# Точность 99,87% — и модель бесполезна | Mikhail MiCO | G GATE CONF 2026

> Канал: **G GATE | AFFILIATE COMMUNITY** (@weareggate)  
> Дата: 10 сентября 2026  
> Длительность: 21:19  
> Категория: strategy  
> Источник: https://www.youtube.com/watch?v=999nPfMdPQI  
> Страница: https://aff.top/videos/tocnost-9987-i-model-bespolezna-mikhail-mico-g-gate-conf-2026  

## Краткое содержание

Доклад Михаила MiCO посвящен прагматичному подходу к внедрению технологий ИИ и машинного обучения в нише iGaming. Автор объясняет разницу между хайповым генеративным AI и предиктивным ML, который приносит реальную прибыль через прогнозирование оттока игроков (churn) и оценку качества трафика. Основной тезис: большинству компаний AI пока не нужен, так как у них отсутствуют базовые процессы, качественные данные и отчетность. Рассматриваются причины провала ML-проектов, включая завышенные ожидания, страх потери контроля и неверную интерпретацию метрик. Видео служит ориентиром для перехода от интуитивного управления к Data-driven культуре, где алгоритмы усиливают существующие процессы, а не пытаются заменить людей или исправить системный хаос.

## Ключевые тейки

- **ML приносит деньги, а AI — хайп** — В гемблинге основной профит дает предиктивный ML (прогноз LTV, оттока, антифрод), а не генеративные нейросети. Индустрии нужно переходить к прагматичному использованию алгоритмов для ранжирования игр и оценки трафика.
- **Алгоритмы не лечат системный хаос** — ИИ — это усилитель. Если бизнес-процессы в компании не выстроены и решения принимаются интуитивно, внедрение модели только масштабирует беспорядок. Сначала создается регламент, затем — его автоматизация.
- **Ловушка точности в 99%** — Высокая точность (accuracy) часто бесполезна. Модель может иметь показатель 99,87%, просто предсказывая отсутствие фрода для всех, но при этом пропускать реальных мошенников. Важен бизнес-эффект, а не сухие цифры в презентации.
- **Не увольняйте людей ради экономии** — Замена персонала на ИИ ради сокращения ФОТ — тупиковый путь. Намного выгоднее дать текущим сотрудникам инструменты для повышения их эффективности и роста общей выручки компании, сохраняя при этом экспертизу внутри.
- **Данные — это фундамент автоматизации** — Нельзя внедрять ML без налаженного логирования и отчетности. Компании нужно пройти путь от сбора данных и принятия решений на их основе (Data-driven) до автоматизации этих решений через алгоритмы.

## Вопросы и ответы

### Почему внедрение AI в моем проекте не дает роста прибыли?

Скорее всего, у вас нет четких KPI для обучения модели или не выстроены процессы. AI не создает бизнес-логику, он лишь оптимизирует то, что уже работает по понятным правилам.

### Что лучше для iGaming: ChatGPT или классический ML?

Для бизнеса важнее предиктивный ML. Он позволяет предсказывать, когда VIP-игрок уйдет, какое качество у нового источника трафика и какие игры предложить конкретному пользователю.

### Как понять, что модель реально работает, если я не технарь?

Перестаньте смотреть на точность в процентах. Единственный верный способ — проведение честных A/B тестов и отслеживание динамики выручки на дашбордах.

### Стоит ли бояться потери контроля при использовании ИИ?

Сложные модели нельзя объяснить простыми правилами. Вам нужно выбрать: либо простые прозрачные формулы в Excel с низкой точностью, либо сложный ML, приносящий деньги, но работающий как 'черный ящик'.

## Темы

- iGaming
- Машинное обучение
- Аналитика данных
- Удержание игроков
- Антифрод
- Качество трафика
- A/B тестирование
- Прогнозирование LTV

## Фрагмент транскрипта

Тема доклада - это AY Gaming, где заканчивается хайпe, начинается профит или другое название, почему вам на самом деле AI не нужен. То есть мы привыкли к тому, что везде говорят про AI, надо внедрять AI, AI, AI, AI. Всё, что может вырасти, обязательно вырастет. Вот мы на самом деле тоже занимаемся внедрением AI. И казалось бы, я должен тоже продолжать эту тему о том, что нужно обязательно всем всё внедрять. Но правда в том, что большинство из вас AI внедрять не нужно. И сегодня попытаемся разобраться, почему. А главное, что вам нужно сделать, чтобы имел смысл это внедрять. Прежде чем говорить про AI, давайте вообще определимся с тем, что такое, собственно, этот самый AI, потому что есть AI, есть ML. У многих по-прежнему путаница, что есть что. На самом деле, оба термина появились ещё в пятидесятых годах. AI появилось даже немного раньше, чем ML. И их по перемена то одни, то другие вещи называли то AI, то ML. Но если говорить про какую-то современность, примерно начиная с 2020 годов, то тут уже оно как-то более-менее стабилизировалось на том, что когда говорят про AI, тоя, как правило, имеет в виду генеративный AI или то, что там связано с LLM, это все эти чат GPT, GI, гроки и прочее, генерация текста, картинок. То есть всявся вся вот эта генерация, все эти чатботы, голосовые помощники, это то, что сейчас обычно называют AI. А когда говорят про ML или machine learning, то чаще всего имеет в виду такой предиктивный, ближе такой, который к аналитики, какие-то задачи ранжирования, предсказания, то есть где мы что-то предсказываем, что-то аранжируем. То, что сегодня будем обсуждать, оно на самом деле и к я, и кль относится. Ну, где-то я буду делать оговорки, где это актуально только для чего-то одного. Э откуда вообще мы столько слышим про AI? Да. И это есть такой график, который показывает, как развивается хайп вокруг технологий. Сначала происходит этот запуск технологии, потом у всех очень высокие ожидания. Оно всё растёт, растёт, растёт. Инвесторы вкидывают всё больше и больше денег. Все ожидают, что сейчас всё вырастет. Все начинают внедрять там, неважно, это какой-то бигтех или какая-то шаурмячная. Все начинают внедрять: "И это всё выходит на пик". И потом наступает разочарование. Да, шаурмячно ничего не заработала. Они начинают говорить о том, что я, этот ваш не работает, и выходит всё вниз, все разочарованы. И потом из этого разочарования потихоньку оно начинает снова расти, потому что есть компании, которые реально разобрались, как это нужно внедрить. Они выстроили соответствующие процессы, и они уже выходят на такое плато продуктивности. Я и он проходил уже где-то три, наверное, таких цикла, вот, начиная с пятидесятых годов. То есть это не то, что какая-то тенденция современности, что именно сейчас он на хайпе, он же несколько раз был на хайпе, несколько раз обваривался и сейчас он снова на хайпе. Но в других индустриях по сравнению с Агеймингом эти циклы уже были пройдены. И поэтому понимание уже на самом деле есть, как вот выйти на это само…

*(Полный транскрипт на странице видео.)*

---

Источник данных: aff.top — открытая база арбитражного коммьюнити.  
Канонический URL: https://aff.top/videos/tocnost-9987-i-model-bespolezna-mikhail-mico-g-gate-conf-2026