Т.е. не так важно, параллельно несколько тестов или последовательно пытаетесь найти лучший вариант из 20ти. Чем больше вариантов тестируете, тем выше вероятность "случайного" прокрашивания единичного теста, т.е. подтверждения стат значимости там, где ее нет.

По такой логике не особо важно подряд эти тесты или нет, просто если проводить много тестов вероятность хоть раз получить ошибочную значимость возрастает или я не прав?

В целом да. Как я уже сказал, важно что эти множественные тесты используются по принципу " ну выграй ну хоть один!" )))