AI First Product Manager

Теориякто такой продакт-менеджер и чем он занимается каждый день. Этапы жизни продукта: Discovery (что строить?), Validation (это нужно рынку?), Delivery (как построить?), Analytics (как измерить результат?). Чем PM отличается от проджект-менеджера, маркетолога и предпринимателя. Типы продуктов: B2C, B2B, внутренние инструменты, AI-продукты. Карьерные треки: PM в найме, продакт-предприниматель, AI PM.

Практикакаждый студент описывает продукт мечты - какую проблему решает, для кого, как зарабатывает. Первичный разбор с наставником и группой.

ТеорияAI First подход - почему PM без AI-навыков теряет конкурентоспособность. Карта AI-инструментов по этапам: Discovery, Validation, Delivery, Analytics. Что AI делает лучше PM: обработка больших данных, генерация вариантов, черновики. Что PM делает лучше AI: принятие решений, эмпатия, стратегический контекст. AI PM как новая роль: что от него требуют работодатели в Казахстане и мире.

Практикастудент отправляет в Claude описание своего продукта - получает анализ целевой аудитории, рисков и конкурентов. Разбираем качество ответа, учимся улучшать.

Теориякак разговаривать с AI чтобы получать полезный результат, а не мусор. Структура промпта: роль - контекст - задача - формат вывода - ограничения. Разница между плохим и хорошим промптом на реальных примерах из работы PM. System prompt: как настроить AI под конкретную задачу (исследователь, критик, CTO). Итерационный подход: уточняй, переформулируй, проверяй результат.

Практикастуденты пишут промпты для трёх PM-задач - анализ конкурентов, написание Job Story, оценка гипотезы. Сравниваем результаты, разбираем что сработало.

ТеорияValue Proposition Canvas - инструмент связи продукта с потребностями клиента. Customer Profile: задачи клиента (customer jobs), боли (pains), выгоды (gains). Value Map: продукты и услуги, обезболивающие (pain relievers), создатели выгод (gain creators). Product-Market Fit: как понять что попал в рынок. Почему большинство продуктов провалились. Как PMF влияет на все дальнейшие решения PM.

Практиказаполняем VPC для продукта студента. Затем просим Claude сыграть роль скептичного целевого клиента и критически оценить ценностное предложение.

ТеорияAgile-подход - зачем короткие итерации вместо большого плана. Scrum: спринты (1-2 недели), планирование, daily standup, демо, ретроспектива. Роли: Product Owner, Scrum Master, команда разработки - кто за что отвечает. Kanban: доска, колонки (To Do / In Progress / Done), WIP-лимиты. Когда Scrum, когда Kanban: критерии выбора под тип команды и продукта.

Практикаразбираем кейс - почему фича вышла не такой как задумывал PM. Используем Claude чтобы составить шаблон брифа который предотвращает такие ситуации.

Теориякто есть в команде - PM, дизайнер (UX/UI), frontend и backend разработчики, QA, аналитик. Что PM должен понимать в дизайне, разработке и аналитике - без погружения в детали. Как AI помогает PM общаться с техническими специалистами: переводить с продуктового на технический язык и обратно.

Практикастудент описывает фичу голосом за 2 минуты - Claude превращает описание в структурированный бриф для каждой роли команды: дизайнеру, разработчику, QA.

Теорияпродуктовое мышление - от проблемы к решению, а не от идеи к реализации. Пять вопросов которые PM задаёт перед любым решением. Как Claude помогает структурировать мышление: задаём вопрос, AI показывает углы которые не видели. First Principles мышление. Как избежать ловушки 'мне кажется' в пользу 'данные говорят'.

Практикаразбираем 3 реальных кейса провальных продуктов. Claude помогает вскрыть где именно сломалось продуктовое мышление команды.

Студент готовит и защищает: описание целевого сегмента (кто пользователь), Value Proposition Canvas (боли, выгоды, решения), первичную формулировку проблемы которую решает продукт. Весь процесс с AI-поддержкой: Claude как партнёр по продуктовому мышлению. Защита: презентация перед группой (5 мин) + вопросы + разбор с наставником.

Теориязачем нужны интервью если есть AI - и почему AI не заменяет живого разговора. Проблемные и решенческие интервью: разница, цель, когда проводить. Мама-тест: три правила честного интервью без наводящих вопросов. Рекрутинг респондентов: где найти пользователей для интервью (LinkedIn, чаты, клиенты). Как записывать и структурировать результаты.

