Почему A/B-тесты перестали быть инструментом истины

Почему A/B-тесты перестали быть инструментом истины

Когда-то A/B-тест воспринимался как почти лабораторный способ ответа на вопрос «что работает?». Поменяли кнопку, заголовок, оффер — получили победителя, закрепили решение и двигаемся дальше. В 2026 году эта логика всё чаще ломается не потому, что экспериментирование стало хуже, а потому что среда стала сложнее. Канал, по которому мы раньше считывали эффект, теперь искажён множеством факторов: приватность, AI-обзор в поиске, дробление внимания, падение кликабельности, размытая атрибуция, рост роли бренда и удержания.

Главная ошибка сегодня — ждать от A/B-теста ответа на стратегический вопрос, будто речь идёт о физическом законе. Эксперимент по-прежнему полезен, но его роль сместилась: из «машины истины» он превращается в **инструмент управления неопределённостью**.

Первый сдвиг — тест перестал быть хорошим судьёй для слабых сигналов.
Если раньше можно было относительно быстро поймать разницу в CTR или конверсии на лендинге, то теперь многие изменения тонут в шуме. Пользователь мог увидеть объявление в одном канале, прочитать обзор в AI-overviews, вернуться через брендовый запрос и только потом совершить действие. На выходе last-click приписывает успех последнему касанию, хотя реальная причина лежит в цепочке контактов.

Пример: B2B-компания меняет форму заявки с 7 полей на 3. По A/B-тесту лидов становится больше. Но через месяц sales и customer success видят, что качество входящих не выросло, а цикл сделки не сократился. Формально эксперимент выиграл. По выручке — вопрос открыт. В мире RevOps это уже не мелкая оговорка, а проблема постановки задачи.

Второй сдвиг — тестировать нужно не только интерфейс, но и гипотезу ценности.
Когда AI генерирует десятки креативов за вечер, конкуренция смещается из исполнения в концепцию. Поменять цвет кнопки легко. Сложнее проверить, какая смысловая рамка вообще лучше работает: экономия, статус, снижение риска, удобство, скорость, экспертность.

Пример: у SaaS-продукта один и тот же функционал можно упаковать как «сократите рутину отдела продаж», «повышайте управляемость воронки» или «собирайте отчётность без Excel». Варианты дизайна почти не важны, если не проверена исходная история. Поэтому зрелая команда сначала тестирует сообщение, затем креатив, затем посадочную механику. И только потом — оттенок синей кнопки.

Третий сдвиг — эксперимент нельзя отрывать от экономики продукта.
В e-com средний чек снижается, и борьба за первую покупку всё чаще оказывается дорогой забавой. Если клиент купил один раз и исчез, победа в тесте мало что значит. Значимым становится не краткосрочный рост конверсии, а влияние на повторные покупки, маржу, возвраты и LTV.

Пример: интернет-магазин запускает тест на агрессивную скидку в первом заказе. Конверсия растёт. Но через два месяца видно: выросли доля промокодного трафика, падение средней маржи и снижение повторных заказов. С точки зрения эксперимента это не провал, а неполный ответ. С точки зрения бизнеса — плохая стратегия. Хорошая экспериментальная культура должна уметь останавливать такие победы вовремя.

Четвёртый сдвиг — важнее становится не количество тестов, а качество системы принятия решений.
В 2026 году сильные команды отличаются не тем, что запускают «бесконечный сплит», а тем, что умеют собирать из экспериментов накопленное знание. Что работает для конкретного сегмента? При каком LTV-профиле? На каком этапе воронки? В каком канале эффект устойчив, а где он случайный?

Пример: маркетинговая команда видит, что образовательный лендинг стабильно проигрывает короткому коммерческому. Но при разборе сегментов обнаруживается, что для холодного трафика из поиска образовательный вход лучше, а для ретаргетинга — хуже. Если смотреть только на общий результат, можно убить работающую механику. Если смотреть на контекст, эксперимент превращается в карту поведения аудитории.
…