Платформы онбординга и продуктовой аналитики — Amplitude, Appcues, Pendo, Userpilot, Usertour, Intercom — описывают, как AI-агенты строят экранные подсказки прямо в проекте: туры, чек-листы, опросы, баннеры и модальные окна. Часть вендоров заявляет, что весь цикл — от создания опыта до его запуска — укладывается в промпт, без тикета разработчику.
Ниже — что именно заявляют платформы, как они ограничивают показ подсказок, откуда взялся этот подход и что он меняет для инженеров.
Что именно заявляют платформы
Amplitude Guides and SurveysОпросы для сбора обратной связи внутри приложения. перечисляет такие инструменты подсказок: туры, чек-листы, анонсы, тултипы, баннеры и модальные окна.
Userpilot перечисляет тултипы, баннеры, спотлайты и контекстные подсказки. Платформа заявляет построение онбординг-потоков внутри приложения без кода, а также запуск, итерации и оптимизацию без единого тикета разработчику.
Appcues заявляет агентное создание и запуск опытов и упрощение клиентских путей с помощью prompt-driven UIподхода, при котором интерфейс и его элементы собираются по текстовому описанию, а не настраиваются вручную. Она публикует in-app сообщения, опросы, предложения и гайды, а также даёт доступ к библиотеке динамических стилей контента.
Pendo описывает себя как единую Software Experience Management (SXM)подход к управлению опытом работы с ПО, объединяющий аналитику, подсказки и обратную связь в одной платформе, которая объединяет продуктовую аналитику, in-app гайды, сбор обратной связи и другие инструменты в одном продукте, устраняя необходимость в нескольких точечных решениях. Точечные решения Pendo называет дорогими и разрозненными, которые не справляются с задачей. Продукты внутри платформы работают совместно: сбор поведения и обратной связи, анализ данных для выявления инсайтов, запуск опыта для повышения adoptionпринятия продукта пользователями и retentionудержания пользователей.
Usertour поставляет встроенный MCP-серверсервер, реализующий протокол Model Context Protocol, через который AI-ассистент получает доступ к инструментам платформы. К нему подключают AI-ассистента — например, Claude Code, Cursor или Codex, — описывают желаемый опыт, и ассистент строит готовый к продакшену онбординг прямо в проекте. Ассистент читает дизайн-системунабор визуальных правил и компонентов приложения для соответствия стилю и может самостоятельно подключить SDK, если он ещё не установлен. MCP-клиент направляют на эндпоинт https://mcp.usertour.io/mcp, при этом клиент сам обнаруживает поток авторизации. Для Claude Code плагин связывает MCP-соединение и навыки авторинга одной установкой. Поддерживаемые типы флоу: in-app product toursпошаговые подсказки внутри приложения, ведущие пользователя по интерфейсу, checklistsсписки задач, которые пользователь отмечает по мере выполнения, launchersэлементы, запускающие подсказку или флоу по действию пользователя и surveys.
Как ограничивается показ подсказок
Встроенные ограничители (built-in guardrails) в Amplitude Guides and Surveys — это настраиваемые защитные механизмы, которые вместе с логикой приоритизации определяют, когда пользователь увидит каждый гайд или опрос. Их назначение — не дать пользователю захлебнуться подряд идущими всплывающими окнами. Логика приоритизации решает, какая из подсказок, претендующих на показ в один момент, будет показана первой. Ограничители позволяют измерять раздражение пользователя от подсказок и ограничивать число показываемых гайдов и опросов тем, кто получает от них меньше пользы.
Показ подсказки привязывается к моменту через триггеры, которые настраиваются под то, что пользователь пытается сделать прямо сейчас. Это позволяет давать контекстно релевантную информацию на основе поведения внутри продукта и предотвращать путаницу и rage clicksсерия быстрых повторных кликов по одному элементу, сигнал раздражения пользователя. Нацеливание идёт по поведению, а не по жёстким правилам. Дополнительно можно строить когорты по поведенческим данным и затем запускать по ним триггеры.
Appcues описывает точную сегментацию пользователей для отправки нужного сообщения нужному человеку в подходящий момент. Эффективность кампаниинаборов внутрипродуктовых сообщений, опросов, предложений и руководств, публикуемых вместе ради общей цели отслеживается, чтобы понимать, что даёт результат; кампании можно оптимизировать, а поведение в продукте изучается глубже с помощью аналитики.
Userpilot показывает подсказки через контекстные in-app и email-сценарии. Поведенческая логика указана в контексте сбора обратной связи и опросов. Для таргетинга используется поведенческая сегментация, а CRM-данные синхронизируются для более точного in-app таргетинга.
