Вы решили внедрить искусственный интеллект в свой бизнес — и теперь ищете AI Product Manager. Вы не просто хотите «кого-нибудь с ИИ» — вы хотите специалиста, который действительно поймёт, как превратить технологии в прибыль. Но сколько раз вы уже встречали «экспертов», которые говорят о нейросетях, как будто они волшебные палочки? Сколько раз вы платили за «решения», которые так и не запустились? Сколько раз вы слышали фразы вроде «мы используем GPT-4 как основу» — а потом выяснялось, что это просто чат-бот с предварительно настроенным шаблоном? Вы не одиноки. В эпоху, когда ИИ стал модным словом, как «облако» или «блокчейн» десять лет назад, рынок переполнен «сказками про ИИ». Настоящий AI Product Manager — это не просто PM, который прочитал статью про LLM. Это человек, способный превратить технологический потенциал в устойчивый бизнес-результат. И если вы не знаете, как его отличить от фейка — вы рискуете потратить месяцы и сотни тысяч рублей на то, что так и останется на бумаге. В этой статье вы узнаете, как выбрать настоящего AI Product Manager, какие вопросы задавать на собеседовании, что проверять в портфолио и как не заплатить за пустые обещания.
Что такое AI Product Manager и чем он отличается от обычного PM
Перед тем как начинать поиск, важно чётко понимать, кого вы ищете. Многие компании ошибочно думают, что любой опытный Product Manager может взять на себя ответственность за ИИ-продукт. Это опасное заблуждение. AI Product Manager — это не просто PM, который работает с цифровыми продуктами. Это специалист, сочетающий в себе три ключевые компетенции: глубокое понимание продуктового менеджмента, техническую грамотность в области искусственного интеллекта и способность управлять нестандартными, нелинейными процессами. Если обычный PM управляет функциональностью: «Добавим кнопку «Купить», улучшим фильтры, снизим отток на шаге 3» — то AI PM управляет вероятностями. Он говорит не «мы сделаем», а «мы предсказываем с вероятностью 87%». Он не просто планирует релизы, он экспериментирует с данными, оценивает качество моделей и понимает, почему модель выдаёт не те результаты, которые ожидаются.
Представьте: обычный PM работает с чёткими требованиями. Пользователь кликает «Забыли пароль» — система отправляет письмо. Всё просто. А AI PM работает с системой, которая должна понять по тексту сообщения, что пользователь «забыл пароль», даже если он написал: «Уже третий день не могу войти, я устал». Здесь нет чёткого правила — только статистика, обученные модели и постоянная проверка точности. Если вы нанимаете PM без понимания этих различий, вы рискуете получить человека, который будет пытаться «доделать» ИИ-продукт как обычный веб-сайт — и потерпите крах.
Вот как отличить AI Product Manager от обычного PM:
- Обычный PM: фокусируется на пользовательских историях, дорожных картах, KPI вроде конверсии и удержания. Его инструменты — Jira, Figma, Google Analytics.
- AI Product Manager: фокусируется на качестве данных, смещении распределений, переобучении моделей, метриках точности, полноты и F1-оценке. Его инструменты — Python-скрипты, MLflow, Weights & Biases, A/B-тесты на вероятностных моделях.
Разница в подходе к задачам: обычный PM скажет — «у нас 40% пользователей не доходят до оплаты». AI PM скажет — «модель классификации ошибочно относит 32% пользователей к категории «не заинтересованы», хотя они просто не нашли кнопку. Нам нужно пересмотреть фичи, которые подаются в модель как признаки». Первый решает проблему дизайна. Второй — проблему данных и алгоритма.
Если вы ищете человека, который может взять на себя ответственность за ИИ-продукт — вы ищете не «PM с ИИ», а именно AI Product Manager. Это отдельная профессия, требующая специфических знаний и опыта. Не стоит думать, что «опыт в SaaS» автоматически делает человека экспертом в ИИ-продуктах. Это как считать, что человек, который умеет водить автомобиль, может ремонтировать двигатель внутреннего сгорания.
Какие навыки должен иметь настоящий AI Product Manager
Настоящий AI Product Manager — это гибрид. Он не обязан писать код, но должен понимать его. Он не должен быть математиком-теоретиком, но должен знать, что значит «переобучение» и почему F1-метрика важнее accuracy в несбалансированных датасетах. Его задача — быть мостом между технической командой, бизнес-заказчиками и конечными пользователями. Ниже — ключевые навыки, которые должен иметь настоящий специалист.
