РЕКЛАМА, СОЗДАННАЯ ИИ, И СЛЕПОЕ ПЯТНО ПОДОТЧЕТНОСТИ: ПОЧЕМУ БОЛЬШЕ КРЕАТИВНОГО КОНТЕНТА БЕЗ КОНКУРЕНТНОГО АНАЛИЗА — ЭТО ПРОСТО БОЛЕЕ БЫСТРЫЕ ОТХОДЫ

Было время, когда успешная реклама в Facebook означала создание сложной структуры аккаунта — многоуровневые кампании с несколькими ограничениями по стоимости, ставкам и сегментами аудитории, тщательно организованными для извлечения максимальной отдачи с каждого доллара. Такой подход был актуален в 2018–2019 годах. Затем кое-что изменилось. К 2020–2021 годам побеждали бренды, тестирующие больше креативов, и сложная архитектура, ранее определявшая экспертность в размещении рекламы, уступила место разнообразию креативных материалов, поступающих в упрощённые структуры кампаний. Новая формула оказалась обманчиво простой: одна сжатая кампания, набор креативов и постоянное тестирование для выявления успешных вариантов и масштабирования.

Это был не мимолетный увлечением. Это была законная стратегическая эволюция, вызванная тем, как алгоритм Meta начал поощрять свежие креативные материалы. А когда инструменты генеративного искусственного интеллекта достигли достаточной зрелости, чтобы создавать рекламные изображения, почти неотличимые от профессиональных фотографий, экономика производства креативов рухнула за одну ночь. Изображения товаров, производство которых раньше стоило сотни или тысячи долларов, теперь можно было создавать за несколько центов. Для интернет-магазинов, которым ранее требовались студийные съемки или внештатные дизайнеры, это был фундаментальный сдвиг — подлинное выравнивание поля, что сделало массовое тестирование доступным для команд любого размера.

Но где-то между «более разнообразный креатив помогает» и «просто производите больше» индустрия сделала опасную подстановку. Объём сам стал стратегией, а не тактикой, служащей стратегии. Команды начали еженедельно выпускать по 100–200 креативов, руководствуясь тем, что если свежий креатив — это хорошо, то промышленные объёмы свежего креатива должны быть ещё лучше. Логика казалась разумной. Результаты говорили об обратном.

Ник Шекелфорд, чья команда добилась высоких результатов в области рекламы Meta, наблюдал, как люди выполняли всю эту работу, не получали результатов и чувствовали, что им солгали — потому что продолжали массово производить одно и то же заурядное рекламное объявление. Его подход резок и стоит принять к сведению: ИИ усиливает вас. Если у вас уже есть хорошие идеи, ИИ помогает быстрее их реализовать. Если ваши идеи слабые, ИИ просто помогает быстрее производить больше слабого материала. Когда его команда тестирует меньше креативов, но с реальным намерением создать что-то новое и иное, эффективность возрастает. Эта закономерность объясняет, почему вирусный органический контент работает — он успешен именно потому, что оригинален, а не потому, что его много.

Проблема усиления усугубляется, если учесть, что именно большинство команд подают своим ИИ-инструментам. Они не опираются на конкурентную разведку, исследования аудитории или дифференцированную позицию бренда. Они исходят из предположений — внутренних догадок о том, что может сработать, не основанных ни на каких внешних рыночных сигналах. Как утверждает Content Marketing Institute, команда по производству контента, использующая ИИ для публикации гораздо большего объема материала, просто возводит более высокую «бесцветную стену» контента, похожего на материалы конкурентов, созданные с помощью ИИ. Панели управления, на которые полагаются большинство команд, не различают «мы сделали больше» и «мы сделали лучше», а это значит, что ловушка объема самовоспроизводится: метрики визуально оправдывают подход, даже когда работа становится неотличимой от всего остального в ленте.

