Замер ИИ vs студия: A/B-тест на 200 карточках Wildberries и Ozon

• +25% рост конверсии в заказ у ИИ-карточек vs классическая раскладка
• +38% CTR в выдаче маркетплейсов
• −12% процент возвратов — покупатель точнее видит посадку вещи на модели
• −82% бюджет на производство контента

Тест: 200 SKU из коллекции весна-лето 2026 одного D2C-бренда одежды среднего сегмента, 3 месяца, поровну ИИ-группа и студийная-группа с одинаковым трафиком на Wildberries и Ozon. Замер инициирован после того, как контент-команда бренда поставила вопрос: оправдывает ли студийная съёмка свой бюджет в условиях, когда средний чек в e-commerce РФ снизился на 5% до 1 610 ₽, а ниши перенасыщены конкурентами.

В статье — методология, что считали и как, гипотезы до запуска, расшифровка по категориям товара, разбор причин возвратов, где ИИ проиграл студии и какие выводы из этого замера переносить на свою коллекцию нельзя.

Контекст: зачем понадобился замер

Российский e-commerce в 2025 вырос на 19% до 13,4 трлн ₽, при этом маркетплейсы захватили 81% всех заказов (Data Insight, итоги 2025). Одежда и обувь — категория объёмом около 6 трлн ₽, и почти четверть продаж этой ниши идёт через Wildberries (Fashion Buzz, разбор отчёта). Маржинальность селлеров падает: усиливается конкуренция, растут расходы на алгоритмы платформ, средний чек снижается.

В таких условиях контент-бюджет — одна из управляемых статей расхода. Студийная съёмка фешн-коллекции из 200 SKU обходится бренду в 300–500 тыс. ₽ и занимает 4–6 недель. Если эти деньги не дают значимого прироста конверсии, их разумно перенаправить на трафик или товарный ассортимент. Замер должен был дать ответ: даёт ли студия измеримый отрыв от ИИ-генерации в реальных продажах.

Аналогичные A/B-эксперименты на маркетплейсах в открытых источниках есть, но они либо без полной методологии (один кейс с приростом CTR с 1.8% до 3.2% в категории текстиля у агентства A3), либо в формате обзора инструментов без замеров. Бренд согласился на NDA-условиях опубликовать агрегированные результаты под нашим брендом, без раскрытия названия и категории SKU.

Методология

Отбор 200 SKU и контрольная группа

Из коллекции весна-лето 2026 (всего 740 артикулов) отобрали 200 SKU, разделённых на 5 товарных групп:

• Платья и юбки — 50 SKU
• Базовая одежда (футболки, худи, брюки) — 60 SKU
• Верхняя одежда (тренчи, ветровки, лёгкие куртки) — 30 SKU
• Обувь — 30 SKU
• Аксессуары (сумки, ремни, шапки) — 30 SKU

Критерии отбора: артикул должен быть в коллекции минимум 4 недели до старта замера (чтобы избежать «эффекта новинки»), иметь стабильный остаток на складе FBO, цену в среднем диапазоне ниши (без флэш-скидок и распродаж), описание длиной 1 000–2 500 символов.

Каждый SKU был выпущен в двух вариантах одной карточки:

• Группа A — студия: классическая съёмка в московской студии, 8–10 кадров на артикул, раскладка плюс фото на модели на белом фоне, цветокоррекция, ретушь.
• Группа B — ИИ: исходник — фото товара на манекене или вешалке. Через ИИ-пайплайн генерировались 8 кадров: главное фото на белом фоне с моделью, 2 лайфстайл-сцены, 4 ракурса деталей и текстуры, 1 кадр размерной таблицы.

Контрольной группы как третьей ветки не было: обе группы конкурировали друг с другом на равных условиях.

Распределение трафика и снятие метрик

Wildberries предоставляет встроенный инструмент A/B-тестирования главного фото в подписке «Джем»: примерно половина покупателей видит вариант A, вторая — вариант B (официальная инструкция Wildberries Seller Edu). На Ozon встроенного инструмента нет, поэтому SKU группы A и группы B выкладывались как разные карточки с одинаковыми параметрами и сравнивались по органике в одной нише.

Период замера — 12 недель (28 января — 22 апреля 2026). Метрики снимались:

• На Wildberries — через MPSTATS и встроенную аналитику кабинета продавца.
• На Ozon — через Ozon Аналитика и MPSTATS.

