Метод Стэнфорда — это прежде всего способ мышления через многосторонний обзор + карту противоречий + синтез + взаимную проверку

4 последовательных промпта от ребят из Стенфорда, которые помогут с написанием статьи, отчёта и презентацией, перед принятием важного бизнес-решения, собеседованием, переговорами, инвестированием и освоением нового навыка.

Никакого ПО, никакого GitHub, никакой сложной настройки — скопируйте и вставьте промпты и через 5 минут вы будете знать о выбранной теме больше, чем те, кто потратил на её изучение десятилетия, годы, месяцы, недели, дни (Господи, что я несу, как же дико это звучит)

Следующее Приложение — это не приложение

Если прямо сейчас открыть телефон и пересчитать иконки приложений, то можно насчитать от десятка до сотни иконок.

И каждое приложение за иконкой это очередная обёртка-обещание продакта и продукта: «Скачай меня и ___ станет проще/дешевле/веселее *» (и у каждой аппы: «* Но сначала потрудись изучить меня от и до»).

Мы все с этим смирились и приняли это как данность: нужно сначала найти самую яркую иконку в множественной яркости других, открыть её, вспомнить, как работает этот апп, добраться до нужной функции, воспользоваться ей, увидеть и осознать результат, и т.д. что там по CJM.

Но интерфейсы и механики всегда упрощаются (а это значит – исчезают), потому что лучший интерфейс — это отсутствие интерфейса

Поэтому в эпоху ИИ иконок больше не будет.

Появятся «нити пространства диалогов», находящиеся в Том-Самом-Нечто, выполняющим работу, которую раньше приходилось делать с помощью разноцветных иконок.

Следующее "приложение" – Пространство

Loop Engineering for Product Managers

Лучшими продакт-менеджерами станут не те, у кого самая большая библиотека промптов, а те, кто понимает, какие этапы продуктовой работы стоит превратить в устойчивые циклы, какие артефакты должны ими управлять, и какие решения должны оставаться прерогативой человека.

Анатомия и структура продуктовых ИИ-циклов, практика их создания, частые сбои и чем продакту снова поможет GitHub в материале ниже

♾️ Бонус: Loop Library

8 советов по работе с логами продукта

1. Ведите decision log с условиями пересмотра, а не просто с решениями

Записывайте не только «что решили», но и «при каком сигнале пересмотрим», например, «откатим, если retention упадёт ниже X».

Так решение превращается из мнения в понятную и для всех проверяемую ставку, а вы с командой перестаёте каждый раз спорить о том, что уже обсуждали ранее. Полгода спустя этот лог будет лучшим свидетельством того, какие (и чьи) гипотезы сбылись, а какие нет.

2. Калибруйте собственные прогнозы и лог: дата релиза, ожидаемое внедрение, ожидаемый эффект и через время сверяйте их с фактом.

Почти никто этого не делает, поэтому почти никто не знает, систематически ли он оптимист по срокам или пессимист по импакту. В то время, как через десяток подобных записей вы начнёте давать оценки, которым можно доверять всё больше и больше.

3. Размечайте решения как «дверь в одну сторону» или «в две стороны»

Обратимые решения принимайте быстро и дёшево, необратимые – с реальной строгостью.

Ошибка многих продактов в том, что они тратят одинаковую энергию себя и команды на оба типа, и в этом главная утечка скорости. Само наличие такого тега заставляет команду не раздувать процессы там, где цена ошибки это просто один откат фичи.

4. Инструментируйте спеку, а не продукт

Определяй метрики и названия событий прямо в PRD, ещё ДО разработки (а не «допишем аналитику потом»). Потому что «мы забыли это трекать» это самая частая и самая дорогая (и лекго предотвратимая) ошибка продакта.

События/метрик нет в документе = их и не будет после

5. Ведите в лог карту допущений с осями «уверенность × влияние»

Отделяйте discovery-долг от delivery-долга как список открытых вопросов и допущений с явной пометкой, насколько вы в них уверены.

Де-рискинг самого опасного допущения и вот вы уже перестаёте строить уверенно поверх того, во что на самом деле не верите

6. Делайте pre-mortem с триггерами, а не как разовое упражнение

Опишите провал до запуска, а к каждому сценарию провала привяжите опережающий индикатор из пункта 1 и 2.

