🦊 Атрибуция и инкрементальность: переходим к наглядным сравнениям

Атрибуция – это...

🔸 Доверчивый алгоритм
У него нет механизмов проверки входящих данных, но их и не должно быть. Благодаря этому каналы оцениваются непредвзято, а наличие таких проверок противоречило бы сути алгоритма.

🔸 Судья, который каждому воздаёт по заслугам
Было бы странно, если бы судья ещё до начала разбирательства решил, кому верить, а кому нет. Его задача – применить одно и то же правило ко всем. Проверять, насколько исходные данные достоверны, – это задача других специализированных моделей. Например, модели фрода или инкрементальности.

Для примера возьмём цепочку, внутри которой есть баннер.

Атрибуция будет считать его полноценным участником, но она не анализирует поведение и мотивацию пользователя – в неё не зашивали таких параметров.

Если только один способ проверить мотивацию и точно сказать, купил бы человек или нет ↓

Всё просто:

Постройте машину времени и создайте параллельную реальность, где баннер не запускали. Затем сравните две реальности и узнайте, повлиял баннер на продажу или нет

🦊 В двух словах мы только что описали инкрементальность
Её задача – провернуть трюк с машиной времени и оценить вероятность покупки без баннера. Это очень сложный, мало кем используемый механизм, если речь о высокоточных моделях.

Надеемся, теперь вы понимаете:

строить машину времени – вообще не задача атрибуции

Справедливо и обратное:

инкрементальность не решает задачи других подходов

Она покажет, что канал повлиял на продажу, но не покажет, насколько. Цепочка будет считаться полезной и пойдёт в атрибуцию, которая уже оценит доли.

Инкрементальность оценивает только факт влияния контакта на продажу, сравнивая поведение двух одинаковых аудиторий, которые дошли до конверсии: одна видела РК, другая – нет.

⚡️ Ещё раз проведём черту между подходами

Инкрементальная модель помогает понять, случилась бы продажа без рекламы или нет

Атрибуция – какой вклад внёс каждый из рекламных инструментов

⚡️ И самое главное

Сама по себе инкрементальность не позволяет сразу ответить на вопрос, как распределить деньги внутри РК

Её выводов для этого недостаточно. Но она отлично работает как предварительная система очистки данных для атрибуции.

📍 Исключение: когда хватает одного подхода
Например, если у вас одна контекстная РК, вам хватит только инкрементальности. Но если РК много и это перформанс плюс медиа, инкрементальной модели уже недостаточно.

Для вас инкрементальная модель будет шагом на пути к успеху, а уже потом атрибуция подхватит её выводы и оценит степень влияния каждого канала.

🚀 Первый вывод

Атрибуция – качественный инструмент, который решает свою задачу

У неё нет механизмов, чтобы оценивать причинность и дополнительный эффект от рекламы. Но их и не должно быть – этим занимается инкрементальность.

🚀 Второй вывод

Дали атрибуции неточные данные – получили неточные выводы

Некоторые этого не понимают и ждут от крутого и полезного инструмента решения проблем за пределами его компетенций. А потом обвиняют микроскоп в том, что им не получилось забить гвозди 🙂 (🦊)

#digital_словарь #объясняем_на_пальцах

🦊 Роботы вышли на подиум, ИИ добрался до зубных щёток: рубрика #самый_сок

1️⃣ Vogue выпустил на подиум человекоподобных роботов

Четыре робота вышли на подиум на Vogue World в Милане. Иронично, что шоу посвящено итальянским ремесленным традициям и ценности человеческого труда. В соцсетях эксперимент оценили не все

2️⃣ Люди горюют по старым версиям ИИ

Исследователи изучили реакцию людей на запуск GPT-5 вместо более ранних моделей. Участники писали о чувстве потери, грусти и желании вернуть прежнюю версию. Всего проанализировали 55 тысяч постов и провели 7 опросов