Собственное обновление Andromeda от Meta усугубило ситуацию, прекратив практику запуска сотен незначительных вариаций одной и той же рекламы, рассматривая эти почти идентичные копии как единый креатив. Сама платформа сигнализирует, что поверхностный объем значения не имеет. Тем не менее, стандартная реакция индустрии на возможности ИИ по-прежнему ориентирована на скорость производства, а не на креативное разнообразие — это беговая дорожка, которая ускоряется каждый квартал, но никогда не меняет направление.

Описанный выше творческий бум был бы под силу — даже вдохновлял бы — если бы у маркетинговых организаций были надежные системы, позволяющие отделять сигнал от шума. Но у них их нет. Более глубокий кризис, лежащий в основе взрыва контента, созданного ИИ, заключается не в качестве или безопасности бренда; речь идет о том, что большинство команд не могут провести достоверную грань между конкретным творческим активом и конкретным бизнес-результатом. Без обратной связи каждый новый вариант, созданный ИИ, представляет собой подбрасывание монетки, маскирующееся под оптимизацию.

Цифры делают проблему осязаемой. Когда Forrester обнаружила, что 64% руководителей B2B-маркетинга не доверяют собственным данным измерений, это вскрыло нечто более серьезное, чем технологический разрыв, — кризис институционального доверия. Если люди, отвечающие за распределение бюджетов, не верят в достоверность перед ними находящихся дашбордов, то каждое последующее решение — какой креатив запустить, какой аудитории его показать, в какой канал вложить следующий доллар — строится на фундаменте, которому никто не доверяет. ИИ не устраняет этот недостаток. Он лишь ускоренно заливает поверх него бетон.

Именно нарастание сложности превращает проблему в фундаментальную, а не постепенную. Рассмотрим текущую ситуацию: современные кампании не ограничиваются одним каналом. Как подробно описано в AdExchanger, они охватывают поисковые системы, социальные сети, программатик, ритейл-медиа, прямые покупки и закрытые экосистемы, при этом планирование, запуск, отчетность и сверка данных происходят в разрозненных системах. Агентства уже тратят большую часть своего времени на согласование — сбор данных с нескольких платформ, преобразование стратегии в цели, сопоставление результатов, поступающих в несовместимых форматах. Теперь добавьте к этой фрагментации объемы креативов, созданных ИИ. В результате получается больше контента, распределяемого по большему числу каналов, управляющегося через еще более разобщенные инструменты и измеряемого системами, которые изначально не могли прийти к единому мнению о том, что сработало. Результат — не масштабирование эффективности, а масштабирование неразберихи.

Вот уравнение, которое должно насторожить каждого маркетингового директора: больше креативного контента, умноженный на большее количество каналов и умноженный на неэффективную атрибуцию, приводит к экспоненциально растущим потерям, которые выглядят как продуктивность. Дашборды заполняются показами и CTR. Библиотеки креативов растут за счёт объёма материалов. В отчётах наблюдается рост скоростных метрик. Но ничто из этого не отвечает на вопрос, который главные финансовые директора теперь задают каждому отделу, как сформулировал Marketing Dive: Что именно это вызвало? Большинство руководителей маркетинга по-прежнему не могут дать однозначный ответ, потому что на протяжении многих лет показы и охват использовались как суррогатные показатели, так как доказательство причинно-следственной связи было медленным и дорогостоящим. Корреляция стала стандартом, и это оправдание работало — до тех пор, пока ИИ не сделал объём недоказанной эффективности невозможно игнорировать.

Таким образом, реальная опасность заключается не в том, что ИИ создает плохой креатив. Опасность в том, что масштабная автоматизация, основанная на слабых входных данных, неясной подотчетности и измерениях, которые по-прежнему не могут доказать деловую ценность, превращает скорость в фактор риска. В это же время нагрузка на координацию только возрастает. Более 80% маркетологов регулярно переключаются между несколькими приложениями ИИ, что создает разрозненные рабочие процессы и затрудняет единое измерение еще сильнее. Когда ваши инструменты создания креативов, платформы активации кампаний и системы отчетности не используют общего языка, добавление большего количества активов, созданных ИИ, не сокращает разрыв в подотчетности — а расширяет его. Команды не узнают, что работает. Они производят больше того, что не могут оценить, и называют это прогрессом.