Так pre-mortem превращается из психологической разминки в настройку, благодаря которой вы заранее знаете, какую метрику и график будете смотреть и какое его значение означает, что пора вмешаться.

7. Заведите «кладбище» отклонённых идей с причинами. Каждая зарезанная фича отправляется в searchable-список продуктовой wiki с строкой «почему нет».

Это лекарство от бесконечного цикла переобсуждения одного и того же командой и одновременно ваш самый честный материал для раздела «Не делаем» в новых PRD.

Сильный продакт узнаётся по тому, как быстро он объясняет, почему "нет"

8. Кодифицируй ход мышления-решений

«Как ты узнал?» / «У нас метрика Х упала, ааачоделать?» / «СЕО опять принёс идею, что ответить» и прочее повторяющееся изо дня в день выпиши как личную библиотеку подходов и приёмов.

Ответы: «Подумал, уточнил, проверил» / «Проверил фичи, что релизили недавно» / «Вернём ему проблему»

Управление контекстом вокруг контента и есть тот самый недооценённый актив команды продукта и главный навык продакта.

Совершенствуем не только продуктовые процессы, но и собственные рабочие с помощью loop engineering и ИИ

– Самые важные знания, возможности и инсайты скрываются в паттернах и закономерностях, лежащих в основе результата, и только потом в результате

– Ценность представляет контролируемое накопление улучшений

– Цикл, который нужно запускать вручную, вспоминая о нём — это не цикл

♾️ agent loop skills
♾️ agent improvement loop
♾️ AI agent orchestration loop

Что фундаментально изменило мир к худшему, но люди этого ещё не осознали?

То, что смартфоны и алгоритмические ленты сделали со скукой и... пользой от неё.

Потому что на протяжении большей части человеческой истории скука не была проблемой, которую нужно было решать.

Это было когнитивное состояние, которое переводило мозг в режим, который сегодня мы называем «сеть пассивного режима работы мозга» (default mode network) – своего рода фоновую ментальную обработку, во время которой он консолидирует воспоминания, развивая мышление через (не)осознанное воображение, фантазию, эмпатию, генерируя творческие и бизнес-идеи и выстраивая связ(ан)ное-ощущение-Себя-и-мира.

Когда мы смотрели в окно, ждали автобус или тихо сидели после ужина, наш мозг выполнял одну из самых важных своих работ.

Скука была, в самом прямом смысле... двигателем сознания и внутренней жизни.

По мере того как роли в сферах разработки продуктов, дизайна, Data Science и других сливаются воедино благодаря ИИ, я размышлял о том, как они могут выглядеть в будущем (Boris Cherny, Claude Code)

Например, глядя на команду Claude Code, я выделяю пять архетипов:

1. Прототипировщик (Prototyper): генерирует совершенно новые идеи; выдает множество идей, большинство из которых не доходят до стадии реализации.

2. Создатель (Builder) быстро превращает прототип или идею в готовый к эксплуатации продукт или инфраструктуру.

3. Упорядочиватель (Sweeper): приводит в порядок интерфейс, упрощает код и систему, удаляет лишнее, оптимизирует производительность.

4. Развиватель (Grower): берёт уже созданный продукт и дорабатывает его для улучшения соответствия продукта рынку (Product-Market Fit).

5. Поддержка (Maintainer): отвечает за зрелую систему, обеспечивая её безопасность, надёжность, быстродействие и эффективность по мере масштабирования.

Многие специалисты совмещают две, а иногда и три роли. Я также заметил, что эти роли не жестко привязаны к должностным обязанностям.

Например, в Anthropic есть дизайнеры, соответствующие категориям 1, 2 или 3; то же самое касается инженеров, продакт-менеджеров и специалистов по данным.

Здоровой команде требуется сочетание этих ролей в зависимости от продукта:

- Для нового продукта, ещё не нашедшего соответствие рынку (pre-PMF), нужны люди с сильными навыками типов 1, 2 и 3.

- Для растущего продукта, нашедшего соответствие рынку, нужны типы 2, 3, 4 и отчасти 5.

- Для продукта с сильным соответствием рынку нужны типы 3, 4, 5 и отчасти 2.

Возможно, именно так будут выглядеть продуктовые роли будущего, а не как нынешние узкоспециализированные должности.

