مدیر محصول هوش مصنوعی
AI Product Manager
مدیر محصول هوش مصنوعی تصمیم می‌گیرد یک محصول یا قابلیت مبتنی بر AI چه مسئله‌ای را حل کند، چطور رفتار کند و از کجا بفهمیم خوب کار می‌کند. در آگهی‌های ۲۰۲۶ این نقش فقط نوشتن سند نیست: تعریف رفتار ایجنت یا دستیار، نوشتن و بهبود پرامپت، طراحی ارزیابی (evals)، خواندن trace ها و کار روزانه با مهندسان ML و مشتریان هم جزو کار است. بیشتر آگهی‌ها برای کسانی است که پیش‌تر سابقهٔ مدیریت محصول دارند.
مقدمه و تعریف شغل
مدیر محصول هوش مصنوعی (AI Product Manager) مسئول محصول یا قابلیتی است که با مدل‌های AI کار می‌کند: تعیین می‌کند چه مسئله‌ای ارزش حل کردن دارد، محصول چطور رفتار کند و موفقیتش چطور سنجیده شود. تفاوت اصلی با مدیر محصول عمومی این است که خروجی این محصولات قطعی نیست؛ آگهی Brex از «سیستم‌هایی بدون یک پاسخ درست» حرف می‌زند که در آن‌ها «تمام شدن» وجود ندارد و کار، بهتر کردن مداوم است. به همین دلیل در آگهی‌های ۲۰۲۶ کارهایی مثل طراحی ارزیابی (evals)، نوشتن پرامپت، خواندن trace ها و تعیین اینکه ایجنت کجا خودش اقدام کند، جزو کار خود مدیر محصول آمده است.
در بازار، این عنوان بیشتر به شکل «Product Manager, AI» یا «Product Manager» به‌علاوهٔ نام یک حوزهٔ AI نوشته می‌شود: AI Assistant در Gusto و Calendly، Agents در Harvey و Applied AI در Coursera. عنوان دقیق «AI Product Manager» را Scale AI، Fin (Intercom) و Notion به کار برده‌اند. Fin در آگهی خود نوشته در حال ساختن یک واحد تازه به نام AI Product Management است، در کنار تیم دانشمندان، مهندسان و پژوهشگران ML که بیش از یک دهه روی آن سرمایه‌گذاری کرده است. بازار کار مدیران محصول هم رو به رشد است: Lenny Rachitsky با داده‌های TrueUp در مارس ۲۰۲۶ نوشت بیش از ۷٬۳۰۰ موقعیت باز مدیر محصول در شرکت‌های فناوری جهان وجود دارد، ۷۵٪ بیشتر از کف اوایل ۲۰۲۳، و تقاضا برای AI PM ها هم به‌سرعت بالا رفته است. اما ورود به این نقش آسان نیست: در تحلیل Axial Search از ۱۲٬۳۹۷ آگهی محصول AI در آمریکا در ۲۰۲۶، ۹۳٪ آگهی‌ها در سطح ارشد یا بالاتر و فقط ۲٪ برای سطح جونیور بوده‌اند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مدیر محصول هوش مصنوعی
ایجنتی که کار یک متخصص را انجام می‌دهد
تیم AI در Brex ایجنتی می‌سازد که سیاست هزینهٔ هر شرکت را می‌خواند و همهٔ تراکنش‌ها را با آن مقایسه می‌کند، نه نمونه‌ای ده‌درصدی. موارد مشکوک را بررسی می‌کند، اطلاعات ناقص را از خود کارمند می‌پرسد و آنچه را بتواند با اطمینان می‌بندد. مدیر محصول تعیین می‌کند «قضاوت خوب» برای این ایجنت یعنی چه.
دستیار گفت‌وگومحور داخل محصول
Gusto دستیاری می‌سازد که کسب‌وکارهای کوچک با آن کارهای حقوق‌ودستمزد، مزایا و منابع انسانی را انجام دهند. در آگهی تأکید شده کیفیت با کارهایی سنجیده می‌شود که مشتری واقعاً انجام می‌دهد، نه با تعداد گفت‌وگوها.
ایجنت پشتیبانی مشتری برای شرکت‌های بزرگ
در Decagon، Agent PM نیاز مشتری را با مدیران ارشد او تعریف می‌کند، ایجنت کارکردی را می‌سازد و با مهندسان مستقر نزد مشتری آن را در پروداکشن بزرگ می‌کند. درس‌های هر استقرار به playbook ها و roadmap محصول برمی‌گردد.
تجربهٔ بازبینی و راستی‌آزمایی خروجی AI
Harvey برای کاربران حقوقی و خدمات حرفه‌ای تجربه‌ای می‌سازد که بتوانند متن تولیدشده را ویرایش، اصلاح و راستی‌آزمایی کنند و شواهد پشت هر بخش را ببینند. به تعبیر آگهی، تولید پاسخ فقط بخشی از مسئله است.
ابزار پایش و ارزیابی برای سازندگان ایجنت
مشتری محصول Datadog Agent Observability خود تیم‌های مهندسی‌اند: ابزاری که trace ها و ارزیابی‌های ایجنت را به داده‌های پایش پروداکشن وصل می‌کند تا معلوم شود ایجنت دقیق، پایدار و مقرون‌به‌صرفه است یا نه.
محصولات داده و ارزیابی برای مدل‌های پیشرو
AI PM های Scale AI مالک benchmark ها، leaderboard ها و داده‌هایی هستند که آزمایشگاه‌های AI با آن‌ها مدل می‌سازند و می‌سنجند. کارشان شامل طراحی روش ارزیابی و grader، و جلوگیری از آلوده شدن داده‌های ارزیابی است.
تخصص‌های مختلف مدیر محصول هوش مصنوعی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
PM دستیار و ایجنت درون محصول
AI Assistant & Agent PM
تعریف رفتار، کیفیت و اعتمادپذیری یک دستیار یا ایجنت داخل محصول؛ مثل دستیار Gusto، دستیار Calendly برای کارهای پیش و پس از جلسه و ایجنت‌های مالی Brex.
