مدیر محصول سیستمهای خودمختار
Agentic AI Product Manager
Agentic AI Product Manager متخصصی است در تقاطع product strategy، LLM ها و system design که محصولاتی را هدایت میکند که در آنها AI agents وظایف چندمرحلهای را به صورت خودمختار انجام میدهند — از خواندن ایمیل و بستن قرارداد گرفته تا اجرای deep research و نوشتن کد. این نقش با PM سنتی فرق دارد: شما باید non-determinism، tool use، planning loop ها و trust/safety را در roadmap و evaluation بگنجانید، نه فقط feature شیپ کنید. در ۲۰۲۶ با ظهور Claude Sonnet 4.6، GPT-5 و agent frameworks مانند LangGraph و OpenAI Agents SDK، تقاضا برای این نقش انفجاری شده و total compensation در Anthropic، OpenAI، Sierra و Cursor به ۳۰۰هزار تا ۶۰۰هزار دلار میرسد.
مقدمه و تعریف شغل
Agentic AI Product Manager متخصصی است که محصولاتی را هدایت میکند که در آنها AI agents وظایف چندمرحلهای را به صورت خودمختار با استفاده از tool ها، حافظه و planning loop انجام میدهند. برخلاف PM های سنتی که با محصولات قطعی کار میکنند، این نقش با non-determinism سر و کار دارد: همان prompt هر بار خروجی متفاوت میدهد. این یعنی توانایی طراحی eval، tracing، safety و pricing مدلهای جدید — تخصصهایی که از سال ۲۰۲۴ به این سو به سرعت اهمیتشان چند برابر شده است.
تا اواخر ۲۰۲۲، product management در حوزه AI عمدتاً درباره فیچر های ML کلاسیک بود — recommendation، personalization، fraud detection. ظهور ChatGPT همه چیز را عوض کرد و موج اول AI PM (نسل LLM-as-feature) به وجود آمد. اما موج دوم — agentic — از ۲۰۲۴ با فریمورکهایی مثل LangGraph، Claude Tool Use و OpenAI Assistants شروع شد. در ۲۰۲۵ و ۲۰۲۶ شرکتهایی مثل Anthropic، Sierra، Cursor، Decagon و Cognition محصولات agentic-first ساختند و این نقش به یکی از داغترین positions تبدیل شد. امروز Anthropic، OpenAI و Microsoft هر هفته آگهی برای agentic PM منتشر میکنند و total comp برای senior به ۴۰۰هزار+ دلار رسیده است.
چه چیزی میسازید؟
مثالهای واقعی از خروجی کار یک مدیر محصول سیستمهای خودمختار
Coding Agents
محصولاتی مانند Cursor و Claude Code که خودکار feature ها را implement میکنند، تست مینویسند و PR میسازند. PM در Cursor تصمیم میگیرد agent چقدر autonomy داشته باشد و کجا از کاربر confirm بگیرد.
Customer Support Agents
Sierra، Decagon و Crescendo agents میسازند که با مشتری chat میکنند، در سیستمهای back-office query میزنند و refund میدهند. PM eval را طراحی میکند تا containment rate و CSAT را همزمان maximize کند.
Sales Prospecting Agents
Clay، 11x و Artisan agents میسازند که خودکار lead پیدا میکنند، email مینویسند و follow-up میکنند. PM tradeoff بین personalization و throughput را تعریف میکند.
Deep Research Agents
محصولاتی مثل Perplexity Deep Research و OpenAI Deep Research که سوال پیچیده میگیرند، چندین source را جستجو و synthesize میکنند. PM متریک کیفیت گزارش و citation accuracy را تعریف میکند.
Computer Use Agents
Claude Computer Use و OpenAI Operator میتوانند با browser و GUI کار کنند. PM در Anthropic safeguards و user consent flows را برای hijacking risk طراحی میکند.
Vertical Workflow Agents
Harvey برای legal، EvenUp برای personal injury، Hippocratic AI برای healthcare. هر کدام نیاز به domain expertise عمیق دارند و PM با وکیل، پزشک یا متخصص حوزه همکاری روزانه میکند.
تخصصهای مختلف مدیر محصول سیستمهای خودمختار
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
PM agent های کدنویسی
Coding Agents PM
تخصص در developer tools و agent های code-generating مانند Cursor، GitHub Copilot، Claude Code و Replit Agent. نیاز به درک IDE، sandboxing و developer workflows.