– 3 основных типа лидеров продукта
– Новая структура любого отдела в компании
– Командные роли по Белбину

Трамп отменил ограничения на Fable и она снова доступна 🔥 По такому случаю поделюсь опытом, который был отложен как раз до этого дня:

TLDR: Fable – самая умная и быстрая ИИ, что я видел за всё время

Она способна системно анализировать огромные объёмы данных (и сжигать токены с такой же скоростью), совершая теоретический ноль ошибок по сравнению с предыдущими моделями и выдавая просто фантастические результаты.

В вайб-кодинге я застал её раскатку в самом начале пока её режим авто-защиты и переключения на более глупые модели при запросах на анализ безопасности кода ещё не был нормально прокачан, и успел ради теста прогнать через неё целиком один опенсорсный таск-менеджер.

В общем... за 5 минут Fable нашла в нём порядка 6 критических уязвимостей, дающих полный доступ ко всем проектам и данным внутри системы и ещё около десятка мелких, расписав по шагам как их активировать и использовать.

Прикинув, сколько лет заключения начинало бы светиться на кончиках моих пальцев, начни я проверять это всё на практике, я быстренько закрыл сессию от греха подальше и удалил её на всякий случай 🙂

Окей, к продуктам:

1. Отдавай Fable только «последнюю милю» рассуждения, а не весь процесс, ибо прогонять весь объём работы через самую сильную модель дорого и нецелесообразно.

Используй связку Sonnet → Fable → Sonnet как цикл
ИЛИ
Fable → Sonnet → Fable

Sonnet расширяет (собирает варианты, черновики, сырой список идей), Fable сужает (выбирает и обосновывает лучший вариант с учётом trade-off'ов), Sonnet снова расширяет (превращает решение в конкретные тикеты, сообщения, план действий). Или наоборот.

Прибереги Fable для decision log, а не для повседневных апдейтов

Смысл Fable в том, чтобы она добавляла именно тот последний процент, который остальные ИИ упускают. Так Fable работает ровно на той стадии, где нужно суждение, а не генерация объёма.

2. Используй Fable как самого-главного-менеджера, а не как ревьюера, попросив сыграть роль самого скептичного CPO/CEO, (который ставит под сомнение и режет фичи) и разнести кейс по существу.

Обычное ревью ищет опечатки в логике, в то время как ролевая атака Fable ищет дыры в самой стратегии логики, и именно в этом разница в интеллекте Fable ощущается сильнее всего.

3. Для этого прогоняй одну и ту же стратегическую задачу через Fable трижды в разных фреймингах

Первый раз оптимизируй под использование, второй раз под масштабирование, третий раз под риски. Четвертый раз в этой же сессии попроси сделать финальный анализ.

В Fable разница между всеми тремя ответами будет более содержательной, а финальное расхождение между прогонами – это и есть то, над чем должен работать человек.

4. Не давай Fable контекст, который ты сам не перечитал

Чем сильнее модель (а Fable сейчас сильнее всех), тем правдоподобнее она достроит недостающий контекст сама и тем незаметнее будет ошибка, если ей подсунули устаревшую метрику или неверное допущение.

С дешёвой моделью плохой инпут даёт явно кривой и глючный аутпут, который сразу видно и его ещё можно успеть исправить.

5. Держи Fable отдельно от документа, который писала НЕ она!

Для стратегического ревью открывай новый диалог и давай только финальный артефакт без истории черновиков, без твоих промежуточных рассуждений. Иначе Fable наследует твою же рамку мышления и соглашается с ней, вместо того чтобы дать свой независимый взгляд.

6. Проси Fable явно проговорить, при каком условии она неправа. Не просто "дай рекомендацию", а "дай рекомендацию и укажи, какой факт, если он окажется неверным, полностью всё сломает".

7. Прогоняй через Fable процессы, а не документы

Раз в квартал давайте модели не PRD, а свой шаблон PRD или свой процесс приоритизации целиком и спрашивайте, какой систематический слепой участок в них вами упущен.

Это применение той же логики внешнего цикла, но на уровне не одной сессии, а всей вашей продуктовой методологии и именно в таком контексте сильнее всего окупается разница между Sonnet/Opus и Fable.

– He was a friend to me and went everywhere with me. But honestly, he’s still with me right There ))

ClaudeMD автоматического выбора ИИ-модели для продуктовой работы

Рейтинги – это стартовая калибровка, а не фиксированные данные и чем выше число, тем лучше.

