🎯 О чём этот конспект: Интервью с Андреем Хусидом, основателем Miro ($18 млрд), о трансформации продуктового мышления. Разбор того, как изменились циклы планирования, почему «старый» продакт-менеджмент мертв и как Miro внедряет AI-агентов в бесконечный холст (Canvas) для командной работы.

👤 Кому будет полезно: Вайбкодерам, фаундерам стартапов и продакт-менеджерам, которые используют AI-инструменты (Cursor, Claude, GPT) и хотят понять, как конкурировать на перенасыщенном рынке.

✨ Что получите: Методологию быстрого тестирования гипотез, понимание новых циклов планирования (6 месяцев вместо 3 лет) и конкретные примеры реализации AI-функций в сложных интерфейсах.

1. Смерть долгосрочного планирования: Переход на 6-месячные циклы

Контекст: Раньше Miro использовала методику «Painted Picture» (от Atlassian) — детальное описание будущего компании на 3 года вперед. В 2025 году это невозможно из-за непредсказуемости развития LLM и изменения поведения пользователей. Андрей утверждает, что сейчас горизонт планирования сузился до 6–12 месяцев. Если вы строите продукт, закладывать жесткую дорожную карту на годы — верный способ проиграть более гибким игрокам.

Выгода: Экономия ресурсов на разработку фич, которые станут неактуальными через полгода, и возможность мгновенно внедрять новые возможности моделей (например, GPT-4o или Claude 3.5 Sonnet).

Как применить:

• Шаг 1: Отказ от 3-летних планов — Перейдите на формат "North Star Metric" (главная цель) + "6-month Rolling Roadmap".
• Шаг 2: Еженедельный мониторинг экосистем — Отслеживайте анонсы OpenAI, Anthropic и Google. Каждый крупный релиз (например, появление GPT Store или новых API) должен приводить к пересмотру текущего бэклога.
• Шаг 3: Внедрение Agile-экспериментов — Выделяйте 30% ресурсов на «Moonshots» (рискованные AI-фичи), которые могут провалиться, но дают шанс на кратный рост.

Результат: Высокая адаптивность продукта к изменениям рынка и технологическому стеку AI.

2. От индивидуальной продуктивности к командному AI-результату

Контекст: Большинство AI-инструментов сейчас ориентированы на «Single Player» (один пользователь — один чат). Андрей видит огромный потенциал в «Multiplayer AI». Проблема не в том, чтобы один человек написал код быстрее, а в том, чтобы команда быстрее прошла путь от идеи до реализации. Miro внедряет AI-агентов, которые участвуют в брейнштормах наравне с людьми, суммируют стикеры и сразу превращают их в прототипы или планы задач.

Выгода: Сокращение цикла «идея — прототип» с недель до часов. Энергия команды не теряется на этапе рутинного подведения итогов встречи.

Как применить:

• Шаг 1: Интеграция AI в групповой контекст — Используйте инструменты типа Miro AI или аналоги, чтобы анализировать групповые обсуждения в реальном времени.
• Шаг 2: Автоматизация перехода между этапами — Настройте цепочку промптов: Стикеры с идеями -> Группировка по темам -> Генерация User Stories -> Создание тикетов в Jira/Linear.
• Шаг 3: Использование Sidekick-агентов — Внедрите AI-помощника, который имеет доступ к контексту всего проекта (документы, скриншоты, обсуждения) и может отвечать на вопросы любого члена команды.

Промпт для суммаризации командной сессии (пример для использования в AI-агентах):

Проанализируй все объекты на текущем холсте (стикеры, текст, связи). 
1. Сгруппируй идеи по 3 ключевым направлениям. 
2. Выдели 5 конкретных экшн-айтемов с указанием ролей. 
3. Сгенерируй краткое резюме (Executive Summary) для тех, кто не присутствовал на встрече.
Формат вывода: Markdown.

Результат: Команда выходит с митинга не со «списком дел», а с готовыми артефактами (кодом, дизайном, планом).

