РАЗРЫВ В АГЕНТНОМ ТАРГЕТИНГЕ: ЧТО ПРОИСХОДИТ, КОГДА НЕБОЛЬШИЕ РЕКЛАМОДАТЕЛИ НЕ МОГУТ ПОЗВОЛИТЬ СЕБЕ ИИ STAGWELL, НО ВСЕ РАВНО ДОЛЖНЫ ВЫИГРЫВАТЬ

Эпоха агентного рекламного рынка не была представлена одной презентацией или демонстрацией продукта. Она пришла как волна — одновременная, скоординированная и направленная на поощрение рекламодателей, уже интегрированных в экосистемы, формирующие её.

Наиболее явный сигнал поступил в начале июня, когда видеосеть GSTV объединилась с Marketing Cloud от Stagwell для интеграции Системы агентного таргетинга Stagwell, став первой медиасетью за пределами холдинга, внедрившей SATS. То, что отличает SATS от предыдущих инструментов таргетинга, — не просто ярлык «агентный», а лежащая в основе архитектура. Работая на платформе Palantir Foundry, система заменяет статические демографические сегменты на сигналы поведения в реальном времени, динамически формируя и активируя аудитории, вместо использования грубых приближений (возраст, пол, почтовый индекс), которые на протяжении многих лет незаметно ухудшали эффективность кампаний. Председатель и генеральный директор Stagwell Марк Пенн назвал это «священным граалем маркетинга», и хотя подобные высказывания типичны для мероприятий по запуску, ранние темпы внедрения придают этим словам больший вес, чем обычно.

GSTV охватывает ежемесячно 115 миллионов уникальных взрослых жителей США более чем в 29 000 удобных точках и пунктах заправки — огромная физическая сеть, где намерение совершить покупку и само поведение покупателя практически совпадают по времени. Conagra Brands, чей ассортимент мясных закусок, включающий Slim Jim и Duke's, практически является неотъемлемой частью полок автозаправок, стала первым рекламодателем GSTV, запланировавшим кампании через SATS. Как отметил вице-президент по маркетингу Conagra Питер Чой, интеграция позволяет компании «выйти за рамки статичных демографических предположений и перейти к анализу поведения в реальном времени, что способствует более эффективному планированию и лучшим результатам». Это не эксперимент по типу «попробуем и посмотрим». Это полноценное внедрение на крупной медиасети с участием известного рекламодателя из сектора товаров повседневного спроса, который уже запускает через неё свои кампании.

Теперь отойдём назад. В ходе нынешних презентаций на сезонных продажах почти каждый крупный издатель представлял функции таргетинга на основе искусственного интеллекта. WBD представила Scene Level Moments — контекстный таргетинг, основанный на Kerv.ai, — в сочетании с динамическим креативом, адаптирующим заголовки и изображения в режиме реального времени, а также с так называемыми «Agentic Experiences», разработанными для рекламы от агента к агенту. Fox представила контекстный движок, построенный на крупной языковой модели, для вставки рекламы на уровне сцен. NBCU анонсировала постоянную работу ИИ-агентов и расширенный контекстный таргетинг. Даже Netflix, который долгое время умалчивал подробности о своей рекламной платформе, указал на многолетний опыт использования машинного обучения, помогающий таким рекламодателям, как DoorDash и Target, оптимизировать размещение рекламы.

Имеет значение совокупный эффект. Согласно отчету iSpot о расходах и стратегии на видео-рекламу за 2026 год, каждый четвертый рекламодатель в этом году активно тестирует креативы на основе ИИ, при этом более трети изучают рабочие процессы и операции, управляемые ИИ. В отчете сделан вывод, что «маркетологи прошли этап экспериментов с ИИ и теперь внедряют полномасштабную автоматизацию рабочих процессов для повышения эффективности». Тем временем дискуссии на отраслевых мероприятиях перешли от теоретических обещаний к практической реализации: как отметило AdExchanger по итогам конференции POSSIBLE, рекламодатели больше не впечатляются одним лишь позиционированием ИИ и вместо этого хотят «технологии, которые повышают эффективность, уменьшают фрагментацию и упрощают сложные медиа-среды».

В этом и заключается ключевое понимание: преимущество в таргетинге, получаемое крупными рекламодателями, не является постепенным. Оно возрастает. Когда бренд получает более точные поведенческие сигналы от SATS, лучшее контекстное размещение благодаря таргетингу на уровне сцен у WBD или Fox и более точные циклы измерений от рабочих процессов, оптимизированных ИИ, — и все это одновременно — каждый слой усиливает другие. Обратная связь становится быстрее. Потери сокращаются. Разрыв в эффективности между теми, кто находится внутри этих экосистем, и теми, кто снаружи, не просто увеличивается; он ускоряется. При этом первыми доступ получают в подавляющем большинстве те рекламодатели, которые уже могли себе это позволить.

