В вакансиях AI-продакта просят то же продуктовое ядро, что у обычного продакта, и сверху понимание машинного обучения (ML). Рядом 15 профессий ИИ-команды: для каждой видно, какой результат от неё ждут и о чём с ней договориться.
Разобраны вакансии восьми крупных российских компаний. Они показывают, что работодатели написали в объявлениях. Хватит ли навыка и как перейти в профессию, по ним не видно. Ниже что общего у AI-продакта с обычным, какие технические знания у него просят сверху и какие две ветки есть после senior.
Как читать числа. Выборок две, и я их не складываю. Первая: 1 092 вакансии, где упомянут ИИ, срез 08–09.10.2026. Из неё разделы о рынке, команде и профессиях, а также стаж и подчинённые продакта: у него там 57 вакансий. Вторая: 112 продуктовых вакансий тех же компаний, собранных 10.10.2026 без фильтра по ИИ. В неё вошли вакансии с полным текстом, где продуктовая роль подтверждена. Охват источников у компаний разный. AI-продакт в ней отвечает за продукт или функцию на ИИ, таких 29. Обычных продактов 76, среди них и те, кому ИИ нужен только как рабочий инструмент. У 7 роль ИИ не установлена, поэтому AI-продакта с обычным сравниваю по 29 и 76 вакансиям, вместе 105.
продуктовое ядротехнический слойAI-продактИнженеры · 9Аналитики · 2Продукт и проекты · 2Прочие · 2LLM-инженер: 117 из 119
Продуктовое ядрошесть общих компетенций
Технический слойML, LLM, архитектура
Инженеры9 профессий
Аналитики2 профессии
Продукт и проекты2 профессии
Прочие2 профессии
Высота столбика: доля вакансий профессии, где ИИ обязателен; пять кубиков: почти во всех вакансиях. 1 092 ИИ-вакансии, срез 08–09.10.2026
Обычный продакт01 / 02
ядро × продукт без ИИ
AI-продакт02 / 02
ядро × технический слой
1Бэклог и поставка
2Стейкхолдеры
3Метрики и эксперименты
4Стратегия и дорожная карта
5Исследование пользователей
6Экономика и окупаемость
7Архитектура и интеграции
8Понимание ML
9LLM и генеративный ИИ
группа
не называют
до 25 %
25–50 %
50–75 %
75 % и выше
Продуктовое ядро
6
565
12341234
Технический слой
89
7
9
78
журнал · требование, плюс или задача
Бэклог и поставка → продуктовое ядро · 70 из 76
Стейкхолдеры → продуктовое ядро · 71 из 76
Метрики и эксперименты → продуктовое ядро · 69 из 76
Стратегия и дорожная карта → продуктовое ядро · 58 из 76
Исследование пользователей → продуктовое ядро · 55 из 76
Экономика и окупаемость → продуктовое ядро · 43 из 76
Архитектура и интеграции → технический слой · 29 из 76
Бэклог и поставка → продуктовое ядро · 28 из 29
Стейкхолдеры → продуктовое ядро · 28 из 29
Метрики и эксперименты → продуктовое ядро · 24 из 29
Стратегия и дорожная карта → продуктовое ядро · 24 из 29
Исследование пользователей → продуктовое ядро · 19 из 29
Экономика и окупаемость → продуктовое ядро · 9 из 29
Архитектура и интеграции → технический слой · 22 из 29
Понимание ML → технический слой · 23 из 29
LLM и генеративный ИИ → технический слой · 18 из 29
требуют опыт · 112 продуктовых вакансий без фильтра по ИИ
группа
вакансий
бэклог
понимание ML
архитектура
экономика
Обычный продакт
76
34 из 76
0 из 76
22 из 76
28 из 76
AI-продакт
29
10 из 29
20 из 29
13 из 29
4 из 29
20 из 29вакансий AI-продакта требуют понимания MLу обычного продакта 0 из 76112 продуктовых вакансий без фильтра по ИИ
728 из 1 092ИИ-вакансий требуют ИИ от самой ролибез крупнейшего работодателя 226 из 3031 092 ИИ-вакансии, срез 08–09.10.2026
3 из 105продуктовых вакансий требуют управлять людьмиAI-продакт 1 из 29, обычный 2 из 76112 продуктовых вакансий без фильтра по ИИ
1 из 112продуктовых вакансий рассчитана на juniormiddle 33, senior 53112 продуктовых вакансий без фильтра по ИИ
Рынок
В двух вакансиях из трёх ИИ требуют от самой роли
Точнее, в 728 вакансиях из 1 092. Считается только то, что требуют от самой роли, без корпоративной строки про ИИ, которая стоит в сотнях вакансий подряд. Чаще всего просят агентные системы, где модель сама выполняет шаги задачи, применение языковых моделей (LLM) и оценку качества: набор реальных вопросов с верными ответами, на котором проверяют каждую новую версию. Обучать модели просят реже, но у ML-инженеров и исследователей это ядро работы. Junior и стажёров в этой выборке 98 из 1 092.
