АГЕНТНЫЙ ИИ ПРИХОДИТ НА РЫНОК МЕДИАЗАКУПОК — ВОТ ПОЧЕМУ ЧЕЛОВЕЧЕСКИЙ КОНКУРЕНТНЫЙ АНАЛИЗ ПО-ПРЕЖНЕМУ ВЫИГРЫВАЕТ

Шумиха нарастает, и это не беспочвенно. В индустрии рекламы крупные игроки серьезно делают ставки на агентный ИИ — программные системы, созданные не просто для помощи человеку-медиапланировщику, а для действий от его имени, принимая в реальном времени решения о распределении бюджетов, выборе креативов и оптимизации кампаний в процессе их проведения. Stagwell строит проприетарные таргетинг-системы вокруг этой концепции. Salesforce внедрил агентные возможности в свой маркетинговый облако. А IAB Tech Lab, организация, отвечающая за техническую инфраструктуру цифровой рекламы, активно "агенфицирует" свои стандарты и разрабатывает рамки, помогающие ИИ-агентам осуществлять программную транзакционную деятельность. Тенденция очевидна: инфраструктура для автономной закупки медиа закладывается постепенно, кирпич за кирпичом, самыми влиятельными организациями в экосистеме.

Но вот что обычно упускают ключевые доклады на конференциях и восторженные пресс-релизы — технология еще очень далека от автономного видения, которое продается. На мероприятии AdExchanger, посвящённом программатике и ИИ в Лас-Вегасе, Эмили Лай, директор по медиаоптимизации в WPP Media, заявила участникам, что от 80% до 90% кампаний попросту слишком сложны, чтобы ИИ мог справляться с ними самостоятельно. Простые программатик-покупки по гарантии с минимальным таргетингом? Возможно. Но средняя медиа-стратегия — с комбинированием сегментов аудитории, ограничениями по частоте показов, последовательным взаимодействием, координацией между каналами и требованиями соответствия — всё ещё остаётся за гранью возможностей любого автономного агента.

Это мнение не было исключением, выдвинутым скептиком. Оно было поддержано самой организацией, прокладывающей основы для транзакций на базе ИИ. Генеральный директор IAB Tech Lab Тони Кацур, после выступления о переходе от машинного обучения к агентному ИИ, признал, что «мы еще не достигли этого уровня», и отметил, что, несмотря на достижимость простых задач, впереди еще огромный объем работы. Олег Коренфельд, технический директор CMI Media Group, принадлежащей WPP, пошёл дальше и назвал идею о масштабном взаимодействии агентов друг с другом в рамках всех кампаний «просто нереалистичной», особенно в категориях с высоким уровнем регулирования, таких как здравоохранение.

Языковые прогнозы поставщиков и аналитиков не столько опровергают этот разрыв, сколько спокойно признают его. Недавний анализ MarTech в области рекламы, построенной на ИИ, описывает следующий этап как агентные системы ИИ, способные самостоятельно принимать решения, с самонастраивающимися агентами, которые «постоянно экспериментируют, перераспределяя бюджет, корректируя таргетинг и улучшая креативы без вмешательства человека». Однако внимательное чтение выдаёт временной контекст — речь идёт о концептуальном описании возможностей, которые всё ещё находятся в стадии разработки, а не о продукте, который можно приобрести и начать использовать в понедельник утром.

Тем временем поведение рынка подтверждает эту осторожность. Согласно исследованию Digiday, на которое ссылается AdExchanger, лишь 32% маркетологов применяют ИИ для непосредственной покупки рекламных объявлений, хотя большинство уже активно использует его для анализа данных и создания контента. Закономерность очевидна: чем ближе задача к реальному распределению бюджета и влиянию на результативность, тем менее охотно маркетологи передают управление полностью ИИ. Они чётко проводят грань между вспомогательными системами ИИ — полезными для рутинной работы — и автономным принятием решений, где важность требует участия человеческого суждения.

