مدیر محصول ایجنت‌های هوش مصنوعی
Product Manager, Agents
مدیر محصول ایجنت‌های هوش مصنوعی مسئول محصولی است که در آن یک ایجنت AI خودش کار را جلو می‌برد: ابزار صدا می‌زند، چند مرحله را پشت سر هم انجام می‌دهد و در جاهایی بدون تأیید قدم‌به‌قدم کاربر اقدام می‌کند. «Agentic AI Product Manager» عنوان رایجی در آگهی‌ها نیست؛ در بررسی آگهی‌های باز اکتبر ۲۰۲۶ این عنوان را در آگهی باز هیچ شرکتی پیدا نکردیم. کارفرماها همین کار را با عنوان «Product Manager, Agents» (مثل Lovable، Rogo و Harvey) یا با Product Manager به‌علاوهٔ نام یک حوزهٔ ایجنتی (مثل API Agents در OpenAI و Agentic Commerce در Stripe) آگهی می‌کنند؛ Sierra و Decagon هم نقش ساختن ایجنت برای هر مشتری را Agent PM می‌نامند. این نقش شاخه‌ای از مدیر محصول هوش مصنوعی است و تقریباً همیشه سابقهٔ مدیریت محصول می‌خواهد.
مقدمه و تعریف شغل
مدیر محصول ایجنت (Product Manager, Agents) تصمیم می‌گیرد یک ایجنت AI چه کاری انجام دهد، تا کجا خودش اقدام کند و کیفیتش چطور سنجیده شود. تفاوتش با مدیر محصول AI عمومی در تأکید است: آگهی Lovable کسی را می‌خواهد که tool use، planning loop ها، استدلال چندمرحله‌ای و «شیوهٔ شکست خوردن ایجنت‌ها» را از تجربهٔ ساختن بشناسد، و Cohere از مدیر محصول می‌خواهد بسنجد ایجنت کار را تمام کرده، از خطا بازگشته و در کارهای طولانی قابل اتکا مانده یا نه. در این آگهی‌ها مدیر محصول هم roadmap و کشف نیاز مشتری را در دست دارد و هم خودش نتایج evals را تحلیل می‌کند، trace ها را می‌خواند و نمونهٔ اولیه می‌سازد.
کارفرماها برای این نقش هنوز یک عنوان ثابت ندارند. ساده‌ترین شکل «Product Manager, Agents» است؛ بقیه نام حوزه را می‌آورند: Agent Harness در Cohere، Agent Management Platform در Parloa، Agentic Source Code در GitLab، Agentic Security در Okta و Agentic AI Applications در Databricks. یک گونهٔ جدا هم شکل گرفته که مشتری‌محور است: «Product Manager, Agent Development» در Sierra که متن آگهی‌اش آن را Agent PM می‌نامد، Agent Product Manager در Decagon و Forward Deployed Product Manager در Cresta. Paraform، یک پلتفرم استخدام، در مهٔ ۲۰۲۶ این Agent PM را نقشی تازه معرفی کرد که مالک کل چرخهٔ عمر ایجنت‌های سازمانی است. پشت این آگهی‌ها تقاضای رو به رشدی هست: طبق داده‌های Lightcast در گزارش AI Index ۲۰۲۶ دانشگاه Stanford، سهم آگهی‌های آمریکایی که مهارت agentic AI می‌خواهند از ۰٫۰۶٪ در ۲۰۲۴ به ۰٫۲۳٪ در ۲۰۲۵ رسید، نزدیک به ۹۰ هزار آگهی. اما به گفتهٔ Lightcast نقش‌های مهندسی بر این آگهی‌ها غالب‌اند و شش شغل از ده شغل اول فنی است؛ به تعبیر Lightcast، بیشتر این آگهی‌ها برای کسانی است که ایجنت می‌سازند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مدیر محصول ایجنت‌های هوش مصنوعی
ایجنت اصلی یک محصول
در Lovable، پلتفرم ساخت نرم‌افزار، مدیر محصول مالک ایجنت اصلی محصول است: کیفیت، roadmap و حلقه‌های بازخوردی که آن را بهتر می‌کند، و به تعبیر آگهی، اینکه ایجنت برای میلیون‌ها کاربر چطور استدلال و اقدام کند. اولین پروژه‌ها طبق آگهی: بازسازی چارچوب ارزیابی برای گرفتن regression پیش از انتشار، و بهبود شیوهٔ بازگشت ایجنت از خطا و توضیح آن به کاربر.
ایجنتی که کار یک تحلیلگر مالی را انجام می‌دهد
Rogo ایجنتی به نام Felix برای بانک‌های سرمایه‌گذاری و صندوق‌های private equity می‌سازد. مدیر محصول تعیین می‌کند یک ایجنت عالی از نظر کیفیت، دقت، سرعت و قابلیت اتکا چه حسی دارد و مدام محصول را با همین معیار می‌سنجد.
ایجنت پشتیبانی برای هر برند
در Sierra، Agent PM با مهندسان و خود مشتری ایجنتی می‌سازد که روزانه هزاران گفت‌وگوی مشتری را پاسخ می‌دهد. در Cresta، Forward Deployed PM مالک نتیجهٔ ایجنت هر مشتری است و با مهندسان مستقر نزد مشتری آن را طراحی، آزمایش و بهینه می‌کند.
زیرساخت و API برای سازندگان ایجنت
مدیر محصول API Agents در OpenAI مسائل سازندگان ایجنت را می‌شناسد و اولویت‌ها را با تیم‌های پژوهش و مهندسی به SDK و API تبدیل می‌کند. در Cohere مدیر محصول مالک harness ایجنت است: حلقهٔ ایجنت، مدیریت context، اجرای ابزارها، sandbox و واگذاری کار به sub-agent ها.
پلتفرم داخلی ایجنت در یک شرکت بزرگ
Databricks پلتفرمی می‌سازد که تیم‌های فروش، مالی، منابع انسانی و حقوقی خودشان روی آن ایجنت بسازند، با اتصال‌های MCP به سیستم‌های اصلی شرکت و دروازهٔ ارزیابی پیش از پروداکشن. Datadog هم برای پلتفرمی استخدام می‌کند که مشتریان با آن ایجنت‌هایی بسازند که سیستم‌های پروداکشن را بفهمند و روی آن‌ها اقدام کنند.
محصولی که کاربرش خود ایجنت است
Deepgram می‌نویسد بیش از پیش یک coding agent بدون حضور انسان API آن‌ها را پیدا، انتخاب و یکپارچه می‌کند، و مدیر محصولش مالک تجربهٔ همین ایجنت است: مستندات قابل‌خواندن برای ایجنت، سرور MCP و ابزار تأیید درستی یکپارچه‌سازی. Stripe هم برای تجارت ایجنتی API و ابزارهای تازه می‌سازد؛ اولین محصولش Instant Checkout با همکاری OpenAI بود.