Большинство творческих процессов с использованием ИИ начинаются одинаково: с брифа бренда, описания продукта или, возможно, документа с описанием стиля общения. Более продвинутые команды создают то, что Фрэйзер Коттрел называет базой знаний бренда — структурированное хранилище исследований клиентов, позиционирования бренда и успешных примеров прошлых креативов, которое даёт генеративным моделям необходимый контекст до начала создания чего-либо. Как подробно описал Social Media Examiner, трёхэтапная методика Коттрелла настаивает на обучении ИИ тому, кто ваши клиенты, за что стоит ваш бренд и как выглядит отличная реклама, прежде чем создавать какой-либо контент. Такой подход правилен по направлению и более дисциплинирован, чем то, что делают большинство команд. Однако у него остаётся критический недостаток: он ограничивается лишь собственными данными бренда.

То, чего не хватает, — это конкурентного контекста: внешнего уровня сигналов, который подсказывает, какие заголовки в вашей категории реально работают, какие визуальные стили утомляют аудиторию, какие посылы и сообщения уже перенасыщены у ваших конкурентов. Без этого итерации творческих решений на основе ИИ — это просто ускоренная версия гадания. Вы оптимизируете исходя из своих предположений о том, что работает, а не из реалий рынка. Вы можете генерировать десять тысяч вариантов рекламы в день, но если каждый из них делает акцент на одно и то же преимущество, которое уже полгода используют три ваших крупнейших конкурента, вы просто систематически приближаетесь к своей никчёмности.

Особенно опасно это в условиях кризиса измерений, описанного в предыдущем разделе. Когда вы не можете доверять своим собственным данным атрибуции, чтобы понять, какое именно творческое решение вызвало конверсию, внешние рыночные сигналы становятся единственным надежным корректирующим фактором. Если внутренняя аналитика не может достоверно отличить выигрышную рекламу от случайно повезшей — а у большинства команд это именно так — понимание того, что работает на более широком конкурентном поле, становится главным приближением к объективной действительности.

Появляется понимание того, как должен выглядеть зрелый подход, хотя пока почти никто им не обладает. Партнерство между DAIVID и ADIN.AI, описанное в журнале Search Engine Journal, демонстрирует инфраструктуру, которая действительно необходима для конкурентоспособного креативного интеллекта. Интегрируя систему оценки эффективности креативов DAIVID непосредственно в платформу медиа-реализации ADIN.AI, партнёрство создает цикл непрерывной обратной связи: до запуска кампаний маркетологи могут определить, какой креатив с наибольшей вероятностью окажется успешным, и соответствующим образом распределить бюджет; в ходе проведения кампаний можно масштабировать эффективные элементы контента и в реальном времени останавливать неэффективные; после завершения кампаний исторические данные об эффективности становятся эталоном, направляющим будущие креативные решения. Генеральный директор DAIVID Ян Форрестер простыми словами описал основную проблему, которую это решает: креативы слишком долго измерялись изолированно, отдельно от результатов медиа.

Именно это отключение превращает объемы, созданные ИИ, в отходы. Когда оценка эффективности креативов связана с результатами рекламных кампаний и историческими показателями в единой системе, у вас появляется инфраструктура конкурентной разведки — способ узнать не только то, что вы создали, но и как это соотносится с тем, что, как доказал рынок, работает. Без этого вы управляете фабрикой контента без отдела контроля качества и без понимания того, что производит фабрика по соседству.

Здесь проблема не в технике. Генеративные модели способны на большее. Пробел стратегический. Большинство команд вкладывались в производственный уровень — инструменты для создания рекламы — но не вкладывались в уровень аналитики, который подсказывает, какая реклама стоит усилий. И пока сравнение с конкурентами рассматривается как дополнительная, а не обязательная часть процесса создания креативов, увеличение объема производства будет означать лишь больший объем отходов, поступающих быстрее.

