Свежий апдейт ИИ Genspark стоит 8 долларов за анализ таблицы: проверил на своих данных
Вчера я потратил почти 8 долларов всего на один запрос к малоизвестной американской нейросети (в СНГ). Вернее к новому и очень дорогому обновлению агента Genspark, который теперь умеет анализировать таблицы. Если коротко — я был впечатлён. Но давайте по порядку.
У меня на руках был массив данных по продажам тапочек на Ozon за неделю. Не какой-то там учебный пример на 100 строк, а вполне реальный и грязный датасет с более чем 10 000 строк. Пару месяцев назад я уже проделал серьёзную работу с этим набором данных, используя Python, DataFormulator и разные инструменты для автоаналитики и визуализации. На всё ушло два дня.
Когда я узнал, что Genspark, проект, за которым я давно наблюдаю ещё со времён их крутых мультиагентных решений и первых ИИ-ассистентов, выпустил свежий апдейт с функцией анализа таблиц, мне сразу стало интересно: сможет ли один ИИ-агент полностью заменить мои два дня работы с кодом, аналитикой и визуализацией?
Решил рискнуть и проверить это лично, несмотря на ощутимую цену в 8 долларов за один-единственный запрос. О том, что из этого получилось, я подробно расскажу в этой статье.
Интерфейс и первый контакт: простота и реальность
Интерфейс агента Genspark выглядит практически идентично ChatGPT и аналогичным сервисам: ничего лишнего, лишь окно для диалога и загрузки файла. После загрузки датасета справа должна была появиться сама таблица — это типичная фича большинства современных инструментов для работы с данными, чтобы пользователь сразу видел, с чем именно предстоит работать.
Но мой массив оказался не таким уж простым: 10 000 строк и 34 столбца, а это более 300 000 ячеек с данными. Genspark споткнулся именно тут — таблица справа так и не загрузилась полностью. Скорее всего, размер датасета вышел за пределы «лёгких» сценариев, которые обычно демонстрируют разработчики. И это, кстати, не минус, а скорее, проверка агента на адекватность в реальных условиях.
Зная заранее о подводных камнях, которые меня ждут в таком анализе, я всё же решил посмотреть на Genspark глазами обычного пользователя: продавца с маркетплейса, уставшего от десятков сервисов аналитики, инфоцыганских курсов и сложных графиков. Такой человек хочет просто «поговорить» со своими данными и получить ясные ответы на простые вопросы. И вот именно такой вопрос я и задал нейросети, абсолютно обывательский, без технических терминов и аналитического сленга.
Интересно было увидеть, насколько простым и удобным окажется этот путь для тех, кто никогда не писал код, не видел корреляционных матриц и тем более не знает, что такое pandas и Python.
ИИ и датасет: диалог вместо инструкций
Прошло буквально пару минут, и Genspark отчитался, что данные просмотрел и готов работать дальше. Честно говоря, я ожидал, что он зависнет подольше, учитывая размер массива, но скорость приятно удивила.
Следующее приятное впечатление — нейросеть предложила сразу несколько готовых сценариев, без технических терминов и громоздких аналитических понятий. Она явно была готова общаться на понятном человеческом языке с людьми, чей опыт анализа данных обычно ограничивается решением, сколько замариновать шашлыка на большую компанию.
Агент предложил вполне осмысленные варианты простого и ясного анализа:
- Общая статистика по товарам.
- Выявление самых прибыльных товаров и брендов.
- Изучение данных по эффективности рекламы и конверсии.
- Возможность сортировать и фильтровать таблицу по понятным критериям.
- Анализ динамики продаж и других временных характеристик.
Это именно тот подход, который нужен среднестатистическому пользователю, далёкому от сложных терминов и утомительных инструкций. Вместо того чтобы копаться в настройках и подбирать нужный график вручную, пользователь может просто выбрать, что ему интересно узнать, и мгновенно получить результат.
Теперь оставалось самое интересное — проверить, сможет ли агент так же ясно и просто выдать аналитику, которую я ранее проводил два дня, совмещая код и несколько нейросетей одновременно.
Любопытство взяло верх: задаём простой вопрос и получаем сложный ответ
Мне стало интересно проверить, справится ли Genspark с реальным аналитическим запросом, если описать его максимально простым языком. Без терминов, формул и указаний на типы графиков. Я просто написал агенту пару строк человеческим языком:
«Нужно понять, что происходит в этой нише, какие стратегии существуют, сегменты, лидеры и их отличительные особенности.»
И тут Genspark:
- Составил развёрнутый, чёткий и совершенно адекватный план анализа, который выглядел так, будто его написал опытный специалист по маркетплейсам, знающий, на какие метрики стоит смотреть.
- Предложил провести анализ с помощью инструмента Pandas (на этом этапе пользователю не обязательно знать, что это такое, но это важная деталь — Genspark готов самостоятельно писать код).
- Выделил конкретные шаги и сегменты анализа: от ценовых категорий до стратегий рекламных расходов и сравнения эффективности схем работы продавцов.