تخصص‌های مختلف مدیر محصول ایجنت‌های هوش مصنوعی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
مدیر محصول ایجنت درون محصول
Agent Product PM
مالکیت ایجنت اصلی یک محصول و کیفیت آن؛ مثل Product Manager (Agents) در Lovable، Product Manager | Agents در Rogo و Staff Product Manager, Agents در Harvey.
مدیر محصول استقرار ایجنت نزد مشتری
Agent Deployment PM
ساختن و راه‌اندازی ایجنت برای هر مشتری سازمانی کنار مهندسان مستقر نزد مشتری؛ مثل Agent PM در Sierra، Agent Product Manager در Decagon و Forward Deployed Product Manager در Cresta. ارتباط با مدیران ارشد مشتری بخش بزرگی از کار است.
مدیر محصول پلتفرم و زیرساخت ایجنت
Agent Platform PM
محصولاتی که دیگران با آن ایجنت می‌سازند: API Agents در OpenAI، harness ایجنت در Cohere، Agent Management Platform در Parloa، Bits Agent Builder در Datadog و پلتفرم داخلی Databricks. عمق فنی بیشتری می‌خواهد.
مدیر محصول تجربهٔ ایجنت و تجارت ایجنتی
Agent Experience & Agentic Commerce PM
طراحی محصول برای وقتی که کاربر یا خریدار یک ایجنت است: تجربهٔ coding agent ها از API در Deepgram و ابزارهای پرداخت برای ایجنت‌های خرید در Stripe.
مدیر محصول امنیت ایجنت
Agentic Security PM
شناسایی و حفاظت در برابر تهدیدهای سیستم‌های ایجنتی مثل prompt injection و ایجنت‌های نفوذشده؛ مثل Senior Product Manager - Agentic Security در Auth0 (Okta).
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
این نقش شاخه‌ای از مدیر محصول AI است و کارفرماها آن را رشتهٔ جدایی نمی‌دانند؛ عنوان آگهی همان Product Manager است با نام یک حوزهٔ ایجنتی. فرق در تأکید است: آگهی‌های ایجنت بیشتر تجربهٔ ساختن دست‌به‌کار ایجنت می‌خواهند (Lovable: برنامه‌نویسی می‌کنید یا کرده‌اید؛ Deepgram: سابقهٔ مهندس ارشد نرم‌افزار، به‌عنوان شرط) و ارزیابی‌شان روی رفتار چندمرحله‌ای و خطای اقدام است، نه فقط کیفیت یک پاسخ. Paraform هم همین مرز را می‌کشد: مدیر محصول AI یادگیری ماشین را به قابلیت‌های موجود اضافه می‌کند، ولی مدیر محصول ایجنت مالک محصولی است که خودش تصمیم می‌گیرد و اقدام می‌کند.
در Cresta مدیر محصول مالک نتیجهٔ ایجنت و کل چرخهٔ استقرار است و مهندسان مستقر نزد مشتری (FDE) ساخت، اتصال‌ها و بهینه‌سازی را پشتیبانی می‌کنند. FDE راه‌حل فنی را در محیط مشتری می‌سازد؛ Agent PM مسئلهٔ مشتری، معیار موفقیت و اولویت‌ها را تعریف می‌کند و درس‌های هر استقرار را به محصول برمی‌گرداند.
مهندس ایجنت runtime، ابزارها، guardrail ها و نگهداری سیستم را می‌سازد. مدیر محصول ایجنت تعیین می‌کند ایجنت چه کاری انجام دهد، معیار کیفیتش چیست و کدام تصمیم‌ها با انسان می‌ماند. Deepgram این مرز را صریح نوشته: مدیر محصول مالک محصول و تصمیم‌هاست و مهندسی آن را می‌سازد، حتی وقتی خود مدیر محصول کد می‌خواند و می‌نویسد.
مدیر محصول پلتفرم ایجنت، مدیر محصول فنی‌ای است که کاربرانش سازندگان ایجنت‌اند. OpenAI برای API Agents سابقهٔ ساختن برای توسعه‌دهندگان و طراحی API های روشن می‌خواهد و Databricks کسی را که فرق پلتفرم و اپلیکیشن را بفهمد. فرقش با مدیر محصول فنی عمومی، دانش مشخص دربارهٔ runtime ایجنت، ارزیابی و مدیریت context است.
تأثیر در صنایع مختلف
مدیر محصول ایجنت‌های هوش مصنوعی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
مالی و سرمایه‌گذاری
Rogo ایجنتی برای بانک‌های سرمایه‌گذاری و صندوق‌های private equity می‌سازد که کار یک تحلیلگر را انجام دهد؛ دقت و اعتماد در این حوزه معیار اصلی کیفیت است
خدمات و پشتیبانی مشتری
Sierra به گفتهٔ خودش برای برندهایی مثل The GAP و SoFi ایجنت‌های مشتری‌محور می‌سازد و Cresta از United Airlines، Cox Communications و Marriott به‌عنوان مشتری نام می‌برد
توسعهٔ نرم‌افزار
Lovable به گفتهٔ خودش از نوامبر ۲۰۲۴ میزبان ساخت بیش از ۶۰ میلیون پروژه بوده و GitLab روی جریان کاری کار می‌کند که در آن ایجنت‌ها از مشخصات به کد می‌رسند و انسان نتیجه را بازبینی می‌کند
پرداخت و تجارت آنلاین
Stripe تیمی برای تجارت ایجنتی دارد که برای ایجنت‌های خرید API و صفحه‌های مدیریت تازه می‌سازد؛ اولین محصولش Instant Checkout با همکاری OpenAI بود
امنیت و هویت دیجیتال
تیم امنیت هویت Auth0 (Okta) امنیت هویت ایجنت‌های AI را در کنار حفاظت در برابر حمله، تشخیص bot و MFA تطبیقی می‌سازد
داده و نرم‌افزار سازمانی
Databricks پلتفرم داخلی ایجنت برای تیم‌های مالی، منابع انسانی و حقوقی می‌سازد و Datadog پلتفرمی که مشتریان با آن ایجنت‌هایی برای عملیات سیستم‌های پروداکشن بسازند
صدا و API برای توسعه‌دهندگان
Deepgram پلتفرم صدا و ایجنت صوتی است و برای مدیر محصولی استخدام می‌کند که تجربهٔ coding agent هایی را که API آن را انتخاب و یکپارچه می‌کنند بهتر کند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
«Agentic AI Product Manager» یک عنوان شغلی جاافتاده است
در اکتبر ۲۰۲۶ این عنوان دقیق را در آگهی باز هیچ شرکتی پیدا نکردیم؛ نمونه‌هایی که جست‌وجو نشان داد یا بسته شده بودند یا فقط در سایت‌های تجمیع آگهی بودند. کارفرماها همین کار را Product Manager, Agents یا Product Manager به‌علاوهٔ نام یک حوزهٔ ایجنتی می‌نامند. برای جست‌وجوی شغل، همین عنوان‌ها را جست‌وجو کنید.
