влияние на авторов и влияние на рекомендательную систему. Во второй итерации они добавили аналитику на уровне публикаций и итоговую страницу с LLM-резюме, которая оценивает эксперимент с точки зрения стратегических целей. Архитектура использует пользовательские логи, словари экспериментов, агрегированные данные и внутреннюю LLM для генерации отчетов. Они подчеркивают важность понимания влияния A/B-тестов на всю экосистему, а не только на простые улучшения метрик.