упоминаюттребуют обязательно
Агентные системы396 / 272
Применение LLM357 / 241
Оценка качества LLM253 / 210
ИИ-ассистенты в работе243 / 170
Поиск и RAG204 / 145
Глубокое обучение161 / 136
Классическое ML155 / 132
Эксплуатация ML151 / 103
Дообучение LLM107 / 66
Предобучение LLM49 / 35
собрать систему из готовых моделейобучать и обслуживать модели
226 из 303вакансий без крупнейшего работодателя требуют ИИ от самой ролион даёт 789 из 1 0921 092 ИИ-вакансии, срез 08–09.10.2026
179 из 1 092вакансий называют ИИ только корпоративной строкойтребованием роли это не считается1 092 ИИ-вакансии, срез 08–09.10.2026
В вакансиях AI-продакта то же продуктовое ядро, что у обычного
В выборке 112 продуктовых вакансий 29 AI-продактов и 76 обычных. У обеих групп одно ядро: бэклог, стейкхолдеры, метрики и дорожная карта. Бэклог и стейкхолдеры называют в 28 вакансиях AI-продакта из 29. Экономику явно требуют чаще у обычных: 28 из 76 против 4 из 29. По этим объявлениям AI-продакт это продакт, а не новая профессия.
AI-продакт, 29 вакансийобычный продакт, 76 вакансийтребование, плюс или задача
В вакансиях AI-продакта сверху просят понимание машинного обучения
Понимание ML требуют в 20 вакансиях AI-продакта из 29 и ни в одной из 76 вакансий обычного продакта. Ещё просят разбираться в LLM, в RAG или агентах, в архитектуре и интеграциях. RAG значит, что модель перед ответом ищет нужное в документах компании. Если пересчитать на одинаковый состав компаний и уровней (вошли 28 AI-продактов из 29), архитектуру обязательно требуют у 46 % AI-продактов против 27 % обычных. Без пересчёта это 13 из 29 и 22 из 76. Оценку качества ИИ упоминают в 14 вакансиях из 29, а опыт в ней требуют только в 6: чаще её ставят задачей. Таблица показывает частоту требований в объявлениях, а не план обучения.
Компетенция
AI-продакт: требуют опыт
AI-продакт: требование, плюс или задача
обычный продакт: требуют опыт
Понимание ML
20 / 29
23 / 29
0 / 76
LLM и генеративный ИИ
14 / 29
18 / 29
0 / 76
RAG или агенты
11 / 29
16 / 29
0 / 76
Архитектура и интеграции
13 / 29
22 / 29
22 / 76
Оценка качества ИИ
6 / 29
14 / 29
0 / 76
Жизненный цикл моделей
6 / 29
10 / 29
0 / 76
Надёжность и безопасность ИИ
2 / 29
4 / 29
0 / 76
Стоимость и задержка ответа
1 / 29
5 / 29
0 / 76
112 продуктовых вакансий без фильтра по ИИ; сравнение по составу описательное
У каждой из шести профессий ИИ-команды своё главное знание ИИ
Те же девять знаний ИИ проходят через шесть профессий. У каждой своё главное направление. LLM-инженер собирает систему: агентные системы упоминают в 116 вакансиях из 119. ML-инженер работает с моделями, AI-тренер проверяет ответы, у продакта главное продукт и экономика ИИ: 39 из 57 вакансий.