فقط کسی که مهندس بوده می‌تواند مدیر محصول ایجنت شود
بستگی به نوع نقش دارد. Deepgram سابقهٔ مهندس ارشد نرم‌افزار را شرط گذاشته و Lovable می‌خواهد برنامه‌نویسی کرده باشید. اما Cresta برای Forward Deployed PM سابقهٔ مشاوره، پیاده‌سازی یا customer success را هم می‌پذیرد و تجربهٔ ساختن ایجنت در پروژهٔ شخصی را هم حساب می‌کند، و Sierra تجربهٔ برنامه‌نویسی را فقط امتیاز می‌داند.
کار اصلی این نقش نوشتن پرامپت است
در فهرست وظایف Lovable آزمودن پرامپت فقط یکی از کارهای کشف نیاز است، کنار مصاحبهٔ کاربر، تحقیق رقبا، تحلیل evals و آماده کردن فروش و پشتیبانی. Sierra از Agent PM دمو برای مشتری، حل مشکلات فرایند کسب‌وکار و شکل دادن roadmap می‌خواهد و OpenAI طراحی API های روشن برای توسعه‌دهندگان.
هر کاری را بهتر است با ایجنت حل کرد
Anthropic توصیه می‌کند ساده‌ترین راه‌حل را پیدا کنید و یادآوری می‌کند سیستم‌های ایجنتی معمولاً تأخیر و هزینه را با عملکرد بهتر معاوضه می‌کنند. Gartner هم می‌گوید بسیاری از کاربردهایی که امروز ایجنتی معرفی می‌شوند به پیاده‌سازی ایجنتی نیاز ندارند. تشخیص اینکه کجا ایجنت لازم نیست، بخشی از کار مدیر محصول است.
اگر ایجنت یک بار درست کار کرد، کار تمام است
Anthropic در مقالهٔ ارزیابی ایجنت‌ها توضیح می‌دهد رفتار ایجنت از اجرایی به اجرای دیگر فرق می‌کند و task ای که در یک اجرای ارزیابی قبول شده ممکن است در اجرای بعد رد شود؛ برای همین معیارهایی مثل pass@k به کار می‌رود. Lovable هم پایش regression ها و بهتر شدن ایجنت در هر انتشار را جزو مسئولیت مدیر محصول گذاشته است.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
ورودی‌ترین سطح: Agent PM استقرار (۵+ سال تجربهٔ نزدیک)
در آگهی‌هایی که خواندیم نقش واقعاً جونیور دیده نمی‌شود. نزدیک‌ترین راه ورود، نقش‌های استقرار ایجنت نزد مشتری است، مثل Forward Deployed PM در Cresta که سابقهٔ مشاوره و پیاده‌سازی را هم می‌پذیرد. بیشتر وقت با مشتری و مهندسان مستقر نزد مشتری می‌گذرد.
- ◆برگزاری کارگاه با ذی‌نفعان مشتری برای توافق دربارهٔ کاربردهای ایجنت، جریان کار و معیار موفقیت
- ◆طراحی، آزمایش و بهبود ایجنت کنار مهندسان مستقر نزد مشتری با ابزارهای داخلی شرکت
- ◆آماده کردن و ارائهٔ دموی ایجنت برای مشتری
- ◆بردن قابلیت‌هایی که مشتری لازم دارد به تیم محصول و مهندسی
- ◆به‌روز کردن playbook ساخت و استقرار ایجنت
میانی تا ارشد: مدیر محصول ایجنت درون محصول (۵ تا ۸ سال)
مالک یک ایجنت و کیفیت آن هستید. نمونهٔ این سطح آگهی‌های Lovable و Rogo است که هم استراتژی می‌خواهند و هم کار دست‌به‌کار.
- ◆مرور نتایج evals و regression های انتشار تازه و تصمیم دربارهٔ اولویت رفع آن‌ها
- ◆مصاحبه با کاربران دربارهٔ جاهایی که به ایجنت اعتماد نمی‌کنند
- ◆ساختن یک نمونهٔ اولیه در طراحی یا کد به جای نوشتن سند طولانی
- ◆امتحان کردن یک مدل یا ابزار تازه و سنجیدن اثرش بر roadmap
- ◆توضیح قابلیت‌های تازهٔ ایجنت به تیم‌های فروش و پشتیبانی
Staff و Principal: پلتفرم ایجنت (۸ تا ۱۰+ سال)
تصمیم‌هایتان روی همهٔ تیم‌هایی اثر دارد که روی پلتفرم شما ایجنت می‌سازند. نمونه: آگهی‌های Databricks، Cohere و Parloa.
