В Q1 2026 рынок e-com столкнулся с дефицитом не трафика, а внимания. По данным Brand Analytics, ядро платежеспособной аудитории сместилось с 25-34 на 35-44 года, а среднее время просмотра карточки товара сократилось на 19%. В этих условиях привлечение новых SKU в каталог требует не просто массовой генерации контента, а предсказуемой unit-экономики с четкой атрибуцией затрат. Наш кейс — производитель детских товаров из среднего ценового сегмента с ассортиментом 12 000 позиций. Задача стояла однозначно: запустить 800 новых карточек за 30 дней без просадки SEO-показателей и с измеримым влиянием на конверсию. Решение нашли во внедрении агрегатора ИИ-сервисов как ядра контент-пайплайна, работающего без VPN и с оплатой в рублях.
Диагностика: почему классический копирайтинг не атрибуируется
Классическая схема аутсорсинга текстовых описаний демонстрирует системный провал в атрибуции. При найме фрилансеров CAC контентной единицы фиксируется на уровне 180-250 рублей за карточку, но связь с выручкой остается размытой. Мы провели когортный анализ по 1200 ранее опубликованным SKU: тексты, произведенные copywriters в режиме «спринт» (более 5 описаний в день), показывали на 23% ниже retention пользователей на странице и на 18% худшую конверсию в корзину после отметки в 200 сгенерированных единиц. Проблема лежит не в мотивации исполнителей, а в когнитивной нагрузке: описание детских товаров требует одновременного учета 15+ параметров — от возрастной маркировки и сертификатов безопасности до сценариев использования и материалов, контактирующих с кожей.
При массовом производстве это приводит к неизбежной шаблонизации и дублированию, что агрессивно пенализируется алгоритмами маркетплейсов. Искусственный интеллект здесь выступает не заменой человека, а фильтром первого уровня и генератором гипотез для последующего A/B-тестирования. Ключевая гипотеза проекта: использование агрегатора ИИ-сервисов с моделью human-in-the-loop даст не только скорость (целевой показатель — в 4 раза быстрее традиционного копирайтинга), но и лучшую атрибуцию затрат, позволяя связывать конкретную модель и промпт с итоговой конверсией в деньгах.
Фреймворк сегментации: от сырых данных до JSON-пайплайна
Перед запуском генерации зафиксировали критическое правило: сырые данные из 1С напрямую в LLM не отправляем. Построили трехуровневую сегментацию SKU: по категориям (игрушки, одежда, гигиена, питание), по целевому сегменту (возраст ребенка, pain parents, ценовая чувствительность), по каналу продвижения (маркетплейс vs собственный сайт vs соцсети). Для каждой когорты подготовили нормализованные JSON-файлы с обязательными и опциональными атрибутами, где каждое поле имело весовой коэффициент влияния на итоговый текст.
Ключевой инсайт выявился на этапе аудита контента конкурентов: тексты для маркетплейсов требуют повышенной уникальности выше 85% (алгоритмы Яндекс.Маркета и Ozon фильтрут дубли на уровне эмбеддингов), тогда как для собственного сайта приоритет — SEO-структура с LSI-словами и микроразметка Schema.org. Эта разница определила выбор архитектуры: не единый промпт для всех, а адаптивный пайплайн с условными ветвлениями и разными temperature settings для разных сегментов. Мы отказались от zero-shot подхода в пользу few-shot learning, подготовив 25 эталонных описаний для каждой категории, которые служили якорем tone of voice бренда и снижали дисперсию в генерациях.
Архитектура мультимодального пайплайна
Первая рассматриваемая гипотеза — прямое подключение к западным моделям через корпоративный API. Отвергли на этапе оценки совокупного CAC: затраты на инфраструктуру, риски блокировок при доступе из РФ и необходимость мультипайпов для разных задач (текст, изображение, рерайт) делали time-to-market критическим. Альтернатива — использование агрегатора ИИ-сервисов, работающего напрямую из России с оплатой в рублях и предоставляющего доступ к нескольким моделям через единый интерфейс.