Несмотря на все громкие объявления и пресс-релизы о партнёрствах, очевиден суровый факт: подавляющее большинство рекламных кампаний по-прежнему слишком хаотичны, фрагментированы и перегружены нормативными требованиями, чтобы ИИ мог с ними справиться без участия человека. Специалисты отрасли на саммите Programmatic AI от AdExchanger признали, что от 80 до 90 процентов кампаний по-прежнему слишком сложны для полностью автономного исполнения. Это не незначительное оговорка — это определяющее ограничение всего движения агентного рекламопропаганды.

Причины носят структурный, а не только технический характер. Простые программные гарантированные покупки — по фиксированным ценам, через один канал, с чётко определёнными сегментами аудитории — как раз тот вид операций, в которых агентные системы проявляют себя наилучшим образом. Данные на входе чистые, правила явные, а обратная связь оперативная. Но стоит выйти в реальный мир выполнения многоканальных кампаний, где один бренд может одновременно запускать скоординированные закупки на CTV, в социальных сетях, в display, ритейл-медиа и в аудио, как сложность стремительно возрастает. Добавьте региональные нормы конфиденциальности, несогласованные стандарты измерений в рамках закрытых экосистем и необходимость творчески тонко адаптировать контент для поддержания целостности бренда в разных форматах — и вы быстро превысите возможности любой современной автономной системы контролируемо справляться с такой задачей.

Даже компании, создающие такие инструменты, открыто это признают. Руководство WPP по оптимизации заявило, что человеческий контроль остаётся необходимым для кампаний, требующих стратегических решений — тех, которые нельзя свести к сигналу эффективности в алгоритме ставок. Глава IAB Tech Lab также поддержал эту точку зрения, отметив, что инфраструктура для действительно кросс-платформенной совместимости пока недостаточно зрелая, чтобы обеспечить ту беспроблемную автономность, которую обещают маркетинговые материалы вендоров.

Именно поэтому управление автономными системами стало одной из ключевых основ рекламной стратегии с использованием ИИ. Как отмечалось в MarTech, компаниям необходимо определить рамки, которые обеспечивают баланс между оптимизацией эффективности и брендовой ценностью, — установить чёткие границы того, что ИИ может решать самостоятельно, а где должно вмешиваться человеческое суждение. Без таких ограничений даже самая сложная агентная система рискует загнать себя в угол: стремясь достичь краткосрочных показателей эффективности, она при этом размывает доверие к бренду, которое, как отметил Нил Патель в своём анализе анонсов Google Marketing Live, всё чаще выступает в качестве основного сигнала, по которому ИИ-системы выбирают и показывают бренды.

Что это значит для небольшого рекламодателя, наблюдающего, как Stagwell и WPP запускают корпоративные агентные платформы? Одновременно два вещи.

Во-первых, преуменьшим фактор запугивания. Эти системы не всеведущие монстры, ведущие идеальные кампании, пока вы спите. Они мощные, но частичные — исключительны в создании аудитории, обработке сигналов и оптимизации ставок в четко определённых рамках и по-настоящему ограничены в остальном. Пресс-релизы описывают будущее, которое на практике пока что представляет собой сочетание автоматизации и вмешательства человека.

Но во-вторых — и это важнее — даже в незавершённом состоянии эти инструменты дают рекламодателям из крупных компаний значительное преимущество в тех областях, где они действительно работают. Более быстрое моделирование аудитории. Более детальная интерпретация сигналов. Более быстрая итерация контента, вызывающего отклик. Разрыв между брендом, использующим агентную таргетировку Stagwell для формирования аудитории, и брендом, который делает это вручную в DSP, не такой, как между автономным автомобилем и велосипедом. Это разница между велосипедом и электровелосипедом: одна и та же дорога, одно и то же место назначения, но один велосипедист прибывает свежее и быстрее. Этот разрыв реален. И, что особенно важно, его можно устранить — если знать, на чём сосредоточиться.

Уберите брендирование Palantir, партнерства с холдинговыми компаниями и разговоры в советах директоров о "святых граалях", и у вас останется система, которая хорошо выполняет четыре функции. Понимание этих четырех вещей — ясно, без прикрас — является ключевым моментом для любого рекламодателя, который пытается конкурировать без семизначного бюджета на ИИ.

Во-первых, агентные системы потребляют сигналы поведения в реальном времени для создания динамических профилей аудитории. Именно об этом говорил Питер Чхой, заявляя, что интеграция GSTV со Stagwell позволяет компании Conagra "перейти от статичных демографических предположений к поведенческим инсайтам в реальном времени", что обеспечивает более эффективное планирование. Ключевое слово здесь — динамичный. Традиционные методы таргетинга создают персону, например, мужчины 18–34 лет, посещающие магазины шаговой доступности, и рассматривают её как постоянную. Агентная система постоянно обновляет этот профиль на основе реальных действий людей: что они просматривают, что покупают, в какое время взаимодействуют и в каком контекстном окружении находятся. Профиль никогда не бывает завершённым; это живой документ, обновляемый при каждом новом наборе данных.

