Как ИИ меняет рынок в России в 2026 году — и что это значит для продакт-менеджера
Банки, геймдев и рынок вакансий живут по разным законам, но цифры за 2025–2026 год говорят одно и то же: перестройка идёт везде и быстрее, чем кто-либо успевает это признать. Собрала факты, проверила источники и разобрала, что из этого следует для продакт-менеджера — и для меня лично.
Натали Борисова · 1 сентября 2026 · 9 мин чтения
Я слежу за тем, как ИИ входит в разные индустрии, не из любопытства, а потому что работаю с этими же инструментами каждый день. Если коротко: в России ИИ за 2025–2026 год перестал быть экспериментом и в банках, и в геймдеве, и в требованиях к вакансиям. Но для продакт-менеджера интереснее не сама скорость внедрения, а то, что это меняет в продуктовом цикле: расстояние между гипотезой и её проверкой стало короче.
Что происходит с ИИ в России прямо сейчас
Банки уже считают эффект от ИИ в сотнях миллиардов рублей, крупнейшая техкомпания страны выпустила вайб-кодинг как массовый продукт, а вакансии с требованием ИИ-навыков растут быстрее рынка труда в целом. Вот четыре цифры, которые задают масштаб — дальше разберу, что каждая из них значит для продуктовой работы, а не только для рынка в целом.
20%[1]
организаций финансового рынка в РФ уже применяют ИИ, по данным Банка России
475+ млрд ₽[2]
эффект от ИИ в Сбере за 2025 год
10 777[7]
вакансий с ИИ-навыками на hh.ru в начале 2026 года, +15% за год
25 июня 2026[10]
дата запуска VibeCraft — сервиса вайб-кодинга от Яндекса
Что произошло
ИИ в России за 2025–2026 год перешёл от пилотов к измеримому эффекту сразу в нескольких индустриях.
Почему важно
Это уже не единичные эксперименты — три независимых рынка синхронно проходят одну и ту же кривую внедрения.
Что меняет для PM
Вопрос для продакта звучит не «изучать ли ИИ», а «на каком этапе продуктового цикла он реально полезен именно мне».
ИИ в российских банках
По данным консультативного доклада Банка России, каждая пятая организация финансового рынка уже применяет ИИ, а ещё около трети планирует внедрить его в течение трёх лет[1]. Дальше рынок расходится на конкретные стратегии.
Сбер масштабирует то, что уже работает: 700+ ИИ-инициатив за 2025 год, эффект — свыше 475 млрд рублей, а на 2026-й цель уже 550 млрд[2][3]. ВТБ пока на 15 млрд рублей эффекта, но с планом дойти до 50 млрд за два года[2]. Т-Банк выбрал третий путь — вместо готовых решений с 2024 года строит собственные модели T-lite и T-pro, эффект — несколько десятков миллиардов рублей за 2025 год, по собственной оценке банка[8][9].
Меня здесь интересуют не столько сами цифры, сколько то, что три банка выбрали три разных ответа на один и тот же вопрос: масштабировать, догонять или строить своё. Ни один ответ не единственно верный — выбор обычно зависит от того, где у компании уже есть готовое преимущество.
Стратегия 1
Сбер — масштабирование
550 млрд ₽
Цель по эффекту от ИИ на 2026 год, после 475+ млрд ₽ в 2025-м[2][3]
Стратегия 3
Т-Банк — своя технология
T-lite / T-pro
Собственные LLM вместо готовых решений со стороны[8]
Что произошло
Три крупных банка публично выбрали три разные стратегии внедрения одной и той же технологии.
Почему важно
Одна технология не даёт одного правильного ответа — решение всегда зависит от контекста компании.
Что меняет для PM
Оценка любого AI-инструмента — это всегда продуктовое и стратегическое решение, а не просто выбор технологии.
ИИ в геймдеве
В геймдеве картина не такая однозначная, как в банках, но направление то же самое: эксперты отрасли называют дальнейшее внедрение ИИ в разработку и геймдизайн ключевым трендом 2026 года[4], отраслевые издания пишут про «ИИ-бум»[5], а РБК Тренды приводят прогноз, что нейросети займут больше половины производственного процесса разработки игр в течение 5–10 лет[6].
Что произошло
ИИ закрепляется даже в творческой индустрии, где к нему изначально относились настороженно.