Бизнес- и системный аналитик01 / 06
главное: агентные системы · 61 из 120
LLM-инженер02 / 06
главное: агентные системы · 116 из 119
ML-инженер и дата-сайентист03 / 06
главное: глубокое обучение · 100 из 140
Разработчик04 / 06
главное: агентные системы · 37 из 117
AI-тренер05 / 06
главное: разметка данных · 57 из 57
Продакт06 / 06
главное: продукт и экономика ии · 39 из 57
1Продукт и экономика ИИ
2Применение LLM
3Оценка качества LLM
4ИИ-ассистенты в работе
5Агентные системы
6Поиск и RAG
7Глубокое обучение
8Эксплуатация ML
9Предобучение LLM
направление
не просят
до 10 %
10–25 %
25–50 %
50 % и выше
Пользоваться и проверять
343
434
24224423
2323
Описывать сценарий
1111
1
1
Собирать систему
56
6666
555
556
Модели и данные
7777
7
7
Эксплуатация
8
88
8
88
Основа моделей
9999
9
9
журнал · упоминают
Продукт и экономика ИИ → описывать сценарий · 8 из 120
Применение LLM → пользоваться и проверять · 35 из 120
Оценка качества LLM → пользоваться и проверять · 11 из 120
ИИ-ассистенты в работе → пользоваться и проверять · 31 из 120
Агентные системы → собирать систему · 61 из 120
Поиск и RAG → собирать систему · 22 из 120
Эксплуатация ML → эксплуатация · 4 из 120
Продукт и экономика ИИ → описывать сценарий · 21 из 119
Применение LLM → пользоваться и проверять · 103 из 119
Оценка качества LLM → пользоваться и проверять · 71 из 119
ИИ-ассистенты в работе → пользоваться и проверять · 25 из 119
Агентные системы → собирать систему · 116 из 119
Поиск и RAG → собирать систему · 89 из 119
Глубокое обучение → модели и данные · 22 из 119
Эксплуатация ML → эксплуатация · 41 из 119
Предобучение LLM → основа моделей · 2 из 119
Продукт и экономика ИИ → описывать сценарий · 8 из 140
Применение LLM → пользоваться и проверять · 35 из 140
Оценка качества LLM → пользоваться и проверять · 30 из 140
ИИ-ассистенты в работе → пользоваться и проверять · 8 из 140
Агентные системы → собирать систему · 37 из 140
Поиск и RAG → собирать систему · 26 из 140
Глубокое обучение → модели и данные · 100 из 140
Эксплуатация ML → эксплуатация · 56 из 140
Предобучение LLM → основа моделей · 18 из 140
Продукт и экономика ИИ → описывать сценарий · 5 из 117
Применение LLM → пользоваться и проверять · 36 из 117
Оценка качества LLM → пользоваться и проверять · 6 из 117
ИИ-ассистенты в работе → пользоваться и проверять · 35 из 117
Агентные системы → собирать систему · 37 из 117
Поиск и RAG → собирать систему · 24 из 117
Эксплуатация ML → эксплуатация · 4 из 117
Продукт и экономика ИИ → описывать сценарий · 1 из 57
Применение LLM → пользоваться и проверять · 35 из 57
Оценка качества LLM → пользоваться и проверять · 41 из 57
ИИ-ассистенты в работе → пользоваться и проверять · 18 из 57
Продукт и экономика ИИ → описывать сценарий · 39 из 57
Применение LLM → пользоваться и проверять · 25 из 57
Оценка качества LLM → пользоваться и проверять · 16 из 57
ИИ-ассистенты в работе → пользоваться и проверять · 11 из 57
Агентные системы → собирать систему · 22 из 57
Поиск и RAG → собирать систему · 14 из 57
Эксплуатация ML → эксплуатация · 6 из 57
одни и те же 9 знаний · 1 092 ИИ-вакансии
профессия
вакансий
ИИ обязателен
главное знание
Бизнес- и системный аналитик
120
66 из 120
агентные системы 61 из 120
LLM-инженер
119
117 из 119
агентные системы 116 из 119
