Карточки, GPU и почему ваши сейлзы врут: дайджест AdUnicorn за 17 июля 2026

ФАС наконец решила почитать отзывы на маркетплейсах

Пока вы спорили в чате с юристом, нужно ли маркировать карточку товара на Wildberries как рекламу, ФАС взяла и разъяснила. Спойлер: не всё так однозначно, как хотелось бы и вам, и юристу, и особенно тем, кто эти карточки годами лепил без маркировки и спал спокойно.

Короткая суть: если карточка товара и отзывы формируются в рамках обычной механики маркетплейса — это не реклама, это витрина. Но как только продавец начинает продвигать конкретную карточку отдельно — через платное размещение, буст в топе выдачи или мотивированные отзывы за плюшки — вот тут ФАС начинает щуриться. И правильно делает.

Почему это важно каждому, кто торгует на маркетплейсах, а не только тем, кто делает вид, что это его не касается:

• **Мотивированные отзывы — зона риска.** Если вы платите за отзыв (деньгами, баллами, скидкой на следующий заказ), это уже похоже на рекламную интеграцию, а не органическую обратную связь довольного покупателя.
  **Продвижение карточки за деньги = реклама.** Внутренние инструменты маркетплейсов для буста — это платное размещение, и тут маркировка становится не рекомендацией, а обязанностью.
  **Штрафы никто не отменял.** А учитывая, что ФАС в 2026 году явно вошла во вкус цифрового регулирования, экономить на юристе — это как экономить на парашюте.

В AdUnicorn мы давно проговариваем эту тему с клиентами на маркетплейсах: грань между «органикой» и «рекламой» стала тоньше бумаги для чека. Если вы ведёте бренд на Ozon или WB и не уверены, где заканчивается обычный мерчандайзинг и начинается реклама, требующая токена в ЕРИР — самое время это выяснить. Причём не после проверки, а до неё.

Kaiten отчитался: бизнес в России стал реально работать, а не изображать деятельность

Сервис управления процессами Kaiten проанализировал данные 3210 компаний за первое полугодие 2026 и выдал цифры, от которых хочется либо порадоваться, либо устыдиться — в зависимости от того, сколько задач висит у вас в бэклоге прямо сейчас.

Главная цифра: доля закрытых задач выросла с 55% до 70%. Это не косметическое улучшение — это структурный сдвиг. Компании либо научились ставить реалистичные цели, либо перестали заводить задачи ради галочки в отчёте для руководства. Возможно, и то и другое одновременно — редкий случай, когда обе версии одинаково лестны для бизнеса.

Второй важный момент — работа стала «заметно более командной». Если переводить с языка отчётов на человеческий: меньше историй в духе «один менеджер тащит проект, а остальные семь — наблюдатели в чате», больше реального распределения ответственности.

Что это значит для маркетинга и продаж, где живёт AdUnicorn:

• **Рост закрываемости задач = рост скорости принятия решений.** Если внутри компании процессы наладились, то и с подрядчиками — агентствами, фрилансерами, интеграторами — работать становится проще: меньше согласований в вакууме, быстрее фидбэк.
  **Командная работа — это про прозрачность целей.** Когда у бизнеса появляется общая система координат (в Kaiten, Jira, хоть в блокноте — не важно), маркетингу проще встраиваться в общую воронку, а не existовать в параллельной вселенной с KPI по лайкам.
  **Это сигнал зрелости рынка.** Компании, которые ещё год назад путали хаос с гибкостью, начинают учиться процессам. Хорошая новость для всех, кто продаёт B2B-услуги: клиент становится осмысленнее.

Мы в AdUnicorn это тоже видим по входящим запросам: клиенты приходят не с «сделайте нам что-нибудь красивое», а с чёткими метриками и пониманием, чего хотят добиться. Прогресс, товарищи. Медленный, но настоящий.

Локальный LLM для SOC: одна GPU или нужен целый дата-центр?

Сергей Иванов из R-Vision разобрал вопрос, который волнует любого безопасника, посмотревшего на счета за облачные LLM-запросы: а можно ли развернуть модель локально, не продавая почку и не строя отдельный ЦОД?

Ответ, если коротко: да, для многих задач SOC (Security Operations Center) достаточно одной профессиональной GPU. Не кластера, не стойки, а одной карты, которая будет обрабатывать типовые сценарии — классификацию инцидентов, первичный триаж алертов, генерацию описаний для тикетов.

Ключевые тезисы материала:

• **Одна GPU — это реальный старт, а не компромисс ради экономии.** Для базовых сценариев анализа логов и алертов производительности хватает без необходимости в распределённых вычислениях.
  **Пределы есть, и они конкретные.** Как только речь заходит о сложных multi-step рассуждениях, длинном контексте или параллельной обработке большого потока данных в реальном времени — одна карта начинает захлёбываться.
  **Локальность — это ещё и про безопасность данных.** Для SOC отправлять логи с потенциально чувствительной информацией во внешний API — то ещё удовольствие для комплаенса. Локальный запуск снимает часть этой головной боли.

Почему это касается не только безопасников, а вообще всех, кто думает про AI-инфраструктуру у себя в компании: тренд на локальные LLM — это не хайп, а экономика. Пока одни компании жгут бюджет на облачные токены за каждый запрос, другие считают TCO и понимают, что своя карта окупается за несколько месяцев при стабильной нагрузке.

