Плохой менеджер Артём Арюткин

Самый дорогой способ проверить идею — полгода её разрабатывать.

Сначала проверьте спрос. Так сделали эти ребята:

— Юра выбрал нишу, которую все считают скучной, но там уже платят. Начал с $100 в месяц, через год вышел примерно на $10K.
— Денис один собрал AI-игру в Telegram. За первые полтора месяца ~$1 500.
— Аня не пишет код, но запустила AI-бота для английского. Первые ~$200 пришли в первый же месяц.

Масштабы разные, схема одна:
1. Найти, за что люди уже платят.
2. Быстро собрать MVP.
3. Проверить спрос на живых пользователях.
4. Только потом докручивать продукт.

Это не рецепт «как точно сделать $10K». Гарантий вообще нет.
Но так вы узнаете ответ за недели, а не за год.

В @its_capitan разбирают такие запуски по шагам: что сделали, сколько получили, где облажались.

Подписывайтесь, чтобы запускать продукты, которые нужны пользователям, а не пилить в стол.

Реклама: ИП Зуев Игорь Владимирович, ИНН: 360408359441, Erid: 2VtzqwWFhVo

В США инженеров стали нанимать в два раза меньше, чем в 2022 году. А продакты, кажется, чувствуют себя лучше всех! 😁

Короче, Ленни Рачицки выпустил большое исследование рынка труда в IT на конец 2026 года (https://www.lennysnewsletter.com/p/state-of-the-tech-job-market-late).

И вот это супер-пупер внезапный поворот для читателей канала про менеджмент!

И вот что получилось!

1. Продактов надо больше!

Количество открытых вакансий PM выросло на 75% относительно минимума марта 2023 года.

Это максимум почти за четыре года!

Причем доля продактов среди нанятых специалистов пяти основных продуктовых профессий выросла с 16% в 2021 году до 21%.

Правда, есть нюанс: фактический найм продактов не растет так же бодро, как количество вакансий.

2. А вот инженеров стали нанимать вдвое меньше!

В 2022 году американские компании наняли около 239 тысяч Software Engineers.

За последний доступный 12-месячный период — всего 113 тысяч.

Падение на 53%!

А теперь еще интереснее!

Рост количества инженерных вакансий:
- 2024 год: +29%.
- 2025 год: +15%.
- Последний год: +2,5%.

И знаете, кому особенно не повезло? :-(

Спрос на мобильных и frontend-разработчиков за последний год сократился почти вдвое!

При этом вакансий Forward Deployed Engineers стало в 4,6 раза больше.

Это такие инженеры, которые не просто пишут код, а непосредственно внедряют технологии в бизнес-процессы клиентов.

Как sap-консультант, только про ИИ)))

3. Дизайнерам и исследователям еще грустнее.

Количество открытых вакансий продуктовых дизайнеров за год упало на 28%.

А фактический найм относительно 2022 года сократился с 27,6 до 12,6 тысячи человек.

Но больше всех досталось User Researchers!

Их стали нанимать на 66% меньше, чем в 2022 году.

А вот вам еще одна интересная цифра: сейчас на одну открытую вакансию продуктового дизайнера приходится 3,8 вакансии PM.

В начале 2023 года было всего 1,9.

4. Без AI теперь никуда!

Еще два года назад среди востребованных навыков продактов были SQL, Jira, AWS и Python.

А сегодня самый часто упоминаемый навык в PM-вакансиях LLM!

Claude уже на третьем месте, а Cursor, OpenAI и MCP входят в топ-8.

У инженеров LLM по упоминаниям обогнал Java.

А у дизайнеров Claude обошел CSS!

Офигеть, как быстро меняются требования к профессиям?

5. Удаленка продолжает умирать.

В конце 2022 года 21% технологических вакансий предполагал удаленную работу.

Сегодня всего 14%.

У инженеров доля упала с 25% до 14%.

У дизайнеров с 34% до 19%.

А вот у продактов последние два года держится около 21%.

Ну хоть где-то стабильность! 😁

В книге про искусственный интеллект глава про LLM начинается на 388-й странице 😁

И знаете, мне нравится такой порядок.

Я тут постоянно пишу про AI, агентов, изменения в разработке. И за всеми этими обсуждениями полезно иногда вернуться к вопросу: а как вообще устроены штуки, на которых мы собираемся строить наши продукты и процессы? И, кажется, жизнь и безопасность ‘

Короче, «Грокаем алгоритмы искусственного интеллекта» Ришала Харбанса - это 544 страницы: от поиска пути и эволюционных алгоритмов до языковых моделей и генерации изображений.