ML-инженер и дата-сайентист
140
139 из 140
глубокое обучение 100 из 140
Разработчик
117
53 из 117
агентные системы 37 из 117
AI-тренер
57
57 из 57
разметка данных 57 из 57
Продакт
57
45 из 57
продукт и экономика ии 39 из 57
1 092 ИИ-вакансии, срез 08–09.10.2026; направления знаний: разбор автора
С LLM-инженером продакт договаривается о качестве ответов
Выберите профессию: карточка покажет, какой результат от неё ждут, какие четыре знания ИИ чаще всего называют в её вакансиях и о чём с ней договориться. Первой открыта карточка LLM-инженера: оценку качества ответов упоминают в 71 вакансии из 119. Пример работы для уровня middle взят из рекомендаций исследования. Это ориентир для разговора, а не требование каждого работодателя.
ИнженерыАналитикиПродукт и проектыПрочие
LLM-инженер117 из 119ИИ обязателен
РезультатДелает на языковой модели полезную и управляемую функцию продукта: она опирается на разрешённые данные, держит качество, стоимость, задержку и безопасность, а её ошибки видно и можно исправить.
Главные знания ИИ
Агентные системы116 из 119
Применение LLM103 из 119
Поиск и RAG89 из 119
Оценка качества LLM71 из 119
Уровни в выборке
Стажёр5мало данных
Junior1мало данных
Middle34
Senior58
Lead19
Head2мало данных
О чём договоритьсякачество ответов, стоимость и задержка, когда передать человеку
Пример работы для middleПилот полного контура: функцию независимо оценивают на реальных запросах, проверяют поиск, права и атаки через контент, снимают профиль задержки и стоимости. Есть критерии выпуска и путь к человеку или откату.
Бизнес- и системный аналитик66 из 120ИИ обязателен
РезультатПревращает бизнес-потребность в проверяемые требования к процессу или системе: результат, данные, ограничения и приёмку.
Главные знания ИИ
Агентные системы61 из 120
Применение LLM35 из 120
ИИ-ассистенты в работе31 из 120
Запросы и контекст22 из 120
Уровни в выборке
Стажёр4мало данных
Junior1мало данных
Middle67
Senior45
Lead3мало данных
Head0нет наблюдений
О чём договоритьсясценарии агента, что ему можно делать и критерии приёмки
Пример работы для middleСпецификация согласована, изменение внедрено. В ней варианты, правила и контракты, трассировка до тестов и протокол приёмки. Для ИИ-проекта добавлены обычные и ошибочные сценарии, критерии качества и права агента на действие.
ML-инженер и дата-сайентист139 из 140ИИ обязателен
РезультатУлучшает бизнес-задачу на реальных данных так, что результат можно воспроизвести. Начинает с гипотезы, доводит модель до работающего процесса и наблюдает за ней после запуска.
Главные знания ИИ
Глубокое обучение100 из 140
Классическое ML90 из 140
Эксплуатация ML56 из 140
Обработка текста55 из 140
Уровни в выборке
Стажёр8мало данных
Junior5мало данных
Middle80
Senior33
Lead11
Head3мало данных
О чём договоритьсяцелевая метрика модели, допустимые ошибки по сегментам, когда откатывать
Пример работы для middleВ пилоте есть версии обучения модели и её работы на новых данных (инференса), карта ошибок по сегментам и план наблюдения после запуска, а модель проверена независимо на целевых данных.
Оценка качества ИИ28 из 29ИИ обязателен
РезультатДаёт основание решить, годится ли ИИ-функция: насколько она помогает пользователю, верна ли, где ошибается и какой риск несёт.
