

• Давать возможность обжаловать решение

Пример:

Банк отклонил заявку на кредит. Пользователь имеет право узнать, почему.

Плохо:

• «Ваша заявка отклонена»

Хорошо:

• «Ваша заявка отклонена по следующим причинам: низкий кредитный рейтинг, высокая долговая нагрузка»

3. Ответственность за ошибки ИИ

Если ИИ принял неправильное решение, кто несет ответственность?

Примеры:

• Автомобиль с автопилотом попал в аварию. Кто виноват?

• Медицинский ИИ поставил неправильный диагноз. Кто ответственен?

• Рекомендательная система показала неуместную рекламу. Кто виноват?

Текущая ситуация в России (2025):

• Законодательство не дает четких ответов

• Скорее всего, ответственность несет компания, которая внедрила ИИ

• Для критичных систем (медицина, транспорт) могут потребовать сертификацию

Рекомендации для PM:

• Не использовать ИИ для критичных решений без human-in-the-loop

• Давать пользователю возможность отменить решение ИИ

• Прописывать в Terms of Service ограничения ответственности

Чек-лист: правовая готовность ИИ-проекта

• [ ] Проверили, обрабатывает ли система персональные данные (ПДн)

• [ ] Получили согласие пользователей на обработку ПДн

• [ ] Уведомили Роскомнадзор (если требуется)

• [ ] Данные хранятся на территории России

• [ ] Реализованы меры защиты данных (шифрование, контроль доступа)

• [ ] Проверили обучающие данные на bias (предвзятость)

• [ ] Протестировали модель на разных сегментах пользователей

• [ ] Добавили механизмы прозрачности (объяснение решений ИИ)

• [ ] Дали пользователю возможность обжаловать решения ИИ

• [ ] Прописали в Terms of Service ограничения ответственности

• [ ] Консультировались с юристами

Карьера: как стать ML Product Manager и сколько платят

Спрос на Product Manager с опытом работы с ИИ растет. Это перспективное направление для карьеры.

Зарплаты ML/AI Product Manager в России (2025)

ML/AI Product Manager:

• Средняя зарплата: 220,000₽/мес

• Junior (0-2 года опыта): 100,000-150,000₽/мес (Москва), 80,000-120,000₽ (регионы)

• Middle (2-5 лет опыта): 180,000-300,000₽/мес (Москва), 150,000-250,000₽ (регионы)

• Senior (5+ лет опыта): 300,000-500,000₽/мес (Москва), 250,000-400,000₽ (регионы)

Для сравнения, обычный Product Manager (без AI):

• Средняя зарплата: 150,000-200,000₽/мес

• Junior: 80,000-120,000₽/мес

• Middle: 150,000-250,000₽/мес

• Senior: 250,000-400,000₽/мес

Вывод: Навыки работы с ИИ добавляют +15-25% к зарплате.

Кто нанимает ML Product Manager

Топ-компании, активно нанимающие в 2025:

1. Яндекс

• Ищут PM для YandexGPT, Алисы, Яндекс.Поиска

• Зарплата: 250,000-400,000₽/мес

• Требования: опыт работы с LLM, понимание ML

2. Сбер

• Ищут PM для GigaChat, Sber AI, финтех-продуктов

• Зарплата: 220,000-350,000₽/мес

• Требования: опыт в финансах или ML

3. VK

• Ищут PM для рекомендательных систем, модерации контента

• Зарплата: 200,000-320,000₽/мес

4. МТС

• Ищут PM для МТС AI, корпоративных решений

• Зарплата: 200,000-300,000₽/мес

5. T-Bank (бывший Тинькофф)

• Ищут PM для ИИ в финтехе (fraud detection, кредитный скоринг)

• Зарплата: 250,000-400,000₽/мес

6. Ozon

• Ищут PM для рекомендательных систем, прогнозирования спроса

• Зарплата: 180,000-280,000₽/мес

Как стать ML Product Manager

Вариант 1: Переход из классического PM

Если вы уже Product Manager:

Шаг 1: Изучите базу ML

• Пройдите курс по основам машинного обучения (например, «Введение в ML» от Яндекса или Coursera)

• Не нужно становиться ML-инженером, но нужно понимать термины

Шаг 2: Практика на pet-проектах

• Сделайте пет-проект с использованием ИИ

• Пример: Чат-бот на базе YandexGPT для своего продукта

Шаг 3: Внедрите ИИ в текущий продукт

• Предложите ИИ-функцию в своем текущем продукте

• Реализуйте MVP, соберите метрики

Шаг 4: Обновите резюме

• Укажите опыт работы с ИИ

• Добавьте кейсы (что сделали, какие метрики улучшили)

Вариант 2: Переход из ML-инженера в PM

Если вы ML-инженер и хотите стать PM:

Шаг 1: Изучите product management

• Пройдите курс по PM (например, от GoPractice, Яндекс Практикум)

• Изучите: CustDev, Metrics, Roadmapping, Prioritization

Шаг 2: Работайте ближе к бизнесу

• Участвуйте в обсуждениях продуктовой стратегии

• Предлагайте идеи, как ваша модель может улучшить бизнес-метрики

Шаг 3: Сделайте кейс по продуктовому мышлению

• Проанализируйте продукт (как PM)

• Предложите улучшения с использованием ML

• Покажите ROI

Навыки ML Product Manager

Обязательные:

• Классические PM-навыки (CustDev, Metrics, Roadmapping)

• Понимание основ ML (типы моделей, метрики, процесс обучения)

• Data Strategy (как строить добродетельный цикл данных)

• Prompt Engineering (для работы с LLM)

• Понимание правовых аспектов (ПДн, bias, этика)

Желательные:

• SQL (для работы с данными)

• Python (базовый уровень, чтобы понимать код)

• Опыт работы с ML-инструментами (Jupyter Notebook, Git)

• Знание облачных платформ (Yandex Cloud, Sber Cloud)

Soft skills:

• Коммуникация с ML-командой (Data Scientists, ML Engineers)

• Управление ожиданиями (ИИ — это не магия)

• Аналитическое мышление (работа с данными и метриками)

• Этическая осознанность (bias, fairness, transparency)

Курсы и ресурсы для обучения

Российские курсы:

1. Яндекс Практикум — «Продакт-менеджер»

• Длительность: 6 месяцев

• Стоимость: ~150,000₽

• Есть модуль по ИИ

2. GoPractice — «Симуляторы PM»

• Практические задачи

• Стоимость: от 15,000₽/мес

3. ProductSense — курсы и вебинары по AI Product Management

• Бесплатные и платные

4. Skillbox / Нетология — «Product Manager с нуля»

• Длительность: 6-12 месяцев

• Стоимость: 80,000-150,000₽

Бесплатные ресурсы:

Telegram-каналы:

• «Записки продакта»

• «Продуктовая среда»

• «AI Product Management»

• «ML в продакте»

YouTube:

• «Продуктовый подкаст»

• «ProductSense»

• Лекции Яндекса по ML

Habr / VC.ru:

• Статьи по тегам #product management, #AI, #ML

Конференции:

• Practical ML Conf 2025 (Яндекс) — крупнейшая конференция по прикладному ML в России

• ProductCamp — конференция по product management

• AI Conference — конференция по ИИ

Чек-лист: готовы ли вы внедрять ИИ

Пройдите этот чек-лист перед началом проекта.