- ◆تعیین guardrail های پیش‌فرض هر ایجنت، مثل سقف هزینه و timeout
- ◆هماهنگ کردن تصمیم‌های harness با تیم مدل‌سازی از طریق evals مشترک
- ◆تعریف دروازهٔ ارزیابی کیفیت و ایمنی پیش از پروداکشن
- ◆گفت‌وگو با مشتریان سازمانی دربارهٔ شکست‌های واقعی ایجنت و تبدیل آن به نیاز محصول
- ◆هم‌سو کردن چند تیم مهندسی و کسب‌وکار با roadmap پلتفرم
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈تعیین معیار کیفیت ایجنت (دقت، سرعت، قابلیت اتکا) و پیش بردن زیرساخت ارزیابی برای گرفتن regression پیش از انتشار
- ◈تحلیل خروجی‌ها، trace ها و نتایج evals برای فهم اینکه ایجنت کجا و چرا شکست می‌خورد
- ◈طراحی رفتار ایجنت هنگام خطا: بازگشت از خطا، توضیح دادن به کاربر و سپردن کار به انسان
- ◈ساختن نمونهٔ اولیه با کد یا ابزارهای AI پیش از نوشتن سند طولانی
- ◈کشف نیاز با مصاحبهٔ کاربر، تحقیق رقبا و کار مستقیم با مشتریان سازمانی و مدیران ارشد آن‌ها
- ◈همکاری با مهندسی، پژوهش و تیم مدل‌سازی برای تبدیل اولویت‌ها به قابلیت، SDK و API
- ◈آماده کردن فروش، پشتیبانی و بازاریابی برای معرفی قابلیت‌های تازهٔ ایجنت
- ◈تعیین roadmap یک ایجنت یا پلتفرم ایجنت و تصمیم دربارهٔ اینکه چه چیزی، به چه ترتیبی و چرا منتشر شود
- ◈تعیین مرز خودمختاری: کدام تصمیم‌ها با انسان می‌ماند و چرا
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مدیر محصول ایجنت‌های هوش مصنوعی موفق به آن‌ها نیاز دارد
مهارت‌های فنی
سنجیدن تمام شدن کار، بازگشت از خطا و قابلیت اتکا در کارهای طولانی، و تشخیص اینکه مشکل از مدل است یا از scaffolding (آگهی Cohere)
Lovable می‌خواهد این‌ها را «با اطمینان» بخوانید تا بفهمید ایجنت کجا خراب شده است
فهم اینکه ایجنت چطور ابزار صدا می‌زند، برنامه می‌چیند و در چند مرحله استدلال می‌کند
Databricks اتصال‌های MCP به سیستم‌های اصلی شرکت می‌سازد و Deepgram سرور MCP را جزو تجربهٔ ایجنت می‌داند
مدیریت context window به‌عنوان منبعی محدود و کنترل‌شده در کارهای طولانی ایجنت (آگهی Cohere)
Rogo و Lovable از مدیر محصول می‌خواهند کد بنویسد یا نوشته باشد و خودش نمونه بسازد
برای نقش‌های پلتفرم: OpenAI طراحی API های روشن و Databricks تجربه با SDK، CLI و مستندات می‌خواهد
مهارت‌های محصول و نرم
مصاحبهٔ کاربر، تحقیق رقبا و تحلیل evals برای پیدا کردن بزرگ‌ترین شکاف‌های قابلیت اتکا و اعتماد (آگهی Lovable)
Rogo می‌خواهد مدیر محصول تعیین کند ایجنت عالی از نظر کیفیت، دقت، سرعت و قابلیت اتکا چیست و مدام با آن بسنجد
منتشر کردن تکهٔ درست، سنجیدن با بازخورد و متریک و کنار گذاشتن آنچه کار نمی‌کند (آگهی Lovable)
در Sierra، Rogo و Cresta بخشی از کار ارائه به تصمیم‌گیران و مشاور مورد اعتماد مشتری بودن است
Sierra توانایی توضیح مفاهیم بسیار فنی و تحولات تازهٔ AI برای مخاطب فنی و غیرفنی را می‌خواهد
Databricks هدایت کار میان‌تیمی در ۴ تیم یا بیشتر را می‌خواهد
دانش حوزه‌ای
تعیین اینکه ایجنت کجا اقدام کند، کجا بپرسد و کجا کار را به انسان بسپارد، و چطور اعتماد کاربر را به دست آورد (Lovable و GitLab)
سیستم‌های ایجنتی تأخیر و هزینه را با عملکرد معاوضه می‌کنند (Anthropic)؛ Databricks برای هر ایجنت سقف هزینه تعریف می‌کند
آشنایی با OWASP Top 10 for Agentic Applications و تهدیدهایی مثل prompt injection؛ برای نقش امنیت ایجنت در Okta شرط است
تعریف نقطه‌های کنترل در مسیر نمونهٔ اولیه تا پروداکشن، مثل الگوی سه‌سطحی پذیرش در آگهی Databricks
Rogo تجربهٔ بانکداری و سرمایه‌گذاری را امتیاز قوی می‌داند و Sierra برای خدمات مالی، سلامت و بخش عمومی نقش جدا دارد
Cohere می‌خواهد مدیر محصول اکوسیستم متن‌باز و تجاری ایجنت‌ها را دنبال کند و Rogo می‌خواهد هر ابزار تازه را امتحان کند
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مدیر محصول ایجنت‌های هوش مصنوعی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌های مدیریت محصول
آگهی‌های این نقش پیش از هر چیز سابقهٔ مدیریت محصول می‌خواهند: Sierra تجربه در سطح Senior Product Manager یا بالاتر می‌خواهد، OpenAI و Cohere دست‌کم ۵ سال و Lovable دست‌کم ۸ سال کار در صنعت نرم‌افزار با مالکیت یک محصول AI. پیش از ایجنت، باید بتوانید مسئلهٔ درست را کشف و اولویت‌بندی کنید و محصول را به کاربر واقعی برسانید.
فهم مدل‌های زبانی و ایجنت‌ها
Rogo از مدیر محصول «شهود عمیق از LLM ها و ایجنت‌ها» و فهم روشن از اینکه مدل‌ها چطور آموزش داده و پرامپت می‌شوند می‌خواهد. از مفاهیم شروع کنید: ایجنت چیست، با workflow چه فرقی دارد و الگوهای اصلی مثل reflection، tool use، planning و multi-agent چه کاری می‌کنند. مقالهٔ Anthropic توصیه می‌کند ساده‌ترین راه‌حل را پیدا کنید و فقط وقتی لازم است پیچیدگی را بالا ببرید؛ گاهی یعنی اصلاً ایجنت نسازید.
ساختن دست‌به‌کار: ابزار، MCP و SDK ایجنت
این بخش، مدیر محصول ایجنت را از مدیر محصول AI عمومی جدا می‌کند. Lovable می‌خواهد «برنامه‌نویسی کنید یا کرده باشید» و تجربهٔ ساختن و منتشر کردن سیستم‌های ایجنتی داشته باشید؛ Rogo می‌نویسد مدیر محصولش کد می‌نویسد و نمونه می‌سازد، نه اینکه فقط مشخصات بنویسد. Cresta پروژه‌های شخصی ساخت ایجنت را هم قبول می‌کند. یک ایجنت کوچک بسازید که چند ابزار را صدا بزند و از طریق MCP به یک سیستم بیرونی وصل شود.
ارزیابی ایجنت
Lovable از مدیر محصول می‌خواهد مالک معیار کیفیت خروجی ایجنت باشد، زیرساخت ارزیابی را پیش ببرد و regression ها را زیر نظر بگیرد. Cohere مشخص‌تر است: سنجیدن تمام شدن کار، بازگشت از خطا و قابلیت اتکا در کارهای طولانی، و تشخیص اینکه مشکل از مدل است یا از scaffolding اطراف آن. Anthropic توضیح می‌دهد ارزیابی ایجنت چندمرحله‌ای است، transcript (یا trace) هر اجرا کل مسیر کار را ثبت می‌کند و چون رفتار ایجنت از اجرایی به اجرای دیگر فرق می‌کند، task ای که یک بار قبول شده ممکن است بار بعد رد شود.