1. Глубокое понимание жизненного цикла ИИ-продукта
Не все продукты создаются одинаково. Обычный SaaS-продукт начинается с идеи → прототип → MVP → масштабирование. AI-продукт — это цикл: сбор данных → разметка → обучение модели → тестирование → деплой → мониторинг → переобучение. Каждый этап требует уникальных решений. Например, на этапе сбора данных важно понимать, какая информация будет полезна для модели — а не просто «всё, что есть». Настоящий AI PM знает, что если вы хотите предсказывать отток клиентов, то не достаточно собирать данные о последнем заказе. Вам нужны: частота входов, время на сайте до покупки, количество обращений в поддержку, поведение после рекламы. Он не будет просить «все логи» — он спросит: «Какие признаки коррелируют с оттоком в прошлых кейсах?»
2. Умение работать с данными — не как с бэкапом, а как с основным продуктом
ИИ-продукты строятся на данных. И если данные плохие — даже самая мощная модель не поможет. Настоящий AI PM понимает, что «чистка данных» — это не техническая задача, а стратегическая. Он знает разницу между пропущенными значениями и систематическими смещениями. Он понимает, что если в вашей базе клиентов 95% — мужчины, а модель обучена на этих данных, то она будет плохо работать с женщинами. Он не будет говорить «это всё исправит нейросеть» — он предложит сбалансировать выборку или использовать техники взвешивания. Он знает, что качество данных — это не «мы собрали 10 тысяч записей», а «мы понимаем, откуда они взялись и какие ошибки в них есть».
3. Опыт работы с ML-моделями и понимание их ограничений
Вы не обязаны писать код для XGBoost или Transformer, но вы должны понимать: что такое overfitting? Почему модель работает на тестовой выборке, но падает в продакшене? Что значит «деградация модели» и как её предотвратить? Настоящий AI PM может объяснить, почему ваша модель перестала предсказывать спрос после Нового года — не потому что «всё сломалось», а потому что сезонные паттерны изменились, и модель не была переобучена на новых данных. Он знает, что модели — это не волшебные коробки, а статистические инструменты с чёткими границами. Он не обещает «100% точности» — он говорит: «мы достигли 89% recall, но это требует ручной проверки для 12% случаев».
4. Умение ставить реалистичные цели и измерять результаты
Вот типичный сценарий: «Мы хотим, чтобы ИИ автоматически отвечал на вопросы клиентов». Звучит круто. Но что значит «хорошо»? 80% ответов должны быть правильными? А если клиенту важно, чтобы ответ был не только точным, но и с эмпатией? Настоящий AI PM не берётся за задачу без чётких метрик. Он задаст вопросы: «Как мы будем измерять качество ответа?» — через опросы? Через процент повторных обращений? Через NPS после ответа? Он знает, что «улучшение конверсии на 5%» — это не цель для ИИ, если вы не понимаете, как именно ИИ влияет на этот показатель. Он ставит цели: «Уменьшить время ответа поддержки на 40% без снижения удовлетворённости клиентов» — и потом измеряет это.
5. Опыт управления нестабильными системами
В обычном продукте вы запускаете фичу — и она работает стабильно. В ИИ-продукте всё может сломаться без предупреждения. Модель, которая отлично работала месяц — вдруг начинает выдавать странные ответы. Почему? Потому что пользователи начали использовать новые слова. Или изменился состав аудитории. Или в данных появилась ошибка. Настоящий AI PM не паникует. Он знает, как настроить мониторинг: отслеживать дрейф распределений, рост ошибок, снижение точности. Он понимает, что ИИ-продукт требует постоянного контроля — как самолёт с автопилотом. Он не «запустил и забыл». Он создаёт системы оповещений, планы реакции на деградацию и процедуры переобучения.
6. Коммуникация с технической командой без «переводчика»
Настоящий AI PM не говорит: «Дайте мне нейросеть». Он говорит: «Нам нужно построить классификатор, который будет определять, является ли запрос клиента «жалобой» или «запросом на помощь». У нас есть 8 тысяч аннотированных примеров. Нужно выбрать модель с высоким recall, потому что пропустить жалобу дороже, чем ложно сработать. Нужен ли нам BERT или хватит текстового анализа на основе TF-IDF?». Он знает, что такое embedding, attention и loss function — не для того, чтобы писать код, а чтобы понимать, какие решения принимает команда. Он может задавать правильные вопросы: «А как вы проверяете смещение по полу?» — и получать внятный ответ. Это не «технический PM». Это человек, который умеет говорить на языке и инженеров, и менеджеров.