Почему важно
Если технология приживается там, где сопротивление выше всего, это не мода, а инфраструктурный сдвиг.
Что меняет для PM
Граница применения ИИ — не в индустрии, а в том, какая часть процесса вообще поддаётся формализации.
Как AI меняет продуктовый цикл
Здесь я подхожу к главному. AI не заменяет продуктовые навыки — он сокращает расстояние между гипотезой и её проверкой. Чтобы показать это конкретно, а не декларативно, я разложила обычный продуктовый цикл на этапы и отметила, где AI реально сокращает путь, а где решение по-прежнему полностью остаётся за человеком.
01
Problem
Что не работает в продукте сейчас
02 · AI
Research
Собрать и структурировать, что уже известно
03
JTBD / CustDev
Что человек пытается сделать и почему выбирает именно этот способ
04
Hypothesis
Что мы предполагаем и как поймём, что ошиблись
05
Prioritization
Что делать в первую очередь и почему
06 · AI
Vibe Coding / Prototype
Собрать рабочий вариант, который можно показать
07
Usability Test
Показать реальным людям и посмотреть, что происходит
08 · AI
Cohort Analysis
Как ведут себя разные группы пользователей после изменения
09 · AI
Metrics
Что показывают цифры до и после
10
Decision
Инвестировать в полноценную разработку или нет
AI ощутимо помогает там, где нужно быстро собрать, структурировать или прототипировать: в research, в первом прототипе, в обработке данных по когортам и метрикам. Там, где нужно интервью с живым пользователем, приоритизационное решение или ответственность за релиз, работу по-прежнему делает продакт.
Чтобы это не осталось абстракцией, вот как цикл выше может выглядеть на практике — сценарий условный, но последовательность рабочая.
Представьте, что у продукта падает конверсия регистрации. Проблема есть, но причина пока не ясна.
Продакт формулирует гипотезу: если сократить регистрацию с пяти шагов до трёх, конверсия вырастет.
AI помогает разобрать предыдущие интервью и данные, собрать несколько вариантов интерфейса и быстро сделать прототип — продакт не ждёт неделями очереди в бэклоге разработки, а собирает рабочий вариант сам.
Продакт показывает прототип пользователям, собирает обратную связь на usability-тесте, после запуска смотрит конверсию и поведение новых когорт.
Если гипотеза не подтверждается, команда не тратит несколько недель на полноценную разработку решения, которое уже на этапе теста оказалось слабым — решение об инвестициях в разработку принимается раньше и на более дешёвых данных.
Пример: этап Prototype на практике
Показательный момент случился 25 июня 2026 года: Yandex B2B Tech открыла публичный доступ к VibeCraft — сервису, который по текстовому описанию собирает сайты, CRM-системы и рабочие прототипы[10]. В компании прямо говорят, что сервис рассчитан в том числе на предпринимателей и продакт-менеджеров, которым нужно быстро собрать прототип без полноценной команды разработки[11]. В основе — модели Yandex AI Studio и инфраструктура Yandex Cloud, а код проекта сохраняется в SourceCraft, откуда его можно передать разработчикам[10].
Я работаю похожим образом уже больше года — не через VibeCraft, а через свой стек AI-инструментов. Общие слова про «работаю с AI» ничего не доказывают, поэтому конкретно: я начинаю с md-файла, где прописываю, что должно получиться на выходе, какие есть ограничения и что считается готовым результатом. Только после этого задача уходит AI-агенту в Cursor — по одному файлу за раз, без сокращений. После каждого шага агент присылает резюме изменений, и я сверяю его со спецификацией, прежде чем разрешить следующий шаг — именно на этом сравнении обычно и ловятся ошибки AI. Сама я отвечаю за логику, спецификацию и приёмку каждого шага; к разработчикам подключаюсь там, где начинается серьёзная нагрузка, безопасность данных или сложные интеграции — подробнее об этом процессе писала в отдельной статье.
Было / сейчас: меняются не компетенции, а скорость перехода между этапами
Было
Сейчас
Сама гипотеза, приоритизация и решение о разработке остаются продуктовой работой в обоих случаях — меняется только то, сколько времени занимает переход между этапами.
Что произошло
Vibe-кодинг стал массовым продуктом крупных техкомпаний, а не только моим личным способом работы.
Почему важно
Это подтверждает: сокращение пути гипотеза → прототип — инфраструктурная возможность, а не приём одного человека.
