Атрибуция становится прозрачнее не потому, что метка «последний клик» вдруг перестала врать, а потому что у ма

Атрибуция становится прозрачнее не потому, что метка «последний клик» вдруг перестала врать, а потому что у маркетологов появляется новый класс инструментов для проверки гипотез. И

Исследователи обучили sparse autoencoders на внутреннем слое модели и получили огромный набор признаков, каждый из которых можно частично «двигать» и смотреть, как меняется ответ. Для LLM это важный сдвиг: часть поведения перестаёт выглядеть как недоступная магия и превращается в наблюдаемую структуру.

Почему это интересно не только тем, кто следит за ИИ. В маркетинговой измеримости мы тоже постоянно ищем скрытые механизмы: где вклад канала настоящий, где сигнал раздут, а где модель просто подстраивается под шум. Проблемы атрибуции, MMM и incrementality во многом похожи на работу с такими признаками: у нас есть наблюдаемый результат, но причина может лежать внутри системы и быть неочевидной на уровне обычной отчётности.

В этом исследовании особенно любопытно, что среди признаков нашли не только «нейтральные» паттерны, но и такие вещи, как склонность к поддакиванию, смещение и признаки неискреннего поведения. Иными словами, внутренние характеристики модели можно пытаться связать с конкретными типами ответов. Для команды, которая строит AI-ассистента для маркетинга или аналитический слой поверх LLM, это важнее, чем кажется: одного текстового quality check уже мало, нужен контроль того, какие внутренние поведенческие паттерны вообще активируются.

Практический вывод для измеримости простой. Чем сложнее система принятия решений, тем хуже работает проверка только по верхнему слою. Нужны независимые тесты, трекинг инкрементальности и контрольные срезы, которые показывают не только что модель сказала, но и почему она к этому пришла. В AI это features, в маркетинге — вклад каналов и смещение данных. Суть одна: без проверки внутренней механики доверять красивому ответу опасно.