Канеман и Тверски когда-то показали простую штуку: люди реагируют не только на цифры, а на то, как эти цифры поданы.
«Потеряем 30% конверсии» и «сохраним 70%» - это одна и та же цифра. Но звучит по-разному.
С ответами AI происходит то же самое.
Смотрите.
Фаундер смотрит на ответ агента и говорит: «Странно, у меня цифра другая».
И тут очень легко уйти в расследование: почему не сходится, кто прав, где ошибка, что агент не так посчитал.
Но я бы сначала спросил другое:
А почему эта разница сейчас важна?
Потому что вы прямо сейчас собираетесь потратить на это время. И хорошо бы понять, что вы получите на выходе.
Если задача - просто доказать, что агент ошибся, это мало что даст бизнесу.
Я бы шел так:
- Спросить, почему разница важна. Какое решение изменится, если мы найдем причину?
- Уточнить, какие инструкции были у агента. Что он считал, из каких данных и с какими ограничениями?
- Понять, на какой вопрос фаундер вообще хотел ответить. Часто вопрос не про цифру, а про доверие к выводу или решение по бюджету.
- Предложить короткий путь к ответу. С агентом - пересчитать по другой рамке. Без агента - взять CRM, оплаты или ручной срез.
- Решить, стоит ли копать глубже. Если решение не меняется - хватит. Если меняется - тогда разбираем источники, окна, атрибуцию и методику.
Очень хочется найти расхождение до последнего клика, особенно когда защищаешь свою работу.
Но бизнесу важнее другое: какое решение принимаем и насколько ему можно доверять.
Канеман и Тверски как раз про это: данные сами по себе редко убеждают. Решает рамка, в которой человек их видит.
Больше о работе с данными в продукте и маркетинге есть в Телеграм-канале «Модель атрибуции».
