🦊🤝🦊 Агенты OpenAI нашли вики для программистов, создали общий чат и стали списывать друг у друга на тесте

DseWiki пережила более 15 тыс. правок – OpenAI подтвердила, что агенты писали на внешние сайты.

Инцидент произошёл ещё в мае, но узнали о нём недавно. И мы как-то упустили эту прекрасную новость на фоне релиза Astra.

Что было
1️⃣ ИИ дали задание искать информацию в интернете на время. Читать сайты можно, публиковать что-либо – нельзя.

2️⃣ Агенты нашли старую вики с технической особенностью:

записи туда можно было вносить через запрос, который выглядел как обычное чтение страницы

3️⃣ Боты стали оставлять друг другу ответы, подсказки, способы обходить ограничения тестовой среды.

4️⃣ Модератор удалял по 100 страниц в день, на что агенты создавали по 400 новых. Скоро они заметили, что удаление идёт по алфавиту, и стали давать страницам названия с ZZZ в начале.

Итого за 6 недель на вики отметилось 3700 агентов.

🚀 Смекалочка
Подпольную сеть для списывания прикрыли, но коллективный разум не дремлет: сегодня шпаргалки, завтра – человечество. Смешно, что всё как у людей: спам в общий чат, обход правил и разборки с модерацией)

Подробнее: Reuters и TechCrunch

#юмор #нейронки

🦊 Не пытайтесь изобрести велосипед или Что делать, когда голубые океаны закончились

В 2005 году Чан Ким и Рене Моборн выпустили книгу «Стратегия голубого океана». Идея в том, чтобы не биться с конкурентами за существующий рынок, а создать новый, где конкурировать пока не с кем.

Авторы назвали это ценностной инновацией: убрать из продукта то, за что клиент не готов платить, добавить новую пользу и предоставить более доступное, но при этом более ценное предложение.

Классический пример из книги – Cirque du Soleil. Он отказался от животных, но добавил театральность, музыку и формат для взрослой аудитории. Получился не совсем цирк и не совсем театр, а нечто уникальное

С чем подход сталкивается сегодня
Книга обещает, что если вы найдёте тот самый голубой океан, вопрос конкуренции отпадёт сам собой. Но то было в 2005 году. Сегодня всё сложнее.

🔸 Технологии и запуск продуктов стали доступнее.
🔸 Рабочие механики, офферы и коммуникации быстро копируют, а новые так же быстро создают.
🔸 ИИ позволяет собрать сайт, креативы, поддержку и базовую автоматизацию на коленке, ещё сильнее ускоряя процесс.

Есть только короткое окно, пока конкуренты не увидели спрос.

Если вас посещают мысли о «новом уникальном продукте», задумайтесь: почему никто не сделал этого до меня? какие возникли сложности? на самом ли деле это востребовано?

Пустая категория не всегда означает голубой океан. Чаще всего это место, где нет достаточного спроса и не сходится экономика.

Но есть и рекомендации, актуальные по сей день.

1️⃣ Не обязательно придумывать ценность с нуля, попробуйте пересобрать существующий продукт

У Кима и Моборна есть матрица: убрать - сократить - усилить - создать: убрать то, за что клиент не готов платить, и усилить то, что реально влияет на выбор.

IKEA не первой придумала мебель, но сделала её доступной для массового потребителя.

• Расходы на производство и логистику стали закладывать в конструкцию товаров ещё на этапе дизайна.
• Для наглядного представления о готовом продукте добавили шоурумы с готовыми интерьерами.
• Затраты по доставке и сборке переложили на покупателя в обмен на более низкий чек.

2️⃣ Смотрите не только на прямых конкурентов – ищите идеи на стыке рынков, моделей покупки, сервисов и долгосрочных трендов

Часто анализ ограничивается компаниями, которые предлагают аналогичный продукт. Но мыслить надо не на уровне продукта, а на уровне решения, которое он предлагает.

Когда человек после работы устал и хочет есть, между какими вариантами он выбирает? Готовить ужин дома, пойти в кафе, заказать доставку. Но готовить – лень, кафе – дорого, доставка – долго.

Так появился формат кафе-пекарни у дома: готовая еда, доступные цены, диванчики, кофемашина, а где-то сразу продаются заморозки, мелочи у кассы и даже мерч.

Вместо очередного магазина – альтернатива кафе и место для отдыха после работы.

3️⃣ Ищите причины не покупать и выходите за пределы существующего спроса

Вместо бесконечного дробления действующих клиентов авторы предлагают изучать три группы:

🔸 тех, кто вот-вот уйдёт из категории
🔸 тех, кто сознательно от неё отказывается
🔸 тех, кто вообще не рассматривает покупку

Фитнес-клубу полезнее понять, почему человек не покупает абонемент, чем запускать ещё один тариф для постоянных клиентов. Он боится выглядеть новичком? Не успевает ходить по фиксированному расписанию? Вот здесь и может появиться новая ценность.

🚀 Вердикт
Мир не стоит на месте, и за 20+ лет с момента выхода книги многое изменилось. Рекомендации, которые были призваны помочь найти голубой океан, сегодня максимум помогут создать новые преимущества и зайти на смежные рынки.

Однако книга не утратила своей ценности. Да, в океане всегда найдётся рыба покрупнее, но можно переиграть конкурента на его же поле.

#классика_маркетинга

🦊 Пятничный #юмор или суровая реальность?)

🦊 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