Перейти до вмісту
Продуктова аналітика та програмні платформи.

Amplitude, публічна компанія зі США.: Використали власного агента Wave на власному сайті, щоб знайти причину…

Виміряний результат: У контрольованому порівнянні кількість повідомлень, надісланих через персоналізовані картки на власній головній сторінці Amplitude, зросла на 160% відносно контрольного варіанта після одного дня.

Amplitude, публічна американська компанія з продуктової аналітики, створила проактивного агента Wave на моделях OpenAI. Агент знаходить можливості покращення продукту, передає завдання кодерським агентам і вимірює вплив. У тесті на власній головній сторінці кількість повідомлень через персоналізовані картки зросла на 160% відносно контрольного варіанта після одного дня.

Результат

  • Виміряний результат: У контрольованому порівнянні кількість повідомлень, надісланих через персоналізовані картки на власній головній сторінці Amplitude, зросла на 160% відносно контрольного варіанта після одного дня.

    Джерело 1 ↗

Контекст

Компанія
Amplitude, публічна компанія зі США.
Галузь
Продуктова аналітика та програмні платформи.
Країна
США.
Розмір
Профіль LinkedIn визначає 501–1000 співробітників; це діапазон компанії, не команда експерименту. https://www.linkedin.com/company/amplitude-analytics/ <Cite ref="turn837942view2"/>

Ідентичність впровадження: Amplitude / продуктові експерименти / персоналізація власних homepage-підказок / Wave та OpenAI-моделі / листопад 2026 як дата опису. Дата публікації: 12 листопада 2026 року. Цитата з атрибуцією: Не вказано окремої короткої цитати. Дані для калькулятора: Відомі A/B-показник і діагностична вибірка, але відсутні кількість учасників тесту, абсолютні повідомлення, доходи, витрати команди, зарплати, витрати агентів і рев'ю. Немає даних для грошового перерахунку. Метрики і докази: Використання карток, внутрішній A/B-тест — +160% відносно контролю; знаменники, абсолютні обсяги, довірчий інтервал і розподіл користувачів не вказані. Оригінал: “increased 160% relative to control after one day”; URL — первинне джерело. У попередньому огляді 100 записів сесій 80 користувачів вводили власні питання, 12 натискали картку; це діагностика поведінки, а не фінансовий результат. Оцінка розробки функцій за 1–2 дні замість приблизно місяця є прогнозом Amplitude, не окремим перевіреним результатом пілоту. Період вимірювання: Один день після ввімкнення тесту.

Обмеження

Порівнювали якість і вартість моделей за різними завданнями; експеримент зберігав можливість вільного введення тексту й загальні картки за відсутності контексту.

Що зробили

Проаналізували записи сесій, сформували персоналізовані пропозиції, перевірили технічний план, передали coding agent і провели A/B-тест.

Що могло провалитись

Один день не гарантує стійкого ефекту, а збільшення використання карток не доводить кращої конверсії в оплату.

Що з цього переноситься

Агентний підхід працює, коли є чисті дані про використання продукту, чіткі критерії прийняття та людський контроль над тим, що потрапляє в продакшн; він не підходить, якщо немає можливості порівняти результат з контрольним варіантом або якщо команда не може швидко відправляти зміни коду.

Як повторити в себе

Взяти одну сторінку з низькою взаємодією, визначити метрику, виконати ручний аудит сесій, застосувати AI для гіпотез, запустити A/B з достатньою тривалістю й зупинити невдалу зміну.

Кому це релевантно

Релевантно для українських компаній на 10–100 людей, які мають цифровий продукт і можуть відстежувати поведінку користувачів. Різниця масштабу полягає в тому, що менша команда може починати з одного експерименту на одній сторінці без власної команди аналітики або розробки агентів.

Вів: Spenser Skates, CEO; Jacob Newman, Principal AI Product Manager; Eric Carlson, Senior Principal AI Engineer.

Скільки зайняло: Виконано до 12.11.2026; точна дата релізу змін невідома. Оприлюднений зріз A/B — через один день.

Джерела

  1. 1
    openai.com ↗

    openai.com

Щотижневі кейси на пошту

Нові кейси з цифрами й посиланнями на джерела.