Практикастуденты проводят 10-минутное интервью друг с другом. Транскрипт загружают в Claude - получают инсайты, боли и ключевые цитаты.

Теориякак Claude обрабатывает большие массивы качественных данных за минуты. Анализ отзывов из App Store, Google Play, Отзовик, форумов - без ручного чтения. Тематическое кодирование: выделение паттернов из 50+ источников. Промпт для анализа UX-исследования: структура и примеры. Ограничения: что AI может упустить и как это проверить самостоятельно.

Практиказагружаем 20-30 реальных отзывов конкурента в Claude, получаем структурированный анализ болей и инсайтов. Сравниваем с ручным разбором.

Теориякакую 'работу' нанимают продукт выполнять - суть JTBD. Функциональные, социальные и эмоциональные jobs: примеры для разных продуктов. История с молочным коктейлем McDonald's - как JTBD перевернул понимание продукта. JTBD-борд: визуализация работ пользователя. Как JTBD помогает находить неочевидных конкурентов - тех кто решает ту же работу иначе.

Практикастроим JTBD-борд для продукта студента. Claude генерирует гипотезы о jobs на основе описания аудитории - студент проверяет.

Теорияформула Job Story: When [ситуация] - I want to [мотивация] - So I can [результат]. Как отличить хорошую Job Story от расплывчатой. От Job Story к продуктовым решениям: как одна работа порождает несколько фич. JTBD-карта конкурентов: кто ещё решает ту же работу и каким способом.

Практикакаждый студент пишет 5-7 Job Stories для своего продукта. Claude выступает критиком - находит расплывчатые формулировки, задаёт уточняющие вопросы, предлагает альтернативные формулировки.

Теориязачем изучать рынок и конкурентов до начала разработки. Типы конкурентов: прямые (те же функции), косвенные (другой способ), замещающие решения. Как Claude помогает быстро собрать информацию о рынке: TAM, SAM, SOM. Матрица 2x2: позиционирование игроков рынка по двум ключевым параметрам. Анализ отзывов конкурентов: что ненавидят пользователи - это ваши возможности.

Практикастудент загружает описания 3-5 конкурентов - Claude строит сравнительную таблицу, JTBD-карту конкурентов и предлагает незанятые ниши.

Теорияформула позиционирования - [продукт] для [аудитории] который [выгода] в отличие от [альтернатива]. Как позиционирование влияет на все решения PM. Анализ отзывов конкурентов как источник product opportunities. Таблица сравнения функций: как читать и использовать в работе. Как AI помогает составить конкурентный анализ за 2 часа вместо 2 недель.

Практикаполный конкурентный анализ с AI - отзывы, матрица, незанятые ниши, формула позиционирования для продукта каждого студента.

ТеорияOpportunity Solution Tree - как от проблем пользователя прийти к возможностям. Что такое Opportunity и как его сформулировать правильно. Откуда берутся возможности: интервью, отзывы, данные, наблюдение за пользователем. Как приоритизировать возможности до того как придумывать решения. Как Claude помогает генерировать и оценивать пространство возможностей.

Практикастудент строит Opportunity Solution Tree для своего продукта. Claude предлагает дополнительные opportunities на основе описания аудитории.

Студент готовит и защищает: результаты 3 проведённых интервью с AI-анализом транскриптов, JTBD-борд с 5-7 Job Stories, конкурентный анализ (сравнительная таблица + матрица 2x2 + позиционирование), Opportunity Solution Tree с приоритизированными возможностями. Защита: презентация Discovery (7 мин) + вопросы группы + разбор с наставником.

Теорияот пользовательских задач к списку работ команды. Product Backlog Item (PBI): что включает хорошая задача. Opportunities, гипотезы, метрики успеха - три обязательных элемента PBI. Приоритизация: RICE (Reach, Impact, Confidence, Effort), ICE, PACE - когда что использовать. Связь бэклога с Discovery: как opportunities превращаются в задачи команды.

Практикастуденты формируют бэклог из 15-20 PBI для своего продукта. Claude помогает сформулировать гипотезы и расставить приоритеты по RICE.

Теорияшаблон гипотезы - [действие] приведёт к [результат] потому что [обоснование], проверим через [метрика] за [срок]. Этапы продукта и соответствующие гипотезы: Value, Activation, Retention, Monetization. Как не тратить спринт на проверку плохой гипотезы. Скорость против точности на ранних стадиях продукта.