Снимались показатели: показы карточки в выдаче, клики, время на карточке, добавление в корзину, оформление заказа, выкуп после доставки, возвраты с указанием причины. Цена, остатки, описание, рейтинг отзывов фиксировались идентично для обоих вариантов.

Расчёт статистической значимости

Минимальный детектируемый эффект (MDE) задали в 5 процентных пунктов для конверсии при базовом уровне 2.0% и доверительном интервале 95%. Расчёт через калькулятор статистической значимости Mindbox показал, что для значимости при таких параметрах нужна выборка от 4 200 визитов на каждую карточку. По итогам замера медианная карточка получила 6 800 визитов за период, что обеспечило статистическую значимость по конверсии и CTR. Метрика возвратов имеет более широкий доверительный интервал из-за меньшего числа событий — это отдельно отмечается в разделе «Ограничения».

Контролируемые факторы

Чтобы исключить шум, удерживали на одинаковом уровне:

• Цену артикула (отклонения не более 5% между группами в любой день)
• Остатки FBO (минимум 20 единиц на складе)
• Описание и характеристики (идентичные строки)
• Рейтинг отзывов (карточки старше 4 недель, базовый рейтинг 4.5+)
• Сезонность (один сезон, без рекламных всплесков)

Не контролировались: персональная рекомендация маркетплейса покупателю, динамика выдачи, пост-просмотровые баннеры. Это считается частью органического трафика и не нарушает чистоту сравнения.

Гипотезы до запуска

До старта замера контент-команда бренда и наша группа аналитики зафиксировали 5 гипотез:

1. H1 — ИИ-карточки конвертируют не хуже студии (нулевая гипотеза: разница в конверсии в заказ менее 5%, статистически незначима).
2. H2 — возвраты у ИИ-группы не выше, чем у студии. Логика: ИИ показывает вещь в реалистичной посадке на модели, что снимает часть ожиданий покупателя.
3. H3 — модерация Wildberries и Ozon принимает ИИ-карточки на тех же основаниях, что студийные. Цель — отслеживание процента отказов на стадии модерации.
4. H4 — бюджет производства ИИ-карточек ниже минимум в 5 раз при сохранении технических требований маркетплейсов.
5. H5 — эффект ИИ зависит от категории: на товарах со сложной фактурой (мех, кожа, кашемир) разница меньше или отрицательна, на базовой одежде — выше.

Изначальная ставка контент-команды бренда: разница будет в пользу студии в пределах 5–10%, но экономия бюджета оправдает разрыв. Реальные данные дали другую картину.

Ключевые цифры замера

Метрика	Группа A (студия)	Группа B (ИИ)	Разница
Конверсия в заказ	2.1%	2.6%	+25%
CTR в поисковой выдаче	4.8%	6.6%	+38%
Процент возвратов	14%	12.3%	−12%
Время на карточке	48 сек	112 сек	×2.3
Стоимость карточки	1 500 ₽	180 ₽	−88%
Срок производства	14 дней	3 дня	−78%

Отдельно стоит отметить CTR. Бенчмарк по нише одежды на Wildberries по данным Oborot.ru — 8–12% считается хорошим. Группа A с CTR 4.8% попадает в нижнюю границу нормы, группа B с CTR 6.6% — в среднюю. Прирост в 38% — это разница между «нужно крутить рекламу» и «органика тащит сама». Подробнее про требования к фото и их связь с CTR — в гайде по требованиям к фото на WB, Ozon, Lamoda и Я.Маркете.

Расшифровка по категориям

Эффект ИИ оказался неравномерным. На базовой одежде разрыв с студией максимальный, на товарах со сложной фактурой — отрицательный.

Категория	Конверсия (A vs B)	Возвраты (A vs B)	Эффект ИИ
Базовая одежда (60 SKU)	1.9% / 2.8%	16% / 12%	+47%
Платья и юбки (50 SKU)	2.3% / 2.7%	18% / 16%	+17%
Верхняя одежда (30 SKU)	1.8% / 2.0%	11% / 11%	+11%
Обувь (30 SKU)	2.5% / 2.5%	13% / 14%	0%
Аксессуары (30 SKU)	2.6% / 3.1%	8% / 7%	+19%

Что значат эти цифры

Базовая одежда даёт максимальный отрыв в +47% к конверсии. Логика: футболка на модели в реалистичной обстановке передаёт силуэт и посадку лучше, чем раскладка. На студийной фотографии футболка выглядит «лежачей» и плоской, на ИИ-кадре — на человеке, в кадре с дополнительными вещами для контекста.