PM استقرار AI نزد مشتری
Applied AI / Deployment PM
مالکیت استقرار راه‌حل AI برای مشتری سازمانی از کشف نیاز تا adoption، همراه با مهندسان مستقر نزد مشتری؛ مثل Senior PM, Applied AI در Coursera و Agent PM در Decagon.
PM پلتفرم و ابزار توسعه‌دهندگان
AI Platform & Developer Tools PM
محصولاتی که مشتری‌شان سازندگان AI هستند، مثل پایش ایجنت در Datadog، یا لایه‌ای که قابلیت‌های یک محصول را از طریق API و MCP در اختیار ایجنت‌ها می‌گذارد (آگهی Gusto). این مسیر عمق فنی بیشتری می‌خواهد.
PM ارزیابی و داده
Evaluation & Data PM
مالکیت benchmark، leaderboard، داده‌های آموزشی و روش‌های ارزیابی مدل؛ مثل نقش‌های AI PM در Scale AI که با آزمایشگاه‌های مدل‌های پیشرو کار می‌کنند.
PM تجربهٔ اعتماد و راستی‌آزمایی
Trust & Verification UX PM
طراحی تجربه‌ای که کاربر بتواند خروجی AI را بررسی، اصلاح و به آن اعتماد کند و بداند کجا باید کنترل را در دست بگیرد؛ مثل تیم Agents در Harvey.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
مدیر محصول عمومی هم مسئلهٔ کاربر، اولویت‌بندی و عرضه را مدیریت می‌کند، اما محصولش معمولاً رفتار قطعی دارد. مدیر محصول AI باید با خروجی احتمالاتی کار کند و کیفیت را با evals بسنجد. مرز این دو در حال کم‌رنگ شدن است: Marily Nika می‌نویسد هر مدیر محصولی دارد به مدیر محصول AI تبدیل می‌شود، و Lenny Rachitsky نقشی مثل AI PM در Figma را نمونهٔ نقش‌های AI در شرکت‌هایی می‌داند که خودشان شرکت AI نیستند.
مهندس AI سیستم را می‌سازد، مستقر می‌کند و نگه می‌دارد. مدیر محصول AI تصمیم می‌گیرد چه چیزی ساخته شود، برای چه کسی و با چه معیار موفقیتی. این دو نزدیک هم کار می‌کنند و کارشان روی هم می‌افتد: در آگهی Brex مدیر محصول هم پرامپت می‌نویسد و trace می‌خواند، اما مالکیت کد و زیرساخت با مهندسی است.
در آگهی‌های Decagon و Coursera، مدیر محصول با مهندسان مستقر نزد مشتری (FDE) کار می‌کند. مدیر محصول مسئلهٔ مشتری، دامنهٔ کار، معیار موفقیت و نقشهٔ استقرار را تعریف می‌کند و پاسخ‌گوی نتیجه است؛ FDE راه‌حل فنی را در محیط مشتری می‌سازد. Coursera از مدیر محصول می‌خواهد نیازهای تکرارشوندهٔ مشتری‌ها را به قابلیت مشترک محصول تبدیل کند.
مشاور AI به سازمان‌ها کمک می‌کند فناوری AI را برنامه‌ریزی و پیاده کنند، معمولاً بدون مالکیت بلندمدت یک محصول. مدیر محصول AI مالک یک محصول و نتیجهٔ آن است. این دو مسیر به هم راه دارند: لینکدین Product Manager را از نقش‌هایی می‌داند که افراد بیشتر از آن به AI Consultant and Strategist رفته‌اند، و Decagon برای Agent PM از مدیران پروژهٔ شرکت‌های مشاوره هم استقبال می‌کند.
تأثیر در صنایع مختلف
مدیر محصول هوش مصنوعی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
مالی و فین‌تک
Brex برای مدیران مالی شرکت‌ها دو ایجنت می‌سازد: «حسابرسی» که همهٔ تراکنش‌ها را با سیاست هزینهٔ شرکت می‌سنجد و «تحلیلگری» که به سؤال‌های هزینه به زبان ساده جواب می‌دهد
خدمات و پشتیبانی مشتری
Fin (Intercom) ایجنتی برای حل مسائل مشتری در همهٔ کانال‌ها می‌سازد و Decagon ایجنت‌هایی در صدا، چت، ایمیل و پیامک برای شرکت‌های بزرگ
منابع انسانی و حقوق‌ودستمزد
Gusto دستیاری می‌سازد که کسب‌وکارهای کوچک با آن کارهای حقوق‌ودستمزد، مزایا و منابع انسانی را انجام دهند
حقوقی و خدمات حرفه‌ای
Harvey برای حوزهٔ حقوقی و خدمات حرفه‌ای محصول مبتنی بر ایجنت می‌سازد؛ تمرکز تیم Agents روی ویرایش و راستی‌آزمایی خروجی است
آموزش
Coursera برای مشتریان سازمانی راه‌حل‌های AI مستقر می‌کند و مدیر محصول مسئول ارزش واقعی هر استقرار است
ابزار توسعه و پایش نرم‌افزار
Datadog ابزار پایش و ارزیابی ایجنت‌ها را برای تیم‌های مهندسی می‌سازد
داده و ارزیابی مدل‌ها
Scale AI داده، محیط‌ها و benchmark هایی می‌سازد که آزمایشگاه‌های AI با آن‌ها مدل‌ها را آموزش می‌دهند و می‌سنجند
بهره‌وری و زمان‌بندی
Calendly دستیاری می‌سازد که کارهای پیش و پس از جلسه را پیشنهاد و پیش‌نویس کند؛ کیفیت آن تعیین می‌کند کاربر چقدر اختیار به آن بدهد
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
مدیر محصول AI یعنی کسی که AI بلد است
آگهی‌ها اول مدیر محصول می‌خواهند و بعد دانش AI. Brex «یک مدیر محصول باتجربه» با سابقهٔ مالکیت محصولات پیچیده از ابتدا تا انتها می‌خواهد و Gusto بیش از ۱۰ سال تجربهٔ مدیریت محصول. دانش AI روی این پایه می‌نشیند، نه به جای آن.