Вовсе не это означает, что агентские закупки медиа являются просто иллюзией. Импульс реален, и игнорировать его было бы так же глупо, как и чрезмерно раздувать. Однако повествование индустрии опережает технологии как минимум на полный цикл, и это имеет значение. Если полная автоматизация еще не наступила — и не наступит для самых важных кампаний, — тогда насущный вопрос заключается не в том, как подготовиться к будущему под управлением роботов. Речь идёт о том, что маркетологам следует оттачивать уже сейчас, в несовершенной гибридной реальности, где человеческий интеллект по-прежнему определяет, кто выиграет.

Каждая агентская система покупки медиа зависит от основополагающего фактора, о котором её поставщики редко упоминают: она учится на том, что уже произошло. Модели анализируют исторические данные о показателях эффективности — частоту кликов, данные конверсий, историю ставок, результаты аукционов — и оптимизируют работу на основе моделей, которые ранее были прибыльными. Это делает их исключительно эффективными в совершенствовании того, что работает сегодня. Но в то же время они структурно неспособны определить, что будет работать завтра, до тех пор пока данные об этом не появятся. Возникающие творческие тенденции, новые подходы к аудитории, непроверенные предложения — всё это находится в статистической неопределённости, где у моделей недостаточно сигналов для принятия решений. К тому моменту, как агентская система «обнаружит» выигрышный подход, он уже будет где-то использован и там окажется успешным.

Филип Ингелбрехт, соучредитель и генеральный директор Tatari, пожалуй, наиболее ясно формулирует эту проблему. Как он утверждает в своей статье для AdExchanger, индустрия совершает "категориальную ошибку", смешивая автоматизированные рабочие процессы с подлинным интеллектом. "Вы можете автоматизировать рабочий процесс за несколько дней или недель", — пишет он. "Но вы не можете создать 10 лет данных о результатах". Эта грань исчезает в тот момент, когда платформа наклеивает ярлык "агентный ИИ" на то, что по сути является автоматическим управлением бюджетом. Покупатели слышат слово "интеллект" и перестают выяснять, на каких данных на самом деле обучена базовая модель — отражают ли её рекомендации глубокие данные о результатах или просто повторяют эвристики, облачённые в сложную терминологию. Повышение эффективности принимается за стратегические выводы, и никто не задаёт неловкий вопрос: если каждый рекламодатель в этой платформе вводит одни и те же сигналы в один и тот же механизм оптимизации, откуда тогда берётся различие?

Это и есть ловушка конвергенции, и она заложена в самой архитектуре. Когда конкурирующие бренды все используют одни и те же DSP, делают ставки на один и тот же инвентарь и обучают свои алгоритмы на одном и том же пуле платформенных сигналов, оптимизация сходится. Каждая система приходит примерно к одним и тем же выводам примерно в одно и то же время. CPA ужесточаются повсеместно, но никто не вырывается вперёд, поскольку машина решает одну и ту же целевую функцию с одинаковыми входными данными. Прирост эффективности реален — но распределяется поровну, а значит, вовсе не создаёт конкурентных преимуществ.

Более широкие изменения в отрасли делают это еще более значимым. Как сообщал ресурс MarTech, закупка медиа переходит от моделей, основанных на показах, к тому, что некоторые исследователи называют «экономикой решений», где автономные агенты постоянно экспериментируют — перераспределяя бюджет, корректируя таргетинг и улучшая креативы без вмешательства человека. Но решениям по-прежнему требуются входные данные, которые ИИ не генерирует самостоятельно. Четкая позиционирование, более точные рамки сообщений, отличительные брендовые нарративы — вот те стратегические решения на ранних этапах, которые определяют, есть ли у агента ИИ изначально что-либо значимо отличающееся для оптимизации. Когда исполнение автоматизировано, дифференциация проистекает не из более быстрой подачи ставок, а из более глубокого мышления до того, как ставка будет сделана.

Вот грязный секрет, скрывающийся на виду: агентный ИИ — это заднее зеркало с исключительной четкостью. Он может показать вам точно, где вы были, вплоть до пикселя. Что он не может сделать — это посмотреть за угол. Он не может почувствовать, что конкурент собирается изменить позиционирование, что культурный момент вот-вот изменит спрос или что совершенно новый творческий подход может открыть сегмент аудитории, о котором исторические данные никогда не мечтали. Эти прозрения требуют иного рода интеллекта — того, который синтезирует неполные сигналы, читает контекст и принимает взвешенные решения при отсутствии статистической определенности. Другими словами, конкурентное преимущество не может находиться внутри машины. Оно должно поступать из того, чем вы её кормите.