Инфраструктура оценки, от которой зависят большинство маркетинговых организаций, была разработана для мира, в котором производство творческого контента являлось узким местом. Команда могла выпускать дюжину вариантов рекламы в квартал, пропускать их через экспертную группу, запускать A/B-тесты на двух-трех каналах и согласовывать результаты с опросом по отслеживанию бренда, данные которого поступали спустя несколько недель. Такой темп имел смысл, когда объем творческих активов был управляемым. Он полностью разваливается, когда один бренд одновременно управляет генерируемым с помощью ИИ контентом на сотнях рынков.

Представьте масштабы, на которых Unilever работает сейчас. С сетью из 300 000 создателей контента — примерно 71% из которых используют ИИ-инструменты для создания контента, распространяемого на десятках платформ, — сама идея формирования людской ревизионной группы для оценки качества креативов становится почти абсурдной. A/B-тестирование, которому требуются контролируемые условия и достаточный размер выборки для каждого варианта, становится логистически невозможным, когда количество перестановок превосходит любые реалистичные рамки тестирования. Традиционные опросы отслеживания бренда, созданные для фиксации сдвигов в восприятии бренда в течение кварталов, сообщают вам, где бренд находился несколько месяцев назад, а не где он сейчас, в условиях реального потока активов, созданных ИИ. Инфраструктура оценки, которая ранее отличала удачные творческие решения от неудачных, перестает работать — не потому что методы теоретически ошибочны, а потому что они разрабатывались для объемов производства, которые уже не соответствуют действительности.

Это не исключительно проблема глобальных корпораций. Даже бренд среднего размера в сфере электронной коммерции, выпускающий пятьдесят вариантов рекламы на основе ИИ каждую неделю в Meta, TikTok и Google, уже опережает собственные возможности оценки того, что работает и почему. Разрыв между скоростью производства и способностью к оценке растет с каждым днем, и большинство команд заполняют его единственным доступным средством: интуицией, прикрытой апостериорными объяснениями.

Операционная реальность, стоящая за этим разрывом, мрачнее, чем это обычно описывают в отраслевых обсуждениях. Как сообщал ресурс MarTech, по данным опроса Optimizely среди более чем 2000 специалистов по B2B-маркетингу, три четверти тратят не менее трёх часов в неделю на редактирование, проверку фактов или исправление созданного ИИ контента, в то время как более 80% регулярно переключаются между несколькими разрозненными приложениями на базе ИИ. Лишь 19% используют единую интегрированную платформу. Время, которое ИИ должен был сэкономить, тратится на издержки координации между фрагментированными инструментами — инструментами, эффективно создающими контент, но не предоставляющими единого уровня для оценки эффективности по каналам, конкурентам или временным горизонтам. Как задокументировал AdExchanger, отрасль по-прежнему тратит большую часть своих усилий на сбор данных из разрозненных систем, а не на принятие решений на основе полученной информации.

Это и есть пробел в инфраструктуре оценки в самой конкретной форме. Первое поколение ИИ в рекламе автоматизировало отдельные задачи: создание заголовков, изменение размеров материалов, генерация вариантов текста. Сейчас требуется второй уровень — ИИ, который обеспечивает координацию оценки и аналитики на всех этапах жизненного цикла креатива, обеспечивая связь между созданием, эффективностью и конкурентной средой практически в режиме реального времени. Без такой инфраструктуры данные сравнительного анализа конкурентов негде хранить. Они не могут влиять на следующий цикл создания креативов, потому что отсутствует система, способная принимать, интерпретировать и возвращать эти данные обратно в цикл производства. В итоге у брендов оказываются более быстрые движки создания, прикрепленные к той же медлительной архитектуре оценки, которую они использовали пять лет назад, что означает принятие большего количества решений на более высокой скорости при меньшем объеме информации — идеальные условия для максимального роста потерь.