Что меняет для PM
Продакт может сам проверять часть гипотез до подключения команды разработки — это не заменяет её, а меняет момент, когда она нужна.
Как ИИ меняет рынок труда
По данным hh.ru, число вакансий с требованием ИИ-навыков выросло с 9 378 в январе–феврале 2025 года до 10 777 в январе–феврале 2026-го — рост на 15% за год, а их доля среди всех вакансий поднялась с 0,5% до 0,8%[7]. Быстрее всего такие требования набирают вес в финансах (+136%), в безопасности (+109%) и в продажах и обслуживании клиентов (+38%)[7]. При этом резюме с упоминанием ИИ в 2025 году разместили больше 200 тысяч раз, а 55% компаний уже считают, что к 2028 году ИИ-грамотность станет базовой компетенцией почти для любой профессии[7]. Зарплата у специалистов с ИИ-навыками во II квартале 2025 года была на 34% выше, чем у коллег без них — 100 700 против 75 000 рублей[7].
Финансы
+136%
Безопасность
+109%
Продажи и клиентский сервис
+38%
Все вакансии с ИИ-навыками
+15%
Рост числа вакансий с требованием ИИ-навыков по отраслям, январь–февраль 2025 к январю–февралю 2026[7].
AI не заменяет продуктовые навыки — он сокращает расстояние между гипотезой и её проверкой.
Что произошло
Спрос на ИИ-навыки растёт кратно быстрее рынка труда в целом, и это уже отражается в зарплатах.
Почему важно
Премия ощутима уже сейчас, не в теории и не в прогнозе на будущее.
Что меняет для PM
Технические AI-навыки становятся частью базовой продуктовой грамотности, а не опцией для «технических» продактов.
Карта: Product Manager + AI
Если собрать всё сказанное выше в одну схему, роль продакта в связке с AI выглядит так — без лишних терминов.
Research
AI помогает быстрее собрать и структурировать информацию о рынке и пользователях; интервью и интерпретацию по-прежнему ведёт человек.
Product
Приоритизация, продуктовые решения и ответственность за результат — то, что не делегируется AI.
AI
Инструмент для прототипирования и обработки данных — часть процесса, а не отдельная профессия.
Validation
Проверка гипотезы на реальных пользователях и метриках: AI ускоряет обработку данных, но не заменяет сам тест.
Automation
Повторяющиеся операционные задачи, которые можно передать AI-агентам, освобождая время на решения.
Какие AI-навыки становятся полезными продакту
Не исчерпывающий список hard skills, а шесть направлений, которые на практике оказываются полезны в связке с продуктовой работой.
Research
Формулировать запрос AI так, чтобы получить структурированную, проверяемую информацию, а не общие фразы.
Hypothesis Testing
Превращать гипотезу в проверяемое утверждение и заранее понимать, какой результат её опровергнет.
Prototyping
Собирать рабочий прототип через AI-инструменты, не дожидаясь классического цикла разработки.
Data
Читать метрики и данные по когортам настолько, чтобы AI-обработка не превращалась в чёрный ящик.
Automation
Понимать, какие рутинные процессы стоит передать AI-агентам, а какие — нет.
Technical Literacy
Базовое понимание возможностей и ограничений AI-моделей — не программирование, а трезвая оценка того, что реально можно получить.
Что это значит для Product Manager в 2026 году
Если собрать карту, компетенции и весь продуктовый цикл в несколько практических выводов, для меня они звучат так.
Продакту стоит понимать возможности и ограничения AI-инструментов не хуже, чем продуктовые метрики — иначе решение о том, что автоматизировать, принимает кто-то другой.
Прототип можно собирать раньше в процессе — до согласования бюджета на разработку, а не после него.
Базовая техническая грамотность становится частью продуктовой работы, а не привилегией технических продактов.
Ответственность за интерпретацию данных остаётся на продакте даже тогда, когда саму обработку делает AI.
Если свести всё сказанное к одному разделению, оно выглядит так.
AI
Research
→ анализ
→ прототип
→ обработка данных
→ автоматизация
и другое
нужно
Product Manager
Problem
→ JTBD
→ гипотеза
→ приоритет
→ интерпретация
→ решение
Что я сама забираю из этих изменений
Мой путь никогда не был прямой линией: продажи → маркетинг → продукт → AI → вайб-кодинг → автоматизации. Сейчас я веду продуктовую работу в ритейл-команде ВкусВилл, нас там семнадцать человек, и параллельно строю AI-автоматизации в проекте AI Empire вместе с коллегой.