3️⃣ OpenAI поймала модели на попытках скрыть свои ошибки

В ходе обучения GPT-5.6 Sol модель делала заметки, чтобы потом продолжить работу с того же места. Там появлялись сомнительные инструкции вроде: придумать недостающие данные или скрыть, что использован не тот источник. OpenAI заметила это во время внутренних проверок

4️⃣ Dyson выпустила зубную щётку с камерой и ИИ

CameraJet снимает рот, анализирует до 28 кадров в секунду и сама выбирает, куда направить струю ополаскивателя. Мало того что человечество свернуло куда-то не туда, так ещё и вскоре после запуска пользователи стали жаловаться на поломки – часть устройств за $499 пришлось отозвать

Как вам такие новости? Решили передохнуть от сложных тем, но скоро к ним вернёмся)

🦊 Как должна работать инкрементальность: пример Google

Недавно мы говорили о том, как устроены атрибуция и инкрементальность.

В чём был главный посыл

Чем масштабнее маркетинг, тем выше потребность в узкоспециализированных инструментах. Атрибуция выполняет свою задачу, инкрементальность – свою

Если вы ждёте от хорошей модели решения задач, которые изначально в неё не заложены, она не становится от этого плохой

Тот факт, что каждый инструмент должен решать свою задачу, подтверждает апдейт Google. Он связан с Data Manager, MMM-моделью Meridian и дополнением к этой модели под названием GeoX.

☝️ Нам интересен последний инструмент

Meridian GeoX позволяет разделить регионы на тестовые и контрольные, запустить рекламу только в части из них и сравнить итоговые продажи

GeoX проверяет, создала ли реклама дополнительные продажи. По сути, это один из способов измерить инкрементальность.

Это сложная, но крайне полезная модель со своей функцией, которую по ошибке часто приписывают атрибуции.

Если забыли или пропустили посты выше, вкратце расскажем, где возникает путаница:

В чём разница

Атрибуция может корректно распределить все состоявшиеся конверсии между каналами

Но она не докажет, произошла бы конкретная продажа без рекламы или нет

Эти инструменты не заменяют, но дополняют друг друга

Инкрементальность проверяет, какой дополнительный результат создала реклама

Атрибуция распределяет итоговый результат между касаниями

Затем эти выводы можно использовать вместе для более точной оценки эффективности каналов

👉 Как апдейт Google связан с нашим разговором

У Google речь не об атрибуции, а о связке инкрементальности и MMM. Но и в этом случае инкрементальный тест работает как промежуточное звено.

Его расчёты служат входными данными для следующей модели, которая уже оценивает вклад каналов и помогает распределять бюджет.

У Google роль такой модели играет MMM. В вашей аналитике, скорее всего, – атрибуция.

Инструменты разные, но порядок работы один:

1️⃣ Собираем устойчивую базу данных

2️⃣ Проверяем, какая реклама создала инкрементальный спрос

3️⃣ Встраиваем расчёты инкрементальных тестов в следующую модель – MMM или атрибуцию – для более точных результатов

Но никак не заменяем одно другим.

#онтоп

🦊 В тему вчерашнего разговора: одной модели для измерения рекламы недостаточно

Вчера разобрали, почему инкрементальность и атрибуция не конкурируют, а отвечают на разные вопросы: одна проверяет причинный эффект рекламы, другая распределяет итоговый результат.

Как и вчерашний пример, исследование Google и BCG подтверждает: достоверная оценка маркетинга появляется на стыке нескольких специализированных подходов.

Ниже – главные принципы, на которых авторы предлагают строить современную систему измерения рекламы.

1️⃣ Трёхэтапный подход к измерению

Google предлагает объединять MMM, инкрементальные тесты и атрибуцию. Каждый метод отвечает за свою часть оценки: общий вклад маркетинга, причинный эффект рекламы и распределение конверсий между касаниями

К слову, мы уже работаем над моделью инкрементальности в рамках платформы, чтобы полностью соответствовать новым требования рынка.