Готовность задачи

• [ ] Определили конкретную проблему, которую решаем

• [ ] Проблема измерима (есть текущие метрики)

• [ ] ИИ — лучшее решение (а не простой алгоритм или улучшение UX)

• [ ] Рассчитали ожидаемый ROI

• [ ] ROI оправдывает инвестиции

Готовность данных

• [ ] Оценили, сколько данных нужно

• [ ] Данных достаточно (тысячи примеров минимум)

• [ ] Данные качественные (полные, точные, актуальные)

• [ ] Данные размечены или есть план разметки

• [ ] Данные репрезентативны (покрывают все сегменты пользователей)

• [ ] Проверили данные на bias (предвзятость)

Готовность команды

• [ ] Есть ML-инженер или Data Scientist (или готовы нанять)

• [ ] Команда разработки понимает, как интегрировать модель

• [ ] Команда готова поддерживать ИИ-систему в production

• [ ] Выделен PM, ответственный за ИИ-проект

• [ ] Команда понимает, что ИИ — это итеративный процесс (MVP → улучшение → масштабирование)

Готовность инфраструктуры

• [ ] Выбрали технологию (YandexGPT, GigaChat или свою модель)

• [ ] Есть облачная инфраструктура (Yandex Cloud, Sber Cloud или on-premise)

• [ ] Настроен мониторинг (отслеживание метрик модели)

• [ ] Есть процесс переобучения модели (как часто, кто отвечает)

Готовность бюджета

• [ ] Рассчитали бюджет на разработку

• [ ] Рассчитали операционные расходы (ежемесячно)

• [ ] Учли стоимость API-запросов

• [ ] Учли стоимость разметки данных

• [ ] Бюджет утвержден

Правовая готовность

• [ ] Проверили, обрабатывает ли система ПДн

• [ ] Получили согласие пользователей на обработку ПДн

• [ ] Уведомили Роскомнадзор (если требуется)

• [ ] Данные хранятся в России

• [ ] Реализованы меры защиты данных

• [ ] Протестировали модель на bias

• [ ] Добавили механизмы прозрачности

• [ ] Консультировались с юристами

Готовность UX

• [ ] Спроектировали, как пользователь будет взаимодействовать с ИИ

• [ ] Добавили механизмы обратной связи (кнопки 👍👎)

• [ ] Пользователь может отменить решение ИИ

• [ ] Показываем, что это ИИ (не прикидываемся человеком)

• [ ] Есть fallback (что делать, если ИИ не может ответить)

Готовность метрик

• [ ] Определили технические метрики (Accuracy, Precision, Recall)

• [ ] Определили бизнес-метрики (конверсия, выручка, экономия)

• [ ] Определили baseline (текущие значения метрик до внедрения ИИ)

• [ ] Знаем, через сколько будем оценивать результат (3 месяца? 6 месяцев?)

• [ ] Знаем, при каких значениях метрик проект считается успешным

Если на все пункты ответили «да» — можете начинать.

Если есть пункты «нет» — сначала закройте эти пробелы.

Заключение: ваш план действий на 12 недель

Подведем итоги. Вот конкретный план на 12 недель, чтобы внедрить ИИ в ваш продукт.

Недели 1-2: Обучение и погружение

Задачи:

• Изучить основы машинного обучения (курс «Введение в ML»)

• Прочитать статьи про YandexGPT и GigaChat

• Протестировать YandexGPT и GigaChat самостоятельно (веб-интерфейсы)

• Попробовать Prompt Engineering: составить 10 разных промптов, оценить качество ответов

Результат:

• Понимание базовых терминов (Accuracy, Fine-tuning, RAG, Bias)

• Опыт работы с LLM

• Понимание возможностей и ограничений

Недели 3-4: Поиск задачи и валидация

Задачи:

• Найти 3-5 проблем в вашем продукте, которые может решить ИИ

• Оценить каждую проблему по фреймворку:

• Насколько болезненна проблема?

• Может ли ИИ решить ее лучше, чем другие методы?

• Есть ли данные?

• Каков ожидаемый ROI?