Это не резюме ради резюме — это способ мышления, который я применяю в каждой новой задаче: быстро разобраться, что происходит → сформулировать задачу так, чтобы её можно было проверить → собрать рабочее решение → измерить результат. Я использую этот цикл что для продуктовой гипотезы, что для промпта AI-агенту — разница только в инструменте на третьем шаге.
Пример: когда клиент, Евгения Постникова, пришла с запросом на платформу с тестом архетипов и личным кабинетом, я не стала собирать команду разработки — сама написала спецификацию и собрала платформу через Cursor, от идеи до продакшена. Это тот самый цикл на конкретной задаче, а не абстракция из резюме.
Почему разбираться в этом рационально уже сейчас
Не думаю, что через год AI-грамотность станет строгим требованием в каждой вакансии продакта — такой прогноз я не могу подтвердить и не хочу выдавать желаемое за данное. Причина начать сейчас проще: цикл от гипотезы до её проверки с AI короче, а значит каждая следующая гипотеза становится дешевле — во времени, не только в бюджете. Это рациональный выбор, а не гонка за трендом: разобраться в инструменте, пока это не горит, обычно дешевле, чем разбираться в нём под давлением дедлайна.
Коротко: мои выводы
- Банки, геймдев и рынок труда в России сейчас двигаются в одну сторону практически синхронно.
- AI не заменяет продуктовые навыки — он сокращает расстояние между гипотезой и её проверкой.
- В продуктовом цикле AI реально сокращает research, прототип и работу с данными; гипотезы, приоритизация и решения остаются за человеком.
- Меняются не компетенции продакта, а скорость перехода между этапами цикла.
- Начинать разбираться в этом имеет смысл сейчас — не из-за FOMO, а потому что учиться заранее дешевле, чем под дедлайном.
Частые вопросы
Подход, при котором вы описываете задачу обычными словами, а AI-инструмент сам пишет код и собирает интерфейс, базу данных и логику. Хорошо работает для быстрых прототипов и MVP, но не заменяет инженерную команду там, где нужны серьёзные нагрузки, безопасность и сложные интеграции.
Если хотите посмотреть, как я работаю
Сейчас мне особенно интересны продукты, где нужно одновременно думать о пользователе, бизнесе и технологии. Мне нравится разбираться в сложной задаче, быстро собирать рабочую гипотезу и доводить её до решения, которое можно проверить на практике — тем же циклом, что описан выше, только короче, чем раньше.
На borisova.one я собираю проекты, кейсы и другие материалы о продукте, AI, вайб-кодинге и развитии digital-проектов.
Источники
- 1.Банк России, «Ключевые условия для дальнейшего развития искусственного интеллекта на финансовом рынке» (первоисточник, 20 ноября 2025) — cbr.ru
- 2.Сбер и ВТБ, финансовый эффект от ИИ за 2025 год (по данным отчёта «ИИ-финансист» Школы финансов СберУниверситета) — finance.mail.ru
- 3.Сбер, прогноз эффекта от ИИ на 2026 год (заявление Германа Грефа на годовом собрании акционеров) — interfax.ru
- 4.Tadviser, ключевые тренды российского геймдева на 2026 год — tadviser.ru
- 5.ComNews, «Поворотный год. В 2026 г. рынок видеоигр ждёт ИИ-бум» — comnews.ru
- 6.РБК Тренды, «Искусственный интеллект в геймдеве: перспективы и тренды» — trends.rbc.ru
- 7.hh.ru, «Как ИИ меняет профессии и кому нужно учиться с ним работать» (первоисточник, 25 марта 2026) — hh.ru
- 8.Tadviser, карточка продукта T-lite (собственная LLM Т-Банка) — tadviser.ru
- 9.Interfax, экономический эффект от ИИ в Т-Банке за 2025 год (интервью Константина Маркелова) — interfax.ru
- 10.Yandex, официальный анонс запуска VibeCraft (первоисточник, 25 июня 2026) — yandex.ru
- 11.rb.ru, VibeCraft ориентирован на предпринимателей и продакт-менеджеров — rb.ru