Amplitude превратила продуктовую аналитику в активного участника разработки. Агент Wave сам ищет точки роста, готовит план изменений, передаёт задачи кодирующим агентам и проверяет результат после запуска.
Суть за 30 секунд
- Amplitude использует аналитику для поиска возможностей улучшить продукт.
- Срок 1–2 дня относится к выпуску улучшений в описанном кейсе.
- После выпуска команда измеряет результат.
Оценка MIO · влияние 4/5 · срочность 2/5 · зрелость 3/5
В этой статье

Продуктовая аналитика обычно отвечает на вопрос, что уже произошло. Amplitude пытается сделать следующий шаг: использовать данные не только для отчётов, но и для поиска, подготовки и проверки улучшений продукта. В основе нового подхода находится проактивный агент Wave, большая часть которого, по данным компании, работает на моделях OpenAI.
Wave объединяет аналитику поведения, записи пользовательских сессий, обратную связь и код продукта. Система ищет проблемы и возможности, формирует гипотезу, предлагает решение и готовит технический план с критериями приёмки. После этого команда может передать задачу кодирующему агенту, включая Codex, а затем измерить эффект запущенного изменения.
От найденной проблемы до эксперимента
Amplitude оценивает, что с помощью Wave отдельные улучшения можно доводить до запуска за один-два дня вместо примерно месяца. Это не означает, что весь цикл разработки автоматически сокращается до нескольких часов. Речь идёт о конкретном типе задач, где система располагает достаточными данными, а масштаб изменения позволяет быстро проверить гипотезу.
Один из показательных экспериментов компания провела на собственной главной странице. Wave изучил выборку из 100 записей пользовательских сессий и обнаружил, что большинство посетителей игнорировало стандартные карточки с подсказками для общения с ИИ-агентом. Агент предложил персонализировать эти карточки на основе недавних отчётов, дашбордов и страницы, с которой пришёл пользователь.
После проверки идеи команда передала реализацию кодирующему агенту и запустила A/B-тест. Согласно опубликованному Amplitude результату, число сообщений, отправленных через карточки-подсказки, выросло на 160% относительно контрольной группы после одного дня эксперимента.
Разные модели для разных этапов работы
Внутри Wave нет одной модели, которая выполняет абсолютно всё. Для сложного анализа кода и данных Amplitude использует более мощные рассуждающие модели. Частые небольшие проверки передаются более быстрым и экономичным моделям, а отдельная модель генерации изображений помогает создавать макеты будущих интерфейсов.
Такой подход важен не только из-за стоимости. Глубокое исследование должно подтверждать выводы данными, учитывать неопределённость и восстанавливаться после ошибок инструментов. Массовая небольшая проверка, напротив, должна выполняться быстро и предсказуемо. Поэтому Amplitude оценивает модели отдельно для каждой роли по качеству, скорости и стоимости.
Редакционный вывод MIO
Главная идея кейса — не «заменить продуктовую команду искусственным интеллектом», а соединить разрозненные этапы в один управляемый контур. Обычно аналитик находит проблему, менеджер формулирует гипотезу, дизайнер готовит решение, разработчик реализует его, а затем команда снова возвращается к аналитике. Агент может убрать задержки между этими переходами.
При этом решение о запуске остаётся за людьми. Небольшие исправления можно быстрее отправлять в разработку, тогда как новые функции и рискованные изменения требуют полноценной проверки. Чем выше цена ошибки, тем строже должны быть правила согласования.
Что брать бизнесу
- Начинать с измеримой зоны. Выберите один экран или этап воронки, где есть аналитика, записи сессий и понятная целевая метрика.
- Разделять поиск проблемы и публикацию решения. Агент может находить возможности автоматически, но запуск должен иметь ответственного.
- Передавать разработке не идею, а пакет. Полезный результат включает доказательства проблемы, макет, технический план и критерии приёмки.
- Подбирать модель под задачу. Необязательно использовать самый мощный вариант для каждой небольшой проверки.
- Замыкать цикл данными. После запуска система должна оценивать результат и учитывать его в следующих рекомендациях.
Для компаний с большим потоком пользовательских данных это может стать новой моделью непрерывного улучшения продукта. Конкурентное преимущество появляется не из-за одного ИИ-инструмента, а благодаря сокращению пути от наблюдения до проверенного изменения.


