Зачем отсматривать 1000 сессий в Вебвизоре, если можно натравить на интерфейс ИИ-агентов? Как устроена сессионная симуляция
Когда продуктовая команда пытается найти барьеры в интерфейсе крупного e-commerce, она обычно упирается в два тупика. Первый — классические коридорные тесты и UX-лаборатории (долго, дорого, выборка субъективна, но все еще эффективна!). Второй — Вебвизор и логи (тонны хаотичных записей, в которых аналитик тонет часами, пытаясь выловить систему в поведении тысяч пользователей).
Мы в TONSA разработали систему сессионной симуляции, которая запускает цифровых ИИ-агентов, имитирующих реальное человеческое поведение на сайте. Платформа позволяет автоматически находить неочевидные интерфейсные и логические ошибки в каталогах.
В этой статье я расскажу, как концептуально устроен этот метод, разберу реальный кейс: как наш ИИ-агент досрочно завершил сессию в крупном интернет-магазине из-за одной скрытой аномалии в карточке товара.
Технологический конвейер: автоматизация аудита
Чтобы получать стабильный и применимый в продуктовой разработке результат, мы построили многослойный технологический пайплайн. Процесс сбора данных и анализа полностью автоматизирован и автономен. Под капотом нашего сервиса развернут стек индустриальных решений для e-commerce:
- Инфраструктурный слой: Построен на базе FastAPI для быстрой асинхронной обработки тяжелых запросов и стриминга прогресса.
- Слой эмуляции интерфейсов: Использует headless-браузеры (включая Playwright) для корректного рендеринга и изоляции страниц в десктопной и мобильной версиях. Это позволяет собирать чистые сигналы интерфейса и DOM-структуры.
- Когнитивный слой: Работает на базе кастомизированных Vision- и языковых моделей последнего поколения (включая Claude).
Все внутренние алгоритмы, промпты и контракты данных я конечно не раскрою :). Но общая логика того, как ИИ взаимодействует с сайтом, построена на строгих принципах юзабилити.
Механика симуляции: Как ИИ имитирует когнитивную нагрузку
Система заставляет ИИ-агентов действовать так, как действовал бы живой человек, но с возможностью оцифровать каждое микродвижение:
- Профайлинг по когортам: инициализируем агентов, задавая им жесткие поведенческие и ролевые паттерны реальных покупателей. Например: «Рациональный B2C-клиент с ограниченным бюджетом» или «B2B-снабженец, оформляющий срочный заказ».
- Когнитивные карты мотивации: Вместо случайного перебора кликов агенты руководствуются базовыми фреймворками когнитивной психологии и законами юзабилити (Закон Хика, закон Фиттса и прочих известных ребят). Они сканируют визуальный слой интерфейса, сопоставляют его со структурой страницы и принимают решения на основе динамических весов: «мотивация / усталость / фрустрация».
- Слой верификации данных (QA): Полученные от ИИ инсайты проходят через внутренний слой валидации. Система автоматически сопоставляет критичность найденных барьеров с драйверами принятия решений. Если данные противоречат друг другу, алгоритм перепроверяет сценарий, исключая любые случайные галлюцинации нейросети.
Реальный кейс: Как ИИ-агент застрял на этапе выбора маркера
Чтобы приземлить технологию на практику, посмотрите на результаты одной из симуляций, которую мы запускали на десктоп-версии карточки товара (PDP) перманентного маркера в крупном федеральном интернет-магазине.
Мы инициализировали профайл «Розничный покупатель». Агент успешно зашел на страницу, распознал элементы интерфейса и перешел к стандартному сценарию выбора цвета маркера в блоке модификаций.
И здесь система зафиксировала аномалию:
- Зеленый маркер на карточке стоил 6,90 ₽.
- Красный маркер (точно такой же, в соседнем табе выбора цвета) стоил 41,70 ₽.
В 87% симуляций когнитивная модель агента зафиксировала критическое нарушение «ценового ожидания». В логике ИИ-агента (как и в логике обычного человека) такой резкий необъяснимый скачок цены на идентичный товар внутри одной карточки считывается как системная ошибка интерфейса или скрытый обман.
Результат
Когнитивная фрустрация превысила уровень мотивации. Симуляция сессии аварийно завершилась. Агент закрыл вкладку, так и не дойдя до корзины, и зафиксировал в итоговом отчете интерфейсный барьер в слое принятия решений.
Живая UX-лаборатория могла бы неделями собирать респондентов, чтобы выловить эту проблему на огромном каталоге за огромный чек. Автоматизированная симуляция подсветила скрытую аномалию интерфейса и ценообразования всего за 15 минут.
Что получает продуктовая команда на выходе?
Вместо субъективного отчета в стиле «мне кажется, у вас кнопка некрасивая», система TONSA выдает структурированный аудит, который рендерится в удобный интерактивный интерфейс.
E-com директор или CPO получает готовый инструмент для оптимизации конверсии:
- Ready Score: Четкий индекс готовности карточки к продажам.
- Карту драйверов (Decision Drivers): Оценку того, насколько интерфейс помогает или мешает пользователю выбрать товар на этапе сравнения.
- Готовый бэклог правок (Backlog): Конкретные продуктовые задачи, ранжированные по приоритетам с прогнозом оценки их влияния на конверсию.
Вместо вывода
Сессионная симуляция позволяет автоматизировать сложную, рутинную аналитику интерфейсов, которую люди физически не успевают делать качественно. Метод дает возможность заглянуть в интерфейс глазами агентов, моделирующих поведение ваших реальных, самых капризных покупателей.
Мы продолжаете итеративно развивать платформу, расширяя методологию на мобильные сценарии и b2b-платформы.
Напишите в комментариях: какие интерфейсные аномалии в интернет-магазинах чаще всего заставляли вас закрывать вкладку и уходить к конкурентам? Обсудим.