Главные знания ИИ
Оценка качества LLM27 из 29
Математика и статистика19 из 29
Агентные системы16 из 29
Разметка данных15 из 29
Уровни в выборке
Стажёр2мало данных
Junior2мало данных
Middle13
Senior11
Lead1мало данных
Head0нет наблюдений
О чём договоритьсячто считать хорошим ответом, эталон людей и порог выпуска
Пример работы для middleДве версии функции оценены на независимых реальных данных, для автоматической оценки есть эталон, составленный людьми, расхождения разобраны. Итог: рекомендация о выпуске и риск по сегментам.
Аналитик данных32 из 66ИИ обязателен
РезультатПревращает данные в проверяемый ответ на бизнес-вопрос: метрика, корректный расчёт, оценка неопределённости и действие.
Главные знания ИИ
Математика и статистика34 из 66
Эксперименты и A/B-тесты30 из 66
Классическое ML18 из 66
Агентные системы17 из 66
Уровни в выборке
Стажёр2мало данных
Junior5мало данных
Middle45
Senior10
Lead3мало данных
Head1мало данных
О чём договоритьсяметрика успеха и как отличить статистический эффект от бизнес-эффекта
Пример работы для middleЗаконченный кейс, повлиявший на решение: постановка, план анализа, воспроизводимые данные и код, проверки качества и принятое действие. Для ИИ-кейса добавлены версия проверочного набора и ошибки по сценариям.
Разработчик53 из 117ИИ обязателен
РезультатРешает задачу пользователя: решение работает и безопасно, его можно сопровождать, а качество проверяют по критериям.
Главные знания ИИ
Агентные системы37 из 117
Применение LLM36 из 117
ИИ-ассистенты в работе35 из 117
Поиск и RAG24 из 117
Уровни в выборке
Стажёр3мало данных
Junior1мало данных
Middle38
Senior50
Lead21
Head4мало данных
О чём договоритьсяконтракт функции, что считать готовым и бюджет задержки
Пример работы для middleФункция выпущена, к ней есть краткий проект, миграция и откат, контракт API, интеграционные тесты и метрики эксплуатации. Для ИИ-функции добавлены набор оценки, сравнение с базовым решением, бюджет задержки и стоимости.
Инженер данных16 из 33ИИ обязателен
РезультатДанные надёжны и доступны по правилам, а их качество, происхождение и свежесть можно проверить.
Главные знания ИИ
Разметка данных9 из 33
ИИ-ассистенты в работе8 из 33
Агентные системы8 из 33
Применение LLM6 из 33
Уровни в выборке
Стажёр1мало данных
Junior1мало данных
Middle18
Senior7мало данных
Lead4мало данных
Head2мало данных
О чём договоритьсякакие данные доступны агенту, с какими правами и как часто обновляются
Пример работы для middleСхема изменена: оценено, каких потребителей это затрагивает, переход совместим, есть откат. Правила качества данных проверены на заведомо неверных записях. Для ML добавлены версия набора данных и проверка, что обучающие и проверочные данные не пересекаются.
DevOps и MLOps42 из 112ИИ обязателен
РезультатСервисы и модели поставляются воспроизводимо и надёжно работают, а восстановление, риск, производительность и стоимость под контролем.
Главные знания ИИ
Агентные системы26 из 112
Эксплуатация ML23 из 112
Инференс21 из 112
Применение LLM16 из 112
Уровни в выборке
Стажёр1мало данных
Junior11
Middle72
Senior15
Lead10
Head3мало данных
О чём договоритьсядоступность, стоимость вычислений и как откатить модель
Пример работы для middleРегламент восстановления проверен на сбое в тестовой среде: время восстановления измерено, есть откат. Для эксплуатации моделей добавлены откат версии модели и проверка работы после восстановления.
Тестировщик20 из 58ИИ обязателен
РезультатПроверяемая уверенность в качестве и риске выпуска: дефекты воспроизводятся, покрытие разумное, критерии решения ясные.
