Кэт Ву пришла в Anthropic из Scale ИИ через венчур и возглавила продукт Claude Code — инструмента для разработчиков на базе языковой модели Claude. Её партнёр по команде — Борис Черни, техлид и создатель Claude Code: он формирует видение продукта, она строит путь к нему и устраняет всё, что замедляет выпуск фич.

Главное наблюдение Ву из сотен собеседований: кандидаты на роль PM приходят с мышлением прошлого десятилетия. Горизонт планирования 6–12 месяцев, многоквартальные роадмапы, координация кросс-командных зависимостей — всё это было рациональным, когда написание кода стоило дорого и занимало много времени. Сейчас этот мир, по словам Ву, исчез. В Anthropic сроки выпуска продуктовых фич сократились с 6 месяцев до 1, а нередко — до одной недели или одного дня. В календаре запусков события стоят буквально каждый день.

Скорость достигается не только за счёт доступа к сильным моделям. Ву называет две структурные причины. Первая — предельно конкретные цели. Пример из практики Claude Code: «Профессиональные разработчики в enterprise-компаниях должны безопасно свести количество запросов разрешений к нулю». Такая формулировка сразу отсекает большинство неправильных подходов и исключает бесконечные дискуссии о том, что вообще строить. Вторая причина — заранее выстроенный конвейер запуска. В команде Claude Code есть «вечнозелёная комната запусков» в Slack: инженер, считающий фичу готовой, просто постит её туда. Сара из документации, Алекс из PMM и команда DevRel подхватывают — и маркетинговый анонс готов на следующий день без отдельных встреч и согласований.

Вместо многостраничных PRD команды используют список принципов, еженедельные разборы метрик и «вечнозелёную комнату запусков» в Slack.

Документация в Anthropic тоже устроена иначе. Многостраничные PRD пишутся только для двух категорий: неоднозначных фич, где полезно зафиксировать цели и сценарии на одной странице, и инфраструктурных проектов, которые объективно занимают месяцы. Для остального — список командных принципов (кто ключевые пользователи, почему они, от чего команда готова отказаться) и еженедельные разборы метрик со всей командой. Цель разборов не в отчётности, а в том, чтобы каждый человек понимал все части бизнеса и мог принимать решения локально, не ожидая PM как единственной точки согласования.

Отдельного внимания заслуживает культура работы с ошибками. Незадолго до интервью исходный код Claude Code оказался публично доступен: сотрудник работал с Claude над PR для обновления процесса выпуска пакетов, PR прошёл два уровня человеческого ревью, но что-то пошло не так. Никто не был уволен. «Это провал процесса, и самое важное — просто учиться из этого и добавлять больше мер защиты», — говорит Ву. Все сбои рассматриваются как системные проблемы, требующие инфраструктурного решения.

Вопрос о том, заменит ли ИИ PM, Ву переформулирует: роли не исчезают, а сливаются. В Anthropic сделали ставку на инженеров с продуктовым вкусом, а не на увеличение числа PM. Многие инженеры Claude Code способны самостоятельно пройти путь от фидбека пользователя в Twitter до релиза к концу недели. Но это не делает PM ненужными — это меняет требования к ним. Ценными становятся люди, способные носить много ролей одновременно и сохранять низкое эго относительно того, какую конкретно работу они делают.

Центральный навык, который объединяет все роли, Ву называет продуктовым вкусом. По мере того как написание кода дешевеет, самым ценным становится решение — что писать. Команда Claude Code получает десятки тысяч запросов на фичи, и из них нужно выбрать правильные. Технический бэкграунд даёт одно конкретное преимущество: понимание того, насколько что-то должно быть сложным. Если задача решается за час — её стоит просто сделать, не обсуждая.

Ещё один навык, который Ву считает редким, — правильная калибровка относительно возможностей текущих моделей. Легко строить продукт для гипотетической супер-умной модели будущего, где достаточно текстового поля. Сложная работа — выяснить, как максимально раскрыть возможности модели сегодняшней, компенсировать её слабые места в интерфейсе и направить пользователей на оптимальный сценарий взаимодействия. Для этого Ву советует много работать с моделью напрямую, задавать ей вопросы о собственном поведении и собирать обратную связь от 2–5 доверенных коллег — например, обходя команду на обеде с вопросом «каков вайб новой модели?» и верифицируя паттерны данными.