Практикадля каждого PBI студент формулирует гипотезу по шаблону. Claude оценивает качество гипотез: находит слабые места, предлагает улучшения.

Теорияот гипотез к сценариям - зачем нужны User Stories. Формат: As a [роль] I want to [действие] So that [результат]. Цепочки User Stories: как покрыть весь сценарий пользователя. Acceptance Criteria: конкретные условия при которых история считается готовой. Форматы AC: Given/When/Then и простой список критериев. Definition of Done: соглашение команды о стандарте готовности.

Практикастуденты пишут 7-10 User Stories с полными AC. Claude дополняет граничные случаи и негативные сценарии.

Теориякарта пользовательского опыта - от целей пользователя к MVP. Activities (активности), Tasks (задачи), User Stories - три уровня карты. Как расположить истории горизонтально (по сценарию) и вертикально (по приоритету). Как USM помогает определить границы первого релиза и что оставить на второй.

Практикастроим User Story Map в Miro для продукта студента. Claude находит пропущенные Activities и предлагает дополнительные сценарии.

ТеорияMVP как инструмент проверки гипотезы ценности, а не первый продукт. Типы MVP: лендинг (smoke test), Wizard of Oz, консьерж, кликабельный прототип, фейковая дверь. Как выбрать правильный тип MVP под свою гипотезу и этап развития продукта. Сколько времени должен занимать MVP. Ошибки: слишком большой, без метрики успеха.

Практикастудент определяет тип MVP для главной гипотезы. Claude помогает спроектировать эксперимент: что измеряем, сколько пользователей нужно, за какой срок считаем результат.

ТеорияPM пишет много - PRD, брифы, спецификации, письма команде, презентации. Как Claude ускоряет написание технических документов в 5-10 раз. Промпты для PRD, User Story, описания требований к API. Как не потерять качество: всегда проверяй бизнес-логику, AI не знает контекст компании. Шаблоны промптов для ежедневной работы PM: библиотека на все случаи.

Практикастудент диктует описание фичи за 2 минуты - Claude превращает это в полноценный PRD с User Stories, AC и метриками успеха.

Теориямессенджеры как продуктовый канал - Telegram, WhatsApp. BotFather: создание Telegram-бота за 5 минут. Три подхода к управлению ботами: ручной (отвечает человек), rule-based (сценарии и кнопки), AI-powered (LLM под капотом). Когда чат-бот решает задачу, а когда это оверкилл. Как PM ставит задачу на разработку бота без технического бэкграунда.

Практикакаждый студент создаёт Telegram-бота через BotFather. С помощью Claude пишем полный сценарий диалога для своего продукта.

Студент готовит и защищает: приоритизированный бэклог (15-20 PBI с гипотезами), User Story Map с границами MVP, 7-10 User Stories с Acceptance Criteria, описание MVP-эксперимента (тип MVP, метрика успеха, срок проверки), Telegram-бот с базовым AI-сценарием диалога. Защита: презентация (7 мин) + демо бота + вопросы группы.

Теориячто такое Lovable и почему PM должен уметь делать прототипы сам. Интерфейс Lovable: промпт на русском, итерации, экспорт и деплой по реальной ссылке. Как правильно описать интерфейс в промпте: структура экранов, пользовательский флоу, визуальный стиль, цветовая схема. Ограничения Lovable: что не умеет и когда нужен дизайнер.

Практикакаждый студент создаёт кликабельный прототип своего MVP в Lovable. Итог занятия: работающий прототип по реальной ссылке.

Теориясвязка Claude + Lovable - Claude формулирует точное ТЗ, Lovable строит прототип. Как проводить user testing с прототипом: сценарий задачи, наблюдение, запись. Загружаем скриншоты прототипа в Claude для анализа UX-проблем. Как итерировать: фидбек от пользователей - Claude предлагает правки - обновляем.

Практикастуденты меняются прототипами и проводят 10-минутное user testing. Результаты загружают в Claude - получают приоритизированный список UX-проблем.

Теориясоздаём веб-приложение с реальной AI-фичей в Lovable. Подключение к Claude API: ключ, системный промпт, обработка ответов. PM как создатель: от идеи до рабочего прототипа без разработчика. Тестирование AI-фичи: граничные случаи, качество ответов, поведение при ошибках.

Практикакаждый студент создаёт в Lovable приложение с AI-фичей - персональный ассистент, анализатор текста или генератор контента. Итог: рабочий AI-продукт по реальной ссылке.