بدون مدرک علوم کامپیوتر نمی‌شود مدیر محصول AI شد
آگهی AI Product Manager در Scale AI مدرک کارشناسی در کامپیوتر، مهندسی، «کسب‌وکار» یا رشتهٔ مرتبط، یا تجربهٔ عملی معادل، را می‌پذیرد و سابقهٔ مدیریت پروژه، مشاوره یا customer success را هم قبول می‌کند. Decagon مدرک فنی را فقط امتیاز می‌داند. اما توان فنی لازم است: Fin می‌خواهد بتوانید دربارهٔ رفتار مدل، ارزیابی و معماری با همکاران فنی حرف بزنید، و نقش Coding در Scale AI عمق مهندسی نرم‌افزار می‌خواهد.
این نقش راه ورود مستقیم برای تازه‌کارهاست
طبق تحلیل Axial Search از ۱۲٬۳۹۷ آگهی آمریکایی در ۲۰۲۶، ۹۳٪ آگهی‌های محصول AI در سطح ارشد یا بالاتر و فقط ۲٪ جونیور بوده‌اند، و بیشتر آگهی‌ها حدود هفت سال تجربه می‌خواهند. نقش‌های ورودی وجود دارند، مثل AI Product Manager در Scale AI که برای ابتدای مسیر محصول طراحی شده، ولی آن هم ترجیحاً حدود سه سال تجربهٔ مرتبط می‌خواهد.
مدیر محصول AI فقط سند می‌نویسد و کار فنی با مهندس است
Brex صریحاً می‌خواهد مدیر محصول پرامپت بنویسد و بهبود دهد، evals طراحی کند و trace ها را بخواند؛ Gusto «نوشتن evals» را جزو کار می‌داند و Coursera تجربهٔ ساخت نمونهٔ اولیه با Claude، Cursor، Lovable یا Retool را می‌خواهد. کار دست‌به‌کار بخشی از این نقش شده است.
هر قابلیتی را با ایجنت بسازید، ارزش ایجاد می‌شود
Gartner پیش‌بینی کرده بیش از ۴۰٪ پروژه‌های agentic AI تا پایان ۲۰۲۷ لغو شوند و می‌گوید بسیاری از کاربردهایی که امروز «ایجنتی» معرفی می‌شوند به ایجنت نیاز ندارند. Axial Search هم انتخاب مسئلهٔ درست (use case selection) را پرتقاضاترین توانایی در آگهی‌های محصول AI یافته است.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
Associate AI PM (ابتدای مسیر محصول)
Scale AI این نقش را برای کسی طراحی کرده که در ابتدای مسیر محصول است: کنار AI PM های ارشد کار می‌کنید، پروژه‌های میان‌تیمی را جلو می‌برید و به‌تدریج مالکیت تصمیم‌های محصول را می‌گیرید.
- ◆پیگیری milestone ها، ریسک‌ها و وابستگی‌های یک پروژه بین تیم‌های عملیات، مهندسی، پژوهش و فروش
- ◆آماده کردن مستندات جلسهٔ مشتری، ثبت نیازها و پیگیری کارهای بعد از جلسه
- ◆بررسی مشخصات و کیفیت داده و پیدا کردن جاهایی که محصول می‌تواند بهتر شود
- ◆تحقیق بازار، مشتری و رقبا برای تصمیم‌های roadmap
- ◆کمک به ساخت ابزار و جریان‌های ارزیابی برای محصولات داده
میانی / PM II (۳+ سال)
مالک roadmap چند قابلیت هستید و بخش بزرگی از وقتتان با مشتری‌ها می‌گذرد. نمونهٔ این سطح آگهی Product Manager II در Datadog است.
- ◆جلسه با یک design partner برای فهم اینکه تیمش ایجنت‌ها را چطور می‌سازد، ارزیابی و عیب‌یابی می‌کند
- ◆آزمودن مفهوم یک قابلیت تازه با چند مشتری پیش از ساخت
- ◆کار با مهندسی و طراحی برای رساندن قابلیت از مفهوم اولیه تا عرضه
- ◆آماده کردن positioning و مواد آموزشی با تیم فروش
- ◆دنبال کردن تحولات اکوسیستم AI برای تنظیم اولویت‌ها
ارشد / Senior و Staff (۵ تا ۱۰+ سال)
جهت یک حوزهٔ اصلی محصول AI را تعیین می‌کنید و تصمیم‌هایتان روی چند تیم اثر دارد. در آگهی‌های Brex، Gusto و Fin این سطح هم استراتژی می‌خواهد و هم ورود به جزئیات.
