DOU × Solidgate · AI Tech Rave

Продакт-інженер:
міф чи реальність?

Хто я

PM у Payment Infra Stream — Cards · APMs · Reconciliation.
10 нових проєктів щокварталу + підтримка 30+ публічних інтеграцій (100+ карткових і альтернативних платіжних методів).
5 років у Solidgate — бачив той самий обсяг роботи до AI і після.

лейтмотив

Продакт-інженер — це PM,
у якого AI вбудований на кожному кроці SDLC.

discovery · planning · development · QA · marketing

фундамент / memory

Робота з минулими контекстами — мультиплікатор можливостей.

Без памʼяті AI — просто чат.
З памʼяттю — ко-пілот, що знає, що ми робили вчора.

01 /start-session завантажити контекст проєкту
02 /checkpoint зафіксувати прогрес перед /compact
03 /end-session summary + оновити project-файли

your-workspace/
├── CLAUDE.md              ← кореневі правила
├── .claude/
│   └── commands/          ← /start /checkpoint /end
├── vault/
│   ├── active-context.md  ← поточний фокус
│   ├── index.md           ← головний індекс
│   ├── session-logs/      ← логи сесій
│   └── projects/
│       ├── _templates/    ← порожні шаблони
│       └── {project}/     ← overview · decisions · bugs · todo
└── {project}/             ← ваш код, поруч з vault

01 / Discovery

PRD за день, який раніше писали тиждень.

Trigger: regulatory PDF на 80 сторінок іспанською. Дедлайн — 4 дні. В роботі — 3 паралельні проєкти.

Solve:

WebFetch офіційних регуляторних сторінок → структуровані конспекти.
Reference PRD як шаблон. Тон, рівень деталі, секції — успадковуються.
MCP до системи документації → draft публікується одразу. Без копі-пасту.

AI опрацьовує великі контексти даних на різних мовах. Конспектує мої ідеї та рішення, приводить їх до стандартів компанії. Я валідую — він формує PRD. Мова й обсяг сторінок більше не блокер.

02 / Planning

Внутрішній продукт за вечір.

Trigger: декілька технічних команд, у кожної свій інструмент для планів і комітів. Стейкхолдерам потрібен єдиний view — усе під рукою і зрозуміло.

Solve:

Edge-стек: SQLite + serverless functions + React.
4 views: Roadmap (swimlane), Graph (DAG), Kanban, Table.
Dependency arrows + audit log + admin gate. Один вечір — від ідеї до production URL.

Я як PM не "навчився програмувати", я отримав інструмент будувати POC/MVP за бізнесовими вимогами — без залучення інженерів.

03 / Development

Product Engineer пише, інженери рев'юять.

Trigger: міграція legacy FE на новий стек + backlog з UI-фіч росте тижнями.

Solve: завдяки якісній документації сервісів AI читає командні конвенції — я лише описую бізнес-вимоги і валідую результат.

# conventions-from-review.md
- .input(z.object({...})) — завжди
- string ids; BigInt() at boundary
- mapper as namespace + function
- copyable: true on text columns
- access keys: provider_onboarding.*

Конвенції команди як код: версіонуються, ревʼюяться, читаються AI.

04 / QA

AI для роботи з гіпотезами.

Trigger: через 10 хв після approved transaction відбувається перехід статусу у REVERSED.
Сталося раз — це потенційна 1000 таких переходів завтра.

T+0:00 transaction approved [ok] T+0:01 schedule cancel-job at T+10:00 [ok] T+2:30 user returns, sync-status hits [ok] T+2:31 order shipped to customer [ok] T+10:00 cancel-job fires (no webhook) [!!] T+10:01 reversal lands [!!]

Solve: даю гіпотезу. AI підключається по MCP до необхідних сорсів, зчитує payload-логи, корелює, підтверджує. У тій самій сесії — формулює acceptance criteria для тікета на фікс.

Я не "перебираю" систему руками. Я керую гіпотезою. AI робить "грубу" роботу.

Recap за 5 років

До і після — що змінилось.

Тоді · PM до AI

PRD для нового продукту — +/- тиждень тільки на аналіз.
Внутрішні tools — здебільшого збиралися у backlog "не на часі".
Інциденти — всі артефакти вишукуються вручну по системі, так само мануально підставляються в шаблон.
30-40% дня — рутина, переписування одного й того у різні формати.

Тепер · продакт-інженер

PRD — в рамках 1-2х днів.
Внутрішні tools — за вечір стають MVP.
Інциденти — автоматизація для збору артефактів і заповнення постмортем. Я — для валідації.
70%+ дня — на decisions, тому беруся за те, на що раніше не вистачало часу.

Дельта — не тільки у швидкості. А й у тому, що тепер я можу робити задачі, які раніше не входили у мій scope.

05 / Marketing

AI не пише за тебе. Він шліфує те, що ти прожив.

Минулого року я пробіг 500+ км за місяць. Це я. Не AI.

AI знадобився потім. Щоб ущільнити 3000 знаків до 1300. Перевірити, що метафора не натягнута. Поставити правильне питання у кінці посту.

Це 80% мого часу, які він повертає.
Машинальну роботу — йому. Життя — мені.

Особистий бренд — це твій життєвий matter. AI — лише edit pass.

Три речі, які AI точно зламає.

Компроміси між стейкхолдерами.

Управління інтересами вимагає політичного нюху та пам'яті про неформальні домовленості.

Повзуче делегування (Delegation Creep).

Коли AI успішно робить 100 простих задач — виникає ілюзія безпомилковості. Контроль слабшає, і AI непомітно заходить на територію стратегічних рішень. Відповідальність не делегується!

Інтуїтивний "Smell Test".

Відчуття "щось не так", коли навіть дані сходяться, але контекст каже інше. Досвід і надивленість на противагу машині. AI аналізує наявні дані, але не має нашої інтуїції.

Золоте правило: AI бездоганний там, де є "якісні" приклади. Сліпа довіра = дорогі помилки.

Product Engineer — реальність.

…але тільки на трьох стовпах.

01 AI у SDLC — це не просто кодинг у IDE.
Це присутність на кожному його кроці.
02 Інвестуй у memory та context, не у промпти.
Промпт — одноразовий. Контекст — мультиплікатор.
03 Інструменти: АІ + MCP + memory.
Без хоча б одного з тулів — АІ це просто чат.

наступний крок

Залишайтеся.

через 10 хв · ця ж сцена

Дискусія:
Sr. PM × Sr. Engineering Manager × Head of AQA

Як AI змінить SDLC?

take away

Скопіюй мій
vault-template.

Лінк на стартовий шаблон — у моєму LinkedIn-bio.
linkedin.com/in/yehor-myroshnychenko