PM workflow های سازمانی
Enterprise Workflow PM
ساخت agents برای فرآیندهای داخلی شرکتها (HR، finance، IT support) مانند کارهایی که Glean، Moveworks و ServiceNow Now Assist انجام میدهند.
PM AI عمودی
Vertical AI PM
تمرکز روی صنایع خاص: Harvey (legal)، Hippocratic AI (healthcare)، EvenUp (legal claims)، Pearl Health (medicare). نیاز به domain knowledge عمیق.
PM پلتفرم agents
Platform Agent PM
ساخت platform هایی که توسعهدهندگان دیگران را برای ساخت agents توانمند میکنند — مانند OpenAI Agents SDK، Anthropic API و Azure AI Agent Service.
PM اعتماد و ایمنی
Trust & Safety PM
تخصص در alignment، red-teaming و policy. کار در شرکتهایی مثل Anthropic، OpenAI و Google DeepMind برای کاهش misuse و harmful behavior.
تفاوت با شغلهای مشابه
کجا این شغل تمام میشود و شغل دیگری شروع میشود؟
AI/ML PM با پروژههای classification، forecasting و recommendation کار میکند که خروجیشان عددی و قابل اندازهگیری است. Agentic AI PM با سیستمهایی کار میکند که action میگیرند و state تغییر میدهند — یعنی نیاز به safety و observability خیلی متفاوت.
LLM App PM با single-shot یا chat-based interactions کار میکند (مثل ChatGPT wrapper). Agentic PM با multi-step، tool-using و planning systems کار میکند که میتوانند ساعتها کار کنند — مرز کاملاً متفاوت در پیچیدگی evaluation و trust.
Technical PM با API ها، platform ها و developer tools کار میکند. Agentic PM یک زیرمجموعه تخصصی است — همه دانش technical PM را نیاز دارد به علاوه فهم عمیق LLM behavior، prompt engineering و agent orchestration.
PM تحقیقات (مثل در DeepMind یا Anthropic Research) تمرکز روی scientific progress، paper ها و capability development دارد. Agentic PM روی محصول واقعی، revenue و customer outcome تمرکز دارد — بسیار closer به business.
تأثیر در صنایع مختلف
مدیر محصول سیستمهای خودمختار در همه صنایع مشغول به کار است — نه فقط شرکتهای فناوری
نرمافزار و SaaS
Coding agents در Cursor و GitHub Copilot سرعت توسعه را ۲ تا ۵ برابر کردهاند؛ engineering team ها در حال بازطراحی workflow حول agent ها هستند
خدمات مشتری
Sierra و Decagon containment rate را در شرکتهایی مثل SiriusXM و Brex به ۷۰٪+ رساندهاند — حذف دهها میلیون دلار از هزینه call center
حقوقی
Harvey و EvenUp فرآیند کشف اسناد، نوشتن brief و claim management را خودکار کردهاند؛ firm ها مثل A&O Shearman نقشهای associate را بازتعریف میکنند
Sales و Marketing
Clay، 11x و Artisan agents هزاران outreach personalized در روز ارسال میکنند؛ نقش SDR در حال تبدیل به strategic role است
تحقیق و تحلیل
OpenAI Deep Research و Perplexity گزارشهایی تولید میکنند که قبلاً به consultant هفتهها وقت میبرد — حوزه consulting در حال تحول
بهداشت و درمان
Hippocratic AI agent های pre-op و post-op میسازند که با بیمار تماس میگیرند؛ Pearl Health به provider ها در Medicare کمک میکند
مالی و حسابداری
Reconciliation، invoice processing و audit prep توسط agents در Brex، Ramp و Stripe انجام میشود — finance ops دگرگون شده
آموزش
Khanmigo و Quill agent های شخصی tutoring هستند؛ EdTech در حال gözden geçirmek محصولات حول agentic learning است
تصورات غلط رایج
قبل از تصمیمگیری، این باورهای اشتباه را بشناسید
PM agentic فقط prompt engineer است
Prompt engineering یک بخش کوچک است. وقت اصلی صرف user research، roadmap، metrics design، eval، pricing و GTM میشود — همان کارهای کلاسیک PM با لایه اضافی AI.