- ◆تعریف اینکه «قضاوت خوب» برای ایجنت یعنی چه و تبدیل آن به evals
- ◆خواندن transcript ها و trace های اجرای ناموفق و تصمیم دربارهٔ تغییر بعدی
- ◆تصمیم دربارهٔ اینکه ایجنت در کدام کارها اقدام کند و در کدام فقط پیشنهاد بدهد
- ◆بحث trade-off های فنی با مهندسی، مثل نحوهٔ دسترسی ایجنت‌ها به قابلیت‌ها از طریق API و MCP
- ◆هم‌سو کردن رهبری شرکت و تیم‌های فروش و پشتیبانی با roadmap
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈تبدیل جریان‌های کاری واقعی مشتری (قواعد، تأییدها، استثناها) به رفتار مشخص برای ایجنت یا دستیار
- ◈تعریف کیفیت و ساخت evals، رویکرد پرامپت و حلقه‌های بازخورد، و بازطراحی آن‌ها با تغییر مدل‌ها
- ◈ساخت نمونهٔ اولیه، سنجش و خواندن transcript و trace ها تا معلوم شود چه چیزی واقعاً کار می‌کند
- ◈کار مستقیم با مشتری‌ها و design partner ها برای اعتبارسنجی مسئله و آزمودن مفهوم محصول
- ◈همکاری روزانه با دانشمندان و مهندسان ML، طراحان و پژوهشگران برای سنجش امکان‌پذیری و trade-off ها
- ◈همکاری با فروش، بازاریابی و پشتیبانی برای positioning، آموزش مشتری و adoption
- ◈تعیین استراتژی، roadmap و تصمیم‌های روزانه دربارهٔ آنچه در یک حوزهٔ محصول AI منتشر می‌شود
- ◈تعیین اینکه AI کجا پیشنهاد بدهد و کجا خودش اقدام کند، و جلب تدریجی اعتماد کاربر
- ◈توجه به کیفیت داده، نظارت انسانی، محدودیت‌های مدل و responsible AI پیش از عرضه
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مدیر محصول هوش مصنوعی موفق به آن‌ها نیاز دارد
مهارت‌های فنی و تحلیلی
توان گفت‌وگو دربارهٔ رفتار مدل، ارزیابی، پرامپت، معماری، محدودیت‌ها و trade-off ها با همکاران فنی (آگهی Fin)
ساختن نمونه‌ها و معیارهایی که نشان دهد خروجی غیرقطعی خوب است یا نه؛ در آگهی‌های Brex و Gusto صریحاً آمده است
خواندن داده، تعریف متریک موفقیت و value hypothesis و تصمیم بر اساس رفتار واقعی کاربران
Brex نوشتن و تکرار پرامپت را جزو کار مدیر محصول و عمق در prompting یا طراحی eval را امتیاز می‌داند
پیدا کردن اینکه یک پاسخ یا اجرای ایجنت دقیقاً کجا خراب شده است
Coursera تجربهٔ عملی با Claude، Cursor، Lovable، Retool یا ابزار مشابه را می‌خواهد
اجرای آزمایش سریع، تعریف معیار موفقیت و سنجش عملکرد تا رسیدن به تجربهٔ مؤثر (آگهی Fin)
Gusto دیدگاه دربارهٔ RAG، ontology و استراتژی API برای سیستم‌هایی که ایجنت‌ها به آن‌ها دسترسی دارند را می‌خواهد
طبق Axial Search پرتکرارترین مهارت در آگهی‌های محصول AI آمریکا (۲۸٪ آگهی‌ها)
مهارت‌های نرم
تشخیص اینکه چه چیزی ارزش عرضه به مشتری را دارد و چه چیزی ندارد (آگهی Brex)
طبق Axial Search، use case selection پرتقاضاترین توانایی در آگهی‌های محصول AI است، پیش از سواد AI
کار مستقیم با مشتری‌ها و تبدیل مسئلهٔ مبهم به بیانی روشن برای تیم
Scale AI مدیریت ذی‌نفعان و ارتباط با مدیران ارشد را برای هم‌سو کردن تیم‌های ML، مهندسی، عملیات و فروش می‌خواهد
کار با سیستم‌هایی که کامل پیش‌بینی‌پذیر نیستند؛ عرضه و بهبود به جای انتظار برای پاسخ کامل
Fin می‌خواهد تصمیم‌ها را روشن و مرتب منتقل کنید و به ابهام ساختار بدهید
دانش حوزه‌ای
تعیین اینکه AI کجا پیشنهاد بدهد و کجا اقدام کند و کاربر چطور به آن اعتماد پیدا کند (Brex و Calendly)
کیفیت داده، نظارت انسانی، محدودیت‌های مدل و آمادگی برای پروداکشن (آگهی Coursera)
سنجیدن هزینهٔ خدمت‌رسانی، پیچیدگی اجرا و ارزش برای مشتری در تصمیم‌های دامنه و اولویت (آگهی Coursera)
آگهی‌ها تجربهٔ حوزه را امتیاز می‌دانند: فین‌تک و حسابداری در Brex، فناوری آموزشی و محیط‌های تحت مقررات در Coursera
روش ارزیابی، طراحی grader و جلوگیری از آلوده شدن داده؛ برای نقش‌های داده و ارزیابی مثل Scale AI
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مدیر محصول هوش مصنوعی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌های مدیریت محصول
آگهی‌ها پیش از هر چیز سابقهٔ مدیریت محصول می‌خواهند؛ Brex دنبال «یک مدیر محصول باتجربه» است که محصولات پیچیده را از ابتدا تا انتها اداره کرده باشد. پیش از AI یاد بگیرید مسئله را چطور کشف و اولویت‌بندی کنید، محصول را چطور به کاربر واقعی برسانید و چطور با مهندسی و طراحی کار کنید.
سواد هوش مصنوعی و مدل‌های زبانی
لازم نیست مدل آموزش دهید، اما باید بتوانید با همکاران فنی دربارهٔ «رفتار مدل، ارزیابی، پرامپت، معماری، محدودیت‌ها و trade-off ها» حرف بزنید؛ این عبارت آگهی Staff AI Product Manager در Fin است. از دوره‌های غیرفنی شروع کنید و بعد سراغ توضیح‌های عمیق‌تر دربارهٔ مدل‌های زبانی بروید.
داده، آزمایش و تحقیق کاربری
در آگهی Datadog مدیر محصول با مشتری‌ها و design partner ها مسئله را اعتبارسنجی و مفهوم محصول را آزمایش می‌کند. Brex می‌خواهد «داده بخوانید» و بگذارید رفتار کاربران، نه فرض‌ها، نسخهٔ بعدی را تعیین کند. مصاحبهٔ کاربری، SQL پایه و طراحی آزمایش ابزارهای این کارند.
ساختن محصول AI: ارزیابی، پرامپت و نمونهٔ اولیه
قلب کار امروز این نقش همین‌جاست. Brex از مدیر محصول می‌خواهد رفتار ایجنت را شکل دهد، پرامپت بنویسد و بهبود دهد، evals طراحی کند و وقتی چیزی کار نمی‌کند trace ها را بررسی کند. Gusto «نوشتن evals» را جزو ساختن محصول AI قابل اعتماد می‌داند و Coursera تجربهٔ ساخت نمونهٔ اولیه با ابزارهایی مثل Claude، Cursor، Lovable و Retool را می‌خواهد.