خودمختاری، اعتماد و امنیت
Lovable دنبال کسی است که دربارهٔ اینکه ایجنت چطور حرف بزند، از خطا بازگردد و اعتماد کاربر را به دست آورد دیدگاه روشن داشته باشد. GitLab از مدیر محصول می‌خواهد تعیین کند کدام تصمیم‌ها با انسان می‌ماند و چرا. در سطح پلتفرم، Databricks محدودیت‌هایی مثل سقف هزینه، timeout و محدود کردن دامنهٔ آسیب را برای هر ایجنت تعریف می‌کند، و Okta برای نقش امنیت ایجنت تسلط بر OWASP Top 10 for Agentic AI و تهدیدهایی مثل prompt injection را می‌خواهد.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
ساخت ایجنت و پروتکل‌ها
SDK سبک OpenAI برای ساخت اپ‌های ایجنتی با چند مفهوم پایه: ایجنت با دستور و ابزار، handoff بین ایجنت‌ها و guardrail برای ورودی و خروجی
همان ابزارها، حلقهٔ ایجنت و مدیریت context که Claude Code را می‌سازد، به‌صورت کتابخانه در Python و TypeScript
فریم‌ورک سطح پایین برای ایجنت‌های طولانی و stateful که مرحله‌های قطعی و مرحله‌های تصمیم‌گیری مدل را در یک گراف ترکیب می‌کند؛ Databricks آشنایی با آن را امتیاز می‌داند
نمونه‌سازی با ایجنت‌های کدنویسی
ابزار کدنویسی ایجنتی Anthropic که کد را می‌خواند، فایل ویرایش می‌کند و فرمان اجرا می‌کند؛ Okta آن را نمونهٔ استفاده از ابزارهای ایجنتی نام برده است
ابزار کدنویسی که کار را به ایجنت آن می‌سپارید؛ برای مدیر محصولی که می‌خواهد خودش نمونهٔ کارکردی بسازد
پلتفرم ساخت نرم‌افزار (software creation platform)؛ خودش یکی از شرکت‌هایی است که برای ایجنت اصلی محصولش مدیر محصول استخدام می‌کند
ارزیابی و پایش ایجنت
پلتفرم observability برای trace پروداکشن، اجرای evals و گرفتن regression پیش از رسیدن به کاربر
مدیریت محصول و تحلیل
سیستم برنامه‌ریزی و ساخت محصول برای تیم‌های محصول و مهندسی؛ خودش را برای ساختن محصول همراه با ایجنت‌های AI طراحی‌شده معرفی می‌کند
تحلیل محصول، session replay و آزمایش؛ تحلیل ایجنت (Agent Analytics) را هم در فهرست محصولاتش دارد
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
Agent PM استقرار / Forward Deployed PM
۵+ سال در مشاوره، پیاده‌سازی، محصول یا customer success
مالکیت ایجنت هر مشتری از scoping پیش از فروش تا راه‌اندازی و بهینه‌سازی پس از آن، کنار مهندسان مستقر نزد مشتری (FDE). نمونه: آگهی Forward Deployed Product Manager در Cresta که سابقهٔ مشاوره، پیاده‌سازی یا customer success را هم می‌پذیرد. Sierra برای همین نوع نقش سطح Senior PM یا بالاتر می‌خواهد
Product Manager / Senior PM, Agents
۵ تا ۸ سال
مالکیت roadmap و کیفیت یک ایجنت یا یک حوزهٔ ایجنتی، از کشف نیاز تا ارزیابی پس از هر انتشار. OpenAI و Cohere دست‌کم ۵ سال، Okta ۵ تا ۸ سال و Lovable ۸+ سال کار در صنعت نرم‌افزار می‌خواهند
Staff Product Manager (پلتفرم ایجنت)
۸+ سال
مالکیت پلتفرمی که تیم‌های دیگر روی آن ایجنت می‌سازند: runtime، اتصال‌ها، چارچوب ارزیابی و تجربهٔ توسعه‌دهنده، و هم‌سو کردن چند تیم بدون اختیار مستقیم. Databricks ۸+ سال و Stripe ۱۲+ سال تجربهٔ مدیریت محصول می‌خواهند
Principal / Group Product Manager
۱۰+ سال
تعیین چشم‌انداز یک پلتفرم ایجنت سازمانی و استانداردهای ساخت، استقرار و مدیریت ایجنت‌ها برای مشتریان بزرگ؛ نمونه: آگهی Staff/Principal Product Manager در Parloa با شرط ۱۰+ سال تجربه
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
سنجیدن کاری که هر بار فرق می‌کند
عمومیطبق Anthropic، رفتار ایجنت از اجرایی به اجرای دیگر فرق می‌کند و task ای که در یک اجرای ارزیابی قبول شده ممکن است بار بعد رد شود؛ ارزیابی هم باید کل مسیر کار، از فراخوانی ابزار تا نتایج میانی، را ببیند. Cohere یک لایه هم اضافه می‌کند: باید تشخیص دهید شکست از مدل است یا از scaffolding اطرافش، چون راه‌حل این دو فرق دارد.
هزینهٔ اقدام اشتباه
عمومیParaform یادآوری می‌کند ایجنت ممکن است پاسخ اشتباه بفرستد یا اقدامی نادرست انجام دهد، و این پیامدش از یک پیشنهاد اشتباه بیشتر است. Rogo در حوزهٔ مالی کار می‌کند که به تعبیر آگهی دقت و اعتماد در آن بیش از تقریباً هر جای دیگری مهم است، و Databricks برای هر ایجنت دامنهٔ آسیب را محدود می‌کند.
امنیت سیستم‌های ایجنتی
شرکت بزرگOkta برای نقش امنیت ایجنت تسلط بر OWASP Top 10 for Agentic AI و تجربه با prompt injection، رفتار غیرعادی ایجنت و ایجنت‌های نفوذشده را می‌خواهد. OWASP در دسامبر ۲۰۲۵ فهرست ریسک‌های اصلی سیستم‌های ایجنتی را با همکاری بیش از ۱۰۰ متخصص منتشر کرد. مدیر محصول ایجنت، حتی بیرون از نقش امنیتی، باید این ریسک‌ها را در طراحی محصول ببیند.
مدل‌هایی که زیر پای محصول عوض می‌شوند
استارتاپCat Wu از Anthropic توضیح می‌دهد تیم Claude Code یادآوری‌هایی را که برای به‌روز کردن فهرست کارها لازم بود، وقتی مدل بعدی خودش این کار را درست انجام داد، حذف کرد؛ راه‌حل‌های موقت با بهتر شدن مدل‌ها کهنه می‌شوند. Rogo از مدیر محصول می‌خواهد جلوتر از مسیر مدل‌ها و الگوهای ایجنتی حرکت کند و Databricks این حوزه را فضایی می‌داند که «هر هفته» تغییر می‌کند.