Если все системы покупки медийной рекламы на базе ИИ оптимизируются по одним и тем же задним данным, возникает вопрос: откуда берется реальное преимущество, ориентированное на будущее? Ответ — не в большей автоматизации. Он — в лучшей разведке.

Наиболее ценные сигналы о конкурентной среде в цифровой рекламе не появляются на ежеквартальных финансовых отчетах или в пресс-релизах. Они скрыты внутри самого аукциона — в решениях о размещении медиа, тенденциях эффективности, стратегиях размещения и смене каналов, которые становятся заметными только в том случае, если вы знаете, где искать. Возьмем, к примеру, сектор страхования: анализ показал, что такая компания, как Progressive, побеждает конкурентов не просто за счет большего бюджета, а именно за счет лучшей стратегии размещения рекламы, достигая более низких затрат на привлечение клиентов благодаря точности охвата аудитории и диверсификации размещения, а не размеру бюджета. Никакая автоматизированная система ставок не предоставит вам подобный факт. Это вывод, возникающий в результате последовательного сбора конкурентной разведывательной информации — того самого, что позволяют масштабные инструменты-шпионы и платформы рекламной аналитики.

Именно здесь ориентированные на человека конкурентные исследования становятся максимально эффективным видом деятельности в маркетинге эффективности. Такие инструменты, как библиотека объявлений Meta, платформы для конкурентного креатива и информационные панели аукционной аналитики, позволяют стратегам наблюдать, что на самом деле побеждает на рынке прямо сейчас: новые захватывающие элементы, набирающие популярность, появляющиеся форматы рекламы, которые тестируются, изменяющиеся структуры предложения, креативные решения, сигнализирующие о смене стратегии конкурентом. Когда конкурент вдруг заполняет новый тип размещения свежими сообщениями, это стратегический сигнал. Когда три конкурента одновременно тестируют один и тот же подход, это формирующийся тренд, появляющийся до того, как какой-либо алгоритм соберёт достаточно данных о конверсиях для оптимизации. Маркетолог, который обнаруживает это первым, получает структурное преимущество во времени — окно, в течение которого он может разработать собственный ответ, провести тестирование и занять позицию ещё до того, как автоматизированные системы сфокусируются на этой же территории.

Как утверждает MarTech, скорость сама по себе становится конкурентным преимуществом. Бренды, которые могут быстро тестировать и адаптировать сотни вариантов креативов, могут оперативно реагировать на культурные события, сезонные изменения и действия конкурентов намного быстрее, чем те, кто привязан к традиционным производственным циклам. Но скорость без направления — это просто дорогостоящий хаос. Стратегическая ценность конкурентной разведки заключается в том, что она указывает, в чем именно нужно действовать быстро — какие подходы тестировать, в какие форматы инвестировать, какие позиционные пробелы использовать. Когда исполнение становится всё более автоматизированным, различия обеспечивают более сильные входные данные: чёткая позиция, ясные структуры сообщений и более самобытные брендовые нарративы. Инструменты шпионажа — это способ создания таких входных данных на основе наблюдаемой рыночной реальности, а не внутренних предположений.

Это меняет всю динамику взаимоотношений между человеком-стратегом и оптимизацией с помощью ИИ. Вы не конкурируете с алгоритмом — вы подаёте в него лучшие исходные данные, чем ваши конкуренты. Система ИИ, инициализированная творческой идеей, основанной на конкурентном разрыве, который вы заметили на три недели раньше других, будет работать лучше идентичной системы, инициализированной лучшим рекламным объявлением из предыдущего квартала. Машина выполняет оптимизацию; человек — видит. И, как подтвердили исследования Marketing Dive в области коммерции на основе агентных моделей ИИ, даже организации, находящиеся на переднем крае автоматизации, подавляюще отдают предпочтение моделям, при которых ИИ предлагает рекомендации, а стратегические решения остаются за людьми. Лишь три процента руководителей в области коммерческих медиа поддерживают среды, в которых ИИ действует практически без ограничений.