Модель / Стоимость / Интеллект / Вкус
sonnet-5 / 8 / 6 / 6 /
opus-4. / 8 / 5 / 8 / 7 /
fable-5 / 3 / 9 / 8 /

– Стоимость. То, что ощущается в лимитах токенов и скорости.
– Интеллект. Насколько сложную, многошаговую или неоднозначную задачу можно доверить модели без присмотра.
– Вкус. Качество структуры документа, формулировок, тона в коммуникации и чуткость к контексту.

Откалибруй эти цифры под собственный опыт после пары недель использования. Важна не точность чисел, а сам принцип: не гонять сложные решения через дешёвую модель и не тратить дорогую модель на рутину.

Как применять:

– Это дефолты, а не ограничения. Если результат дешёвой модели не дотягивает, то не спрашивай разрешения, перезапускай с более сильной. Суди по результату, а не по тому, что модель просто должна была справиться.

Пересогласование стоит дешевле, чем решение, принятое на слабом анализе

– Когда параметры конфликтуют для чего-то, что реально влияет на решения или уходит наружу, опирайся на:

1. Интеллект > 2. Вкус > 3. Стоимость

– Массовая механическая работа (расшифровка транскриптов интервью, разметка тикетов, сведение таблиц с метриками, черновой синтез фидбека из десятков источников): sonnet-5.

– Всё, что уходит наружу стейкхолдерам, клиентам, руководству (питчи, обоснование приоритизации, деликатные апдейты о задержках, переговоры о scope): нужен вкус ≥ 7.

– Ревью и вторая пара глаз (проверка PRD перед отправкой инженерам, стресс-тест roadmap, поиск дыр в бизнес-кейсе): fable-5 или opus-4.8, по возможности оба как независимые мнения, если решение необратимое.

– Стратегические и неоднозначные решения (trade-off между конкурирующими метриками, приоритизация, спорные ставки без явного правильного ответа): fable-5.

– Никогда не используй самую слабую модель для документов, которые пойдут выше вашего уровня или станут прецедентом для команды.

Режимы работы

– Написание PRD и спек с нуля → opus-4.8 как основа → fable-5 для финального ревью перед отправкой в разработку.

– Discovery-синтез sonnet-5 для чистой расшифровки на входе (несколько интервью → инсайты → гипотезы) → fable-5 для самого синтеза (нужен интеллект, чтобы не сгладить противоречия)

– Приоритизация бэклога / RICE-скоринг → sonnet-5 для механического прогона по формуле → opus-4.8 для проверки, не искажает ли формула реальный контекст → fable-5 для синтеза

– Коммуникация о задержках и плохих новостях стейкхолдерам → fable-5 или opus-4.8. Тон и причины здесь важнее скорости.

– Рутинные апдейты статуса, саммари встречи, заметки в трекер → sonnet-5.

– Pre-mortem, поиск слабых мест в плане запуска → opus-4.8 → fable-5 как отдельная независимая проверка.

– Черновик поста / статьи / контента на основе рабочих заметок → opus-4.8 для черновика → fable-5 для финальной правки тона и структуры.

– Анализ больших выгрузок данных / метрик → sonnet-5 для первого прохода и агрегации → эскалация на opus-4.8, если нужна интерпретация неоднозначных паттернов → fable-5 для финальной проверки паттернов.

Почему ИИ на самом деле не научился «видеть» так, как видим мы

Профессор Стэнфорда Джуди Фан выступила на сцене MIT и объяснила, почему люди так хорошо умеют делать невидимое видимым.

1. Природа никогда не давала нам прямых линий или острых углов. Числовая прямая, координатная плоскость, основы геометрии — всё это изобретения человека.

Мы создали инструменты, которых не существует в природе, просто потому, что нам нужен был способ мыслить яснее.

2. Система координат, изобретенная Декартом, решила проблему, которая веками ставила математиков в тупик — удвоение объёма куба. После изобретения этот инструмент стал настолько незаменимым, что практически каждая математическая программа на Земле до сих пор зависит от него.

4. Каждый крупный научный прорыв опирался на визуальный инструмент, который делал невидимое видимым. Дарвину нужны были изображения зябликов, расположенные рядом, чтобы увидеть вариации, которые иначе были бы слишком незначительными, чтобы их заметить. Кахалю нужны были подробные рисунки нейронов под микроскопом, чтобы составить карту строения нервной системы.