باید PhD یا ML deep expertise داشته باشید
PhD لازم نیست. درک functional از LLM ها (تا حد ساخت prototype) کافی است. آنتروپیک و OpenAI PM های زیادی استخدام میکنند که background دانشگاهی غیر-CS دارند ولی autodidact هستند.
agent ها به زودی PM ها را جایگزین میکنند
Agent ها بخشهایی از کار PM (مثل user research synthesis یا competitive analysis) را خودکار میکنند، اما تصمیمگیری استراتژیک، prioritization و roadmap همچنان به انسان نیاز دارد. در واقع تقاضا برای PM های agentic بسیار بالاتر میرود.
هرکس که با ChatGPT کار کرده میتواند PM agentic باشد
تفاوت بزرگ بین استفاده از ChatGPT و طراحی production agent system است. درک trace، failure mode، cost-per-task، latency budget و safety برای production کافی نیست با چند prompt تست کردن.
PM agentic فقط در شرکتهای AI native کار میکند
شرکتهای سنتی مثل Microsoft، Salesforce، Intuit و Adobe هم تیمهای بزرگ PM agentic ساختهاند. در واقع enterprise transformation با AI agents یکی از حوزههای پررشد است.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
Associate AI PM (۰–۲ سال)
وقت اصلی صرف یادگیری ابزارها، نوشتن evals ساده، و حمایت از PM ارشد در یک feature خاص میشود. هنوز در حال ساخت intuition هستید که چه چیزی در agent ها مهم است.
- ◆صبح: بررسی trace های production در LangSmith — کدام agent run ها fail شدند
- ◆بلاک اول: نوشتن ۵۰ eval case جدید برای فیچر در حال launch و run کردن baseline
- ◆بعد از ناهار: meeting با AI engineer برای دیدن prompt جدید و proposal بهبود
- ◆عصر: مصاحبه با ۲ کاربر beta برای پر کردن survey درباره trust در agent
- ◆پایان روز: مستندسازی یافتهها در Notion و آمادهسازی برای weekly review
AI PM (۲–۵ سال)
تعادل بین استراتژی، ارتباط با مشتری و کار روزانه با تیم. مالک کامل یک agent product هستید و roadmap را driven میکنید.
- ◆صبح: بررسی hourly metrics — success rate، latency، cost per session
- ◆جلسه ۳۰ دقیقه با enterprise customer: feedback روی pilot agent در workflow legal آنها
- ◆بلاک کار: نوشتن PRD برای multi-agent handoff feature و ارسال به engineering
- ◆بعد از ناهار: prioritization session با design و research برای کوارتر بعدی
- ◆عصر: deep dive روی یک regression — همراه با eng بررسی trace و تصمیم rollback
Senior / Principal (۵+ سال)
تمرکز روی استراتژی، org و leadership فنی. کمتر در روزانه drilled in هستید اما تصمیمهایتان روی کل خط محصول اثر دارد.
- ◆صبح: review weekly OKR ها با ۳ PM در تیم و unblock priority ها
- ◆meeting با Head of AI Research: مدل جدید in-house و اثرش روی roadmap
- ◆executive briefing با CEO و CRO درباره pricing strategy جدید برای enterprise tier
- ◆بعد از ناهار: مصاحبه استخدام یک Senior AI PM و نوشتن feedback مفصل
- ◆عصر: نوشتن یک memo درونسازمانی درباره trade-off بین speed و safety در محصول جدید
مسئولیتها و وظایف
مسئولیتهای اصلی
وظایف روزانه و مهارتهای مورد نیاز در این شغل
- ◈تعریف vision و roadmap برای محصولات agentic — از single-step LLM tasks تا multi-step autonomous workflows
- ◈همکاری روزانه با AI engineer ها برای انتخاب معماری agent (ReAct، planner-executor، swarm)
- ◈طراحی eval suite شامل correctness، safety، latency و cost برای هر agent feature
- ◈تحلیل trace ها و failure mode های agent در production برای شناسایی fix های اولویتدار
- ◈هدایت user research با enterprise customer ها برای کشف agentic workflow های با ROI بالا
- ◈ارتباط شفاف non-determinism و limitation های AI با مشتری، sales و executive ها
- ◈تعیین قیمتگذاری usage-based و مدلسازی margin با توجه به cost per request مدل
- ◈rahbari تیم cross-functional شامل engineering، design، research، policy و legal
مهارتهای مورد نیاز
مهارتهای فنی، نرم و حوزهای که یک مدیر محصول سیستمهای خودمختار موفق به آنها نیاز دارد
مهارتهای فنی
تسلط بر system prompts، few-shot، chain-of-thought و خاص هر مدل (Claude vs GPT vs Gemini)
