Сервис banan.wtf, предназначенный для автоматического создания карточек товаров на маркетплейсах Wildberries и Ozon, обнародовал обезличенную статистику своей работы за период с декабря 2025 по июль 2026 года. За это время было выполнено более 7500 генераций изображений, причём под задачей понимается цепочка от исходного фото до всех последующих правок. Статистика итераций и времени суток собиралась за последние 90 дней, что составило около 1300 задач. Разработчики подчёркивают, что данные отражают поведение именно их аудитории и не могут быть напрямую экстраполированы на весь рынок селлеров, однако они дают уникальное представление о реальных сценариях использования нейросетей в e-commerce. На фоне общей нехватки публичной статистики — большинство обзоров пересказывают друг друга, а цифры остаются внутри сервисов — этот опыт становится важным ориентиром для понимания того, как продавцы маркетплейсов на самом деле взаимодействуют с генеративными моделями.

Ключевой вывод из собранных данных заключается в том, что 71% задач закрывается уже после первой генерации: пользователь загружает фото, выбирает шаблон или описывает задачу, и результат сразу отправляется в карточку. Оставшиеся 29% задач представляют собой более сложный рабочий процесс, где селлеры вносят серию коротких правок, в среднем по 3,4 генерации на задачу. При этом пользователи формулируют правки не как новые промпты, а как императивные команды: «замени фон», «убери тень», «сделай текст крупнее». Это означает, что в среднем на одну карточку приходится около 1,7 генерации, что необходимо учитывать при планировании вычислительных мощностей и юнит-экономики сервиса. Из этого следует, что продуктовый UX должен ориентироваться на итеративные правки, а не на переписывание промптов с нуля — подход, который, по мнению разработчиков, экономит время и снижает когнитивную нагрузку на пользователя.

Анализ временного распределения генераций выявил двугорбую кривую с пиками в 15:00 и 19:00 по московскому времени. Рабочий интервал с 11:00 до 19:00 охватывает чуть больше половины всего объёма, однако каждая восьмая генерация происходит после 22:00, а около 5% — глубокой ночью. Разработчики интерпретируют это как «вторую смену» для владельцев небольших магазинов: днём они занимаются закупками и логистикой, а вечером доделывают карточки. Для инфраструктуры это означает, что пиковая нагрузка приходится не на стандартные офисные часы, а на вечер, что потребовало пересмотра системы мониторинга и дежурств. Этот паттерн, вероятно, характерен для многих инструментов, ориентированных на малый бизнес, и его игнорирование может привести к неоптимальному распределению ресурсов.

С технической точки зрения, пайплайн сервиса построен на трёх ключевых решениях. Первое — fan-out: из одной пользовательской загрузки серверный анализ порождает набор подзадач (главное фото, инфографика, lifestyle-слайды, видеообложка), которые параллельно обрабатываются воркерами через очередь. Промпты собираются на сервере, а не в клиенте, что обеспечивает единый стиль комплекта и возможность бесшовного улучшения для всех пользователей. Второе решение — каскад моделей с фолбэком: при инфраструктурных или сейфти-отказах (таймауты, 5xx) задача автоматически переходит на следующую модель из списка, но только при технических ошибках, чтобы не нарушать стиль комплекта. Третье — realtime-прогресс через Redis pub/sub, который заменяет поллинг и позволяет отслеживать статус каждой подзадачи в реальном времени. Такая архитектура, напоминающая подходы, используемые в высоконагруженных системах вроде VK Видео, где время ответа критично, обеспечивает отказоустойчивость и масштабируемость.

Динамика спроса показала резкий рост в июне 2026 года, когда объём генераций вырос в несколько раз за один месяц, став рекордным за всю историю сервиса. Июль 2026 года идёт с опережением. Разработчики связывают этот всплеск с двумя факторами: волной интереса к image-моделям нового поколения, которые в рунете прозвали «нано-банана», и подготовкой селлеров к осеннему сезону. При этом видеоформат остаётся пока малой долей генераций, хотя на самих маркетплейсах видеоконтент активно продвигается в выдаче, что даёт основания ожидать кратного роста этого сегмента к концу 2026 года. В отличие от текстовых LLM, где инструменты вроде llama.cpp позволяют запускать модели локально с квантованием, для image-генерации cloud-решения остаются основным драйвером, и banan.wtf делает ставку на их дальнейшее развитие.

Для российского рынка эти данные имеют практическое значение, поскольку публичной статистики о том, как селлеры реально используют нейросети, практически нет. Большинство обзоров пересказывают друг друга, а цифры остаются внутри сервисов. Опыт banan.wtf показывает, что продуктовый UX должен ориентироваться на итеративные правки, а не на переписывание промптов с нуля, а инфраструктура должна быть готова к вечерним пикам нагрузки. В перспективе сервис планирует расширять поддержку видео и улучшать каскад моделей, а также продолжать мониторинг сезонных колебаний спроса, чтобы адаптировать мощности под реальные потребности пользователей. Однако остаются открытые вопросы: как поведение изменится с приходом новых моделей и насколько устойчив текущий паттерн «второй смены» в условиях роста конкуренции среди инструментов для селлеров.