А вы уверены, что создаете эффективных AI-агентов?

Почему продакт-менеджеры испытывают трудности с AI-агентами?

Вечером в среду мне написала моя коллега. Она прислала взволнованное голосовое сообщение: «Нам наконец-то дали зелёный свет на первого агента. Это круто, но… никто не понимает, что именно мы делаем».

Раньше ее команда делала маркетинговых чат-ботов. Когда руководство предложило попробовать агентный ИИ, все решили, что справятся: напишем пару промптов, добавим немного автоматизации, нарисуем блок-схемы. Но проект быстро застопорился. Дизайнер не понимал, что именно нужно изобразить. Data-team терялась, какие данные готовить. Инженеры просили показать хоть какой-то прототип.

Почему проекты AI-агентами часто буксуют на ранних стадиях

Когда мы начали разбирать настоящую проблему — уложиться в сроки и не подвести руководство — я спросил свою коллегу, вспоминая свои собственные провалы с ИИ-агентами: «Ты уже выяснила, какие знания нужны твоему агенту для принятия решений?» Ответа не последовало — повисла долгая пауза. Именно здесь спотыкается большинство проектов с агентами. Дело не в самой модели ИИ, а в том, что продакт-менеджеры обращаются с агентами как с обычными функциями. Но агенты не вписываются в привычные бизнес-процессы — они существуют в рамках целых систем. Им требуется новый подход к программному обеспечению.

Пора перестать думать только о функциях — пора сосредоточиться на настоящих решениях. Agentic AI — это не про интерфейс, а про мышление. Если расставить приоритеты неправильно, это быстро становится заметно: команда делает красивый прототип, который разваливается при попытке масштабирования; доверие руководства тает; а продакт-менеджеры неделями пытаются придать структуру тому, что на деле оказалось просто эффектным промптом. Я видел это и в стартапах, и в крупных компаниях. Хорошая новость: всё можно изменить.

Стройте знания как инфраструктуру

В большинстве компаний ценные знания разбросаны по разным каналам — презентациям, регламентам, чатам и даже разговорам на кухне. Чтобы агент начал работать, коллективные знания нужно превратить в структуру, которая будет доступна и пригодна для использования здесь и сейчас. Когда мы запускали агентов для B2B-сценариев с договорами, мы не начинали с промптов. Сначала мы проводили воркшопы, чтобы собрать суждения и шаги, которыми ежедневно пользуются менеджеры по продажам. Это была не глянцевая задача, а кропотливая работа по превращению неявных решений в четкие схемы, которые раньше существовали только в головах людей.

Мы взяли на вооружение методы информационной архитектуры, деревьев решений и системного мышления. Один из членов команды заметил: это больше похоже на «перепроектирование мозга», чем на обычную разработку софта. Такой подход отлично подходит для создания агентных систем.

Благодаря этому методу инженеры, специалисты по комплаенсу и другие участники команды смогли быстро разобраться в логике агента, протестировать её границы и смело вносить улучшения.

Jobs to Be Done и создание памяти для AI-агентов

Для эффективного запуска AI-агентов важно использовать методологию Jobs to Be Done (JTBD), которая помогает сфокусироваться на задачах пользователя, а не просто на функциях. JTBD позволяет понять контекст и приоритеты, необходимые для создания качественной памяти и логики агента.

Часто LLM-модели называют «мозгом» агентной системы. На самом деле она скорее «голос». Настоящий интеллект скрывается в памяти — в том самом контексте, который агент уносит с собой из одного диалога в другой. Но память нельзя просто добавить — её нужно продумать под конкретную роль и задачи пользователя.

Здесь нас спасла методология Jobs to Be Done (JTBD). Вместо того чтобы зацикливаться на функциях, мы спросили себя:

• В какой ситуации сейчас пользователь?
• Какую цель он ставит перед собой?
• Что для него будет успехом?

Ответы на эти вопросы помогли нам выделить три ключевые задачи для памяти агента:

• Core memory — текущая задача, на которой сосредоточен агент
• Recall memory — то, что произошло совсем недавно
• Archival memory — опыт, который уже приносил хорошие результаты

Такое разделение позволило нам создать память, которая помогает агенту принимать решения, а не просто складировать информацию.