Стратегическое обоснование использования создания креативов с помощью ИИ в сочетании с анализом конкурентов выглядит убедительно на бумаге. На практике большинство команд так и не достигают этого — не потому что отвергают логику, а потому что ежедневные операции в маркетинге толкают их к наименее сопротивляющемуся пути: создавать больше, запускать быстрее, измерять позже.

Вот как эта разница выглядит на самом деле.

Команда A: Создание контента с помощью ИИ без учета конкурентной среды. Команда по performance-маркетингу получает доступ к платформе генеративного контента. В течение двух недель они начинают создавать в пять раз больше рекламных вариантов, чем раньше. Брифы на креативы минимальны — изображение продукта, несколько пунктов, целевая аудитория. ИИ предоставляет десятки комбинаций заголовков и изображений, и команда запускает их в каналах платной социальной рекламы и программатике. Результаты приходят понемногу: есть победители, но много провалов, и никакой закономерности объяснить не может никто. Команда делает ставку на объем, рассуждая, что больше тестов даст больше победителей. Через три месяца стоимость привлечения клиента почти не изменилась, усталость от креативов ускорилась, а реклама бренда неотличима от рекламы трех конкурентов, использующих ту же стратегию. Они создали именно то, что описывает Content Marketing Institute как более высокую "беужевую стену" — больше контента, похожего на контент конкурентов, созданный с помощью ИИ, без возможности определить разницу между увеличением объема и улучшением качества.

Команда B: генерация ИИ, привязанная к конкурентной аналитике. У команды конкурента иная отправная точка. Прежде чем что-либо генерировать, они извлекают данные о креативах конкурентов — какие сообщения используются, в каких форматах наблюдается устойчивое инвестирование (показатель эффективности), где существуют пробелы в охвате каналов или таргетинге аудитории. При постановке задачи генеративному инструменту они включают не только брендовые материалы, но и контекст конкурентной позиции: "Конкурент X насыщает короткие видео сообщениями о скидках; нам нужны верхнеуровневые креативы, подчеркивающие надежность". Выходные данные ИИ по-прежнему объемны, но фильтр оценки стал точнее. Варианты оцениваются не только по CTR, но и по стратегическому отличию — говорит ли данная реклама то, чего рынок еще не слышал?

Разница между этими двумя командами не в талантах или бюджете. Она в инфраструктуре. Как отмечал AdExchanger, без широких, согласованных данных по всем медиа ИИ лишь ускоряет неполную аналитику, а частичный охват делает сравнение с конкурентами ненадежным. Команда B инвестировала в такую базу данных до масштабирования производства креативов. Команда A рассматривала генерацию как стартовую черту, а оценку — как задачу, которая самоустраниется в процессе.

Вот в чём заключается обязанность специалиста, которую оттеночная фраза «ИИ усиливает вас» замалчивает. Усиление нейтрально. Оно увеличивает любую способность — или любой пробел — уже существующий в рабочем процессе. Команда с чётким пониманием конкурентной среды и ясной творческой стратегией получает в большем масштабе именно эти преимущества. Команда, работающая с расплывчатыми брифами и опирающаяся только на внутренние метрики производительности, получает ещё больше этой неопределённости, но быстрее. Инструменту безразлично, что именно он усиливает.

Практическое требование, таким образом, лишено блеска: прежде чем любой творческий инструмент ИИ займет более значимое место в производственной цепочке, командам необходимо ответить на вопрос кинематографиста, который награды Cannes AI Craft Lions теперь ставят перед всей индустрией. Стало ли качество работы выше? Не больше по количеству, не дешевле в производстве, не быстрее в реализации — выше по качеству. Чтобы честно ответить на этот вопрос, нужно понимать, как выглядит «высокое качество» в сравнении с конкурентной средой, а не только по сравнению с внутренними показателями прошлого месяца. Именно этой способности большинство команд до сих пор не обладают, и никакая генеративная модель не построит её за них.