Как проверить портфолио AI Product Manager: 5 критериев, которые не обмануть
Портфолио — это ваш лучший инструмент для проверки. Но большинство «портфолио» — это копипаст с LinkedIn: «Руководил проектом ИИ для ретаргетинга», «Улучшил конверсию на 30% с помощью нейросети». Где детали? Какие данные использовались? Что было на самом деле сделано? Вот пять критериев, по которым можно проверить подлинность опыта.
1. Конкретные метрики, а не общие фразы
Вопрос: «Какой результат вы получили?» — а ответ: «Улучшили эффективность». Это красный флаг. Настоящий AI PM ответит: «Мы снизили количество ошибок классификации отзывов на 42% за 3 месяца, используя BERT-модель с дообучением на наших данных. После запуска оценка удовлетворённости клиентов выросла на 18%». Где цифры? Где временные рамки? Где методология? Если в портфолио есть только «сделали ИИ», — это фейк.
2. Упоминание данных, а не только моделей
Слышали фразу: «Мы использовали GPT-4»? Это как сказать: «Мы купили Ferrari и поехали на дачу». Модель — инструмент. А данные — топливо. Настоящий AI PM расскажет, какие именно данные были использованы: «Мы собрали 12 тысяч отзывов за 6 месяцев, отфильтровали дубликаты, провели ручную аннотацию 20% выборки с двумя независимыми анататорами, достигли Kappa-индекса 0.83». Если в портфолио есть только «мы использовали LLM» — это пустышка.
3. Описание сложностей и неудач
Настоящий специалист говорит о провалах. Он не скрывает, что модель сначала выдавала 60% ложных срабатываний. Он рассказывает, как нашёл причину — и как исправил. Если в портфолио всё идеально: «всё запустили, всё работает, клиент доволен» — это подозрительно. Реальные ИИ-проекты — это борьба с данными, с переобучением, с неожиданным дрейфом. Правильный кандидат расскажет, как он столкнулся с проблемой и что сделал. Это показатель зрелости.
4. Техническая глубина в описании
Проверьте, насколько детально он описывает процесс. Пример: «Мы построили систему для автоматической классификации обращений». — Слишком общо. А если написано: «Мы реализовали двухэтапную систему: сначала — бинарный классификатор для выделения запросов, требующих вмешательства человека; потом — multiclass-классификатор для определения категории. Для этого использовали TF-IDF + XGBoost на первом этапе, Fine-tuned RoBERTa на втором. Проводили A/B-тест с контролем: 50% запросов — ручная обработка, 50% — автоматическая. Результат: сокращение времени ответа на 68%, сохранение качества». — Это настоящий опыт.
5. Результаты, привязанные к бизнесу
Важно не просто «сделали ИИ», а — «какой бизнес-эффект?». Правильный AI PM всегда связывает технологию с деньгами: «Снижение нагрузки на поддержку — экономия 120 часов в месяц», «Увеличение конверсии на 9% за счёт персонализированных рекомендаций», «Снижение оттока на 15% за счёт прогнозирования рисков». Если в портфолио есть только «мы сделали чат-бота» — без связи с метриками бизнеса — это не AI Product Manager. Это технический исполнитель.
Какие вопросы задавать на собеседовании, чтобы выявить фейк
Собеседование — ваша последняя линия обороны. Технические тесты и кейсы — это хорошо, но часто их можно подготовить. Вопросы, которые вы зададите в диалоге, покажут настоящий уровень. Вот 10 вопросов, которые раскроют фейк за 5 минут.
1. Расскажите о самом сложном ИИ-проекте, над которым вы работали. Что пошло не так?
Настоящий специалист расскажет о проблемах: «Модель работала отлично на тесте, но в продакшене начала выдавать странные рекомендации. Оказалось, что данные из CRM были смещены — в них не было клиентов старше 50 лет, а мы их тоже хотели охватить. Пришлось пересобирать данные и переобучать». Фейк скажет: «Всё прошло отлично, мы быстро всё запустили».