Теориячто такое Claude Code и чем отличается от Lovable. Вайб-кодинг для PM: описываем задачу - AI пишет код - PM проверяет результат. Создание лендинга для MVP: структура, заголовок, форма сбора email, страница успеха. Деплой по реальной ссылке. Smoke test: лендинг как инструмент проверки спроса. Как PM тестирует спрос до написания продукта: считаем конверсию в заявки.

Практикастудент создаёт лендинг для своего MVP через Claude Code - реальная страница с формой, задеплоенная по ссылке для реальных пользователей.

Теориясоздание многостраничных прототипов с логикой. Добавление форм, кнопок, условной логики. Интеграция с внешними сервисами через API. Как PM проверяет техническую осуществимость фичи до постановки задачи разработчику. Когда Claude Code достаточно, а когда нужен настоящий разработчик: критерии выбора.

Практикадобавляем к лендингу A/B-тест заголовка, интеграцию с Google Sheets для сбора заявок и простую аналитику конверсии.

Теориязачем PM нужна автоматизация. n8n как no-code конструктор: ноды, триггеры, workflow. Что PM автоматизирует сам: сбор обратной связи, уведомления команде, отчёты. Установка n8n cloud. Первый workflow: форма обратной связи - уведомление PM в Telegram.

Практикастуденты строят workflow в n8n: Google Form принимает отзыв пользователя - Claude анализирует тональность и срочность - если критично, уведомление PM в Telegram с резюме и рекомендуемым действием.

Теориямониторинг конкурентов без ручного труда - отзывы, упоминания, изменения сайта. Workflow: парсинг отзывов конкурента - Claude классифицирует по темам - еженедельный дайджест в Telegram-канал команды. PM настраивает один раз и получает данные постоянно без участия аналитика.

Практикастуденты строят workflow мониторинга конкурентов: отзывы из открытых источников - Claude анализирует - структурированный отчёт уходит в Telegram с выделенными инсайтами и новыми возможностями.

Теорияworkflow от отзыва пользователя до задачи в Jira. Claude определяет тип обращения (баг, фича, жалоба) и приоритет. Автоматически создаёт PBI в Jira / Trello с нужными тегами. Автоматический сбор NPS: форма - напоминание через n8n - результаты в Google Sheets.

Практикастуденты строят pipeline: отзыв пользователя из Telegram - Claude классифицирует и формулирует PBI - задача создаётся в Trello - уведомление PM с резюме.

Теориякак PM думает об AI-агенте - какую задачу решает, кто пользователь. Разница между чат-ботом, AI-ассистентом и агентом. Когда AI-агент нужен в продукте, а когда это оверкилл. Как PM описывает агента без технических деталей: пользовательский сценарий, ограничения, fallback при ошибке, метрики качества.

Практикастудент проектирует AI-агента для своего продукта - пишет сценарий, описывает ограничения, рисует схему взаимодействия. Claude играет роль скептичного CTO и задаёт неудобные вопросы.

Студент представляет и демонстрирует: кликабельный прототип в Lovable (с AI-фичей, подключённой к Claude API), лендинг для smoke test в Claude Code (задеплоен по реальной ссылке), workflow в n8n (минимум один рабочий - сбор фидбека или мониторинг конкурентов), Telegram-бот с AI-сценарием диалога. Защита: демо всех четырёх артефактов + объяснение логики + вопросы группы.

Теориядерево метрик - North Star Metric, метрики первого и второго уровня. Ключевые метрики: DAU/MAU, Retention, Churn, LTV, CAC, ARPU, NPS. Разница между vanity metrics (красиво выглядят) и actionable metrics (ведут к решениям). Как выбрать North Star Metric для своего продукта: критерии выбора.

Практикастудент строит дерево метрик для своего продукта. Claude проверяет логику: 'если эта метрика растёт - растёт ли бизнес?' Разбираем типичные ошибки при выборе North Star Metric.

Теориякак Claude анализирует таблицы и CSV-файлы без знания SQL. Загружаем выгрузку из аналитики - Claude интерпретирует что происходит с продуктом. Как PM объясняет данные команде и стейкхолдерам с помощью AI. Создание простого дашборда через Claude Code. Автоматический отчёт через n8n.

Практикастуденты загружают в Claude реальные или учебные данные - CSV с событиями пользователей. Получают интерпретацию, выводы и рекомендации. Claude формулирует 3 гипотезы для улучшения продукта на основе данных.