---

---

Считайте затраты с самого старта

Почти ни одна продуктовая команда не задумывается об этом заранее: каждый раз, когда агент «думает», это стоит денег.

Я понял это на собственном опыте, когда ранний прототип за несколько часов истратил весь лимит токенов. Мы не учли, как часто агент будет обращаться к внешним API и насколько длинными окажутся цепочки подсказок. Технология работала, но экономика провалилась.

Мы начали считать расходы так же, как обычно планируют затраты на облако или инфраструктуру:

• Сколько токенов уходит на одну задачу?
• Сколько подсказок требуется для каждой операции?
• Какова задержка каждого API?
• Во сколько обходится один успешный результат?

 Мы даже провели простой анализ чистой приведённой стоимости (Net Present Value, NPV), чтобы объяснить затраты руководству. Без этого мы бы запустили прототип, который не выдержал бы масштабирования. Такой анализ не раз помогал нам отказаться от красивых, но бесполезных сценариев. Лучше вовремя сменить курс, чем тратить недели на системы, которые слишком дороги в эксплуатации.

Думайте о правилах управления агентом с самого начала

Частая ошибка — пытаться добавить требования комплаенса уже после запуска агента. Но если ваш агент принимает решения, действует самостоятельно или получает доступ к данным, вопросы управления агентом — это не просто формальность, а основа дизайна.

Для клиента из сферы здравоохранения мы прописали правила ещё до написания первых подсказок:

• Кто может пользоваться агентом?
• Какие данные ему доступны? 
• Когда управление должен взять на себя человек? 

Важно понимать: именно вопросы задают направление для создания промптов, а не наоборот.  
Мы разделили политику (правила) и исполнение (логику работы). Так юридический отдел, ИТ и продуктовая команда всегда знали, что именно может делать агент (автоматизированный исполнитель), и могли безопасно вносить изменения.

Эффективное управление — это не помеха, а стратегия, которая позволяет вашему агенту эффективнее масштабироваться. Благодаря этому стейкхолдеры дают твердое «да» вместо неуверенного «может быть».

Включите объяснимость в ваши критерии приемки

Люди не доверяют тому, чего не понимают — мы убедились в этом на практике. 
В нашем B2B-проекте для работы с договорами агент анализировал контракты при продлении и выявлял изменения. Задачу он выполнял, но команда всё равно спрашивала: «Почему он изменил эти условия?».

Мы внедрили вывод на основе графовой модели и оценки уверенности. Теперь агент не ограничивался простым «да» или «нет». Он объяснял: 

«Договор использует данные из CRM и изменения закона 2.1, основанные на недавнем судебном деле юридического отдела. Уверенность: 92 %»

Объяснимость вместе с управлением агентом открыла дорогу внедрению. Внезапно юридический отдел, операционный блок и руководство стали доверять системе.

Мы также добавили возможность ручного вмешательства. Если уверенность агента была низкой, задача переходила человеку — вместе с пояснением, что именно пытался сделать агент. Такой, казалось бы, небольшой шаг изменил отношение команд к рискам.

---

---

Как Agentic AI меняет работу продуктового менеджера: ключевые инсайты

С появлением искусственного интеллекта мы создаём не просто инструменты, а умные системы. Теперь наша задача — не только автоматизировать процессы, но и:

1. Внедрять экспертную логику, а не просто настраивать рабочие процессы. 
2. Строить «память» вокруг задач, а не отдельных экранов. 
3. Прогнозировать издержки так же, как это делает операционная система.
4. Включать управление агентом (governance) прямо в архитектуру продукта.
5. Добавлять объяснимость в каждый релиз, делая работу ИИ прозрачной. 

Agentic AI меняет саму суть профессии продуктового менеджера. Теперь нам нужно мыслить шире, создавать эффективные решения и учитывать экономику продукта. Только так ИИ сможет работать не только в лаборатории, но и приносить пользу бизнесу.

Если мне пришлось бы выделить главное — вы создаете не просто подсказки, а доверие. Оно строится на знаниях, памяти, себестоимости, правилах управления агентом и прозрачности. Именно эти качества становятся новой основой профессии. Пора освоить их.