Он сначала сам определил, что именно необходимо сделать, и затем приступил к созданию необходимого кода и сценариев.
И именно в этом ключевая разница: простой ИИ создаёт лишь текст, а агент принимает решения, какие действия нужно совершить, и сам генерирует код, чтобы их выполнить.
Спойлер: план был детальным, что я уже начал понимать — быстро этот анализ завершить не удастся. Но, с другой стороны, это как раз то, что отличает реальную аналитику от поверхностных ответов — глубина и качество проработки данных.
Теперь оставалось самое интересное — посмотреть, как агент справится с собственной программой и сможет ли выдать чёткие результаты.
Как ИИ-агент провалился в аналитику и увяз в ней на 20 минут
Дальше началась тяжёлая аналитическая работа. Genspark всерьёз взялся за написание кода — и писал его много. Реально много. Python, Pandas, визуализации и кластерный анализ: в ход пошло всё, чем обычно занимаются аналитики при разборе сложных таблиц.
Минут 20 я наблюдал за тем, как он шаг за шагом генерирует код, выполняет его, анализирует промежуточные результаты и сам себе ставит задачи на доработку. Уже успел пожалеть, что начал эксперимент поздно вечером — ведь наблюдать за этим не просто любопытно, но и довольно утомительно. В какой-то момент я даже начал слегка раздражаться — хотелось быстрее понять, к чему всё это приведёт.
ИИ упорно продолжал трудиться:
- Он сегментировал продавцов по ценовым категориям, подсчитал доли сегментов и сохранил результаты в файл. И это было только начало.
- Затем последовала сложная процедура кластеризации продавцов: Genspark сам выбрал метод анализа, построил графики и даже чётко назвал выявленные группы продавцов с кратким описанием их стратегий. Тут уже действительно начинаешь удивляться, ведь далеко не каждый аналитик-маркетолог умеет делать это настолько последовательно и структурно.
Но тут возникает справедливый вопрос: «Ваня, всё это круто, конечно, но где тут простота и как обычному человеку во всём этом разобраться?»
И это действительно важный момент, потому что любой человек без подготовки, увидев всё это многообразие кода и графиков, мог бы впасть в отчаяние и закрыть вкладку. Но Genspark не был бы Genspark, если бы не предусмотрел и это.
Что он предложил дальше и как он смог выйти на простые и понятные выводы из всей этой аналитической истории — расскажу в следующем блоке.
От бесконечного кода к простым выводам: как Genspark объяснил всё по-человечески
И вот, когда я уже начал переживать, что тонны кода и графиков останутся только моим ночным кошмаром, агент внезапно сделал самое главное — превратил всю аналитику в аккуратный и понятный текст.
Без сложных терминов, без графиков, от которых можно заработать мигрень. Вместо этого — простые, чёткие выводы:
- Вот рынок тапочек на Ozon: его объём, сколько там продавцов и брендов.
- Вот ценовые сегменты: от дешёвых до люксовых, с понятными цифрами и процентами.
- Вот кто лидирует на рынке и почему.
- Вот какие стратегии используют продавцы, с объяснением того, что значит «эконом-стратегия» или «премиальный сегмент».
- В конце даже появилось краткое описание того, какие факторы реально работают, а какие нет.
Самое прекрасное — эту выжимку может прочесть и понять абсолютно любой человек. Неважно, кто вы — профессиональный аналитик, продавец тапочек или владелец маленького магазина, которому нужно быстро разобраться в ситуации. Без привлечения дополнительных специалистов и без расшифровки непонятных графиков.
Вставлять сюда десятки скриншотов было бы насилием над читателем, поэтому для самых любопытных и дотошных я оставляю ссылку на сам чат с Genspark, где можно посмотреть весь процесс в деталях.
Сколько это стоит и стоит ли оно того?
Теперь о цене. Genspark использует кредитную систему оплаты, где 10 000 кредитов стоят 20 долларов. На мой эксперимент ушло около 4100 кредитов, что эквивалентно примерно 8 долларам.
Дорого это или нет — вопрос открытый. Если сравнивать с традиционными сервисами аналитики, где вы получаете только графики, и вынуждены дополнительно оплачивать услуги аналитика (если сами в этих графиках не разбираетесь), то цена вполне конкурентна. А тут вы получаете не только графики и код, но и человеческие объяснения результатов, а также возможность в любой момент проверить даже самые дикие гипотезы, не боясь, что кто-то скажет вам: «это не имеет смысла».
По итогу, вы получаете огромное пространство для реализации вашей интуиции, помноженной на возможности аналитики и автоматизированного ИИ-агента.
Именно в этой точке аналитика перестаёт быть скучной и сложной работой, превращаясь в увлекательный процесс общения с собственными данными.
Как и всегда если у вас будут вопросы или нужна будет помощь, вы всегда можете мне написать. Я помогаю с кейсами, провожу обучения и просто люблю интересные задачи.