اعتماد، مسئولیت و رهبری
در سطح ارشد، باید تعیین کنید ایجنت کجا فقط پیشنهاد بدهد و کجا خودش اقدام کند (آگهی Brex)، کیفیت و ایمنی چطور حفظ شود و تصمیم‌ها چطور با ذی‌نفعان هم‌سو شوند. Coursera از کیفیت داده، نظارت انسانی، محدودیت‌های مدل و responsible AI به‌عنوان ملاحظات مخصوص AI در این نقش نام می‌برد. چارچوب مدیریت ریسک NIST و قانون AI اتحادیهٔ اروپا زبان مشترک این بحث‌ها در سازمان‌ها هستند.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
مدیریت محصول و مستندسازی
مدیریت backlog، sprint و پروژه در تیم‌هایی که با Agile کار می‌کنند؛ طبق Axial Search، Agile پرتکرارترین مهارت در آگهی‌های محصول AI آمریکا است (۲۸٪)
تحلیل محصول و آزمایش
تحلیل رفتار کاربران، session replay و آزمایش؛ حالا تحلیل ایجنت (Agent Analytics) را هم در فهرست محصولاتش دارد
ساخت نمونهٔ اولیه با AI
دستیار AI شرکت Anthropic برای نوشتن، تحلیل و آزمودن پرامپت؛ آگهی Coursera آن را در کنار Cursor، Lovable و Retool برای نمونه‌سازی نام برده است
ارزیابی و پایش محصول AI
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
Associate AI PM
حدود ۳ سال تجربهٔ مرتبط
کار کنار AI PM های ارشد: هماهنگی پروژه‌های میان‌تیمی، پیگیری milestone و ریسک، مستندسازی نیاز مشتری، بررسی کیفیت داده و تحقیق بازار. آگهی Scale AI این نقش را برای کسی در ابتدای مسیر محصول طراحی کرده و سابقهٔ مدیریت پروژه، مشاوره یا customer success را هم می‌پذیرد
Product Manager / PM II
۳+ سال
مالکیت roadmap یک قابلیت، کار مستقیم با مشتری و design partner برای اعتبارسنجی مسئله، تحویل با مهندسی و طراحی و همکاری با فروش برای adoption؛ نمونه: آگهی Product Manager II در Datadog
Senior AI Product Manager
۵+ سال
مالکیت استراتژی و roadmap یک مجموعه محصول از ایده تا عرضه، تعریف معیار کیفیت و روش ارزیابی، و هم‌سو کردن تیم‌های ML، مهندسی، عملیات و فروش؛ نمونه: آگهی Senior AI Product Manager در Scale AI
Staff / Principal Product Manager
۷ تا ۱۰+ سال
تعریف چشم‌انداز یک سطح اصلی محصول AI، مثل دستیار گفت‌وگومحور Gusto یا تجربهٔ ایجنت Harvey، تصمیم‌های پلتفرمی و کار مستقیم با رهبری شرکت. Harvey ۷+، Calendly ۸ تا ۱۰ و Gusto ۱۰+ سال تجربه می‌خواهند
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
سنجیدن محصولی که پاسخ واحد درست ندارد
عمومیBrex می‌نویسد هنوز کسی دستورالعمل کامل این کار را ندارد: اینکه قضاوت ایجنت دربارهٔ یک سیاست کی آن‌قدر قابل اعتماد است که بر اساسش اقدام شود، یا پاسخی را که یک مقدار درست ندارد چطور ارزیابی کنیم. Hamel Husain هم ریشهٔ مشترک محصولات ناموفق LLM را نبود سیستم ارزیابی قوی می‌داند.
جلب اعتماد کاربر
عمومیکاربر فقط وقتی به AI اختیار بیشتری می‌دهد که خروجی‌اش را باور کند. Calendly این را صریحاً هدف نقش گذاشته و Brex می‌خواهد خودمختاری «به‌تدریج» به دست بیاید. Gusto هم یادآوری می‌کند مشتری‌هایش حقوق کارکنان و پولشان را به آن سپرده‌اند و اشتباه پیامد واقعی و فوری دارد.
مدل‌هایی که مدام عوض می‌شوند
عمومیBrex یکی از مسئله‌های حل‌نشدهٔ این کار را این می‌داند که چطور کیفیت را بالا ببرید «در حالی که مدل‌ها زیر پایتان عوض می‌شوند»، و از مدیر محصول می‌خواهد evals و رویکرد پرامپت را با تغییر مدل‌ها از نو بسازد. Gusto هم می‌نویسد roadmap این نقش ثابت نیست، چون توسعهٔ AI و رقابت سریع تغییر می‌کنند.
ارزش تجاری نامشخص
شرکت بزرگGartner دلیل لغو بسیاری از پروژه‌های agentic AI را هزینهٔ رو به افزایش، ارزش تجاری نامشخص یا کنترل ناکافی ریسک می‌داند. مدیر محصول باید پیش از ساخت نشان دهد چرا این مسئله ارزش حل کردن با AI را دارد.
بازاری که بیشتر نیروی ارشد می‌خواهد
عمومیطبق Axial Search، تنها ۲٪ آگهی‌های محصول AI آمریکا جونیور بوده‌اند. یک راه برای تازه‌واردها، گرفتن تجربه در نقشی نزدیک است؛ آگهی AI Product Manager در Scale AI سابقهٔ مدیریت پروژه، product operations، مشاوره و customer success را هم می‌پذیرد.
تمرکز جغرافیایی فرصت‌ها
عمومیطبق Axial Search، ۲۵٪ آگهی‌های محصول AI آمریکا در کالیفرنیا و ۱۶٪ در نیویورک است؛ Lenny Rachitsky هم می‌نویسد بیش از ۲۳٪ موقعیت‌های باز مدیر محصول در شرکت‌های فناوری، در منطقهٔ خلیج سان‌فرانسیسکو است. طبق Axial Search، ۴۸٪ این آگهی‌ها کار ترکیبی، ۳۱٪ دورکاری کامل و ۲۰٪ کار حضوری خواسته‌اند.