Что в ней интересного?

1. Помогает увидеть, насколько разные задачи мы называем одним словом «ИИ».

Найти выход из лабиринта. Уложить в рюкзак самые ценные предметы с ограничением по весу. Построить маршрут между аттракционами. Научить машину добираться до владельца через парковку.

Для каждой задачи автор разбирает свой подход: как представить возможные решения, как их искать, по каким признакам выбирать хорошие.

2. Объясняет через примеры, которые можно разобрать руками.

У генетического алгоритма есть варианты решения, отбор, скрещивание и мутации. У муравьиного: пути и следы, влияющие на выбор следующего маршрута. У нейросети - вычисления, ошибка и изменение весов.

3. Конечно-конечно про токены, эмбэдинги, само внимание и прочее там прямо тоже будет.
Только прикол в том, что подведут тебя к этому аккуратненько за ручку, как первоклашку.

Что мне кажется ограничением книги?

Во-первых, доступное изложение всё равно требует работы. Здесь есть формулы, код и упражнения. Базовое понимание программирования понадобится.

Во-вторых, глубина разная. На механизм внимания отведён подробный разбор, а RAG занимает примерно половину страницы. Поэтому по наличию термина в оглавлении нельзя судить, насколько глубоко получится его изучить.

Кому рекомендовать книгу?

Я бы рекомендовал книгу разработчикам, техлидам и техническим продактам, которым хочется собрать знания об ИИ в более связную картину. Для человека, который уже профессионально занимается ML, значительная часть материала будет знакомой.

Мне кажется, особенно полезно сейчас понимать две вещи: каким способом система ищет решение и что именно она считает хорошим результатом.

P.S. Ну и мой восторг природе, когда я в этой книге разобрался, как же все-таки устроен «рой» и «муравьиный механизм»

А кругом разговоров только о том, сколько ИИ сэномил

Короче, тут методологию оценки финансовой эффективности ИИ подвезли от Альянса в сфере ИИ и Ассоциации ФинТех. Документ про то, как считать эффект, с примерами финансовых организаций.

Кажется, как база, прямо хорошая!

1. Сэкономленное время ещё нужно во что-то превратить

Методология разделяет реальное сокращение численности и отказ от дополнительного найма. Для признания такого эффекта расчёт должен быть подтверждён и отражён в бизнес-плане. (a-ai.ru)

А теперь мой условный пример.

Тысяча разработчиков экономит по часу в неделю. Получается тысяча часов. По 3 тысячи рублей за час — уже 3 миллиона!

Только зарплаты мы заплатили прежние.

Возможно, ребята выпустили больше полезных изменений. Возможно, перестали перерабатывать. Возможно, освободившееся время съели согласования.

Все три сценария требуют разных управленческих решений. Табличка с часами их за нас не примет.

2. Сравнивать нужно с разумной альтернативой

Авторы рекомендуют оценивать ИИ относительно лучшей ближайшей альтернативы без него. Иначе в эффект модели попадёт польза от самого изменения процесса.

Мой пример: мы годами вручную переносили данные, потом сделали агента.

А обычный скрипт эту задачу мог решить?

Если мог, то на защите хочется увидеть стоимость обоих вариантов. Особенно когда агенту ещё нужны поддержка и проверка результатов.

3. Из эффекта придётся вычесть расходы

В методологии предлагают учитывать затраты на создание и поддержку: людей, инфраструктуру, лицензии, внешние услуги.

Есть показательный кейс Московской биржи: агент собирает один слайд из большой презентации. В расчёте 50 сэкономленных рабочих дней в год, 40 дней на создание и 20 дней ежегодной поддержки. ROI за три года получается 50%. Это модельная оценка потенциальных расходов.

Сколько раз инструментом воспользуются? Сколько времени займёт проверка слайда? Что случится с окупаемостью, если пользоваться будут вдвое реже?

4. Красивую формулу ещё нужно наполнить доказательствами

В документе приоритет отдают рандомизированным экспериментам и отдельно разбирают двойной учёт эффекта нескольких инициатив.

Для меня отсюда простой вывод: расчёт ROI полезен ровно настолько, насколько можно доверять его исходным данным.

Что с этим делать?

Перед запуском договориться:
- что конкретно должно измениться для бизнеса;
- как проверим вклад ИИ;
- кто превратит освободившееся время в результат;
- какие расходы учтём;
- когда вернёмся проверить обещания.