Исследовательская группа Фан изучает нечто обманчиво простое: как люди решают, что включить в рисунок, а что отпустить

Когда два человека играли в игру с рисованием, участники использовали гораздо больше деталей, когда у целевого объекта были близкие конкуренты, чем когда он стоял один, вплоть до использования меньшего количества штрихов и меньшего времени, когда более подробная информация не требовалась.

6. Люди не просто копируют то, что видят. Они постоянно принимают решения о том, какой уровень детализации действительно служит цели коммуникации, и делают это естественно, никогда не обучаясь теории, лежащей в основе этого.

7. Существует реальная разница между изображением чего-либо таким образом, чтобы кто-то мог это идентифицировать И изображением чего-либо таким образом, чтобы кто-то мог понять, как это работает.

В одном исследовании участники рисовали пояснительные диаграммы, которые подчеркивали движущиеся, причинно-следственные части машины, в то время как изобразительные рисунки акцентировали внимание на фоне и общем внешнем виде, хотя оба варианта изображали один и тот же объект.

Пояснительные рисунки действительно лучше помогали кому-то понять, как управлять машиной, но хуже помогали определить, какая именно это машина.

Нельзя оптимизировать один рисунок для достижения обеих целей одновременно. Визуальная коммуникация всегда предполагает компромиссы

И остается большой, измеримый разрыв между тем, насколько уверенно модели ИИ распознают эскизы, и тем, насколько уверенно это делают люди, даже когда обе группы отвечают на одни и те же вопросы об одних и тех же изображениях.

11. Когда исследователи сравнивали эскизы, созданные людьми, с эскизами, сгенерированными ИИ, при ограниченном количестве штрихов, оба варианта были одинаково узнаваемы при большем количестве штрихов, но резко расходились по мере сокращения лимита штрихов.

Люди и системы ИИ упрощают рисунки принципиально разными способами, когда ресурсы становятся дефицитными.

12. Чтение графика — навык, который включает в себя восприятие, знание, куда смотреть, сопоставление этой визуальной информации с фактическим задаваемым вопросом, а затем преобразование этого сопоставления в ответ.

При непосредственном сравнении с людьми в задачах чтения графиков, модели ИИ показали существенный разрыв в производительности. И даже когда общая точность модели приближалась к человеческому уровню, модель ошибок ИИ совершенно не походила на то, как на самом деле ошибаются люди.

13. Люди выбирают совершенно разные типы диаграмм в зависимости от того, на какой конкретный вопрос они пытаются ответить, а не из-за общего предпочтения столбчатых диаграмм или диаграмм рассеивания.

Наш выбор диаграмм тесно коррелирует с тем, какая визуализация действительно поможет человеку интуитивно и правильно ответить на конкретный запрос.

Свобода и несвобода фич в продукте

Продукт свободен, когда все идеи-фичи имеют единую, последовательную и связанную логику ⇄ механику ⇄ архитектуру ⇄ CJM ⇄ JTBD, являясь частью Единого Целого настолько, что перестают быть отдельными элементами Системы.

Из-за консистентной (наше новое любимое слово с ИИ) логики-механики-архитектуры, такие фичи внедряются с минимальным вложением усилий в эту самую логико-механику-архитектуру. Минимум разработки/багов, минимум новых неизвестных действий для пользователя, единые связанные метрики.

Другими словами, каждая новая фича на 98% становится лишь новой фронтовой обёрткой вокруг-поверх-после механики и логики другой, создавая новые линии связей между ними, а не плодит новые "уникальные" фиче-сущности-объекты.

Именно благодаря этому, они усиливают друг друга пропорционально, и каждая новая фича кратно увеличивает единственный набор метрик, не вынуждая продакта использовать ранние/запаздывающие/прокси и прочие показатели.

И именно поэтому такие фичи работают с минимальными объяснениями – их суть давно понятна на примере прошлых, механика стала привычна, а логика всё неизменно подтверждает.

Найти такую фичу просто – удали одну такую фичу из цепочки, и рухнет добрая часть всего продукта.

Несвобода же определяет трение
Так трение определяет несвободу

А несвободный продукт тот, в котором каждая новая фича требует новых переводов логики, механики, архитектуры из-за изменившегося (за их же счёт!!!) внимания и намерения пользователя.

