Гайд на ML/AI Product Interview

Вопросы на собесах AI-продактов: как готовиться в 2026

Ещё пару лет назад «опыт с ИИ» на собесе продакта — это один вопрос под конец встречи. Сегодня в компаниях, где ИИ — часть продукта (Яндекс с Алисой и YandexGPT, Сбер с GigaChat, VK, Т-Банк), это отдельный блок, и он всё чаще решает исход всего интервью.

В Яндексе в описании вакансий команды Алисы уже фигурируют задачи вроде «встраиваем в Алису в продукты Яндекса, превращаем технологию в продукт» — то есть от продакта ждут понимания модели, а не только пользователя. Похожая логика и у команд GigaChat в Сбере.

Что изменилось за два года

1. Появился отдельный ИИ-блок.

Раньше всех продактов проверяли одним общим кейсом в духе "Придумай гипотезы как увеличить метрику". Теперь, если ты претендуешь на позицию в ИИ домене, то отдельно спрашивают про то, как определить качество модели, стоимость запросов к ней и риски — а не только про пользователя и метрики.

Оценка качества (evals) стала обязательной темой. Как измерить, что ИИ-фича реально работает — не через DAU, а через качество конкретных ответов.

2. Появились требования к реальному опыту в ИИ-домене. Раньше было достаточно сказать, что ты используешь нейронки и готов развиваться. Сейчас, нужно как минимум иметь пару кейсов их внедрения либо иметь профильный опыт уже как Ml/AI продакт.

Что не изменилось?

Продакт остается продактом: код писать и модели обучать всё ещё не просят.

Продуктовое виденье в ИИ-продукте

Структра кейса та же, что в обычном продуктовом интервью, но сама технология часто ещё не существует в привычном виде.

Примеры формулировок:

• «Есть технология, переводящая язык животных на человеческий. Как создать продукт на её основе?»
• «Вы продакт в команде голосового ассистента. Как поднять доверие пользователей к нему?»
• «Придумайте ИИ-сервис для подбора персонала по резюме и записям собеседований»

Как отвечать? Главная ошибка — сразу придумывать продукт. Сначала нужно допросить саму технологию. На кейсе про животных: перевод точный или только общее состояние — «спокоен» / «встревожен»? Нужен ли датчик на животном? Ответ разворачивает всю задачу: если технология различает только эмоции и требует ошейник с сенсором, строим не переводчик, а индикатор состояния питомца — совсем другой продукт.

Дальше — по цепочке: зачем это именно этой компании → узкий сегмент («хозяин собаки, который весь день на работе», а не «владельцы животных») → корневая проблема (нет обратной связи — любое решение об уходе за питомцем — угадывание) → пара разных решений → MVP с явным указанием, что делаем сначала.

Технические вопросы

Главное проверить ваше умение объяснить, как ИИ-продукт устроен и где ломается, без переводчика в лице разработчика.

Примеры:

• «Пользователи жалуются, что ассистент отвечает уверенно, но неверно. Что делаете?»
• «Как сделать ответы модели креативнее, не потеряв точность?»
• «Когда выбрать RAG, а когда дообучение модели?»

«Модель уверенно ошибается» — это вопрос про галлюцинации. Сильный ответ разделяет причины: модель выучила что-то неверное при обучении (промптом не исправить), или ей не хватило контекста в моменте ответа, и она правдоподобно додумала пробел.

Дальше — конкретные меры:

1. RAG (Retrieval Augmented Generation) подмешивание в ответ данных из проверенного источника вместо ответа по памяти, ссылки на источники, чтобы ошибка была видна, порог уверенности, при котором ответ уходит на проверку человеку, и набор тестовых вопросов, который меряет частоту ошибок до и после каждого изменения.
2. RAG vs дообучение vs промпт — ждут не таблицу сравнения, а выбор с защитой. Начинать с промпта — быстро и часто недооценивают. RAG — когда модель не знает актуальных или внутренних данных компании. Дообучение — только под специфическое поведение, которое не даёт ни то, ни другое, и есть данные с бюджетом. «Смотря как сложится» — это отсутствие мнения.

Что нужно знать (must-have): токены и контекстное окно (почему бот, который держит всю переписку, в какой-то момент «забывает» начало), evals (как измеряют качество ответов), агентный ИИ (ошибки копятся по цепочке шагов — нужен порог для необратимых действий), задержка ответа (8 секунд в медицинском чате — это не «реальное время»).

Аналитика и стратегия

Самый частый вопрос «определите North Star метрику для X». Для ИИ-фичи сильная метрика измеряет, оказался ли ответ модели реально полезен — через наблюдаемое поведение, а не через число открытий.

Стратегия. Когда фичу собирают за выходные с помощью нейросети, дефицит — не код, а дистрибуция и доверие. Пример: «Конкуренты внедряют ИИ в свой продукт быстрее вас. Что делаете?» Полезное разделение: крупный игрок на вашем рынке — угроза дистрибуции (у него больше охвата), а ИИ-стартап — угроза архитектуры продукта (обходит скоростью итераций). Свести обе угрозы к «просто больше конкуренции» — сделать половину анализа.

Поведенческие вопросы

Здесь заметнее всего разница между «продакт с фичами» и «продакт, который берёт ответственность» — плюс тема безопасности.

Пример: «Что заставило бы вас отложить релиз под давлением руководства?»

Заученный ответ по шаблону «ситуация-задача-действие-результат» звучит как выученный текст. Сильный кандидат не сглаживает конфликт скорости и безопасности, а прямо говорит: остановлю релиз, если риск непонятен, даже под давлением.

По компаниям

Яндекс — Алиса и YandexGPT дают больше всего вакансий для ИИ-продакта в России. Ожидайте вопросы про качество ответа ассистента и баланс скорости/точности.

Сбер — GigaChat и голосовые продукты экосистемы. Здесь сильнее тема доверия и безопасности данных: финансовый сектор.

VK и Т-Банк — чаще не «постройте с нуля», а «встройте ИИ в продукт с миллионами пользователей, не сломав то, что уже работает». Это другой навык — интеграция, а не изобретение.

Стартапы — выше шанс получить практическое задание: спроектировать промпт или сценарий прямо на созвоне. Стоит потренироваться формулировать чёткий запрос к модели и проговаривать компромиссы вслух.

Как готовиться

Знайте фундамент на уровне продакта: галлюцинации и их митигация, когда RAG / дообучение / промпт, как токены и задержка влияют на стоимость и опыт, что такое eval-метрики.

Тренируйте два вопроса отдельно — они встречаются почти везде: North Star метрика для ИИ-фичи и диагностика «модель уверенно ошибается».

Изучите продукт компании заранее, особенно в узкоспециализированных командах — там ждут, что вы уже понимаете специфику направления.

Проговаривайте компромиссы вслух — интервьюер оценивает ход мысли, а не только финальный ответ.

Частые вопросы

Нужно ли быть техническим специалистом? Код и обучение моделей — нет. Рабочая беглость в галлюцинациях, RAG/дообучении, токенах и eval-метриках — да, и в ИИ-командах это не бонус, а входной порог.

Чем это отличается от обычного продуктового собеса? Тем же костяком плюс технический слой: токены, оценка качества модели, агентные системы. И тем, что технические уточнения теперь всплывают даже в кейсах, формально не про ИИ.

С чего начать? С North Star метрики для ИИ-фичи и диагностики «модель уверенно ошибается» — эти два вопроса встречаются почти везде.