Теорияоткуда берутся данные - события (events) в мобильном и веб-продукте. Инструменты: Amplitude, Mixpanel, PostHog, Яндекс.Метрика - когда что выбрать. Tracking plan: какие события отслеживать, какие свойства передавать. Как PM ставит задачу аналитику или разработчику на настройку трекинга. Ошибки трекинга которые убивают аналитику: дубли, неверные имена, потеря событий.

Практикастудент составляет tracking plan для своего продукта - 10-15 ключевых событий. Claude проверяет логику и находит пропущенные события.

Теориякак строить воронку конверсии от первого касания до оплаты. Ordered mode и Unordered mode: в чём разница и когда что использовать. Conversion Window: за какой период считать конверсию. Где теряются пользователи и как диагностировать причины потерь. Как воронка помогает выбрать над чем работать в следующем спринте.

Практикастуденты строят воронку для своего продукта. Claude анализирует и предлагает гипотезы о причинах потерь на каждом шаге воронки.

ТеорияRetention - главная метрика здоровья продукта. Формула Retention: сколько пользователей вернулись через N дней или недель. Типы Retention: Day 1, Day 7, Day 30 - что каждый говорит о продукте. Кривая Retention: что значит быстрое падение, плато, обратный отток. Когортный анализ: почему смотреть на когорты важнее чем на среднее значение.

Практикаразбираем Retention-кривые реальных продуктов. Claude объясняет что стоит за каждой формой кривой и какие действия нужны PM.

Теориярасчёт месячной активной аудитории на основе Retention-кривой и когорт. Исключение 'шумных' когорт: пользователи из прессы, фичеринга, рекламных кампаний. Формирование честной когорты v2. Как улучшить Retention: онбординг, habit loop.

Практикаработаем с таблицей данных - считаем Retention вручную, затем проверяем через Claude. Находим аномалии и формулируем гипотезы.

Теориячто такое A/B-тест и зачем он нужен PM. Как правильно сформулировать гипотезу для теста. Статистическая значимость без математики: что PM должен понимать. Сколько пользователей нужно для корректного теста. Ошибки A/B-тестирования: peek problem, multiple comparisons, novelty effect. Как читать результаты: p-value, lift, доверительный интервал.

Практикастудент формулирует A/B-тест для своей гипотезы. Claude проверяет корректность постановки и рассчитывает нужный размер выборки.

ТеорияCAC (стоимость привлечения), ARPU (средняя выручка на пользователя), LTV (пожизненная ценность), LTV/CAC (главное соотношение), Payback Period. Как считать прибыльность на одного пользователя. Когда юнит-экономика работает, а когда бизнес-модель сломана. Как улучшить: снизить CAC, повысить LTV, ускорить активацию.

Практикастудент считает юнит-экономику для своего продукта. Claude проверяет логику расчётов и предлагает сценарии улучшения ключевых параметров.

Теориятипы монетизации - подписка, freemium, pay-per-use, marketplace, реклама. Как выбрать модель под тип продукта и аудиторию. Paywall: где поставить, как объяснить пользователю ценность до оплаты. Pricing psychology: как цена влияет на конверсию и восприятие. Как A/B-тестировать цену. Монетизация AI-продуктов: особенности и тренды.

Практикастудент выбирает и обосновывает бизнес-модель для своего продукта. Claude играет роль венчурного инвестора и задаёт жёсткие вопросы о логике монетизации.

Студент готовит и защищает: дерево метрик с North Star Metric, tracking plan (15 событий с описанием), расчёт Retention и воронки конверсии (реальные или смоделированные данные), A/B-тест для одной ключевой гипотезы (постановка + ожидаемый результат), юнит-экономику продукта и обоснование выбранной бизнес-модели. Защита: аналитическая презентация (7 мин) + вопросы группы.

Теориякак выстроить рабочий день PM с AI. Утренний брифинг через Claude. Шаблоны промптов для ежедневных задач: meeting notes, письма команде, решения стейкхолдерам, анализ фидбека, подготовка к демо. Claude как 'адвокат дьявола': проверяем решения перед тем как принять. Как сохранять и переиспользовать эффективные промпты.

Практикакаждый студент создаёт личную библиотеку из 10 промптов для своих типичных PM-задач. Разбираем и улучшаем в группе.