درک ReAct، planner-executor، swarm، tool use و trade-off هر معماری
ساخت eval suite با metrics قابلاندازهگیری، LLM-as-judge و regression testing
آشنایی با vector database، embedding، retrieval و evaluation کیفیت retrieval
درک تعریف tool ها، schema design و trade-off granularity در tool use
محاسبه per-request cost، p95 latency و trade-off بین مدلهای مختلف
آشنایی با prompt injection، jailbreak، data exfiltration و mitigation ها
مهارتهای PM
نوشتن PRD که هم product spec باشد هم agent behavior spec با acceptance criteria قابلاندازهگیری
مصاحبه عمیق با enterprise users برای پیدا کردن workflow های با ROI بالا برای automation
استفاده از RICE، MoSCoW و OKR در فضای non-deterministic که تخمین زدن سختتر است
طراحی مدلهای usage-based، outcome-based و seat-based و مدلسازی margin
تعریف ICP، messaging و sales motion برای محصولات agentic (که زیادی فنی هستند)
SQL، analytics و A/B test برای محصولاتی که خروجیشان stochastic است
ترجمه non-determinism برای CEO، sales و customer در زبان قابل فهم
دانش حوزهای
اگر در حوزه legal، healthcare یا finance کار میکنید، دانش عمیق فرآیندهای آن صنعت ضروری است
آشنایی با EU AI Act، Executive Order ها و چارچوبهای شرکتی responsible AI
درک چرخههای فروش enterprise، compliance check (SOC2, HIPAA, GDPR) و RFP ها
توانایی خواندن paper های arXiv (NeurIPS، ICML) و فهمیدن تأثیر روی محصول
پیگیری انتشار محصول از Anthropic، OpenAI، Google، Microsoft و startup های جدید
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مدیر محصول سیستمهای خودمختار
این مسیر گام به گام شما را از صفر تا حرفهای هدایت میکند.
مبانی Product Management و کسبوکار
ساخت پایهای محکم در PM سنتی — discovery، prioritization، roadmap و metrics — قبل از پریدن به دنیای خاص agents
تسلط بر LLM ها و GenAI
درک عمیق از LLM ها — context window، tokenization، sampling، fine-tuning و limitation ها — تا بتوانید با تیم engineering همزبان شوید
Agent Architecture و Frameworks
یادگیری معماری agents — planning loop، tool use، memory، multi-agent orchestration — و کار عملی با frameworks تا تجربه دستاول داشته باشید
Evals، Safety و Trust
یاد بگیرید چگونه agent ها را اندازهگیری، monitor و safe کنید — تخصص اصلی که PM های agentic AI را از PM های معمولی LLM جدا میکند
GTM، Pricing و Agentic Product Strategy
گام پایانی — به سراغ go-to-market برای agent ها، usage-based pricing، org positioning و ساخت تخصص حوزهای (legal، sales، coding، ...) بروید
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دستهبندیشده بر اساس اولویت
Agent Frameworks
فریمورک LangChain برای ساخت stateful agents با graph-based control flow — استاندارد production
LLM APIs و Platforms
Evals و Observability
PM و Workflow
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارتهایی نیاز دارید و چه درآمدی انتظار داشته باشید
Associate AI PM
۰ تا ۲ سال
~$130K
میانگین سالانه (آمریکا)
حمایت از PM ارشد در یک feature agent — جمعآوری user feedback، نوشتن evals و راهاندازی experiment ها
AI Product Manager
۲ تا ۵ سال
~$200K
میانگین سالانه (آمریکا)
مالکیت یک agent product کامل — roadmap، metrics، launch و GTM با تیم engineering و design
Senior Agentic AI PM
۵ تا ۸ سال
~$320K
میانگین سالانه (آمریکا)
هدایت یک خط محصول multi-agent — leadership فنی، روابط customer enterprise و تعریف standard های سازمانی
Principal / Head of AI Product
۸+ سال
~$500K
میانگین سالانه (آمریکا)
تعریف چشمانداز محصولات agentic شرکت، نزدیک کار با founder ها و CEO، استخدام و ساخت تیم PM AI
چالشها و جنبههای منفی
واقعیتهایی که کمتر در آگهیهای شغلی میبینید — قبل از ورود بدانید
Non-determinism در روزمره
عمومییک agent ممکن است در یک case کار کند و در case مشابه fail شود. تعریف 'cause' و prioritize کردن fix چالشی بزرگ است. PM باید یاد بگیرد با احتمالات کار کند نه قطعیتها — این ذهنیت متفاوت با PM سنتی است.