И это то, с чем мы, как продакты, каждый день боремся, плодя фичи и онбординги-подсказки, гордо называя это адаптацией и прочими улучшениям конверсий и метрик, вместо того, чтобы иметь смелость признать, что все предыдущая фича была частью продукта, который не был Системой, и почти всё, что мы делали –  улучшали чинили наши прошлые ошибки неконсистентных фич.

Валидация — это мираж

«Как проверить UI/UX/механику...»
«Как проверить, сработает ли фича?»
«Как узнать, будут ли люди покупать это?»
«Как понять, стоит ли разрабатывать продукт?»
«Как подтвердить соответствие продукта рынку заранее?»

Никак.
Никак.
Никак.
Никак.
Никак.

Нельзя пре-проверить Идею.
Нельзя валидировать догадку.
Нельзя валидировать абстракцию.
Нельзя валидировать эскиз, макет и MVP.
Нельзя проверить то, чего ещё не существует.

Наш мозг ищет уверенности заранее, ему сложно вернуться к работе в ином режиме. Но отсчёт времени начинается не тогда, когда вы приступаете к работе или когда готов какой-то фрагмент Целого.

Он начинается только/ровно в тот момент, когда готовый продукт/фича становятся публичными и выходят на рынок

И если единственный способ узнать, что вы промахнулись — это спросить других и ждать их ответа, значит, вы, скорее всего, сбились с пути ещё в самом начале. И вы, на самом деле, точно промахнЁтесь (снова привет, пророческое совершенное время, но только с пользой наоборот).

Если вы создаёте продукты, вы должны понимать, куда движетесь, не спрашивая у других дорогу на пути.

Есть лишь один способ максимально приблизиться к уверенности — создать реальный продукт/фичу и выкатить их в паблик, чтобы их можно было: попробовать (→) использовать (→) купить. Потому что именно так ВСЁ работает в реальности. Именно так работает реальность.

Реальное использование реального продукта в реальных условиях и в ходе реальной работы — единственный способ что-либо проверять.

Поэтому самый работающий в реальности способ всё выяснить — поверить в идею, воплотить её в жизнь и выпустить её в мир.

Вы безупречно делаете вcё:

1. вы Это Предчувствуете;
2. вы Это Видите
3. вы формируете Намерение
4. вы двигаете(сь) сквозь Это вместе

Продукт — это совокупность взаимосвязанных элементов: они зависят друг от друга, перетекают один в другой, интегрируются между собой.

Нельзя взять кусок продукта, спросить людей, нравится ли он им, и сделать вывод, что им понравится и остальная часть, когда она будет готова. Так вы узнаете лишь то, нравится ли им конкретно этот кусок, который вы им дали.

Все экстраполяции/валидации и верификации – додумки и обман нашего мозга.

Поэтому не принимай впечатление от отдельной части продукта за Истину. Давая человеку кусок чего-то неоднородного, ты вынуждаешь его угадывать вместе с тобой и на этом нельзя строить Намерение, Видение и Движение.

Хочешь усомниться в себе/фиче/продукта/ и в конечном результате — устрой тест/опрос/коридорное тестирование или просто спроси кого-нибудь ещё, что он думает о твоей идее/фиче/продукте.

Созданная таким образом "неопределённость" –  единственное, что сработает безотказно в этой "реальности". И всё будет как на картинке выше.

Декабрь 1985 года. Команда Стива Джобса заявила ему, что назначенный им срок выпуска — это «искажение реальности».

Стива согласился с их доводами, но всё равно настоял на своей дате. Запись этого разговора раскрывает принцип принятия решений, который так и не усваивают многие продакты и основатели.

Компании NeXT всего 90 дней, она финансируется из личных средств Джобса, вложенных после его ухода из Apple и уже на первом совещании команда обсуждает перенос запуска с весны 1987 года на весну 1988-го.

Возражения звучат жестко. Один из сотрудников указывает на опасность: «Искажение реальности – вымышленная дата, и все принятые на её основе проектные решения впоследствии придётся перечеркнуть».

Джобс не спорит: «Что ж, Джордж, я не могу изменить мир». (– ахахахаха, Стив, комоооон)

Он настаивает на другом:

«Я считаю, что мы должны обозначить чёткую веху. И если мы упустим это окно, то в игру вступит целая цепочка событий. И если мы не сможем продать достаточно устройств в 87-м, мы не сможем покрыть наши операционные расходы...