Главные знания ИИ
ИИ-ассистенты в работе18 из 58
Агентные системы15 из 58
Оценка качества LLM11 из 58
Применение LLM4 из 58
Уровни в выборке
Стажёр3мало данных
Junior2мало данных
Middle43
Senior9мало данных
Lead1мало данных
Head0нет наблюдений
О чём договоритьсяпороги выпуска и что считать ошибкой ИИ-функции
Пример работы для middleВыпускная проверка: трассировка требований, регрессия и обоснованные пороги. Для ИИ добавлен отчёт оценки на наборе, который разметили люди; в нём разобраны ложные срабатывания и пропуски.
Безопасность10 из 19ИИ обязателен
РезультатСнижает подтверждённый риск для данных, сервисов и процессов: ставит проверяемые меры защиты, обнаруживает инциденты и реагирует на них.
Главные знания ИИ
Безопасность ИИ9 из 19
Агентные системы9 из 19
Применение LLM7 из 19
Понимание ML5 из 19
Уровни в выборке
Стажёр0нет наблюдений
Junior2мало данных
Middle8мало данных
Senior7мало данных
Lead1мало данных
Head1мало данных
О чём договоритьсякакие данные и действия открыты агенту, что делать, если его атакуют через контент
Пример работы для middleМодель угроз: активы, потоки данных, границы доверия, угрозы, меры, владельцы и остаточный риск. Защита проверена на корректных и некорректных сценариях.
Исследователь ИИ27 из 28ИИ обязателен
РезультатДобывает проверяемое знание о методе, данных или модели и показывает, где оно воспроизводится и где нет. Убедительный отрицательный вывод тоже результат.
Главные знания ИИ
Глубокое обучение27 из 28
Предобучение LLM24 из 28
Дообучение LLM15 из 28
Оценка качества LLM15 из 28
Уровни в выборке
Стажёр0нет наблюдений
Junior1мало данных
Middle7мало данных
Senior12
Lead3мало данных
Head5мало данных
О чём договоритьсякакой вывод исследования брать в продукт и что ещё не проверено
Пример работы для middleСамостоятельное исследование: обзор ближайших методов, заранее описанный протокол, сравнения, а основной вывод воспроизведён. Указаны неопределённость и расход вычислений.
AI-тренер57 из 57ИИ обязателен
РезультатГотовит человеческие данные, на которых ИИ учат и оценивают: верные ответы, предпочтения и метки по ясным правилам, а факты и сложные случаи проверяет.
Главные знания ИИ
Разметка данных57 из 57
Оценка качества LLM41 из 57
Применение LLM35 из 57
Запросы и контекст24 из 57
Уровни в выборке
Стажёр0нет наблюдений
Junior19
Middle30
Senior5мало данных
Lead3мало данных
Head0нет наблюдений
О чём договоритьсяинструкция разметки и примеры хорошего и плохого ответа
Пример работы для middleВерсия инструкции и сложный размеченный набор, который независимо оценили ещё раз; пограничные случаи разобраны. Видно, как правка инструкции изменила качество.
Менеджер проектов21 из 34ИИ обязателен
РезультатОрганизует изменение: цель, объём, сроки, бюджет, зависимости, риски, приёмку и передачу в эксплуатацию. Продакт выбирает, что делать, а проект доводит дело до результата.
Главные знания ИИ
Понимание ML15 из 34
ИИ-ассистенты в работе14 из 34
Агентные системы10 из 34
Применение LLM8 из 34
Уровни в выборке
Стажёр2мало данных
Junior0нет наблюдений
Middle8мало данных
Senior17
Lead6мало данных
Head1мало данных
О чём договоритьсясроки, риски и запускать ли по итогам проверок
Пример работы для middleЗавершённый проект: цель, план, изменения, зависимости, бюджетные решения, приёмка и передача владельцу. Для ИИ-проекта добавлены результаты проверок и обоснованное решение о запуске.
Дизайнер3 из 7ИИ обязателен
РезультатПонятный, доступный и проверенный пользовательский опыт.
