GrowthBook 5.0: Warehouse-native experimentation with AI evaluations

GrowthBook выпустил версию 5.0 4 августа 2026 года — в тот же день, что и в рейтинге Product Hunt. Платформа предоставляет feature flags, A/B-экспериментирование и продуктовую аналитику; версия 5.0 расширяет её с явным прицелом на поддержку команд, которые создают и тестируют AI-функции наряду с традиционной продуктовой работой.

Платформа является open-source и warehouse-native: данные экспериментов остаются в собственной инфраструктуре организации, а не у вендора. GrowthBook указывает свыше 3 000 организаций в качестве пользователей; обновление 5.0 сосредоточено на трёх дополнениях, актуальных для команд, работающих с LLM.

Что нового в 5.0

Функция AI Data Analyst позволяет командам запрашивать результаты экспериментов на естественном языке. Вместо написания SQL или ожидания BI-запроса PM может задать вопрос вроде «какой вариант лучше сработал для мобильных пользователей в ЕС на прошлой неделе» и получить ответ, не покидая платформу для экспериментирования. Заявленный результат — пятикратное ускорение скорости экспериментирования за счёт более быстрых итерационных циклов при устранении аналитического узкого места.

AI Evaluations добавляют нативный слой оценки для функций на базе LLM. Команды могут проводить структурированные тесты выводов модели наряду с традиционными экспериментами на основе метрик. Это закрывает конкретный пробел: большинство инфраструктур A/B-тестирования создавалось для детерминированных функций, а тестирование того, лучше ли один prompt другого, требует иного вида измерения. GrowthBook 5.0 рассматривает AI evals как полноценный тип функций в рамках того же рабочего процесса экспериментирования.

Интеграция с MCP server позволяет AI-агентам считывать данные экспериментов, запрашивать результаты и изменять значения feature flags как часть автоматизированных рабочих процессов. Это открывает сценарии, при которых агент мониторит эксперимент, обнаруживает значимый результат и выполняет настроенное действие — приостанавливает тест или оповещает команду — без ручного вмешательства.

GrowthBook также сообщает о снижении затрат на 50% по сравнению с коммерческими альтернативами по собственным бенчмаркам. Организации, размещающие систему самостоятельно в своём data warehouse, платят за собственную инфраструктуру, а не по модели за место или за событие.

Почему это важно для product manager’ов

Совмещение традиционного A/B-тестирования с нативной оценкой LLM практически значимо для команд, начавших выпускать AI-функции, но по-прежнему зависящих от разных инструментов для каждого вида измерений. Единая платформа снижает накладные расходы на координацию между командой экспериментирования и теми, кто отвечает за качество AI, и позволяет хранить данные всех экспериментов в одном месте для отчётности и итераций.

Функция AI Data Analyst наиболее актуальна для product manager’ов, которые сейчас зависят от дата-команд при анализе экспериментов и хотят сократить эту зависимость в ранних раундах итераций — до того, как результат становится достаточно значимым для официального запроса на анализ. Точность AI Data Analyst на сложных запросах по экспериментам стоит проверить для конкретной схемы данных организации, прежде чем рассматривать его как замену SQL-анализу.