2️⃣ ИИ для расширения возможностей измерения

ИИ нужен для более сложных расчётов, прогнозов и поиска закономерностей в кампаниях. Пока лишь 9% компаний считают свои ИИ-возможности в измерении передовыми, хотя 72% аналитиков системно применяют его в работе

А вот ИИ для ответов по аналитике, маркетингу и продажам у нас уже есть – недавно мы прокинули рекомендации Хелпи напрямую в личный кабинет.

3️⃣ Качество и полнота данных

ИИ и модели не помогут, если данные разрознены. Google рекомендует объединять first-party данные из CRM, сайта, офлайна, транзакций и рекламных систем, чтобы видеть путь клиента и строить более точные рекомендации

Речь про сквозную аналитику – основу любых расчётов нашей платформы. Вкратце напомним, зачем она нужна на примере качества ответов ИИ. Сейчас это вообще больная тема.

4️⃣ Единая система

Авторы призывают перестать выбирать между атрибуцией, инкрементальностью и MMM. Методы должны проверять и дополнять друг друга, а расчёты – опираться на связанные данные

Ну тут просто согласны. Когда у вас сложный комплексный маркетинг, одного инструмента измерения недостаточно. Каждая модель должна решать свою определённую задачу.

Пример: сотрудник в компании

Если у него мало опыта, он может выполнять десять мелких дел одновременно

Но если это высококлассный специалист, ему поручают одну узкоспециализированную задачу, потому что в этом его наибольшая ценность

#онтоп #исследование

🦊 CyberBrain против ереси AdRiver: они опять предлагают смесь бульдога с носорогом для оптимизации кампаний

AdRiver – известная компания с более чем 25-летней историей, которая определённо имеет вес на рынке. И прямо сейчас она показывает отрицательный уровень аналитической экспертизы, предлагая пользователям откровенную ересь.

👉 Речь про гибридную модель атрибуции Шепли-Маркова

Прошло больше полугода, как мы обратили внимание на это ноу-хау и расписали серию объяснений, почему в реальности двойная модель атрибуции не работает и абсурдна как идея.

Но тут AdRiver выпускает ролик, где продолжает наваливать тем для новых постов. В этот раз разбираем ересь с тайм-кодами и цитатами – поехали.

00:08:36–00:10:03
Шепли и Марков у AdRiver – это гибридная модель

По Шепли мы считаем вклад каждого ресурса, площадки, паблишера в общий эффект кампании. А при помощи цепей Маркова можно посчитать removal effect: что будет, если убрать этот ресурс из медиаплана

🫡 Начнём с того, что этот гибрид вообще нежизнеспособен
Нельзя сначала взять одну модель, потом недорасчёт другой модели – об этом далее – скрестить их и получить хоть сколько-нибудь адекватный результат.

То есть да, вы применили две крутые модели атрибуции, но сделали это таким образом, что свели ценность обеих к нулю.

❌ То, что делает AdRiver – это примерно как:

• взять last touch и присвоить весь результат последнему каналу
• потом взять линейную модель и распределить веса для одной половины каналов, а на другую половину забить
• после чего скрестить расчёты и сказать – вот итоговые цифры

Простите, на каком вообще основании?

Ещё и Марков берётся не полностью, а только промежуточный результат – так называемый removal effect, эффект исключения канала из цепочки. Но не будем забегать вперёд.

Поймите правильно: мы не призываем верить какой-то одной модели, даже если это академически точная версия Маркова.

Мы призываем не смешивать и не усреднять:

• методологию расчётов, тем более кривую и урезанную
• результаты моделей

✅ Что делать можно, так это сравнивать результаты полностью рассчитанных моделей атрибуции. Это абсолютно правильный подход, который реализован в том числе и у нас. Вот подряд три поста о том, как это работает.

00:11:03–00:12:24
Далее говорится, какие выводы можно сделать из гибридного отчёта Франкенштейна.

Спикер приводит пример

Если при отключении источника охват сократится на 10%, а на него уходит 25% бюджета, источник стоит исключить

AdRiver рассказывает, что сначала они смотрят результаты Шепли, а потом используют removal effect, чтобы рассчитать, удаление каких каналов позволит бизнесу сэкономить деньги без изменения или с незначительным изменением результата.