Главные знания ИИ
ИИ-ассистенты в работе5 из 7
Агентные системы1 из 7
Эксперименты и A/B-тесты1 из 7
Оценка качества LLM1 из 7
Уровни в выборке
Стажёр0нет наблюдений
Junior0нет наблюдений
Middle2мало данных
Senior4мало данных
Lead1мало данных
Head0нет наблюдений
О чём договоритьсячто видит пользователь, когда модель ошиблась или отказала
Пример работы для middleКейс, где проблему довели до проверенного решения: бриф, альтернативы, метод оценки, доступность, передача в разработку и наблюдения за пользователями. Для ИИ-интерфейса добавлены ошибочный ответ, отказ, передача человеку и контроль у пользователя.
Бизнес-роли38 из 66ИИ обязателен
РезультатИзмеримый результат своей бизнес-функции: продажи и внедрение, спрос и экономика кампаний, расчёт для финансов, изменение процесса для стратегии.
Главные знания ИИ
Понимание ML20 из 66
ИИ-ассистенты в работе20 из 66
Продукт и экономика ИИ20 из 66
Агентные системы10 из 66
Уровни в выборке
Стажёр0нет наблюдений
Junior12
Middle20
Senior23
Lead4мало данных
Head7мало данных
О чём договоритьсяэкономика сценария и чем мерить успех пилота у клиента
Пример работы для middleКейс своей ветки, где решали и измеряли самостоятельно: для пресейла проблема клиента, экономика, демо и план пилота; для маркетинга план изменения и проверка атрибуции.
В вакансиях senior и lead продакта просят одинаковый стаж
Медиана минимального стажа у обоих 3 года. Это наблюдение по 57 ИИ-вакансиям продакта, а не правило всех работодателей. Подчинённые есть у 1 senior из 27 и у 9 lead из 13, но lead в этой разметке определён через команду, и разница отчасти следует из самого правила разметки. Уровни в вакансиях спорны: две независимые разметки совпали в 40 из 57. В рекомендациях исследования уровень определяют по задаче, которую продакт доводит до результата, и по тому, за что он отвечает.
Junior1 из 112мало данных
Middle33 из 112достаточно данных
Senior53 из 112достаточно данных
Lead16 из 112достаточно данных
Head9 из 112мало данных
ориентир уровня из рекомендаций
JuniorДосье одной гипотезы: проблема и свидетельства из интервью или данных, решение и альтернатива, прототип, метрика успеха и чем закончилась проверка. Для ИИ-продукта добавлены настоящие примеры ошибок и способ их оценить.
MiddleКейс, где продукт прошёл весь цикл: подтверждённая проблема, выбор между альтернативами, экономика, запуск и разбор эффекта. Для ИИ-продукта добавлены сравнение подходов, результат на проверочном наборе, стоимость и задержка ответа, ручной запасной путь.
SeniorСтратегический кейс продуктовой области: свидетельства, несколько вариантов курса, остановленные инициативы, сценарии экономики и что получилось на деле. Для ИИ добавлены качество по сегментам и план, как его контролировать после запуска.
LeadПодтверждённые сотрудники: нанимать их, оценивать, растить и делить между ними продуктовые зоны. Без этих обязанностей продакт и Product Owner не руководители людей.
HeadПродуктовая функция: портфель, стратегия, экономика и ресурсы. Полномочия и результат надо описать: название должности их не заменяет.
медиана минимального стажа, лет
3 годастаж называют у senior 23 из 27 вакансий, у lead 11 из 13
·Junior
2Middleмало данных
3Senior
3Lead
5Headмало данных
112 продуктовых вакансий без фильтра по ИИ; стаж и подчинённые: 57 ИИ-вакансий продакта, lead в ней определён через команду
После senior есть экспертная и руководительская ветки
Обе ветки описаны в открытых карьерных рамках и внешних вакансиях. Эксперт ведёт сложную продуктовую область через несколько команд. В таких вакансиях прямо пишут «без подчинённых». Руководитель отвечает за людей: нанимает их и растит. У AI-продактов и обычных продактов вместе управлять людьми явно требуют в 3 вакансиях из 105. Как компании повышают сотрудников, по этому числу не видно. Внешние вакансии для входа в профессию допускают переход из аналитики и разработки.