حقوق و بازار کار جهانی
حقوق جهانی مدیر محصول 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:
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: سواد AI
یک دورهٔ غیرفنی و یک توضیح عمیق‌تر دربارهٔ مدل‌های زبانی؛ هدف این است که بتوانید با مهندسان ML دربارهٔ محدودیت‌ها و trade-off ها حرف بزنید.
ماه ۲: کار عملی با پرامپت
یک مسئلهٔ واقعی از محصول فعلی‌تان را با یک مدل زبانی امتحان کنید و پرامپت را چند بار بهبود دهید.
ماه ۳: ارزیابی
برای همان مسئله یک مجموعهٔ ارزیابی بسازید و خطاها را دسته‌بندی کنید.
ماه ۵: اعتماد و ایجنت
یاد بگیرید تجربهٔ کاربری محصول AI را چطور طراحی کنید و ایجنت را کجا به کار نبرید.
ماه ۶: پورتفولیو و درخواست
PRD، مجموعهٔ ارزیابی و نمونهٔ اولیه را کنار هم بگذارید. اگر در شرکتی کار می‌کنید که قابلیت AI می‌سازد، جابه‌جایی داخلی را هم در نظر بگیرید.
پروژه‌های پیشنهادی برای رزومه
PRD همراه با طرح ارزیابی برای یک قابلیت AI
مبتدییک محصول واقعی را انتخاب کنید و یک قابلیت AI برایش طراحی کنید. علاوه بر مسئله، کاربر هدف و متریک موفقیت، بنویسید کیفیت را چطور می‌سنجید: چه نمونه‌هایی، چه معیاری و چه آستانه‌ای برای انتشار. بخش ارزیابی همان چیزی است که PRD معمولی ندارد.
مجموعهٔ ارزیابی و تحلیل خطا برای یک دستیار
متوسطبرای یک دستیار ساده (مثلاً پاسخ به سؤال‌های یک راهنمای محصول) ۵۰ پرسش نمونه با پاسخ مطلوب بسازید، خروجی‌ها را بخوانید، خطاها را دسته‌بندی کنید و یک تغییر پرامپت را با همین مجموعه بسنجید. روش را بر اساس مقالهٔ Hamel Husain مستند کنید.
نمونهٔ اولیهٔ کارکردی و آزمون با کاربر
متوسطبا Lovable یا Cursor یک نمونهٔ اولیه از یک ابزار AI برای مسئلهٔ کاری خودتان بسازید، آن را به پنج کاربر واقعی بدهید و ببینید کجا به خروجی اعتماد می‌کنند و کجا نه. یافته‌ها و تصمیم نسخهٔ بعد را بنویسید.
طراحی سطح خودمختاری یک ایجنت
پیشرفتهبرای یک ایجنت فرضی (مثلاً بررسی هزینه‌های کارکنان، مثل نمونهٔ Brex) سندی بنویسید که معلوم کند ایجنت کجا فقط پیشنهاد می‌دهد، کجا خودش اقدام می‌کند، کجا می‌ایستد و از انسان می‌پرسد، و چه شواهدی لازم است تا از یک مرحله به مرحلهٔ بعد برود.
تحلیل ارزش، هزینه و ریسک یک محصول AI
پیشرفتهیک محصول AI موجود را بررسی کنید: چه مسئله‌ای را حل می‌کند، کجا واقعاً به ایجنت نیاز دارد و کجا نه، هزینه و ریسکش چیست و چطور می‌شود ارزشش را اندازه گرفت. Gartner دلیل لغو بسیاری از پروژه‌های ایجنتی را هزینه، ارزش نامشخص و کنترل ناکافی ریسک می‌داند؛ تحلیل را با همین سه محور بنویسید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
در آتن بزرگ شد، کارشناسی را در دانشگاه پیرئوس خواند و در ۲۰۱۴ دکترایش را از Imperial College London گرفت؛ پژوهشش دربارهٔ توضیح ریاضی و اپیدمیولوژیک این بود که محتوا چطور در اینترنت فراگیر می‌شود. طبق ویکی‌پدیا، پس از یک کارآموزی علم داده در Facebook، به‌عنوان AI product manager به تیم گفتار Google پیوست و روی قابلیت‌های Google Assistant و فناوری‌های گفتار کار کرد.
طبق ویکی‌پدیا، در Harvard Business School عضو آموزشی (Teaching Fellow) یک مجموعه‌جلسه دربارهٔ مدیریت محصول است و در O'Reilly مدیریت محصول درس می‌دهد. به گفتهٔ خودش بیش از یک دهه محصولات AI را در Google و Meta عرضه کرده و AI PM Academy را برای آموزش این نقش راه انداخته است.
مسیر او از پژوهش داده به مدیریت محصول AI نشان می‌دهد پیش‌زمینهٔ فنی یا پژوهشی می‌تواند نقطهٔ ورود به این نقش باشد، اگر به فهم کاربر و محصول تبدیل شود. آموزش دادن آنچه در کار یاد گرفته هم بخشی از اعتبار حرفه‌ای او شده است.
در سائوپائولوی برزیل به دنیا آمد و در ۲۰۰۴ برای تحصیل در Stanford به کالیفرنیا رفت و رشتهٔ symbolic systems خواند. در ۲۰۱۰ همراه Kevin Systrom اینستاگرام را بنیان گذاشت و تا ۲۰۱۸ مدیر ارشد فناوری (CTO) آن بود؛ طبق ویکی‌پدیا در این دوره کاربران اینستاگرام از چند میلیون به یک میلیارد کاربر فعال ماهانه رسید.
در ژانویهٔ ۲۰۲۳ همراه Systrom اپ خبری مبتنی بر AI به نام Artifact را منتشر کرد که در ژانویهٔ ۲۰۲۴ تعطیل شد. در مهٔ ۲۰۲۴ به‌عنوان مدیر ارشد محصول (Chief Product Officer) به Anthropic پیوست و طبق ویکی‌پدیا از ژانویهٔ ۲۰۲۶ در تیم «Labs» این شرکت کار می‌کند.
