Popsa с Amazon Nova автоматизировала персональные заголовки на 12 языках

Popsa показала, как прикладной генеративный ИИ может влиять не на демонстрационные сценарии, а на конкретную продуктовую метрику. Компания переработала функцию Title Suggestion с помощью Amazon Bedrock и семейства моделей Amazon Nova, чтобы автоматически предлагать клиентам персональные заголовки и подзаголовки. Результат оказался не косметическим: система стала быстрее, дешевле и качественнее, а число сгенерированных персональных названий в 2025 году превысило 5,5 миллиона.

Задача у Popsa была вполне приземлённой, но сложной в исполнении. Нужно не просто придумать красивую подпись, а сделать её уместной для конкретного продукта, визуального контента и фирменного тона сервиса. Для этого компания собрала конвейер, который объединяет несколько типов сигналов.

В работу идут метаданные, данные компьютерного зрения и retrieval-augmented generation, то есть генерация с опорой на заранее подготовленный контекст. Такой подход позволяет модели не фантазировать в отрыве от продукта, а опираться на реальные признаки заказа и брендовые правила. Технологически решение построили на Amazon Bedrock, который дал единый API для работы с разными моделями.

В этой схеме Popsa использовала Anthropic Claude 3 Haiku, а также Amazon Nova Lite и Nova Pro. Судя по описанию, компания не ставила одну модель на все этапы, а подбирала инструменты под конкретные задачи внутри пайплайна. Это важный момент: вместо спора о том, какая модель «лучшая», здесь показан более практичный подход, когда бизнес использует оркестрацию нескольких моделей ради нужного баланса качества, скорости и цены.

Отдельно стоит отметить языковой масштаб. Обновлённая функция теперь автоматически генерирует заголовки и подзаголовки на 12 языках. Для потребительского продукта это критично, потому что локализация в таких сценариях — не декоративная опция, а часть пользовательского опыта.

Если название звучит естественно, учитывает контекст и не ломает тон бренда, клиенту проще принять готовую подсказку вместо того, чтобы редактировать её вручную. А значит, снижается трение в интерфейсе и ускоряется путь к покупке. В кейсе важны и бизнес-показатели.

Popsa сообщает, что после перехода на новую архитектуру выросла удовлетворённость клиентов, сократились издержки и уменьшилось время ответа. Кроме того, компания зафиксировала измеримый рост вовлечённости и конверсии в покупку. Точные проценты в опубликованном фрагменте не раскрываются, но сама формулировка важна: речь идёт не просто о субъективно «более креативных» результатах, а о метриках, которые можно связать с выручкой и поведением пользователей.

Для продуктовых команд это намного убедительнее любого общего разговора о потенциале ИИ. Ещё один важный вывод из истории Popsa — генеративные функции лучше работают там, где у них есть узкая, чётко ограниченная задача. Здесь модель не пытается заменить весь продуктовый опыт и не выступает универсальным ассистентом.

Она решает конкретную проблему: помогает пользователю быстрее получить удачное, персонализированное название, согласованное с визуальным содержанием и стилем бренда. Именно такая постановка обычно и даёт лучший результат: меньше пространства для ошибок, проще проверять качество и легче считать экономику внедрения. Для рынка это сигнал, что следующая волна внедрения ИИ в потребительские продукты будет строиться не вокруг громких чат-интерфейсов, а вокруг встроенных микрофункций, которые снимают небольшие, но массовые точки трения.

Кейс Popsa и Amazon Nova как раз об этом: когда модели встроены в продуктовый поток, умеют учитывать контекст и работают в нужной ценовой модели, они начинают влиять на удовлетворённость, конверсию и частоту использования без лишнего шума вокруг самой технологии.