управлять людьми требуют
3 из 105
AI-продакт1 из 29
обычный продакт2 из 76
Эксперт
Сложная продуктовая область или портфель решений на несколько команд, долгие гипотезы и инвестиционные компромиссы. Растут масштаб вклада и влияние, а подчинённых этот уровень не даёт.
Руководитель
Подтверждённые сотрудники: нанимать их, оценивать, растить и делить между ними продуктовые зоны. Без этих обязанностей продакт и Product Owner не руководители людей.
Lead16из 112
Head9мало данных
Примеры вакансий: четыре экспертные и четыре входа в профессию
Экспертные вакансии без подчинённых
ведущий продакт физического ИИ: выбор между приложением, платформой, железом и партнёрами, критерии выпуска по задержке и отказам
старший эксперт риск-продукта: одобрения, мошенничество, ложные срабатывания, точность и полнота модели
эксперт инфраструктурного продукта: проблема клиента, метрики успеха и прототипы своими руками, «без подчинённых»
ведущий продакт платформы финтеха: инициативы на несколько кварталов, архитектурные компромиссы, надёжность
Вход в профессию
junior в российской технологической компании: опыт в продукте не обязателен, нужна база: метрики, A/B-тесты, юнит-экономика
associate в стартапе ИИ: несмотря на название, минимум 2 года продуктового опыта
выпускная программа платформы данных: техническая подготовка, SQL или Python
выпускная программа: от нуля до двух лет, стажировки засчитываются, проект с ИИ-ассистентами
112 продуктовых вакансий без фильтра по ИИ; примеры веток: внешние вакансии, не входят в выборку
Исследование предлагает для каждого уровня свой пример работы
Junior-вакансий в продуктовой выборке 1 из 112. Примеры ниже взяты из рекомендаций исследования: готовность к уровню в них видна по результату, а не по списку программ. Junior приносит досье одной гипотезы, middle кейс полного цикла, senior стратегический кейс области, эксперт записку о выборе с альтернативами. AI-продакт добавляет оценку качества и цену ответа. Пример годится, чтобы обсудить опыт с работодателем, а сам уровень не подтверждает.
01 · JuniorДосье одной гипотезы1 из 112
02 · MiddleКейс полного цикла33 из 112
03 · SeniorСтратегический кейс области53 из 112
04 · ЭкспертЗаписка о выборев выборке нет, примеры внешние
Что входит в каждый документ
Junior
Досье одной гипотезы: проблема и свидетельства из интервью или данных, решение и альтернатива, прототип, метрика успеха и чем закончилась проверка. Для ИИ-продукта добавлены настоящие примеры ошибок и способ их оценить.
Middle
Кейс, где продукт прошёл весь цикл: подтверждённая проблема, выбор между альтернативами, экономика, запуск и разбор эффекта. Для ИИ-продукта добавлены сравнение подходов, результат на проверочном наборе, стоимость и задержка ответа, ручной запасной путь.
Senior
Стратегический кейс продуктовой области: свидетельства, несколько вариантов курса, остановленные инициативы, сценарии экономики и что получилось на деле. Для ИИ добавлены качество по сегментам и план, как его контролировать после запуска.
Эксперт
Записка о выборе в сложной продуктовой области: альтернативы, технические и экономические компромиссы, риски, измеренный эффект и влияние на несколько команд.
Числа страницы взяты из вакансий восьми крупных российских компаний. Выборок две: 1 092 вакансии, где упомянут ИИ, и 112 продуктовых вакансий без фильтра по ИИ. Ниже открытые карьерные рамки и профили ролей, с которыми исследование сверяло уровни.
Уровни и две ветки после senior
как открытые рамки описывают рост: ответственность и масштаб, а экспертная ветка идёт отдельно от руководства