هیاهو و ارزش تجاری نامشخص
شرکت بزرگGartner پیش‌بینی کرده بیش از ۴۰٪ پروژه‌های agentic AI تا پایان ۲۰۲۷ به دلیل هزینهٔ رو به افزایش، ارزش تجاری نامشخص یا کنترل ناکافی ریسک لغو شوند. به گفتهٔ Gartner بسیاری از فروشندگان «agent washing» می‌کنند، یعنی محصولات قبلی مثل دستیار و chatbot را بدون قابلیت ایجنتی واقعی با نام تازه عرضه می‌کنند. مدیر محصول باید پیش از ساخت نشان دهد چرا این مسئله ایجنت لازم دارد.
ورود دشوار برای تازه‌کار
عمومیدر بیشتر آگهی‌هایی که خواندیم حداقل تجربه ۵ سال یا بیشتر است و در Stripe به ۱۲ سال می‌رسد؛ استثنا Fin (Intercom) است که برای Senior PM تیم Service Agent حداقل سال تجربه تعیین نکرده و به جای آن شواهد مهارت می‌خواهد. Paraform هم می‌نویسد ورود به این نقش با منتشر کردن ایجنت واقعی یا مالکیت جریان‌های کاری ایجنتی ممکن می‌شود، نه فقط با دوره و پروژهٔ جانبی؛ هرچند Cresta پروژهٔ شخصی را هم حساب می‌کند. راه معمول، رسیدن از یک نقش محصول، مهندسی یا استقرار نزد مشتری است.
حقوق و بازار کار جهانی
حقوق جهانی مدیر محصول ایجنت‌های هوش مصنوعی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- ZipRecruiter, Oct 22 2026; proxy: AI Product Manager; 25th–75th pct, median = national average
- Robert Half 2027 UK Salary Guide; proxy: AI Product Manager; 25th–75th pct, median = 50th pct
- Robert Half 2027 Salary Guide, Switzerland; proxy: AI Product Manager; 25th–75th pct, median = 50th pct
- Glassdoor India, estimate updated Nov 2025; proxy: AI Product Manager; total pay 25th–75th pct, median; 29 salaries
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: مفاهیم ایجنت
فرق workflow و agent، الگوهای اصلی و جاهایی که ایجنت لازم نیست را یاد بگیرید.
ماه ۲: اولین ایجنت با ابزار
یک ایجنت کوچک بسازید که دو یا سه ابزار را صدا بزند؛ هدف تجربهٔ دست‌اول از شکست‌های ایجنت است.
ماه ۳: MCP و طراحی ابزار
ایجنت را از طریق MCP به یک سیستم بیرونی وصل کنید و ببینید طراحی ابزار چطور رفتارش را عوض می‌کند.
ماه ۴: ارزیابی
برای همان ایجنت مجموعهٔ ارزیابی بسازید، هر task را چند بار اجرا کنید و خطاها را دسته‌بندی کنید.
ماه ۵: خودمختاری، اعتماد و امنیت
برای ایجنتتان سند مرز خودمختاری بنویسید و ریسک‌هایش را با فهرست OWASP مرور کنید.
ماه ۶: پورتفولیو و درخواست
ایجنت، گزارش شکست‌ها، مجموعهٔ ارزیابی و سند خودمختاری را کنار هم بگذارید. برای عنوان‌هایی مثل Product Manager, Agents یا Product Manager به‌علاوهٔ نام یک حوزهٔ ایجنتی جست‌وجو کنید و جابه‌جایی داخلی را هم در نظر بگیرید.
پروژه‌های پیشنهادی برای رزومه
سند خودمختاری و ارجاع به انسان برای یک ایجنت پشتیبانی
مبتدییکی از دامنه‌های τ²-bench (هواپیمایی، خرده‌فروشی یا مخابرات) را انتخاب کنید و بنویسید ایجنت کجا خودش اقدام می‌کند، کجا از کاربر تأیید می‌گیرد و کجا کار را به انسان می‌سپارد، و برای هر مرز دلیل بیاورید. این همان سؤالی است که آگهی GitLab صریحاً از مدیر محصول می‌پرسد: کدام تصمیم‌ها با انسان می‌ماند و چرا.
مجموعهٔ ارزیابی برای یک ایجنت چندمرحله‌ای
متوسطبرای یک ایجنت ساده ۳۰ تا ۵۰ task با grader تعریف کنید، هر task را چند بار اجرا کنید و نتیجه را با pass@k گزارش دهید. transcript های ناموفق را بخوانید، خطاها را دسته‌بندی کنید و یک تغییر را با همین مجموعه بسنجید. اصطلاحات و روش را از مقالهٔ ارزیابی ایجنت Anthropic بگیرید.
ایجنت کوچک با ابزار و MCP، همراه با گزارش شکست‌ها
متوسطبا یک SDK ایجنت، ایجنتی بسازید که دو یا سه ابزار را صدا بزند و از طریق MCP به یک سیستم بیرونی (مثلاً تقویم یا یک پایگاه داده) وصل شود. مهم‌تر از خود ایجنت، گزارشی است که نشان دهد کجا شکست خورد، چرا، و برای بازگشت از خطا و توضیح دادن به کاربر چه تغییری دادید؛ Lovable دقیقاً همین شناخت از «شیوهٔ شکست خوردن ایجنت‌ها» را می‌خواهد.
ممیزی تجربهٔ «ایجنت به‌عنوان کاربر» برای یک API عمومی
پیشرفتهاز یک coding agent بخواهید یک API عمومی را پیدا و یکپارچه کند و ثبت کنید کجا گیر می‌کند: پیدا کردن مستندات، گرفتن کلید، نوشتن کد و تأیید درست بودن نتیجه. بعد برای هر مرحله تغییر محصولی پیشنهاد دهید. ایده از آگهی Deepgram است که می‌نویسد بیش از پیش یک coding agent بدون حضور انسان API آن‌ها را انتخاب و یکپارچه می‌کند.
بررسی امنیتی یک ایجنت با OWASP Top 10 for Agentic Applications
پیشرفتهبرای ایجنتی که ساخته‌اید یا یک ایجنت فرضی، ریسک‌ها را با فهرست OWASP مرور کنید، چند حملهٔ prompt injection را امتحان کنید و برای هر ریسک یک کنترل محصولی پیشنهاد دهید؛ مثل سقف هزینه، timeout و محدود کردن دامنهٔ آسیب که Databricks برای هر ایجنت تعریف می‌کند.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق صفحهٔ معرفی او در کنفرانس AI Engineer، از ۲۰۱۸ تا ۲۰۲۰ مهندس محصول در Scale AI بود و در ۲۰۲۰ تا ۲۰۲۱ به‌عنوان مدیر مهندسی در Dagster Labs ساخت اولین محصول تجاری آن شرکت را هدایت کرد. سپس از اکتبر ۲۰۲۱ تا اوت ۲۰۲۴ شریک صندوق سرمایه‌گذاری Index Ventures بود.