2. Как вы определяете, что ИИ-решение действительно нужно — а не просто «выглядит круто»?
Правильный ответ: «Сначала я проверяю, есть ли более простое решение. Может быть, просто улучшить интерфейс или добавить FAQ? Если да — ИИ не нужен. Только если проблема слишком сложная, нелинейная или требует обработки больших объёмов данных — тогда ИИ оправдан». Фейк ответит: «Все сейчас используют ИИ — значит, надо тоже».
3. Как вы оцениваете качество модели перед запуском?
Верный ответ: «Я смотрю на несколько метрик: точность, полнота, F1-оценка. Особенно важно — насколько модель плохо работает на редких классах. Проверяю дрейф данных, провожу A/B-тест с контролем. И всегда тестирую на реальных данных, а не только на тестовой выборке». Фейк скажет: «Мы запускали, и всё работало — клиент доволен».
4. Что делать, если модель перестала работать через месяц после запуска?
Правильный ответ: «Сначала проверяю данные — изменился ли состав аудитории? Появились ли новые типы запросов? Затем смотрю на метрики — упала ли точность? Если да — запускаю переобучение. Делаю мониторинг в реальном времени». Фейк: «Нужно обновить модель» — без деталей.
5. Как вы выбираете между простой моделью и сложной?
Правильный ответ: «Выбираю наименьшую модель, которая решает задачу. Не использую GPT-4, если можно обойтись классификатором на основе правил. Простота = стабильность = меньше ошибок». Фейк: «Чем сложнее, тем лучше».
6. Какие данные вы используете для обучения? Где их берёте?
Правильный ответ: «Зависит от задачи. Если это клиентские отзывы — берём из CRM, аннотируем. Если данные чувствительные — используем синтетические или анонимизированные. Всегда проверяем легальность». Фейк: «Беру данные из интернета — там много».
7. Как вы объясняете работу ИИ-продукта боссу, который не懂技术?
Правильный ответ: «Говорю на языке результатов. Не “мы использовали трансформер”, а “наши клиенты получают ответы в 3 раза быстрее, и меньше жалуются”». Фейк: «Это нейросеть. Она как мозг» — и дальше витает в облаках.
8. Какие инструменты вы используете для управления ИИ-проектами?
Правильный ответ: «MLflow для отслеживания экспериментов, Weights & Biases — для визуализации, Jira + Confluence для документирования». Фейк: «Я использую Trello и ChatGPT».
9. Какие риски есть при внедрении ИИ в бизнес?
Правильный ответ: «Дрейф данных, предвзятость моделей, этические риски, зависимость от данных, высокая стоимость поддержки». Фейк: «Риск — если люди не будут верить в ИИ».
10. Сколько времени нужно, чтобы запустить ИИ-продукт с нуля?
Правильный ответ: «От 3 до 9 месяцев — в зависимости от качества данных, сложности задачи и доступа к вычислительным ресурсам. Быстро — только если у вас уже есть размеченные данные». Фейк: «Неделю. Нужно только подключить API».
Если кандидат отвечает на 7 из этих вопросов внятно, уверенно и с деталями — вы нашли настоящего AI Product Manager. Если отвечает шаблонно, избегает вопросов или говорит «это просто» — бегите.
Где искать настоящего AI Product Manager: 5 проверенных источников
Интернет пестрит «специалистами по ИИ». LinkedIn? Где-то там есть. Хабр? Слишком много «попугаев». А где найти настоящего человека с реальным опытом? Вот пять проверенных источников.
1. Команды, которые уже запустили ИИ-продукты в вашей отрасли
Смотрите на компании, которые успешно используют ИИ в вашей сфере. Например: если вы в ритейле — посмотрите, кто внедрил рекомендательные системы в Ozon или Wildberries. Изучите их команды: кто возглавлял проект? Найдите его на LinkedIn. Запросите информацию — и часто он готов поделиться опытом. Прямые рекомендации от тех, кто уже прошёл этот путь — самый надёжный источник.
2. Технические сообщества: Data Science и AI-специалисты
Не ищите PM на LinkedIn, где 90% — фейки. Идите в сообщества: «Data Science Russia», «Московское Data-сообщество», «Kaggle». Там вы найдёте людей, которые реально работают с данными. Они часто ведут блоги, пишут статьи, участвуют в хакатонах. Смотрите их публикации — если они пишут о переобучении, дрейфе данных и метриках — это ваш кандидат. Они редко продают себя как «AI Product Manager» — но именно они и есть те, кого вы ищете.