Теориячто такое MCP (Model Context Protocol) и почему это меняет работу с AI. Claude с подключёнными инструментами: Notion, Jira, Google Calendar, GitHub. Как PM настраивает MCP без технического бэкграунда. Примеры: Claude читает бэклог в Notion и предлагает приоритизацию; Claude смотрит в Calendar и составляет план дня; Claude анализирует задачи в Jira и формирует статус-отчёт для CEO.

Практикастуденты подключают Claude к своему Notion или Google Calendar через MCP. Настраиваем ассистента который знает контекст реального проекта.

Теориякак PM автоматизирует планирование через n8n + Claude. Workflow: утренний дайджест - Claude собирает задачи из Jira, события из Calendar, метрики из Sheets - формирует план дня - отправляет в Telegram. Автоматические напоминания о дедлайнах и статус-апдейты команде. Шаблоны для еженедельных встреч генерируются автоматически на основе данных.

Практикастудент настраивает персональный утренний дайджест PM в n8n: задачи + метрики + план дня - всё приходит в Telegram каждое утро.

ТеорияPerplexity как инструмент быстрого исследования с верифицированными источниками. Когда Perplexity, когда Claude, когда оба: критерии выбора инструмента. Как составить research brief с AI за 30 минут вместо 2 дней. Проверка данных: как не стать жертвой AI-галлюцинации - всегда требуй источник. Система мониторинга рынка: Perplexity + n8n + еженедельный дайджест.

Практикастудент проводит полное исследование своего рынка за 1,5 часа. Результат: структурированный market brief на 2 страницы с источниками.

Теорияпродуктовая стратегия - почему PM думает дальше следующего спринта. Горизонты планирования: now (этот спринт), next (3 месяца), later (год). Product Vision (1 предложение) и Product Strategy: разница и связь. Roadmap: как строить, как защищать перед стейкхолдерами, когда менять. Growth Loops: как продукт создаёт собственный рост. Как Claude помогает генерировать стратегические сценарии и проверять их.

Практикастудент строит Product Vision, стратегические цели на 3 месяца и roadmap на квартал для своего продукта.

Занятие ведёт приглашённый HR-специалист. Профессия Product Manager с AI-специализацией на рынке Казахстана, России и международном рынке. Зарплатные вилки и востребованность. Карьерные треки: PM в продуктовой компании, PM в стартапе, AI PM, продакт-предприниматель. Как составить резюме PM: что писать, как оформить кейсы, что не писать. LinkedIn для PM: как находить работу или клиентов через контент.

Практикакаждый студент получает персональный разбор своего резюме и рекомендации по оформлению LinkedIn.

Выбор финального продуктового кейса: собственный продукт, продукт работодателя, или стартап-идея. Требование: реальный, не учебный пример. Структура финального проекта: все артефакты которые должны войти. Claude как партнёр по продуктовому мышлению - от проблемы к стратегии. Защита выбора проекта: наставник даёт зелёный свет или рекомендует скорректировать.

Практикастудент защищает выбор проекта и начинает работу над VPC и Job Stories.

Занятие ведёт приглашённый HR-специалист. Mock-интервью: HR задаёт типичные вопросы на позицию PM, студенты отвечают. STAR-метод (Situation, Task, Action, Result) для рассказа о проектах. Как говорить об AI-навыках на собеседовании: что ценят работодатели. Портфолио PM: как оформить кейсы и финальный проект. Частые ошибки кандидатов на PM-позиции.

Практикакаждый студент проходит 7-минутный mock-интервью с персональной обратной связью от HR.

Работа над финальным проектом под руководством наставника. Сборка всех элементов: VPC, Job Stories, бэклог, USM, прототип в Lovable, лендинг в Claude Code, workflow в n8n. Разбор промежуточных результатов. Индивидуальные консультации.

Практикакаждый студент презентует статус проекта за 3 минуты - получает конкретный фидбек от наставника и группы.

10 минут - продуктовая презентация: проблема, аудитория, Job Stories, решение, метрики успеха, бизнес-модель. 7 минут - демо: прототип Lovable с AI-фичей ИЛИ лендинг Claude Code + workflow n8n. 5 минут - рассказ о процессе: как AI помогал на каждом этапе, инструменты. 8 минут - вопросы группы и наставника. Требования: VPC + 5 Job Stories + бэклог 15 PBI + USM + North Star Metric + прототип в Lovable ИЛИ лендинг в Claude Code + минимум 1 workflow в n8n.