В AdUnicorn мы не разворачиваем LLM для SOC (не наш профиль, если что), но мы отлично понимаем логику: прежде чем масштабировать любую технологию — в маркетинге, в продажах, в безопасности — нужно honestly ответить на вопрос «а сколько ресурсов нам реально нужно», а не «сколько модно иметь». Один GPU вместо кластера — это, по сути, история про здравый смысл, которого так не хватает в закупках технологий последние лет пять.

Плохие лиды или слабые продажи: ИИ как детектор лжи между отделами

Вот она, вечная классика B2B: продажи падают, маркетинг обвиняет отдел продаж в неумении закрывать сделки, продажи обвиняют маркетинг в мусорных лидах, продакты в этот момент тихо радуются, что про них все забыли. Знакомая картина? В AdUnicorn мы наблюдаем её у клиентов регулярно — обычно это первый признак того, что в компании нет единой системы аналитики, зато есть избыток эмоций на еженедельных созвонах.

Статья про ИИ-аналитику предлагает, наконец, выйти из режима взаимных обвинений и посмотреть на данные. Причём не просто на цифры в CRM, а на паттерны, которые человек физически не в состоянии заметить, пролистывая тысячи карточек лидов вручную.

Что реально может дать ИИ-аналитика в этом споре:

• **Скоринг лидов на основе реального поведения, а не догадок.** ИИ смотрит не на то, «откуда пришёл лид», а на десятки поведенческих сигналов: как быстро отвечал, что читал, сколько раз возвращался на сайт, какие вопросы задавал в чате.
  **Анализ причин провала сделки на уровне паттернов, а не единичных кейсов.** Если 60% отваленных сделок теряются на одном и том же этапе воронки — это системная проблема продаж или продукта, а не «плохой лид».
  **Прозрачность вместо политики.** Когда данные показывают объективную картину — кто на самом деле упускает конверсию, — становится сложнее переводить стрелки. ИИ не участвует в офисных интригах, ему всё равно, кого обвинять.

Почему это прямо про нас: в AdUnicorn лидогенерация — это то, за что нам платят деньги, и мы физически устали слышать фразу «лиды плохие» без единой цифры в подтверждение. ИИ-аналитика — это способ прекратить религиозные споры и перейти к разговору на языке данных. Спойлер: обычно правда где-то посередине, и виноваты обе стороны, просто по-разному.

Kubernetes: практики, которые дорого стоят, если узнать о них поздно

Закрываем дайджест переводом про Kubernetes-практики от Pulumi — материал не для маркетологов, но крайне полезный для всех, кто зависит от девопсов и хочет понимать, почему релиз опять «немного задерживается».

Суть материала: есть набор практик Kubernetes, которые кажутся необязательными ровно до первого серьёзного инцидента, а потом внезапно становятся золотым стандартом, о котором вся команда клянётся никогда больше не забывать. Классика жанра «дорога ложка к обеду», только обед — это ваш продакшн в 3 часа ночи.

Ключевые моменты, которые выделяет автор перевода:

• **Resource limits — это не бюрократия, а страховка.** Без явных лимитов по CPU и памяти один сломанный под может положить весь кластер, утащив за собой сервисы, которые вообще ни при чём.
  **Health checks должны быть настоящими, а не формальными.** Liveness- и readiness-пробы, которые просто возвращают 200 на любой запрос, — это не мониторинг, это театр.
  **Инциденты учат быстрее документации.** Практики, описанные в статье, родились не из теории, а из боли конкретных команд, которые словили конкретные факапы.

Почему мы, digital-агентство, вообще упоминаем Kubernetes в дайджесте: потому что инфраструктурная зрелость клиента напрямую влияет на то, как быстро мы можем катить лендинги, интеграции с CRM, трекинг конверсий и прочие вещи, за которые нам платят. Когда у клиента продакшн падает раз в неделю из-за отсутствия элементарных resource limits — это не абстрактная девопс-проблема, это наши сорванные дедлайны и остывший кофе на созвонах.

Что все эти новости говорят вместе

Если вычленить из сегодняшнего дайджеста один общий вектор, он звучит так: 2026 год — это год, когда всем надоело работать на веру и хочется данных. ФАС хочет данных о том, что на самом деле реклама, а что нет. Kaiten показывает данные о том, что бизнес стал эффективнее. R-Vision считает данные о реальных ресурсах для локальных LLM. ИИ-аналитика разбирает данные между маркетингом и продажами. А Kubernetes-практики — это, по сути, данные о том, что ломается чаще всего.

AdUnicorn существует именно на пересечении всех этих точек: мы делаем маркетинг, который можно измерить, лидогенерацию, которую можно проверить, и рекламу, которая по крайней мере не нарушает последние разъяснения ФАС. Если ваш бизнес до сих пор живёт на ощущениях «кажется, реклама работает» — возможно, самое время присоединиться к тем 70% компаний, которые действительно закрывают задачи, а не просто заводят новые.

До следующего дайджеста. Будьте бдительны с маркировкой отзывов — ФАС теперь читает даже комментарии про качество упаковки.