Вывод очевиден: наиболее успешными на фоне развития агентного ИИ окажутся не те маркетологи, которые делегируют ему всё, а те, кто каждый день приходит с теми знаниями, которыми машина пока не обладает, — и использует эти знания, чтобы определить стартовые условия, от которых зависит конечный результат оптимизации.

Тезис "автоматизировать всё" звучит убедительно, пока вы не посмотрите на то, во что на самом деле верят люди, создающие агентные системы. Они не стремятся к полной автономии — и данные, которые они получают, являются самым весомым аргументом против этой идеи.

Взгляните на самый показательный показатель в исследовании Koddi: лишь 3% руководителей в области коммерческих медиа выступают за среды, в которых ИИ работает почти без ограничений, а участие человека сводится к контролю и соблюдению норм. Три процента. Это не «рынок разделён». Это почти единодушие в направлении, противоположном господствующему ажиотажу. Подавляющее большинство в отрасли, как ясно даёт понять исследование, предпочитает, чтобы ИИ выявлял закономерности и предлагал действия, а окончательное решение оставалось за человеком. Даже на стороне потребителя картина аналогична: покупатели спокойно позволяют ИИ искать, сравнивать и делать рекомендации, однако резко отказываются от завершения сделок без своего одобрения. Оказывается, автономия — это спектр, и рынок находится далеко от конца, соответствующего полной автоматизации.

Более важно не само предпочтение, а лежащий в его основе принцип. Как заключает исследование Koddi, компании, которые выходят вперед, не обязательно автоматизируют всё максимально — они создают инфраструктуру, обеспечивающую надежное сотрудничество человека и ИИ в масштабах. Это принципиально иная философия проектирования по сравнению с той, которую пропагандируют самые громкие голоса в Кремниевой долине. Это означает, что конкурентное преимущество заключается не в степени совершенства автоматизации, а в качестве человеческого суждения, которое ваша система предназначена усиливать.

Это согласуется с более общей истиной, которую недавно сформулировал Уокер Смит, главный сотрудник по знаниям Kantar в области бренда и маркетинга: характер современных вызовов идентичен вызовам прошлого. Каждая теоретическая концепция, каждое практическое применение в маркетинге было создано для убеждения людей — и до тех пор, пока аудиторией остаются люди, у маркетологов нет причин считать, что эти модели вдруг устарели. По мнению Смита, реальные потрясения наступят позже, когда целевой аудиторией станут агенты ИИ, а не инструмент. До тех пор основы остаются неизменными. А основы требуют понимания человеком.

Но здесь заключается основная ошибка большинства взаимодействий с участием человека: они сосредоточены исключительно на этапе утверждения. Покупатель рекламы, проверяющий рекомендованную корректировку ставки и нажимающий кнопку «подтвердить», формально представляет собой человека в цикле, однако такая роль не добавляет особой ценности. Процесс утверждения — это управление, а не стратегия. Он предотвращает катастрофические ошибки, но не создаёт конкурентных преимуществ.

Максимальную ценность вносит более раннее вмешательство человека — на уровне конкурентной разведки, которая формирует изначальные ориентиры для оптимизации ИИ. Стратег, замечающий систематический перенос бюджета конкурентом в новый канал или снижение CPM у лидера категории, указывающее на иной подход к целевой аудитории, генерирует те инсайты, которые никакая автоматизация на уровне ставок не в состоянии воссоздать. Такое распознавание закономерностей напрямую меняет целевую функцию. Это указывает машине, что именно оптимизировать дальше, а не просто улучшает эффективность достижения текущей цели.

Управление кампанией должно быть автоматизированным. Распознавание конкурентных моделей не может быть таковым — не потому что технологии пока недостаточно развиты, а потому что связанный с этим суд был предвосхищающим, контекстным и противостоящим образом, который структурно не могут охватить модели оптимизации, ориентированные на прошлое. Организации, понимающие это различие, построят своё сотрудничество человека и ИИ вокруг него. Те, кто не поймёт, будут продолжать совершенствовать вчерашнюю стратегию с машинной скоростью.