В тестовом бакете на 50 карточках сравнили три подхода: генерация через агрегатор с доступом к различным моделям, нативные российские решения и традиционный копирайтинг. Для визуальных ассетов (фото товаров в интерьере) протестировали Flux 2 Pro и Nano Banana 2 — обе модели показали высокую вариативность при работе с детскими сценариями (мягкие игрушки, интерьер детской, текстуры тканей). Для аудиоописаний, используемых в мобильной версии сайта для родителей с ограниченным временем на чтение, задействовали ElevenLabs. Результаты замерили по трем метрикам: вариативность текста (через косинусное сходство эмбеддингов), соответствие ТЗ (экспертная оценка 1-5) и скорость генерации. Агрегатор показал лучшую вариативность при работе с длинным контекстом, в то время как ручной копирайтинг проигрывал по скорости в 6 раз. Финальный пайплайн скомбинировал сильные стороны: генерация черновиков через агрегатор с автоматическим выбором модели под тип товара, дальнейшая доработка вручную для VIP-позиций с high-margin.
Пайплайн генерации: от JSON к публикации за 3,5 минуты
Процесс построили по принципу конвейера с четкими SLI (service level indicators) на каждом этапе. Шаг 1: парсинг характеристик из PIM-системы в структурированный JSON с тегированием по категориям и автоматическая валидация на completeness (отсутствие пустых полей для обязательных атрибутов). Шаг 2: батчевая генерация через API агрегатора ИИ-сервисов с динамическим подбором модели — более сложные модели для текстов объемом 2000+ знаков (описания развивающих игрушек с методичками), легкие модели для коротких карточек одежды. Шаг 3: автоматическая проверка на уникальность (Text.ru) и соответствие ТЗ (чек-лист из 12 пунктов: наличие возрастной маркировки, упоминание материалов, CTA, стоп-слова). Шаг 4: ручная модерация junior-редакторами (выборочно, 15% выборка с фокусом на high-value товары). Шаг 5: автоматическая заливка в CMS через API.
Скорость: первые 100 карточек заняли 12 часов (настройка пайплайна, отладка edge cases с нестандартными характеристиками), последующие — в среднем 3,5 минуты на SKU включая проверку. За месяц обработали 800 позиций при штате 2 контент-менеджера вместо предполагаемых 8 фрилансеров. Критически важным оказался инструментарий most-AI для работы с контекстом: возможность загружать системные инструкции (system prompts) в проектные папки позволила сохранять consistency tone of voice между разными операторами и исключить «дрейф» стиля при смене смен.
Cohort-анализ и A/B: измеряем качество в деньгах
Ключевой вопрос для CFO: как это повлияло на выручку? Разделили органический трафик на две равные когорты: 50% пользователей видели старые описания (контрольная группа), 50% — сгенерированные ИИ (тестовая группа). Ждали 21 день для достижения статистической значимости (n=2400 визитов на группу). Результаты: тестовые карточки показали uplift по конверсии в 14,2% (p-value < 0,05), снижение bounce rate на 9% и рост среднего чека на 6,3% за счет более точного описания комплектующих и размеров. Клиенты стали реже покупать неподходящие товары и возвращать их, что снизило нагрузку на службу поддержки на 11%.
Важный нюанс, выявленный при сегментации результатов: карточки, прошедшие через агрегатор ИИ-сервисов с последующей human-proofread, показали ROMI на 34% выше, чем полностью автоматические описания без редактуры. Это подтвердило гипотезу о «человеке в цикле» как необходимом элементе для high-touch сегмента детских товаров, где эмоциональная составляющая играет ключевую роль в принятии решения о покупке.
Unit-экономика: считаем CAC и масштабирование
Считаем unit-экономику контентной единицы. Стоимость генерации одной карточки через агрегатор ИИ-сервисов составила 11 рублей (с учетом токенов различных моделей и стоимости API), ручная доработка junior-редактором — 48 рублей, автоматическая проверка — 2 рубля, итого 61 рубль против 220 рублей у фрилансеров за аналогичный объем при традиционном подходе. При 800 карточках прямая экономия на производстве контента — 127 200 рублей.
Но главный эффект — время вывода на рынок (time-to-market). Сокращение цикла с 3 месяцев до 1 месяца дало дополнительную выручку около 2,4 млн рублей за счет раннего старта сезонных продаж (лендинг к новогоднему спросу вышел на 6 недель раньше конкурентов). Для повторяющихся задач настроили шаблоны в most-AI, что позволило снизить CAC последующих партий до 7 рублей за карточку при масштабировании на 5000+ SKU. При планировании бюджета на Q2 учитывайте: использование агрегатора снижает порог входа для тестирования гипотез, позволяя менять модели под задачу без переподписания контрактов с разными вендорами. Детали реализации доступны на most-ai.com.