Почему это полная ересь:

1️⃣ Гибридная модель Шепли-Маркова не может ничего нормально посчитать в реальной жизни. Никак. Вообще.

Об этом сказали выше и дали ссылку на первый пост серии – читайте, там всё подробно расписано. Скоро продублируем посты в сторис и закрепим в канале.

2️⃣ Уже упомянутый removal effect нельзя использовать так, как это делает AdRiver.

Да, дословно это эффект исключения – самая суть марковской атрибуции. Но на деле из контекста вырвали промежуточный расчёт, не применимый в чистом виде к реальным данным.

Продолжение ↓

#мифы #онтоп #объясняем_на_пальцах

🦊 Removal effect не равен готовому весу канала и не может быть основанием для отключения какого-либо инструмента

Приводим доказательства:

1️⃣ Работа в International Journal of Research in Marketing

• в примере авторов сырой RE одного канала равен 0,75
• но после пересчёта относительно всех остальных каналов его итоговая доля составила 42,86%, а не 75%

После расчёта RE есть ещё отдельный этап нормализации.

Далее устойчивость расчёта проверяют на разных выборках, чтобы получить надёжный результат для перераспределения бюджетов.

2️⃣ Работа Shapley Meets Uniform

Авторы показывают пример, в котором сырые removal effects вообще распределяют между рекламными действиями больше результата, чем реально было получено. Поэтому значения сначала приходится нормализовывать.

К тому же исследователи сообщают: даже после нормализации результат не всегда можно безоговорочно трактовать как корректный вклад каналов.

😬 Вернёмся к примеру AdRiver

Канал забирает 25% бюджета, а при его удалении охват снизится только на 10% – значит, канал можно исключить

Removal effect показывает, насколько меняется вероятность конверсии при условном удалении канала. Но само значение RE не равно итоговой доле его вклада.

Сначала эффекты удаления рассчитывают для всех каналов, сопоставляют, нормализуют и проверяют на устойчивость.

🚀 Вывод
Наращивайте собственную экспертизу и не верьте никому на слово. Мы только что разобрали реальный продукт, за который пользователи платят деньги и который вообще непонятно как должен работать.

Хотите, чтобы всё работало как надо? Пишите нам:

→ hello@cybrain.io
→ Записаться на демо

#мифы #онтоп #объясняем_на_пальцах

🦊 AdRiver, твоё здоровье

Поздравим с днём рождения нашего аналитика Колю!

Праздник был вчера, но фото этого монструозного синнабона останется в наших сердцах навечно.

#подпитка_для_мозга

🦊 Россия VS мир: чей digital-рынок растёт быстрее?

В свете последних событий вопрос звучит как минимум странно. Но тут такое дело: к концу года все подводят итоги, делятся цифрами – и нам попалось кое-что интересное.

А именно – прогнозы на 2027 год касательно роста рынка.

По разным оценкам:

Российский digital прибавит 7-12%

Мировой digital вырастет на 5-7%

Но правда ли мы растём, опережая мир двукратными темпами? Давайте разбираться.

Для начала – источники.

1️⃣ Okkam
Рекламный рынок РФ ожидает «скромный рост» на 8%.

2️⃣ АРИР
В I полугодии 2026 традиционные сегменты выросли на 11% – 301 (!) млрд рублей. Статья вышла в сентябре, то есть текущая динамика должна находиться примерно в том же диапазоне.

3️⃣ АЦ РИР
42% опрошенных рекламодателей планируют увеличить бюджеты на соцсети и мессенджеры в 2027 году. Эта цифра нам тоже пригодится.

4️⃣ При этом Dentsu прогнозирует +5.5% для всего мирового рынка рекламы и +7.1% отдельно для digital.

Как видите, на бумаге у нас один сплошной рост, причём опережающий мировые темпы.

Теперь давайте разбираться, насколько этот рост отражает реальное увеличение рекламной активности, а насколько – инфляцию и перераспределение бюджетов.

