Проблема не в инструментах, а в контексте
В маркетинговом агентстве Dragons Lab мы регулярно видим одну и ту же картину: компания закупает передовые AI-решения, обучает людей «правильным промптам» и ждёт прорыва. А через квартал обнаруживает, что продуктовые команды генерируют красивые, уверенные, но совершенно нестыкующиеся друг с другом стратегии. Дело не в лени, не в плохих инструментах и не в отсутствии технических навыков. Причина глубже — продуктовая работа оказалась заложницей разрушенного общего контекста, и AI лишь подсветил этот беспорядок прожектором.
Знакомая сцена: три версии правды в одной переговорке
Представьте плановую встречу, на которой команда должна решить, за что взяться в следующем спринте: внедрение enterprise SSO, редизайн мобильного приложения или ценовой эксперимент. Один продакт-менеджер запускает ChatGPT и получает рекомендацию ставить на SSO — «это разблокирует конверсию корпоративных клиентов». Второй спрашивает у Claude и слышит, что важнее мобильный редизайн, потому что риск оттока перевешивает выгоду от новых пользователей. Третий, вложивший душу в беседу с Gemini, отстаивает пересмотр цен: «у нас маржинальное давление и путаница в пакетах». Все три ответа выглядят безупречно — чёткие, структурированные, будто сошедшие со слайдов McKinsey.
Никто не ошибается. Но никто не работает с одной и той же кладовой. Один скормил AI свежие цифры отдела продаж, другой — устаревшую колоду стратегии, третий — паническое сообщение CFO из Slack. Команда начинает спорить об ответах, даже не сверив исходные данные. Это и есть то, что мы в Dragons Lab называем симпозиумом уверенной ерунды. И виноваты в нём не нейросети, а полное отсутствие единой контекстной базы.
«Контекст в большинстве продуктовых организаций живёт так же, как стратегическая презентация после квартального планирования: все помнят, что она была, но никто не знает, где лежит и действует ли она ещё».
AI не создал хаос — он просто дал ему микрофон
Ещё до бума генеративных моделей продуктовый контекст был размазан по десяткам систем: стратегия в колодах, которые никто не перечитывает, решения в нитках Slack с периодом полураспада в несколько дней, метрики в трёх дашбордах, которые интерпретируют по-разному в зависимости от того, пил ли человек кофе до или после встречи. Исследования клиентов погребены в папках «важное», а смысл дорожной карты известен только одному сотруднику, который уволился две реорганизации назад.
Раньше команды выживали за счёт невероятной человеческой способности достраивать недостающий контекст на лету: переспрашивали, угадывали по выражению лица, докапывались до правды через Slack-археологию. Это было плохо, но по-человечески плохо. Теперь AI моментально потребляет всё, до чего может дотянуться, игнорирует то, чего не видит, и галлюцинирует недостающее — облекая ответ в такой же грамматически безупречный, уверенный текст, что ошибка кажется дрессированной. Разрозненный контекст превратился из медленной путаницы в молниеносную фабрику отполированной чуши.
Почему общая память — это ещё не общий смысл
Вендоры уже сделали ход: Google запустила Gemini Enterprise Projects с «постоянной командной памятью», OpenAI добавила Company Knowledge с цитированием источников, Anthropic строит проекты с разделяемыми разрешениями. Появился даже открытый формат OKF от Google — лёгкая спецификация для маркировки знаний так, чтобы их понимали и люди, и агенты. Рынок движется от изолированных чатов к разделённому контексту, и это правильно. Но здесь кроется ловушка.
Если вы просто подключите AI к общей корпоративной помойке — Jira, Confluence, Slack, дискам с документами — вы получите не единую истину, а единый доступ ко всем противоречивым версиям. AI находит каждую устаревшую гипотезу, каждый зомби-стратегический план, каждое решение, которое никто не отменил, потому что отменять было неловко. Команда начинает получать рассогласованные ответы быстрее и красивее, но не меньше. Доступность не равна согласованности. Открытый холодильник с неподписанными остатками еды ещё не означает, что у вас есть ужин.