او از مهندسی به رهبری محصول AI رسید و پیش از آن یک محصول AI را هم ساخت و تعطیل کرد. به نظر می‌رسد در این حوزه، تجربهٔ ساختن یک محصول، حتی محصولی که ادامه پیدا نکرد، پشتوانهٔ تصمیم‌های بعدی است.
طبق صفحهٔ معرفی ChatPRD، پیش از این شرکت سه بار مدیر ارشد محصول و فناوری (Chief Product & Technology Officer) بوده است: در LaunchDarkly، Color و Optimizely.
به گفتهٔ خودش ChatPRD را «به‌عنوان تلاشی (موفق) برای خودکار کردن خودش» ساخت: ابزاری AI که به تیم‌ها در نوشتن اسناد محصول کمک می‌کند. وقتی تیم‌هایش به آن علاقه‌مند شدند، تمام‌وقت سراغش رفت و حالا مدیرعامل آن است. پادکست How I AI را هم اجرا می‌کند.
او برای فهم اثر AI بر کار مدیر محصول، ابزاری برای همین کار ساخت. ساختن یک محصول AI کوچک برای مسئلهٔ کاری خودتان راهی است که در هر سطحی می‌شود امتحانش کرد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Senior Product Manager, AI
تحلیل نیازمندی‌ها
You're an experienced product manager. You have a track record of owning complex, user-facing products end to end — setting direction and shipping to real users — with the scope and judgment this senior role calls for.
این آگهی برای تازه‌کار نیست. «end to end» یعنی از تعیین جهت تا رساندن محصول به کاربر واقعی مسئول بوده‌اید. اگر هنوز چنین سابقه‌ای ندارید، اول باید در یک نقش محصول یا نزدیک به آن تجربه جمع کنید.
ضروریYou have technical depth, and you've worked on systems without a single correct answer. Having built agentic software is a strong plus.
تفاوت اصلی محصول AI با نرم‌افزار معمولی همین است: پاسخ واحد درست وجود ندارد و کار، بهتر کردن تدریجی است. آگهی تجربه در جست‌وجو و رتبه‌بندی، تشخیص تقلب و سیستم‌های مشابه را هم می‌پذیرد؛ پس سابقهٔ محصول احتمالاتی، حتی بیرون از LLM، ارزش دارد.
ضروریYou've built for company admins, and you've built it for customers. You've shipped software to the personas who keep a company running — finance, accounting, HR, payroll, IT, compliance, data — and you know how much this can vary from one company to the next. It matters that this was product you sold to other companies, not an internal system inside your own.
تجربهٔ حوزه مهم است: کاربران این محصول مدیران مالی، حسابداری و منابع انسانی شرکت‌ها هستند. آگهی تأکید می‌کند این تجربه باید در محصولی باشد که به شرکت‌های دیگر فروخته شده (B2B)، نه سیستم داخلی یک شرکت.
مهمAlso, if you've shipped an agent that real users depended on — designed the evals, iterated the prompts, worked out where it should act on its own versus stop and ask, and lived through the failure modes — say so and tell us what you learned.
این جمله فهرست کار واقعی یک AI PM است: طراحی evals، تکرار پرامپت، تعیین مرز اقدام مستقل ایجنت و تجربهٔ حالت‌های شکست. یک پروژهٔ پورتفولیو که همین چهار مرحله را مستند کند، مستقیم به این بند جواب می‌دهد.
مهمYou're comfortable with ambiguity and with systems you can't fully predict.
در محصول AI همیشه موردی پیش می‌آید که پیش‌بینی نشده بود. آگهی کسی را می‌خواهد که با داده‌های ناکامل تصمیم بگیرد، عرضه کند و بعد بهبود دهد، نه اینکه منتظر پاسخ کامل بماند.
مهمYou move fast and go deep — comfortable prototyping, reading data, and getting into the details rather than working through layers.
مدیر محصول باید خودش نمونهٔ اولیه بسازد و داده را بخواند، نه اینکه همه‌چیز را به دیگران بسپارد. ابزارهای نمونه‌سازی با AI این کار را برای کسی که برنامه‌نویس نیست هم ممکن کرده‌اند.
مهمNice to have: hands-on depth in prompting or eval design; familiarity with fintech, expense management, or accounting workflows.
مهارت پرامپت و طراحی eval امتیاز است، نه شرط ورود؛ اما در بخش وظایف همین کارها از مدیر محصول خواسته شده است، پس تمرین آن‌ها شانس شما را بالا می‌برد. آشنایی با فین‌تک هم امتیاز حوزه‌ای است.
مفیدتحلیل مسئولیت‌ها
Own product direction for your area of the Finance Admin AI surface — the strategy, the roadmap, and the day-to-day calls on what ships.
مالکیت کامل یک حوزه: هم استراتژی و roadmap و هم تصمیم‌های روزانه دربارهٔ اینکه چه چیزی منتشر شود و چه چیزی نه.
Translate messy, company-specific finance workflows — expense policies, review and approval chains, month-end close, the way each customer actually enforces its rules — into agent behavior that holds up in production.
هر شرکت قواعد خودش را دارد. کار مدیر محصول این است که این تفاوت‌ها را بفهمد و به رفتاری برای ایجنت تبدیل کند که در محیط واقعی، نه فقط در دمو، درست کار کند.
Define what "good judgment" means for an agent operating on someone else's money, and build the evals, prompting approaches, and feedback loops that get it there — then re-invent them as the underlying models and tooling shift.
مدیر محصول تعریف می‌کند «خوب» یعنی چه و آن را قابل سنجش می‌کند. و چون مدل‌ها عوض می‌شوند، این تعریف و ارزیابی‌ها هم باید دوباره ساخته شوند.
Get hands-on. Prototype, measure, read transcripts and traces, and iterate toward what actually works rather than what looks good in a demo.