در اوت ۲۰۲۴ به تیم Research PM شرکت Anthropic پیوست و حالا مدیر محصول Claude Code و Cowork است؛ محصولاتی برای سپردن کار نرم‌افزاری و دانشی به AI. طبق همین صفحه، تیمی را توصیف می‌کند که در آن مدیران محصول نمونهٔ اولیه و ارزیابی می‌سازند، و از اکتبر ۲۰۲۴ یک درخواست ثابت را به هر مدل تازه داده تا پیشرفت مدل‌ها را عملاً بسنجد.
مسیر او از مهندسی و سرمایه‌گذاری به مدیریت محصول ایجنت رسید و ابزارش برای تصمیم‌گیری، آزمودن مداوم مدل‌ها بود. به نظر می‌رسد در محصول ایجنت، یک آزمون تکرارپذیر شخصی می‌تواند به اندازهٔ یک سند استراتژی راهنمای تصمیم باشد.
طبق صفحهٔ معرفی او در کنفرانس AI Engineer، در Stanford علوم کامپیوتر و مهندسی مکانیک خواند و مدیر محصول Dropbox شد. بعد همراه Charley Ho شرکت Remotion را بنیان گذاشت و مدیرعاملش شد؛ شرکتی که به Multi تبدیل شد و در ۲۰۲۴ به OpenAI پیوست.
در OpenAI روی ChatGPT Desktop کار کرد و بعد رهبری محصول Codex، ایجنت کدنویسی OpenAI، را بر عهده گرفت. طبق همین صفحه، طرفدار دستیارهایی است که کارهای بزرگ را مستقل پیش می‌برند ولی کار میانی را قابل دیدن، ویرایش و قضاوت انسانی نگه می‌دارند.
او از مدیریت محصول به بنیان‌گذاری و دوباره به رهبری محصول ایجنت رسید. دیدگاهش نشان می‌دهد سؤال اصلی محصول ایجنت فقط «ایجنت چه کاری می‌کند» نیست، بلکه این هم هست که کاربر چطور کار ایجنت را ببیند و اصلاح کند.
طبق ویکی‌پدیا، در ۲۰۰۳ به‌عنوان کارآموز associate product manager در Google استخدام شد و تیمی را هدایت کرد که روی پیش‌نیازهای Google Maps کار می‌کرد. بعدها مدیر ارشد فناوری Facebook، بنیان‌گذار Quip، مدیر ارشد محصول و سپس مدیرعامل مشترک Salesforce شد و در Salesforce هم یک برنامهٔ associate product manager راه انداخت.
در فوریهٔ ۲۰۲۳ همراه Clay Bavor شرکت Sierra را بنیان گذاشت و از نوامبر ۲۰۲۳ رئیس هیئت‌مدیرهٔ OpenAI است. Sierra همان شرکتی است که مدیر محصول ساختن ایجنت برای مشتری را در آگهی‌هایش Agent PM می‌نامد.
مسیر او از مدیریت محصول شروع شد و به شرکتی رسید که نقش مدیر محصول ایجنت را یکی از نقش‌های اصلی‌اش کرده است. این نشان می‌دهد پایهٔ مدیریت محصول، حتی در محصولاتی که خودشان اقدام می‌کنند، هنوز نقطهٔ شروع است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Product Manager (Agents)
تحلیل نیازمندی‌ها
8+ years in the software industry, with direct ownership of an AI or LLM-powered product in a product management or engineering leadership role
این آگهی برای تازه‌کار نیست. نکتهٔ مهم این است که مالکیت محصول AI می‌تواند از مسیر مدیریت محصول یا از مسیر رهبری مهندسی آمده باشد؛ یعنی مدیر مهندسی‌ای که مالک یک محصول AI بوده هم واجد شرایط است.
ضروریHands-on experience building and shipping agent-based systems - you understand tool use, planning loops, multi-step reasoning, and how agents fail
قلب تفاوت این نقش با مدیر محصول AI عمومی همین بند است. «ساختن و منتشر کردن» یعنی تجربهٔ واقعی، نه فقط استفاده از ابزارها. شناخت «شیوهٔ شکست خوردن ایجنت‌ها» معمولاً فقط از ساختن و دیدن trace های ناموفق به دست می‌آید.
ضروریTechnical fluency: you program or have programmed, and can read model outputs, traces, and evals with confidence
لازم نیست امروز برنامه‌نویس تمام‌وقت باشید، اما باید برنامه‌نویسی کرده باشید. خواندن خروجی مدل، trace و نتایج eval کار روزانهٔ این نقش است، نه کاری که به مهندس سپرده شود.
ضروریStrong product sense and systems thinking - you know when to move fast and when to invest in foundational work, and you have sharp opinions on how agents should communicate, recover from errors, and earn user trust
مدیر محصول ایجنت باید دیدگاه مشخص داشته باشد که ایجنت هنگام خطا چه بگوید و چطور جبران کند. «کار زیربنایی» در این آگهی یعنی چیزهایی مثل چارچوب ارزیابی که سرعت بعدی تیم به آن بستگی دارد.
مهمPreferred: Deep familiarity with prompt engineering and evaluation frameworks; prior experience operating at the frontier where best practices are still being written
مهارت پرامپت و چارچوب ارزیابی امتیاز است، نه شرط؛ اما در فهرست وظایف همین آگهی ارزیابی و آزمودن پرامپت آمده، پس تمرین آن‌ها شانس شما را بالا می‌برد. «جایی که بهترین روش‌ها هنوز نوشته نشده» یعنی باید راحت باشید بدون دستورالعمل آماده تصمیم بگیرید.
مفیدتحلیل مسئولیت‌ها
Represent the user - synthesize findings on agent performance and behavior, and bring them to the team with clarity and conviction
مدیر محصول صدای کاربر است: یافته‌ها دربارهٔ عملکرد و رفتار ایجنت را جمع‌بندی می‌کند و با استدلال روشن به تیم می‌برد تا اولویت‌ها را عوض کند.
Run discovery end-to-end: user interviews, competitive research, eval analysis, prompt experimentation, and crafting messaging for upcoming agent capabilities
کشف نیاز در محصول ایجنت ترکیبی از ابزارهای کلاسیک (مصاحبه و تحقیق رقبا) و ابزارهای تازه (تحلیل eval و آزمودن پرامپت) است.
Own the quality bar for agent outputs - drive eval infrastructure, monitor regressions, and ensure the agent improves with every release
کیفیت مسئولیت مدیر محصول است: او زیرساخت ارزیابی را پیش می‌برد و مراقب است هیچ انتشاری ایجنت را بدتر نکند.
Scope ruthlessly - ship the right slice of functionality, validate what works through user feedback and metrics, and cut what doesn't
در محصولی که قابلیت‌هایش با هر مدل تازه تغییر می‌کند، انتخاب تکهٔ درست برای انتشار و کنار گذاشتن آنچه کار نمی‌کند مهارت اصلی است.