3. Продуктовые сообщества с фокусом на ИИ
Посмотрите в «Product School», «Mind the Product», «AI Product Leaders». Там собираются настоящие AI PM. Они делятся кейсами, проводят вебинары, пишут статьи. Если человек участвует в этих сообществах — это сильный сигнал. Он не просто говорит «я работаю с ИИ» — он вовлечён в сообщество, учится, делится знаниями.
4. Проекты на GitHub и Kaggle
Зайдите на GitHub — найдите репозитории с ИИ-продуктами. Проверьте, кто автор. Если человек публикует код, документацию, примеры использования — это не фейк. Он реально делал. Смотрите на активность: сколько коммитов? Как часто обновляется проект? Проверьте комментарии: есть ли реальные отзывы от пользователей? Если есть — это живой опыт.
5. Бывшие сотрудники крупных IT-компаний с ИИ-направлением
Кто работает в Яндексе, СберТех, Google AI, OpenAI? Часто они уходят в стартапы или консалтинг. Их опыт — бесценен. Они знают, как строить масштабируемые ИИ-системы. Найдите их через LinkedIn, посмотрите на карьерный путь: были ли у них проекты с реальными данными, метриками, командами? Если да — это ваш человек. Они не продают «сказки». Они знают, как работает ИИ в реальном мире.
Сколько должен стоить настоящий AI Product Manager и как не переплатить
Сколько платить? Это один из самых болезненных вопросов. Ищете — и видите: кто-то просит 300 тысяч рублей в месяц, а кто-то — 120. Как понять, кто реально заслуживает? Давайте разберёмся.
Настоящий AI Product Manager — это редкий специалист. Он не просто PM. Он знает ИИ, данные, бизнес и коммуникацию. Его стоимость — выше обычного PM. Но цена зависит от трёх факторов:
1. Опыт
- Начинающий (1–2 года): 80–130 тыс. руб./мес — если есть реальные кейсы, но без масштабных проектов.
- Средний (3–5 лет): 140–220 тыс. руб./мес — если у него есть успешные внедрения, метрики, опыт работы с реальными данными.
- Старший (5+ лет): 230–450 тыс. руб./мес — если он запускал продукты в крупных компаниях, решал сложные задачи, имел команды под собой.
2. Отрасль и сложность задачи
Если вы в ритейле — и хотите рекомендательную систему — это сложно, но стандартно. А если вы в медицине и хотите предсказывать риски заболеваний по данным МРТ — это требует глубоких знаний и высокой ответственности. Там цены выше — потому что ошибка может стоить жизни. В финансовом секторе, где риски регуляторные — тоже дороже. В маркетинге — дешевле, но всё равно выше обычного PM.
3. Формат работы: штат, аутсорс или фриланс
- Штатный сотрудник: дороже, но у вас постоянный контакт, вовлечённость, понимание бизнеса. Подходит для долгосрочных проектов.
- Аутсорс-компания: может предложить команду, но часто «выдаёт» подменённых специалистов. Проверяйте, кто реально будет работать — не просто менеджер по продажам.
- Фриланс: дешевле, но риски выше. Часто фрилансеры не имеют постоянного доступа к данным, не участвуют в стратегии. Подходит для пилотных проектов — но не для масштабирования.
Сколько платить? Вот практический подход:
- Начните с пилота. Закажите 1-2 месяца работы на фрилансе или аутсорсе — с чёткими целями: «За 60 дней мы запустим классификатор отзывов с точностью не ниже 85%».
- Платите за результат, а не за время. Согласуйте KPI: «Если метрика качества не достигнута — оплата снижается на 40%». Это защитит вас от «сказок».
- Не переплачивайте за сертификаты. «Сертификат от Google» или «ИИ-эксперт» — это маркетинг. Проверяйте портфолио, а не бумажки.
- Ищите «практиков», а не «теоретиков». Кандидат, который говорит: «Я читал статью про LLM» — не ваш человек. Тот, кто говорит: «Я запустил систему, которая сократила отток на 18%» — ваш.