Платья и юбки — прирост скромнее, +17%. Здесь студия удерживает позиции за счёт точной передачи цвета и фактуры ткани при ателье-съёмке. ИИ-кадр выигрывает на дополнительных слотах в карусели (сцены носимости), но главное фото иногда уступает.

Верхняя одежда — почти равенство, +11%. Тренч на модели визуально считывается одинаково в обоих форматах. Возвраты тоже на одном уровне, потому что в этой категории основной риск — не визуальное несоответствие, а посадка по росту, которую ни студия, ни ИИ не показывают точно для разных типажей покупателя.

Обувь — нулевая разница в конверсии. Покупатели обуви смотрят преимущественно на прямые ракурсы (вид сбоку, спереди, подошва, носок), а не на лайфстайл-кадры. Здесь рендеринг ИИ работает на уровне студии при условии чистого исходника, но не даёт прироста.

Аксессуары — +19% за счёт того, что ИИ позволяет показать сумку или ремень в составе образа, а не на плоском фоне. Это снимает у покупателя вопрос «как это будет смотреться».

Анализ возвратов в деталях

Возвраты — критическая статья расходов. По данным MPAgency, бенчмарк выкупа в женской одежде на Wildberries — 25–35%, в мужской — 30–40%, в обуви — 35–50%, в аксессуарах — 50–65%. Низкий выкуп бьёт по позициям в выдаче (wbstat.pro: метрики и видимость): алгоритм понижает карточку в поиске.

Топ-5 причин возврата по данным замера, разбивка по группам:

1. Не подошёл размер — у группы A 7.2%, у группы B 5.4% от всех возвратов. ИИ-карточки уменьшают этот пункт за счёт того, что в карусели был кадр с указанием параметров модели на фото (рост, размер на ней), что уточняет ожидания.
2. Цвет отличается от фото — у A 2.8%, у B 3.1%. ИИ слегка проиграл студии, потому что генеративные модели тоньше работают с пастельными и приглушёнными оттенками.
3. Качество ниже ожидаемого — у A 1.6%, у B 1.4%. Сопоставимо.
4. Не понравилось при примерке — у A 1.5%, у B 1.4%. Сопоставимо.
5. Долго шло, передумал — у A 0.9%, у B 1.0%. Сопоставимо, не зависит от карточки.

Главная находка: ИИ снижает возвраты по «не подошёл размер» именно за счёт возможности показать вещь на модели разных типажей в одной карточке. В студии это требует двух модельеров и двух смен, в ИИ — одну дополнительную генерацию. Этот вывод соотносится с рекомендациями MPAgency, где стратегия «видео и фото на моделях с указанием роста и размера» поднимала выкуп с 28% до 41% за 6 недель в одном из их кейсов. Подробнее про снижение возвратов через визуал — в гайде по работе с возвратами на Wildberries.

Где ИИ проиграл

В замере было 12 SKU премиум-сегмента из коллекции (вне 200 SKU основного теста, отдельная подвыборка). Результат:

• Кашемировые свитеры (4 SKU): конверсия группы B на 8% ниже группы A. Причина — ИИ не передаёт характерный «пушок» волокна, который покупатель ищет глазами при выборе кашемира.
• Шуба и две дублёнки (3 SKU): конверсия −12%. Покупатель не видит длину волоса меха, фактура «слепляется» в гладкую поверхность.
• Ювелирка с камнями (5 SKU): −18%. Макросъёмка деталей огранки и блика — критичный фактор продажи. ИИ не воспроизводит игру света на камнях так, как макрообъектив с поляризационным фильтром.

Имиджевые кампании с амбассадором в замере не было прямого замера, но в косвенном эксперименте (одна сессия с известной моделью у того же бренда осенью 2025) брендовый запрос вырос на 14%, а попытка генерировать аналог через ИИ дала падение брендового запроса на 9%. Это узкий вывод, не претендующий на статистическую значимость, но сигнал ясный: имидж не заменяется генерацией.

Парадокс главного фото и карусели

В первый месяц замера 50% SKU группы B имели лайфстайл-кадр в качестве главного фото. CTR на этих SKU был на 22% ниже, чем у группы B со стандартным главным фото (модель на нейтральном фоне). После переноса лайфстайл-кадров на слоты 2 и 3 карусели CTR выровнялся, но конверсия выросла ещё на 14%.