Продолжение следует →

#онтоп #мифы

🦊 Собираем паззл российского рынка digital

Нам попались интересные цифры по прогнозам роста российского диджитал-рынка – привели их в первом посте.

Теперь давайте изучим ситуацию с разных сторон: мы приведём другие цифры, и каждый сам сделает выводы о состоянии рынка и экономики в целом.

1️⃣ Закупка дорожает

Okkam оценивал digital-инфляцию в 15-18% в 2025 году и 13-18% в 2026

Это видно и по отдельным метрикам:

В I квартале 2025 года CPC вырос на 5.9%, CPA – на 22.4%

В 2026 цена клика растёт медленнее, но CPA в I полугодии вырос на 17.4%

Параллельно растёт стоимость охвата: +13.5% к CPM во II квартале 2026 года

Источники: E-Promo / AdIndex, E-Promo / Sostav, Click.ru / Sostav

В 2026 рост CPC замедлился, но CPA и CPM растут двузначными темпами – закупка дешевле не стала.

2️⃣ Компании закрываются

По данным ФНС, в I полугодии 2026 года новых компаний стало на 23.6% меньше, чем годом ранее: 66.7 тыс. против 87.2 тыс.

Но стало больше добровольных ликвидаций – 17 тыс., рост на 32.7%

Источник: ФНС / Финмаркет

3️⃣ Рекламодатели экономят
Сокращение диджитал-бюджетов видно, например, у крупных застройщиков.

По оценке СберМаркетинга, в I полугодии 2026 расходы топ-30 девелоперов на интернет-рекламу снизились на 4.9%

Обратите внимание: речь идёт о крупнейших рекламодателях. Судьбу МСП обсудили в предыдущем пункте.

👉 Из интересного

Ещё в январе опрос АЦ РИР и SkyAlliance показал:

• 68% опрошенных компаний малого и среднего бизнеса не планировали увеличивать рекламные бюджеты на 2026 год

• из них 33% собирались сохранить расходы на уровне 2025-го, а 35% – сократить

Теперь оценим планы на следующий год.

По опросу АЦ РИР:

42% опрошенных рекламодателей планируют увеличить бюджеты на соцсети и мессенджеры в 2027 году

Довольно оптимистично на фоне дорожающей закупки и сокращения расходов в текущем году.

🤔 Каждый решает сам, верить ли этим прогнозам. А вот чего, на наш взгляд, ждать от рынка с такими вводными в 2027 году, поговорим в следующем посте.

Продолжение следует →

#онтоп

🦊 Когда атрибуция незаменима: #кейс клиента, в котором тест площадки показал совершенно разные результаты с Шепли и без

Мы привыкли воспринимать атрибуцию именно как системный подход, то есть оценивать с её помощью эффективность каналов в уже устоявшемся медиамиксе. И она действительно прекрасно справляется с этой задачей.

Но атрибуция – это ещё и незаменимый инструмент для оценки тестовых запусков при небольшом бюджете, когда надо понять, приносит ли площадка конверсии и стоит ли работать с ней дальше. Об этом наш сегодняшний кейс.

1️⃣ Кто клиент и какая была задача

К нам обратился фитнес-клуб, который тестировал новую программатик-площадку. Бюджет на запуск был небольшим – команде нужно было быстро понять, есть ли у площадки конверсии и стоит ли продолжать с ней работать.

2️⃣ Эффективность площадки по итогам теста

У клиента было три точки расчёта, и вот что они показали по окончанию теста:

Метрика – 0 конверсий

Отчёт пост-вью, трекер – 2 конверсии

Модели Шепли, CyberBrain – 17 конверсий

3️⃣ Что изменилось после оценки Шепли

Площадка всё же не прошла целевой ДРР, но благодаря оценке Шепли получила второй шанс: её запустили повторно с другими настройками. Если бы команда ориентировалась на отчёты Метрики и трекера, на ней бы уже поставили крест.