Помните: настоящий AI Product Manager не торгует «сказками про ИИ». Он говорит о данных, метриках и рисках. Он не обещает «волшебство». Он предлагает — решение, которое работает.
Заключение: как не стать жертвой «сказок про ИИ»
Вы не ищете «человека с ИИ». Вы ищете человека, который может превратить технологии в бизнес-результат. ИИ — это не модный тренд. Это инструмент. Как молоток или Excel. И как с молотком: если вы не знаете, как им пользоваться — вы можете сломать себе ногу. С AI Product Manager то же самое. Попадая на фейка, вы тратите деньги, время и репутацию. Ваша задача — не найти «кого-то с ИИ», а найти человека, который умеет работать с неопределённостью, данными и сложными системами. Он должен уметь объяснять, как работает модель — не на сленге, а понятно. Он должен понимать, что ИИ — это не «автоматизация», а «новый тип анализа». Он должен быть готов к постоянному тестированию, переобучению и адаптации.
Ваша цель — не «найти ИИ-специалиста». Ваша цель — найти человека, который:
- Не говорит «мы используем ИИ», а объясняет, как и почему.
- Не обещает «100% точности», а говорит: «у нас 89%, и мы работаем над оставшимися 11%».
- Не боится говорить о провалах — потому что знает: в ИИ ошибки неизбежны, но их можно предвидеть.
- Не смотрит на технологии как на волшебство — а как на инструмент, который требует ответственности.
Если вы следовали шагам этой статьи — проверяли портфолио, задавали правильные вопросы, искали в проверенных источниках — вы уже на шаг впереди большинства компаний. Вы не будете платить за «сказки». Вы найдёте настоящего специалиста — и превратите ИИ из модного слова в конкурентное преимущество.
FAQ
Что такое AI Product Manager и почему его нельзя заменить обычным PM?
AI Product Manager — это специалист, который управляет продуктами, основанными на искусственном интеллекте. Он отличается от обычного PM тем, что работает не с фиксированными функциями, а с вероятностными системами. Его задача — не «сделать кнопку», а понять, почему модель выдаёт неверные результаты, как улучшить данные и как измерять успех. Обычный PM не знает, что такое переобучение или дрейф данных — и поэтому не может управлять ИИ-продуктом эффективно.
Стоит ли нанимать AI PM, если у меня нет больших данных?
Если у вас мало данных — ИИ может быть не лучшим решением. Настоящий AI Product Manager скажет: «Давайте сначала соберём 5–10 тысяч качественных записей, прежде чем запускать модель». Он не будет «втискивать» ИИ туда, где он не нужен. Если данных мало — лучше начать с простых автоматизаций или правила. AI PM — это не «всеядный» специалист, а тот, кто знает, когда ИИ — правильное решение.
Какие сертификаты действительно подтверждают опыт AI Product Manager?
Сертификаты — это маркетинг. Настоящий опыт подтверждается кейсами, метриками и деталями. Если человек говорит: «У меня сертификат от Coursera», — это не доказательство. Если он говорит: «Запустил систему, которая сократила время обработки обращений на 60%» — это реальный опыт. Не доверяйте бумажкам. Доверяйте результатам.
Можно ли обучить обычного PM стать AI Product Manager?
Да, можно — но это требует времени и усилий. Нужно пройти курс по машинному обучению, разобраться в данных, понять метрики качества моделей. Это не «взять курс на 2 недели» — это глубокая переподготовка. Если у вас есть опытный PM, который любит учиться — он может стать AI PM за 6–12 месяцев. Но если человек не интересуется данными — лучше найти другого.
Что делать, если AI PM обещает результат за 2 недели?
Бегите. Настоящий AI Product Manager знает: запуск ИИ-продукта требует времени — на сбор данных, их аннотацию, обучение, тестирование и мониторинг. Два недели — это только на этапе «попробуем». Реальный запуск занимает 3–6 месяцев. Если кто-то обещает «быстро» — это либо фейк, либо он использует готовые решения без кастомизации. В обоих случаях — риск.
Как понять, что AI PM действительно ведёт проект, а не просто «говорит»?
Следите за действиями. Попросите его показать: план экспериментов, отчёт по метрикам, дашборд с мониторингом модели. Если он не может — это фейк. Настоящий специалист работает с данными, а не с презентациями. Он будет спрашивать: «А как мы будем измерять результат?» — а не «Мы сделаем ИИ, и всё заработает».