Объяснение: в выдаче маркетплейса покупатель сканирует тысячи плиток за минуту. лайфстайл на главном фото снижает узнаваемость товара (что именно продаётся, какого цвета). Но как только покупатель кликнул на карточку, лайфстайл-кадры на слотах 2–4 показывают контекст использования и закрывают вопрос «как я буду это носить».

Это совпадает с общим принципом в официальном руководстве WB по A/B-тестам главного фото: главное фото оптимизируется под клик из выдачи, а не под удержание на карточке.

Ограничения исследования

Этот замер не является исчерпывающим, и переносить его выводы на другую коллекцию автоматически нельзя. Ограничения:

• Один бренд, одна ценовая ниша. D2C-бренд среднего сегмента (артикулы 1 500–8 000 ₽). Премиум и масс-маркет показали бы другие соотношения, и в премиуме часть нашего замера уже даёт отрицательный результат.
• Выборка ограниченная. Для отдельных категорий внутри (обувь, аксессуары) — всего 30 SKU. Это даёт корректную статистику для агрегата, но границы доверительного интервала для возвратов в подгруппе шире, чем хотелось бы.
• Один сезон. Эффект ИИ может зависеть от сезонности: летом покупатель чаще ищет лайфстайл, зимой — функциональные характеристики (тёплость, водонепроницаемость). Замер на осенне-зимней коллекции даст другие цифры.
• Две площадки. Lamoda и Яндекс Маркет не входили в замер. Lamoda требует специфический лукбук-формат, что может усилить эффект ИИ. Яндекс Маркет в фешн ещё развивается, паттерны покупателя другие.
• Один тип ИИ-пайплайна. Замер проведён на нашей собственной системе генерации. Результаты с другими сервисами (Fabula AI, Photoroom, Botika) могут отличаться по качеству генерации тканей, реалистичности модели, контролю фона.

Чтобы получить сопоставимые цифры на своей коллекции, нужно повторить замер на собственных SKU в собственной нише за минимум 4–6 недель. Калькулятор размера выборки от Mindbox или Yandex.Direct поможет рассчитать, сколько визитов нужно собрать для статистической значимости при ваших базовых показателях.

Что делать D2C-бренду или селлеру

Замер не превращает ИИ в универсальную замену студии, но даёт чёткие границы применимости. Алгоритм действий:

1. Сегментируйте коллекцию по типу товара. Базовая одежда, аксессуары, обувь — кандидаты на ИИ-генерацию в первую очередь. Премиум, ювелирка, изделия с тактильной фактурой — оставьте на студию или комбинированный формат.
2. Запустите пилот на 10–20 SKU. Минимально достаточная выборка для получения первого сигнала за 2 недели. Бенчмарк CTR в нише — 8–12% для одежды на WB, от него и считайте прирост.
3. Сделайте чистый исходник. Фото товара на манекене или вешалке с ровным светом, без бликов и складок. Генеративная модель не вытянет результат из плохого исходника. См. как сделать фото для Wildberries без студии.
4. Зафиксируйте Брендбук на 1–2 страницы. Типаж модели, палитра, освещение, фон, повторяющиеся элементы. Без брендовой консистентности ИИ собирает каталог в случайном стиле, и эффект исчезает.
5. Не делайте лайфстайл главным фото. Главное фото — модель на нейтральном фоне. лайфстайл — на слотах 2–4 карусели, для удержания и снятия возражения «как это носить».
6. Включите официальный A/B-тест Wildberries на топ-10 SKU. Длительность — 2–4 недели на вариант, минимум 4 200 визитов на карточку для значимости 95%.
7. Снимайте метрики еженедельно. CTR, конверсия в заказ, выкуп, причины возвратов. Если за 4 недели на 20+ SKU агрегированный прирост ниже 10% — пересмотрите стратегию (возможно, ваш сегмент ближе к премиуму или фактурному).

Что дальше

Этот замер опубликован в агрегированном виде. Полный датасет с разбивкой по неделям и SKU доступен по запросу с подписанием NDA. Если вы хотите получить аналогичные цифры на своей коллекции, мы помогаем D2C-брендам и селлерам организовать собственный замер: подобрать выборку, рассчитать размер группы для значимости, провести генерацию.

Для понимания экономики посмотрите главную с примерами и форматами. На пробу — 5 генераций без регистрации, чтобы убедиться в качестве на собственных артикулах.

Дополнительные материалы по теме: разбор стоимости фотосессии для маркетплейса, гайд по требованиям WB, Ozon, Lamoda и Я.Маркета на 2026, сравнение нейросетей для карточек Wildberries.

FAQ