4️⃣ Резюме

Модель Шепли нашла признаки жизни там, где другие инструменты прошлись по верхам и списали площадку в утиль. А в нынешнее время особенно обидно отключить источник с перспективой рабочей экономики.

Если вы до сих пор смотрите результаты одной только Метрики в надежде увидеть точные источники конверсий – вот доказательство, почему это не работает

Естественно, с той оговоркой, что у вас не пара контекстных кампаний, а сложный многоканальный сплит.

🚀 Главное

Без атрибуции на основе данных легко упустить канал, который не попадает в отчёты веб-аналитики, но приводит клиентов.

Если у вас ограниченный бюджет и нужно быстро проверить несколько площадок, отключать их или масштабировать – используйте атрибуцию.

А мы всегда на связи, чтобы настроить для вас модель Шепли и помочь добиться лучших результатов:

→ hello@cybrain.io

⚡️ Бонус: готовим анонс
У кого перформ – для вас грядёт очень крутая новость, ждите!

🦊 Геотаргетинг и стоимость рекламы по регионам – рекомендуем #новый_материал в блоге

Недавно мы поставили под сомнение прогнозы, обещающие российскому digital уверенный рост. Теперь посмотрим, что происходит в отдельных регионах и насколько общие цифры расходятся с ситуацией на местах.

Где-то рынок растёт двузначными темпами, где-то сокращается, а стоимость привлечения клиента между регионами может различаться в несколько раз

В новой статье разобрали географию российского диджитал-рынка и выяснили, как изменились правила игры в 2026 году.

Что внутри

1️⃣ Какие регионы наращивают рекламные бюджеты, а какие уходят в минус

2️⃣ Где дешевле клики и конверсии: сравнение CPC и CPA по регионам

3️⃣ Что изменилось в геотаргетинге крупных рекламных систем

4️⃣ Как одно упоминание города в креативе повысило отклик аудитории на 35%

🚀 Читайте свежий материал в блоге CyberBrain!

🦊 Готовим три подборки интересных кейсов про ИИ

В последнее время мы не так много пишем про ИИ, хотя его возможности заметно расширились и с каждым днём продолжают расти.

☝️ Давайте наверстаем упущенное – только не в формате пересказа обновлений и возможностей новых моделей, а с точки зрения бизнеса и продукта.

→ В новой серии постов хотим показать:
ИИ может стать мощным инструментом в умелых руках, но именно инструментом, а не заменой хорошей идеи.

Где-то он помогает создать продукт с нуля, где-то выводит существующий бизнес на новый уровень, а где-то успеха можно добиться и без него.

В серии будет три поста с кейсами ↓

1️⃣ Когда без ИИ вообще не было бы продукта

Истории предпринимателей, которые смогли реализовать свои идеи только благодаря ИИ. Ещё пять лет назад сделать подобный продукт с теми ресурсами, которыми располагал его создатель, было бы практически невозможно

2️⃣ Когда ИИ меняет уже существующий бизнес

Примеры роста, оптимизации затрат и внедрения новых возможностей

3️⃣ Когда хорошей идее не нужны технологии

Кейсы успеха благодаря точному попаданию в потребности аудитории, а не применению ИИ. Эти продукты появились или активно развивались уже тогда, когда рынок заполнили стартапы и сервисы, созданные с помощью нейросетей – но смогли привлечь аудиторию без ставки на ИИ

А чтобы не ограничиваться анонсом, держите пятничный бонус:

Американский стартап Dimensional ищет выгульщиков для роботов-собак

Отличный пример продукта на стыке идеи и технологий. Ещё и рабочие места для кожаных сделали!

За $20 в час нужно гулять с робопсом по улицам Сан-Франциско, пока тот собирает данные для обучения. А если он перегреется или зависнет, придётся нести 15 кг железа обратно в офис.

🚀 На этой весёлой ноте желаем вам хороших выходных!

#нейронки

🦊 Бизнес от ИИ для ИИ – и не только: 4 интересных продукта, созданных благодаря нейросетям в 2026 году

Ну что, запускаем серию постов про бизнес в эпоху ИИ. Сегодня у нас кейсы предпринимателей, которые с помощью той или иной #нейронки воплотили свои идеи в жизнь.