Eval Coverage محدود
عمومیساخت eval suite ای که coverage کافی داشته باشد بسیار سخت است. یک regression در production نشان میدهد ۵۰ eval شما کافی نبوده. نگهداری و گسترش eval ها وقتگیر است و معمولاً deprioritize میشود.
Cost Explosion در Scale
استارتاپوقتی یک agent به جای ۱۰ token در request، ۱۰۰هزار token استفاده میکند (chain of thought + tool use)، margin به سرعت منفی میشود. PM باید pricing را با cost reality هماهنگ نگه دارد در حالی که engineering بهینهسازی میکند.
Customer Trust و Adoption
شرکت بزرگEnterprise customer ها از سپردن کارهای حساس به agent خودکار میترسند. PM باید سطح drugs مناسب autonomy، confirm step ها و audit log طراحی کند تا اعتماد ایجاد شود. این یک bottleneck بزرگ adoption است.
Rapid Model Obsolescence
استارتاپهر ۶ ماه یک generation جدید LLM میآید که کل calculation product را تغییر میدهد. تصمیم برای optimize کردن یک workflow حول limitation های Claude Sonnet 4 ممکن است با آمدن Sonnet 5 منسوخ شود.
Safety و Regulation
شرکت بزرگEU AI Act، CCPA و regulation های حوزهای (HIPAA، SEC) برای agents پیچیده هستند. PM باید با legal و policy نزدیک کار کند تا feature ها سازگار باشند و این مرز دائماً تغییر میکند.
حقوق و بازار کار جهانی
حقوق جهانی مدیر محصول سیستمهای خودمختار
میانگین حقوق سالانه بر اساس تجربه در کشورهای مختلف
| کشور | میانه | ارز |
|---|---|---|
🇦🇪امارات | AED 430,000 | AED |
🇺🇸آمریکا | $380,000 | USD |
🇨🇦کانادا | CA$235,000 | CAD |
🇸🇬سنگاپور | SGD 215,000 | SGD |
🇨🇭سوئیس | CHF 215,000 | CHF |
🇬🇧انگلستان | £175,000 | GBP |
🇩🇪آلمان | €150,000 | EUR |
* ارقام سالانه و تقریبی هستند و بر اساس میانگین بازار در سال ۲۰۲۵ محاسبه شدهاند.
چگونه از صفر شروع کنیم
برنامه گامبهگام برای ورود به مهندسی هوش مصنوعی
ماه ۱: یادگیری LLM Fundamentals
اگر PM با تجربه هستید، فقط لایه AI را اضافه کنید. کورس DeepLearning.AI و Anthropic Prompt Engineering Guide را تمام کنید.
ماه ۲: ساخت اولین Agent
با LangGraph یک agent ساده customer support یا research assistant بسازید. هدف: hands-on experience و درک trace ها.
ماه ۳: Eval و Observability
eval suite ای برای agent خودتان بسازید با LangSmith یا Braintrust. یک blog post بنویسید درباره یافتههایتان.
ماه ۴: PRD و Strategy
یک PRD کامل برای یک agent product (مثل sales agent یا coding agent) بنویسید و در Twitter / LinkedIn منتشر کنید. این portfolio شماست.
ماه ۵: Networking
در meetup های AI شرکت کنید، با AI PM های فعلی coffee chat بزنید، در Twitter/X و LinkedIn فعال باشید.
ماه ۶: Apply
Apply هدفمند برای ۵-۱۰ نقش در هفته. تمرکز روی AI scaleup ها (Anthropic، OpenAI، Sierra، Decagon) و enterprise platform team ها.
پروژههای پیشنهادی برای رزومه
Eval Suite برای یک Customer Support Agent
مبتدییک agent ساده customer support با LangGraph بسازید و سپس مجموعهای از evals (correctness, refusal, tone) تعریف و gather کنید. خروجی: dashboard و PRD برای بهبود.
PRD کامل یک Coding Agent
متوسطیک PRD تخصصی برای محصولی شبیه Cursor یا Claude Code بنویسید — شامل user research، prioritization، agent architecture، eval plan و GTM. کیفیت در حد ارسال به CEO.