3. Стратегия «AI Canvas»: Эксперимент как отдельный интерфейс

Контекст: Вместо того чтобы сразу переделывать основной продукт, Miro запустила «AI Canvas» — отдельный режим работы. Это позволяет тестировать радикально новые UX-паттерны (например, генерация изображений из связей между объектами), не ломая привычный опыт 100 млн пользователей. Андрей подчеркивает: если эксперимент удастся, его объединят с основным продуктом; если нет — его легко «убить».

Выгода: Безопасное тестирование гипотез на живом трафике без риска оттока консервативных пользователей.

Как применить:

• Шаг 1: Создание «Песочницы» — Вынесите AI-функционал в отдельную вкладку или режим (Beta/Labs).
• Шаг 2: Мультимодальность — Реализуйте возможность превращать один тип данных в другой (например, текст в таблицу, таблицу в диаграмму, диаграмму в код).
• Шаг 3: Выбор модели под задачу — Не ограничивайтесь одной LLM. В Miro реализован выбор (например, Stable Diffusion для графики, GPT для текста).

Пример логики AI-инструмента в Miro:

1. Пользователь выделяет 3 референса (фото, палитра, описание).
2. AI-агент анализирует связи между ними.
3. Генерация итогового объекта (изображения или структуры проекта) через API выбранной модели.

Результат: Быстрая проверка продуктовых гипотез и сбор данных о том, какие AI-функции реально востребованы.

4. Поиск Product-Market Fit через 10-20 глубоких интервью

Контекст: Даже в эпоху AI основы не изменились. Андрей рекомендует проводить 7–20 глубоких качественных интервью с клиентами для проверки гипотез. Важно: люди часто не знают, какой AI-инструмент им нужен. Поэтому вместо вопроса «Что вам нужно?» следует показывать работающий прототип.

Выгода: Вы строите то, за что готовы платить, а не просто «очередную обертку над ChatGPT».

Как применить:

• Шаг 1: Гипотеза проблемы — Сформулируйте: «Я считаю, что [роль] тратит [время] на [задачу]».
• Шаг 2: Быстрый прототип — Используйте Cursor или v0.dev, чтобы за 1-2 дня собрать кликабельное демо.
• Шаг 3: Глубинное интервью — Покажите прототип клиенту и наблюдайте за реакцией. Спрашивайте: «Как это меняет ваш рабочий процесс?», а не «Вам нравится?».

Результат: Четкое понимание, в какой нише у вас есть «Permission to Win» (право на победу).

FAQ

В: Как конкурировать с гигантами (OpenAI, Microsoft), если они внедряют AI во все продукты?

О: Нужно искать ниши, где важен специфический контекст или уникальный UX. Гиганты делают универсальные инструменты, а вы можете сделать «Vertical AI» — глубокое решение для юристов, маркетологов или инженеров, где AI-агент понимает профессиональные нюансы лучше, чем общий чат-бот.

В: Какой процент неудач считается нормальным при разработке новых фич?

О: Андрей Хусид считает здоровым показатель в 30% неудач. Если все ваши эксперименты успешны, значит, вы не рискуете достаточно и не пробуете по-настоящему инновационные идеи (Moonshots).

В: Стоит ли сейчас строить продукт «с нуля» или лучше интегрировать AI в существующий?

О: Сейчас лучшее время для строительства, так как LLM переопределяют интерфейсы. Но важно иметь «Founder-Market Fit» — строить то, в чем вы разбираетесь и к чему горите. Если вы не любите операционку, не стройте сервис для логистики, даже если там много денег.

В: Какие книги помогли основателю Miro масштабировать компанию?

О: Две ключевые рекомендации: «High Growth Handbook» (Элад Гил) — сборник инсайтов по быстрому масштабированию, и классика менеджмента «High Output Management» (Эндрю Гроув).

В: Как Miro решает проблему потери энергии после митингов?

О: С помощью AI они «схлопывают» время между идеей и действием. Вместо того чтобы ждать неделю, пока кто-то оцифрует стикеры с доски, AI делает это мгновенно, превращая обсуждение в готовый план проекта прямо во время звонка.

Конспект создан на основе видео «How Miro CEO built an $18B company» канала Silicon Valley Girl. Все права на оригинальный материал принадлежат авторам. Источник: https://www.youtube.com/watch?v=RvYv90ftf2M