Enable sales, support, and marketing with the context they need to communicate new agent capabilities effectively
قابلیت تازهٔ ایجنت فقط وقتی ارزش دارد که فروش و پشتیبانی بتوانند آن را درست توضیح دهند و انتظار کاربر را درست تنظیم کنند.
Projects you'll tackle first: Rebuilding the agent evaluation framework to catch regressions before they ship; running discovery on the biggest gaps in agent reliability and trust; defining and shipping the first iteration of improved agent error recovery and communication
سه پروژهٔ اول تصویر روشنی از کار می‌دهند: ارزیابی، اعتماد و رفتار ایجنت هنگام خطا. هیچ‌کدام «افزودن قابلیت تازه» نیست؛ همه دربارهٔ قابل اتکا کردن ایجنتی است که از قبل وجود دارد.
نتیجه‌گیری کلی
این آگهی نشان می‌دهد مدیر محصول ایجنت در ۲۰۲۶ مالک کیفیت یک سیستم چندمرحله‌ای است: از تجربهٔ ساختن می‌داند ایجنت‌ها چطور شکست می‌خورند، خودش trace و نتایج eval را می‌خواند و دربارهٔ رفتار ایجنت هنگام خطا تصمیم می‌گیرد. آگهی برای کسی با دست‌کم ۸ سال سابقه در صنعت نرم‌افزار است و بازهٔ حقوق اعلام نکرده است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
طبق داده‌های Lightcast در گزارش AI Index ۲۰۲۶ دانشگاه Stanford، سهم آگهی‌های آمریکایی که مهارت‌های agentic AI (مثل AI agents و agentic systems) می‌خواهند از ۰٫۰۶٪ در ۲۰۲۴ به ۰٫۲۳٪ در ۲۰۲۵ رسید؛ رشدی بیش از ۲۸۰٪ در یک سال و نزدیک به ۹۰ هزار آگهی. این عدد برای همهٔ مشاغل است، نه فقط مدیران محصول، و Lightcast می‌گوید نقش‌های مهندسی بر این آگهی‌ها غالب‌اند.
منبع: Lightcast / Stanford AI Index 2026
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
Gartner در اوت ۲۰۲۵ پیش‌بینی کرد تا پایان ۲۰۲۶، ۴۰٪ نرم‌افزارهای سازمانی ایجنت‌های مخصوص یک کار را در خود داشته باشند؛ در برابر کمتر از ۵٪ در ۲۰۲۵.
Gartner در ژوئن ۲۰۲۵ پیش‌بینی کرد بیش از ۴۰٪ پروژه‌های agentic AI تا پایان ۲۰۲۷ به دلیل هزینهٔ رو به افزایش، ارزش تجاری نامشخص یا کنترل ناکافی ریسک لغو شوند.
به پیش‌بینی Gartner، تا ۲۰۲۸ دست‌کم ۱۵٪ تصمیم‌های روزمرهٔ کاری به‌صورت خودکار با agentic AI گرفته می‌شود و ۳۳٪ نرم‌افزارهای سازمانی agentic AI خواهند داشت؛ در برابر کمتر از ۱٪ در ۲۰۲۴.
به پیش‌بینی Gartner، تا ۲۰۲۹ دست‌کم ۵۰٪ کارکنان دانشی مهارت‌های تازه‌ای برای کار با ایجنت‌های AI، اداره کردن آن‌ها یا ساختنشان برای کارهای پیچیده پیدا می‌کنند.
Gartner پیش‌بینی کرده بیش از ۴۰٪ پروژه‌های agentic AI تا پایان ۲۰۲۷ لغو شوند و تخمین می‌زند از هزاران فروشندهٔ agentic AI فقط حدود ۱۳۰ مورد واقعی‌اند؛ بقیه محصولات قبلی را با نام تازه عرضه می‌کنند. برای مدیر محصول ایجنت این یعنی ارزش کار در انتخاب مسئلهٔ درست و اثبات ارزش است، نه در خود کلمهٔ «ایجنت». ریسک دوم بی‌ثباتی عنوان است: این نقش هنوز نام ثابتی ندارد و همین کار با عنوان‌های مختلفی آگهی می‌شود، پس برای جست‌وجوی شغل و معرفی خودتان باید همهٔ این عنوان‌ها را بشناسید. ریسک سوم برای تازه‌واردهاست: آگهی‌ها تقریباً همه سابقهٔ چندساله می‌خواهند و طبق Lightcast بیشتر تقاضای agentic AI برای مهندسان است. و چون مدل‌ها سریع بهتر می‌شوند، بخشی از راه‌حل‌هایی که امروز می‌سازید ممکن است با مدل بعدی لازم نباشد؛ تجربهٔ تیم Claude Code که Cat Wu توصیف کرده نمونهٔ همین است.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۲۹ منبع بررسی شده است.
- Product Manager (Agents) — Lovable (job posting)
- Product Manager | Agents — Rogo (job posting)
- Product Manager, Agent Development — Sierra (job posting)
- Product Manager, API Agents — OpenAI (job posting)
- Product Manager, Agent Harness & Modelling — Cohere (job posting)
- Staff Product Manager, Agentic AI Applications — Databricks (job posting)
- Senior Product Manager, Agentic Source Code — GitLab (job posting)
- Staff Product Manager, Agentic Experiences (Former Engineer) — Deepgram (job posting)
- Forward Deployed Product Manager, AI Agent — Cresta (job posting)
- Staff Product Manager, Agentic Commerce — Stripe (job posting)
- Senior Product Manager - Agentic Security (Auth0) — Okta (job posting)
- Staff/Principal Product Manager, Agent Management Platform — Parloa (job posting)
- Senior Product Manager - Bits Agent Builder — Datadog (job posting)
- Senior Product Manager (Service Agent Team) — Fin / Intercom (job posting)
- ZipRecruiter — AI Product Manager salary, United States
- Robert Half — AI Product Manager salary, United Kingdom (2027 guide)
- Robert Half — AI Product Manager salary, Switzerland (2027 guide)
- Glassdoor — AI Product Manager salaries in India
- Lightcast — Four Takeaways from the 2026 Stanford AI Index
- Lightcast — Tracking the Agentic AI Explosion in Jobs
- Paraform — What Is an Agent PM? The New Role Startups Are Racing to Hire in 2026
- Gartner — Over 40% of Agentic AI Projects Will Be Canceled by End of 2027
- Gartner — 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026
- Anthropic — Building effective AI agents
- Anthropic — Demystifying evals for AI agents
- OWASP — Top 10 for Agentic Applications for 2026
- Cat Wu — AI Engineer speaker bio
- Alexander Embiricos — AI Engineer speaker bio
- Bret Taylor — Wikipedia