Multi-agent Research Assistant
متوسطagent ای بسازید که با چند sub-agent (search، summarize، critique) یک گزارش deep research تولید کند. PM لنز: روی trace و failure modes تمرکز کنید نه فقط شیپ.
Pricing Model برای یک Agentic SaaS
پیشرفتهیک مدل pricing کامل برای agent SaaS (مثلاً sales prospecting agent) طراحی کنید — ترکیب seat-based و outcome-based، با simulation روی دادههای واقعی.
Red-Team Report برای یک Enterprise Agent
پیشرفتهیک agent (مثلاً CRM agent) را red-team کنید: prompt injection، data exfiltration، unauthorized actions. گزارش تخصصی با recommendation برای mitigations بنویسید.
مثالهای واقعی و Case Studies
داستانهای واقعی از مهندسانی که در این حوزه تأثیرگذار بودهاند
همبنیانگذار و CTO سابق Instagram، سپس بنیانگذار Artifact (news app). از مه ۲۰۲۴ به عنوان Chief Product Officer به Anthropic پیوست تا product organization آن را بسازد.
در Anthropic مسئول هدایت محصولات Claude (chat، API، Claude Code، Computer Use) است. تیم product را از صفر به یکی از competitive ترین تیمهای AI تبدیل کرد و Claude را به یک محصول جدی در رقابت با OpenAI و Google رساند.
تخصص ساخت محصول مقیاسپذیر (مثل Instagram به یک میلیارد کاربر) قابل انتقال به AI است. شما لازم نیست از ابتدا AI background داشته باشید — درک عمیق از کاربر و product craft شما را در این موج جدید value افزا میکند.
مسئول product در Twitter (محصول tweet و timeline)، سپس VP Product در Instagram، VP Product در Novi (Facebook crypto)، CTO در Planet Labs. از ژوئن ۲۰۲۴ به عنوان Chief Product Officer به OpenAI پیوست.
در OpenAI هدایت ChatGPT، Sora، Operator، Deep Research و Agents را بر عهده دارد. تیم product OpenAI تحت رهبری او به یکی از بزرگترین و سریعترین تیمهای product در دنیا تبدیل شده است.
حرفه Kevin نشان میدهد چندین reinvention ممکن است — از Twitter به Crypto به Satellite به AI. هر بار تخصص PM ای را که قابل انتقال است (user empathy، roadmap، metrics) با تخصص جدید فنی ترکیب کرد. این الگوی موفق برای AI PM است.
مهندس اولیه Google Maps، co-founder FriendFeed (که Facebook خرید)، CTO Facebook، co-CEO Salesforce، Chair OpenAI Board. در ۲۰۲۳ Sierra را تأسیس کرد — استارتاپ agentic customer support.
Sierra را در ۲۰۲۴ با valuation ۴.۵ میلیارد دلار به یکی از داغترین agentic AI startups تبدیل کرد. customer هایی مثل SiriusXM، Brex و WeightWatchers به Sierra اعتماد کردهاند. همزمان Chair OpenAI است.
حتی executive های top tier در حال بازگشت به founder/builder mode هستند چون موج agentic AI آنقدر بزرگ است. اگر میخواهید PM agentic شوید، اکنون نقطه ورودی استثنایی است — حتی اگر هیچ تجربه AI ندارید.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Product Manager, Claude
تحلیل نیازمندیها
5+ years of product management experience, with at least 2 years in AI/ML products
۵ سال PM با حداقل ۲ سال AI/ML. اگر background AI شما کمتر است، میتوانید با ساخت portfolio قوی از agent prototype ها و blog post ها جبران کنید. Anthropic به trajectory نگاه میکند نه فقط سالها.
ضروریDeep understanding of LLMs, including prompt engineering and evaluation
این جای no-go است. باید بتوانید در مصاحبه prompt پیچیده طراحی کنید و درباره eval suite صحبت کنید. خواندن Anthropic Prompt Engineering Guide و کار با Console الزامی است.
ضروریExperience shipping products to production at scale
تجربه launch کردن محصول واقعی (نه فقط prototype) با کاربران واقعی. اگر تجربه enterprise یا consumer scale دارید، آن را highlight کنید — Anthropic هر دو را میخواهد.
ضروریStrong written communication, especially in technical documents
Anthropic فرهنگ writing-first دارد (مشابه Amazon). PRD، memo و design doc شما در روند interview بررسی میشود. portfolio writing داشته باشید.