• Выбрать 1 проблему для MVP

• Обосновать выбор перед командой и руководством

Результат:

• Четко определенная проблема

• Обоснование, почему ИИ — лучшее решение

• Предварительная оценка ROI

Недели 5-6: Аудит данных и выбор технологии

Задачи:

• Провести аудит данных:

• Сколько данных есть?

• Какого качества?

• Нужна ли разметка?

• Оценить стоимость сбора/разметки данных

• Выбрать технологию (YandexGPT vs GigaChat vs своя модель)

• Зарегистрироваться в Yandex Cloud / Sber Cloud

• Протестировать API (сделать тестовый запрос)

Результат:

• Понимание состояния данных

• Выбранная технология

• Доступ к API

Недели 7-8: Разработка MVP

Задачи:

• Спроектировать MVP (минимальный функционал)

• Разработать интеграцию с API

• Реализовать базовый UX (интерфейс для пользователя)

• Добавить механизмы обратной связи (кнопки 👍👎)

• Протестировать на небольшой группе пользователей (5-10%)

Результат:

• Работающий MVP

• Первые пользователи тестируют

• Собираем обратную связь

Недели 9-10: Тестирование и улучшение

Задачи:

• Собрать метрики:

• Технические (Accuracy, скорость ответа)

• Бизнес (влияние на конверсию, экономия времени)

• Пользовательские (CSAT, обратная связь)

• Проанализировать, что работает, а что нет

• Улучшить промпты (Prompt Engineering)

• Дообучить модель (если нужно)

• Исправить UX на основе обратной связи

Результат:

• Улучшенная версия MVP

• Метрики показывают положительную динамику

Недели 11-12: Масштабирование или решение

Задачи:

• Принять решение на основе метрик:

• Масштабировать: Если метрики хорошие → запустить для 100% пользователей

• Улучшить: Если метрики средние → еще одна итерация

• Откатить: Если метрики плохие → закрыть проект, признать неудачу

• Если масштабируем:

• Увеличить инфраструктуру (выдержит ли API нагрузку?)

• Настроить мониторинг

• Обучить команду поддержки

• Запустить для всех пользователей

• Презентовать результаты руководству:

• Что сделали

• Какие метрики улучшили

• Каков ROI

• Что планируем дальше

Результат:

• ИИ-функция запущена для всех пользователей

• Измеримое влияние на бизнес-метрики

• Команда знает, как поддерживать систему

Что дальше?

После успешного запуска:

Месяцы 4-6: Оптимизация

• Переобучение модели на свежих данных

• A/B-тесты разных подходов

• Снижение операционных расходов (оптимизация API-запросов)

Месяцы 7-12: Масштабирование

• Добавление новых функций

• Интеграция ИИ в другие части продукта

• Автоматизация большего количества задач

Главное: действуйте итеративно

ИИ — это не «запустили и забыли». Это постоянный процесс улучшения.

Цикл:

1. Запустите MVP (минимальная версия)

2. Соберите метрики

3. Улучшите на основе данных

4. Повторите

Не пытайтесь сделать идеально с первого раза. Лучше запустить быстро, получить обратную связь и улучшить.

Финальные мысли

Внедрение ИИ — это не про технологии. Это про решение проблем.

95% компаний проваливаются, потому что начинают с технологии.

5% успешных компаний начинают с проблемы.

Формула успеха проста:

1. Проблема: Четко определите, что решаете

2. Данные: Убедитесь, что данные качественные и достаточные

3. MVP: Запустите быстро, не ждите идеального решения

4. Метрики: Измеряйте влияние на бизнес

5. Итерации: Улучшайте на основе данных

Последний совет: Не бойтесь неудач.

Если проект не работает — закройте его. Лучше признать неудачу рано, чем сливать деньги годами.

ИИ в России 2025 — это не будущее. Это настоящее. Компании, которые не внедряют ИИ, отстают от конкурентов.

Ваш выбор: быть в 5% успешных или в 95% проваленных.

Действуйте.

А лучшие вакансии для product и project менеджеров ищите на hirehi.ru