Предыстория
До появления in-app платформ онбординг реализовывали вручную на стороне приложения: онбординг описывается как небольшая презентация внутри приложения в виде слайд-шоу. В примере с AppIntro на Android использовали библиотеку с GitHub, подключаемую через зависимость compile 'com.github.paolorotolo:appintro:3.3.0'. Каждый слайд описывали отдельным фрагментом, который принимает идентификатор layout-ресурса через аргумент и раздувает его. Экран интро делали классом, наследующим базовый класс библиотеки, где при инициализации добавляли слайды. Сами слайды задавали отдельными layout-файлами. Переходы и завершение обрабатывали переопределением обработчиков нажатия кнопок перехода и завершения, а также смены слайда.
Pendo обосновывает необходимость единой платформы тем, что разрозненные точечные решения дороги и не справляются с задачей сделать ПО лучше. Вместо них платформа даёт все данные из всего ПО в одном окне и позволяет строить целостный сквозной опыт. Ограничение точечных инструментов подразумевается в том, что они не работают вместе.
В кейсе AI Onboarding Buddy описаны три категории болей новичка: информация существует, но её невозможно найти, потому что она размазана по разным местам; найденный документ не даёт понять, применим ли он к конкретному человеку; часть задач вообще нельзя решить по документам и нужен живой человек, но непонятно, кого спросить. Эти боли мотивируют создать ИИ-наставника, который собирает всю базу знаний компании в одном месте, отвечает с учётом роли и должности и обучает внутренней документации. В кейсе музыкального театра переход к агентным подсказкам мотивирован тем, что длинный промпт с кучей инструментов плохо сопровождается, а классификатор позволяет вызывать короткий промпт под конкретный тип вопроса: вместо большого промпта на 15К токенов используется отдельный агент на 280 токенов.
Что это меняет для разработчиков и эксплуатации
Usertour описывает совместимость с любым браузерным фреймворком: если приложение работает в браузере, оно бесшовно интегрируется с Usertour. Поддерживаются многостраничные приложения, включая одностраничные и распределённые по нескольким страницам. Несколько окружений — например, Production и Staging — управляются в рамках одной учётной записи. Версионирование флоу отслеживает каждое изменение, включая того, кто внёс правки и когда.
Для SDK v2 WebSocket Usertour использует серверную HMAC-верификациюпроверку подлинности данных с помощью секретного ключа и хеш-функции идентичности, а именно JWT HS256токен формата JSON Web Token, подписанный алгоритмом HMAC-SHA256. Подпись выполняется секретом окружения utv_. Токен содержит обязательный идентификатор пользователя, совпадающий с заявленным при идентификации, опциональное подтверждение членства в компании и опциональный срок действия, который проверяется с допуском 30 секунд. Верификация происходит на рукопожатии и при каждом сообщении о принадлежности пользователя к компании. Анонимные пользователи идентифицируются без обращения к серверу: клиент сам генерирует идентификатор вида anon- + UUID v4, поэтому такие идентификаторы не могут быть подписаны; неподписанная идентификация принимается только если заявленный идентификатор соответствует этому формату, и анонимные пользователи не могут сообщать о принадлежности к компании. Принудительная проверка управляется булевым флагом на уровне окружения, по умолчанию выключенным: при выключенном подписи проверяются и учитываются, но не отклоняются, а при включённом отсутствующие или недействительные подписи отклоняются.
Fin настраивается без инженерных ресурсов: тон, поведение, знания и прочее можно полностью управлять самостоятельно, не обращаясь к вендору для изменений. Перед выпуском изменений доступен полный набор тестирования — симуляции, регрессионное тестирование и ручная проверка. Для наблюдаемости есть AI-инсайты и QA-продукты с рекомендациями в один клик. Поддерживаются SSO через Okta, Azure AD, OneLogin, 2FA, SCIMстандарт автоматической синхронизации пользователей и групп между системами и IP-ограничения; данные размещаются в США, ЕС или Австралии в зависимости от требований резидентности.
Цифры
Intercom сообщает, что Fin имеет отраслевые показатели разрешения в среднем 76% по более чем 12 000 клиентов, при этом многие видят более 85%. Текущий объём — 2 миллиона разрешений в неделю с быстрым ростом, а средний показатель разрешения увеличивается на 1% каждый месяц. По сравнению с Sonnet 4.6 модели Apex дают на 2,8% более высокий показатель разрешения, на 0,6 секунды быстрее время до первого токена и снижение галлюцинаций на 65%. На G2 Fin является лидером с 90% удовлетворённости, опережая ближайшего конкурента на 8 процентных пунктов.
Ограничения и открытые вопросы
Встроенные ограничители вместе с логикой приоритизации определяют, когда пользователь увидит каждый гайд или опрос, чтобы не перегружать его подряд идущими всплывающими окнами.