ضروریFamiliarity with safety and responsible AI considerations
Anthropic safety-first است. باید نشان دهید درباره alignment، misuse و responsible deployment فکر کردهاید. مطالعه Constitutional AI paper و RSP ها مهم است.
مهمExperience with developer products or APIs is a plus
Claude API محصول اصلی Anthropic است. اگر در Stripe، Twilio، Vercel یا شرکتهای API-first کار کردهاید، این مزیت بزرگی است. در غیر این صورت، با open-source contribution میتوانید نشان دهید.
مفیدتحلیل مسئولیتها
Define product strategy and roadmap for Claude features
شما owner یک خط فیچر در Claude خواهید بود — مثل Tool Use، Computer Use یا Projects. باید با research، engineering و policy کار کنید تا roadmap چندساله تعریف کنید.
Work closely with research to translate capabilities into products
این کلید کار در Anthropic است: تیم research میگوید 'این میتوانیم' و شما تصمیم میگیرید 'این چگونه به محصول تبدیل میشود'. نیاز به فهم عمیق از capability ها و user needs.
Lead user research and gather feedback from enterprise customers
Anthropic customer هایی مثل Pfizer، Lyft و LexisNexis دارد. شما با آنها مصاحبه میکنید، use case های جدید کشف میکنید و insight را به roadmap تبدیل میکنید.
Drive cross-functional alignment with engineering, design, and safety teams
نقش PM در Anthropic بسیار cross-functional است — بهخصوص با safety team (که در شرکتهای دیگر کمرنگتر است). باید با هر تیم زبان آنها را صحبت کنید.
نتیجهگیری کلی
Anthropic یک فرهنگ writing-first، safety-first و research-driven دارد. اگر میخواهید اینجا apply کنید، یک portfolio قوی شامل long-form writing (PRD، blog post)، agent prototype های واقعی و درک عمیق safety considerations بسازید. نقطه قوت Anthropic این است که PM با background های متنوع را welcome میکند — اگر craft شما بالا باشد.
آینده و روندها
پیشبینی ۵–۱۰ ساله و مهارتهایی که باید یاد بگیرید
رشد ۳۸.۵٪ سالانه تا ۲۰۳۰ — Agentic AI PM پررشدترین role در دسته AI Product Management
منبع: Lenny's Newsletter AI PM Survey 2025، LinkedIn Jobs on the Rise 2026، a16z State of AI Agents
مهارتهای نوظهور که باید یاد بگیرید
پیشبینیهای آینده
Computer Use agents وارد production میشوند — هر شرکت SaaS باید PM agentic داشته باشد تا workflow های جدید خودکار طراحی کند
Multi-agent systems استاندارد میشوند — PM ها بیشتر شبیه conductor یک orchestra از agents هستند تا یک محصول واحد
Outcome-based pricing غالب میشود — PM ها باید مدلهای pricing کاملاً جدید بسازند که با success مشتری align باشند
بیش از ۸۰٪ شرکتهای Fortune 500 حداقل ۵ PM تخصصی agentic دارند؛ این نقش به عنوان یک discipline مستقل از PM سنتی شناخته میشود
آیا agent ها خود PM ها را جایگزین میکنند؟ به زودی نه. agent ها میتوانند بخشهایی از کار PM (synthesis، competitive analysis، early-stage research) را خودکار کنند، اما تصمیمگیری استراتژیک و judgment انسانی همچنان لازم است. ریسک واقعی commoditization مهارتهای pure prompt engineering است — تخصص واقعی به سمت agent architecture، safety و GTM میرود. PM هایی که فقط 'ChatGPT wrapper' میسازند احتمالاً sidelined میشوند؛ PM هایی که systems و trust میسازند بسیار valuable خواهند بود.
ویدیوهای آموزشی
یک روز در زندگی یک Agentic AI Product Manager
ویدیوهای واقعی از متخصصان این حوزه که روزانه چه کارهایی انجام میدهند
What is Agentic AI and How Does it Work?
codebasics
Generative vs Agentic AI: Shaping the Future of AI Collaboration
IBM Technology
Generative AI vs AI agents vs Agentic AI
codebasics
How to Become an AI Product Manager in 2026 | Ex-Google, Microsoft
Aishwarya Srinivasan
The most powerful AI Agent I’ve ever used in my life
Dan Martell
Don't Build Agents, Build Skills Instead – Barry Zhang & Mahesh Murag, Anthropic
AI Engineer