От «озера данных» к «кладовой знаний»: архитектура контекста по уровням
Продуктовой команде нужен не очередной дата-лейк и не свалка документов, а информационная кладовая — пространство, где каждый ингредиент: метрика, решение, гипотеза, ограничение, доказательство — подписан, датирован, имеет владельца и понятные правила совместимости. И эта кладовая должна иметь уровни, а не быть одной гигантской кучей.
Уровень мира (конституция): стратегия компании, глоссарий, брендовые принципы, регуляторные ограничения, утверждённые источники данных. Это «конституция» продукта — меняйте её осознанно, а не по итогам креативного офсайта.
Групповой уровень (общая полка со специями): видение продукта, целевые сегменты, JTBD, таксономия метрик, конкурентный контекст. То, что разделяет вся продуктовая область, чтобы команды не изобретали реальность каждый вторник. Если кто-то меняет «тмин», об этом узнают все.
Проектный уровень (рабочий стол): постановка проблемы, желаемые исходы, собранные доказательства, принятые решения, допущения, риски, статус. Это объяснение, зачем инициатива существует и чему мы учимся. Без такой «станции подготовки» discovery-процесс превращается в блуждающий бред с привязанным Jira-тикетом.
Личный уровень (компостная куча): черновики, приватные промпты, сырые идеи. Не всё должно немедленно попадать в общую кладовую — полусырые мысли нуждаются в вызревании. Но если определение ключевой метрики активации живёт исключительно в любимом чате одного продакт-менеджера, у команды не метрика, а захват заложника.
Что делать утром в понедельник: начните с одной полки
Не нужно создавать комитеты, зрелостные модели в форме гексагона и глобальные программы цифровой трансформации. Выберите одну продуктовую область, одну инициативу, одну полку. Например, shelf с метриками: три ключевые метрики исхода — человеческим языком, с формулой, источником, владельцем и указанием, какое поведение метрика должна и не должна стимулировать. Или shelf с клиентскими доказательствами: пять фактов с датой, сегментом, уровнем достоверности и ссылкой.
Именно с этого мы часто начинаем проекты по настройке сквозной аналитики и лидгена — сначала восстанавливаем единый источник правды о ключевых показателях, а только потом подключаем к нему AI-инструменты. Следом можно переходить к полке с решениями: три последних важных продуктовых решения — что выбрали, почему, какие альтернативы отклонили, какие допущения ещё проверяются. Сделайте эту полку доступной и для людей, и для AI-воркфлоу, с которыми команда уже работает.
Когда у команды появляется хотя бы один размеченный, актуальный и цитируемый фрагмент контекста, AI перестаёт быть генератором красивых фантазий и превращается в инструмент совместного рассуждения на общей фактологической базе. Мы в Dragons Lab активно помогаем компаниям выстроить такие процессы через внедрение ИИ-агентов и n8n воркфлоу, которые автоматически подтягивают проверенную информацию с «полок» прямо в рабочие сессии команд.
Вывод: AI ускоряет готовку, но не исправляет меню
Промпты важны. Общие проекты и навыки полезны. Но если кладовая пуста, переполнена просроченными консервами или забита загадочными банками без этикеток, никакой AI не сделает продуктовую команду согласованной. Он просто поможет всем быстрее и красивее готовить не ту еду, коллективно заблуждаясь в отличной прозе. Будущее AI-продуктовой работы принадлежит не тем, кто собрал самую хитрую библиотеку промптов. Оно принадлежит команде, которая знает, где лежит коричневый сахар, кто его купил, когда истекает срок годности и для какого блюда он предназначен.
«Контекстное инженерство для продакт-менеджера — это не техническая роль. Это умение сделать продуктовое суждение долговечным, прослеживаемым и доступным для любого — и человека, и машины».
Начните с одной полки. Подпишите её. Сделайте видимой. А затем позвольте AI готовить из тех же ингредиентов, что и вся команда.
Оригинал статьи на английском языке: читать на Medium.