...У нас есть 18 месяцев. И я не думаю, что компания выживет, если мы этого не сделаем. Что бы ни говорил я или кто-либо ещё, я глубоко в этом убеждён. Если мы этого не сделаем, мы не сможем привлечь отличных специалистов. Мы не сможем удержать даже тех, кто у нас уже есть».

TLDR: Команда оперировала оценками сроков, а Джобс — условиями выживания.

– Оценка говорит о том, когда работа может быть завершена, и допускает обсуждение.

– Условие определяет момент гибели и бесповоротную точку чего-либо, и оно не подлежит обсуждению.

Именно поэтому установленный срок остался в силе. Джобс привязал дату не к оптимистичным прогнозам, а к рыночному календарю и запасу прочности компании. И все могли оспорить график работ, но никто не мог оспорить критическую важность этого временного окна.

Неудобная для основателей Истина в том, что если ваш дедлайн основан на оценках команды, он неизбежно сдвинется.

Если же он диктуется законами рынка, то это вовсе не дедлайн, а условие выживания (замаскированное рынком под дедлайн).

Опросы в кампусах показывали, что верхний предел цены составляет $3,000 долларов и колледжи готовы закупать компьютеры по таким ценам. NeXT представила свой «чёрный куб» 12 октября 1988 года с опозданием более чем на год. Продажи начались в 1989 году по цене от $6,500 долларов, спрос со стороны университетов оказался низким, а масштабировать производство так и не удалось.

— What I want and what I need are two different things, Audrey

Метод CRISP для PRD

...«Пользователи должны иметь возможность легко управлять своими настройками»...

...«Система должна обеспечивать бесшовный процесс онбординга»...

...«Пользователи должны иметь возможность быстро находить релевантный контент»...

Эти фразы звучат умно, но не проходят элементарную проверку на качество требования: можно ли понаблюдать за действиями пользователя и понять, сработала ли функция так, как нужно?

«Легко» — по чьей оценке?
«Бесшовный» — как измеряется?
«Релевантный» — по каким критериям?

Когда требования не определены, инженеры трактуют их по-разному, QA не могут составить на их основе тест-кейсы, метрик и аналитик нет, и продакт попадает в созданный им же замкнутый круг переделок.

Подход Алистера Кокберна CRISP заменяет расплывчатые требования структурированными сценариями, описывающими наблюдаемое поведение.

CRISP – это:

– Context (Контекст)
– Role (Роль)
– Intent (Цель/Намерение)
– Steps (Шаги)
– Postcondition (Пост-состояние).

Тоже самое требование об «управлении настройками» в формате CRISP будет выглядеть так:

– Контекст: Авторизованный пользователь с активной учетной записью.

– Роль: Владелец учетной записи.

– Цель: Изменить частоту получения уведомлений.

– Шаги + alternate flows. Пользователь открывает «Настройки», выбирает раздел «Уведомления», меняет частоту с «Ежедневно» на «Еженедельно», подтверждает изменение и видит сообщение о подтверждении. Alternate flows: пользователь отключил PUSH в телефоне/разные часовые пояса/и т.д.

– Пост-состояние: При следующем цикле рассылки система отправляет уведомление.

Три CRISP-совета

🍤 Стоит явно зашивать в Context/Intent связку с JTBD, иначе метод просто оптимизирует форму требования (которое может быть ошибочным), а не ценность фичи и продукта.

🍤 Постусловие пишется первым, шаги задом наперёд. Если вы не можете сформулировать постусловие до того, как придумали шаги, то вы не знаете, что строите, а просто рисуете UI.

Постусловие — это ещё и спецификация аналитики, а не только тест-кейс, потому что use case, доведённый до постусловия, автоматически диктует то, какой ивент нужно логировать.

🍤 PRD пишется не только с ИИ, но и с QA и разрабом, которые пытаются сломать постусловие, потому что единоличное авторство use case воспроизводит ту же проблему, что и с расплывчатым PRD, просто один человек теперь уверен в своей однозначности.

Ценность метода реализуется в адверсариальном ревью: кто-то должен спросить «а если...» до продакшена (а не как обычно после). И не забывайте про alternate flows!

Готово! Абстракция заменена конкретной последовательностью действий и проверяемым результатом, объём работ становится чётко определён и не допускает вольной трактовки, оценки разрабов становятся точнее, приёмочное тестирование упрощается, метрики и аналитика настроены с самого начала.

Bon appetit!