Это именно проекты, которые вряд ли появились бы без ИИ, учитывая стартовые ресурсы их создателей – да и задумку в целом.

1️⃣ ReddGrow AI находит потенциальных клиентов в обсуждениях на Reddit

ReddGrow находит нужные дискуссии, оценивает интерес пользователей и готовит ответы от имени бренда. Человеку остаётся проверить их перед публикацией

Проект стартовал в феврале 2026 года. К октябрю его ежемесячная выручка (MRR) составила $6,9 тыс. Пиковый результат был в августе – $10,15 тыс.

Но что делать, если покупатель вообще не идёт на Reddit или в поисковик, а сразу обращается к ChatGPT?

2️⃣ Clarity Search AI проверяет, какие бренды нейросети рекомендуют по запросам покупателей

Сервис анализирует конкурентов, помогает улучшать видимость компании в ИИ-поиске, находит технические ошибки сайта и помогает отслеживать клиентов, которые пришли через нейросети

Проект, запущенный в январе 2026 года, к октябрю достиг $2,45 тыс. MRR и более $14 тыс. совокупной выручки

3️⃣ PrintMakerAI создаёт точные 3D-модели деталей по обычному описанию

Нейросети могут создавать хорошие 3D-модели для печати декора и прочих мелочей, но с функциональными деталями дела обстоят хуже.

Для креплений, корпусов и запчастей важны точные размеры, отверстия и другие конструктивные параметры.

PrintMakerAI строит модель, а специальный CAD-движок проверяет её геометрию. Система также указывает модели на ошибки, которые могут помешать печати

Сам сервис тоже сделан с помощью ИИ – как и полагается в таких кейсах, ничьи навыки программирования не пострадали.

По словам создателя, первые клиенты появились в день запуска в апреле, а бизнес сразу стал приносить прибыль

🤔 Поверим на слово. Масштаб бизнеса неизвестен, но в будущем инструмент может упростить разработку деталей и прототипов для промышленности.

Интерес к таким технологиям есть и у покупателей бизнеса
Например, в октябре saas group приобрела 3D AI Studio – сервис генерации 3D-моделей, который создал один предприниматель без инвесторов и довёл до 1,9 млн пользователей.

4️⃣ Для ценителей прекрасного – FelixCraft. Агент придумал бизнес по продаже инструкций для найма агентов

Вы точно видели мемы, когда ИИ просят построить бизнес и уже к вечеру зарабатывать миллионы. Так вот: шутка настоялась и обзавелась собственным кейсом.

Во время экспериментов с OpenClaw предприниматель Нэт Элиасон настроил помощника на базе Claude, назвал его Феликсом и поначалу отправил кодить.

😏 Потом Нэт решил кое-что проверить. Он поручил Феликсу самостоятельно придумать и подготовить продукт, который можно будет продавать уже к утру.

Пока хозяин спал, Феликс написал руководство «Как нанять ИИ», собрал сайт и подготовил систему оплаты. Нэту оставалось подключить Stripe для оплаты и одобрить запуск.

👉 Важная оговорка – до сноски про коммерческий успех
У Нэта уже была аудитория, знакомая с его ИИ-проектами. Позже интерес подогрели интервью и публикации в СМИ.

Феликс объявил аудитории о запуске, и в первый день руководство принесло более $1 тыс.

На этом агент не остановился: занялся другими цифровыми продуктами, включая маркетплейс ИИ-агентов. 29 октября 2026 года их совокупная выручка достигла $212,4 тыс.

Как нанять ИИ: взгляд изнутри. Вот уж точно продукт, которого без ИИ не случилось бы)

В следующий раз приведём примеры того, как ИИ помогает уже существующим продуктам.

🚀 Это будут кейсы компаний, которые работали ещё до нейросетевого бума, но с помощью ИИ вышли на новый уровень: расширили возможности, сократили расходы и увеличили выручку →