خواندن transcript و trace یعنی دیدن اینکه ایجنت در هر مرحله چه کرده و کجا اشتباه رفته است. آگهی صریحاً بین «آنچه واقعاً کار می‌کند» و «آنچه در دمو خوب به نظر می‌رسد» فرق می‌گذارد.
Earn autonomy incrementally: figure out where the agent should recommend, where it should act, and how a customer builds enough trust to let it move from one to the other.
یکی از تصمیم‌های اصلی محصول AI: ایجنت از پیشنهاد دادن شروع می‌کند و فقط وقتی مشتری اعتماد کرد، اجازهٔ اقدام می‌گیرد. طراحی این مسیر کار مدیر محصول است.
Work directly with finance admins at real companies, and let their usage — not assumptions — drive the next iteration.
کشف نیاز مشتری همچنان پایهٔ کار است. تصمیم نسخهٔ بعد باید از رفتار واقعی کاربران بیاید، نه از حدس تیم.
Set and defend a high quality bar for agents operating in a trust-critical, financial context.
در محصولی که با پول دیگران کار می‌کند، مدیر محصول باید معیار کیفیت را تعیین کند و حتی زیر فشار زمان از آن دفاع کند.
نتیجه‌گیری کلی
این آگهی نشان می‌دهد مدیر محصول AI در ۲۰۲۶ فقط سند نمی‌نویسد: جهت محصول را تعیین می‌کند، اما خودش هم پرامپت می‌نویسد، evals طراحی می‌کند و trace ها را می‌خواند. سؤال اصلی محصول هم فقط «چه بسازیم» نیست، بلکه این هم هست که «ایجنت کجا پیشنهاد بدهد و کجا خودش اقدام کند». آگهی برای مدیر محصول باتجربه است و بازهٔ حقوق اعلام‌شده در آن ۱۸۴ تا ۲۳۰ هزار دلار در سال است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
طبق داده‌های TrueUp که Lenny Rachitsky در مارس ۲۰۲۶ منتشر کرد، بیش از ۷٬۳۰۰ موقعیت باز مدیر محصول در شرکت‌های فناوری جهان وجود داشت؛ ۷۵٪ بیشتر از کف اوایل ۲۰۲۳. این عدد برای همهٔ مدیران محصول است، نه فقط AI PM ها. در آمار رسمی آمریکا، جستجوی O*NET برای product manager نزدیک‌ترین گروه شغلی را Marketing Managers نشان می‌دهد.
منبع: Lenny's Newsletter / TrueUp (March 2026)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
Gartner در اوت ۲۰۲۵ پیش‌بینی کرد تا پایان ۲۰۲۶، ۴۰٪ نرم‌افزارهای سازمانی ایجنت‌های AI 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 هزینه، ارزش تجاری نامشخص یا کنترل ناکافی ریسک لغو شوند.
به پیش‌بینی Gartner، تا ۲۰۲۸ یک‌سوم تجربه‌های کاربری از اپلیکیشن‌های معمولی به رابط‌های ایجنتی منتقل می‌شود و این، مدل‌های کسب‌وکار و ساختارهای قیمت‌گذاری تازه‌ای به وجود می‌آورد.
در خوش‌بینانه‌ترین سناریوی Gartner، agentic AI تا ۲۰۳۵ حدود ۳۰٪ درآمد نرم‌افزارهای سازمانی، بیش از ۴۵۰ میلیارد دلار، را رقم می‌زند؛ در برابر ۲٪ در ۲۰۲۵.
Gartner پیش‌بینی کرده بیش از ۴۰٪ پروژه‌های agentic AI تا پایان ۲۰۲۷ لغو شوند، به دلیل هزینهٔ رو به افزایش، ارزش تجاری نامشخص یا کنترل ناکافی ریسک، و می‌گوید بسیاری از کاربردهایی که امروز «ایجنتی» معرفی می‌شوند به ایجنت نیاز ندارند. برای مدیر محصول AI این یعنی ارزش کار در انتخاب مسئلهٔ درست است. ریسک دوم تغییر مداوم مدل‌هاست: Brex از مدیر محصول می‌خواهد evals و رویکرد پرامپت را با تغییر مدل‌ها از نو بسازد. ریسک سوم برای تازه‌واردهاست: طبق Axial Search بازار تقریباً فقط نیروی ارشد استخدام می‌کند. خود نقش هم در حال تغییر است؛ Claire Vo، بنیان‌گذار ChatPRD، در صفحهٔ شرکتش نوشته فکر می‌کند مدیریت محصول مرده است یا به‌زودی می‌میرد، و ChatPRD را برای آینده‌ای ساخته که در آن AI در فکر کردن، ساختن و عرضه کمک می‌کند.
منابع
اطلاعات این صفحه در تاریخ ۲۹ مهر ۱۴۰۵ از این ۲۷ منبع بررسی شده است.
- Senior Product Manager, AI — Brex (job posting)
- AI Product Manager (Coding/Multimodal) — Scale AI (job posting)
- Senior AI Product Manager — Scale AI (job posting)
- Staff AI Product Manager — Fin / Intercom (job posting)
- Agent Product Manager — Decagon (job posting)
- Product Manager II - Agent Observability — Datadog (job posting)
- Principal Product Manager, AI Assistant — Gusto (job posting)
- Staff Product Manager, AI Assistant — Calendly (job posting)
- Senior Product Manager, Applied AI — Coursera (job posting)
- Staff Product Manager, Agents — Harvey (job posting)
- AI Product Manager, Growth Marketing — Notion (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
- Lenny's Newsletter — State of the product job market in early 2026
- Axial Search — AI Product Management Jobs in 2026: What 12,400 Postings Reveal
- LinkedIn Jobs on the Rise 2026: The 25 fastest-growing roles in the U.S.
- O*NET OnLine — keyword search: product manager
- 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
- Marily Nika — Wikipedia
- Marily's AI Product Academy Newsletter — About
- Mike Krieger — Wikipedia
- ChatPRD — About the team (Claire Vo)
- Hamel Husain — Your AI Product Needs Evals
- Anthropic — Building effective AI agents