Во-вторых, такие системы определяют, какие комбинации креативов и каналов работают в конкретных контекстах. Это выходит за рамки стандартного A/B тестирования. Агентный уровень не просто сообщает, что версия A вашего объявления показала лучший результат, чем версия B в целом, — он показывает, что версия A работала лучше на подключённом ТВ в вечерние часы для покупателей, отложивших покупку, тогда как версия B обеспечивала более высокую конверсию на мобильных устройствах для новых посетителей, находящихся рядом с торговым объектом. Именно такая детализация сопоставления контекста и креативов отличает оптимизацию от настоящего интеллекта.

В-третьих, они непрерывно оптимизируют размещение и время показа на основе циклов обратной связи по эффективности. Как описывалось на MarTech, следующий этап развития агентного ИИ включает системы, которые «постоянно экспериментируют, перераспределяя бюджет, корректируя таргетинг и улучшая креативы без участия человека», что обеспечивает измеримо более низкие расходы на привлечение клиентов и сокращает циклы продаж. Ключевой механизм — сам цикл обратной связи: система действует, измеряет результат и корректируется не по еженедельным отчётам, а почти в реальном времени. Пионеры добиваются успеха не потому, что у них изначально лучше стратегии, а потому, что их стратегии развиваются быстрее.

В-четвёртых, агентные системы объединяют кросс-канальные данные в единый слой принятия решений. Возможно, это самая значимая из всех возможностей. На конференции POSSIBLE в этом году доминирующей темой стало не развитие отдельного канала, а то, как разговоры о медиа стали принципиально взаимосвязанными, и маркетологи оценивают, как каналы взаимодействуют на всём пути потребителя, а не изолированно. Теперь интегрированные команды контролируют 55% бюджетов на CTV и стриминг, что является структурным сдвигом, отражающим омниканальность как стандартную модель работы. Подлинная сила агентной системы заключается не в том, что она лучше оптимизирует отдельный канал, а в том, что она одновременно охватывает все каналы, рассматривая путь потребителя как единую непрерывную поверхность, а не серию отдельных точек контакта.

Вот что важно в этом разложении: ни один из этих четырех результатов не является магическим. Это информационные преимущества — лучшее понимание аудитории, более точное соответствие креативов, более быстрая оптимизация и согласованность между каналами. Когда Stagwell их продает, они упакованы в проприетарный стек, основанный на Palantir, но сами результаты не привязаны к одной архитектуре. Вопрос для независимых рекламодателей заключается не в том, «Как мне создать свою собственную версию SATS?», а в более практичном и реальном вопросе: «Как мне воспроизвести эти четыре информационных результата с помощью инструментов, к которым я действительно имею доступ?» Такая переформулировка полностью меняет всё последующее.

Вот формулировка, которая делает всю эту аргументацию работоспособной: вам не нужно создавать двигатель, если вы можете прочитать табло результатов.

Когда платформа SATS от Stagwell оптимизирует кампанию Conagra в сети GSTV, система принимает тысячи микро-решений — какие рекламные материалы использовать, как долго их транслировать, какие сегменты аудитории выделить в приоритет, какие временные слоты задействовать активнее, какие предложения сопоставить с конкретными посадочными страницами. Эти решения являются результатом огромной вычислительной мощи, собственных систем обработки данных и циклов автономной оптимизации, которые большинству независимых рекламодателей никогда не позволить себе. Но вот что постоянно упускается из виду в дискуссиях об ИИ для бизнеса: результаты этих решений доступны публично. Рекламные объявления транслируются. Посадочные страницы публикуются. Креативы ротируются по графику, который может наблюдать любой. Структуры воронок находятся в открытом доступе в интернете и ждут, когда их проанализируют.

Платформы конкурентной рекламной аналитики — экосистема шпионских инструментов, которые позволяют маркетологам видеть, какие объявления запускают конкуренты, на каких платформах, с каким креативом, в течение какого времени и с какими предполагаемыми параметрами таргетинга — функционально воспроизводят несколько результатов, которые агентные системы создают внутри себя. Не двигатель, а выхлоп. А в performance-маркетинге выхлопа часто бывает достаточно.

Рассмотрим четыре возможности, описанные в предыдущем разделе. Сбор сигналов? Когда вы систематически отслеживаете, какие варианты креативов крупный конкурент сохраняет в течение недель, а не дней, вы смотрите на результат работы его дорогостоящей системы оптимизации. Устойчивое поведение в рекламе — это отфильтрованный сигнал: кампании, которые выжили, признаны эффективными алгоритмом. Вы не гадаете, что работает; вы наблюдаете за тем, что уже прошло испытание реальной проверкой в режиме реального времени, которую автономно выполняют агентные системы, включая непрерывное перераспределение и улучшение креативов, чего большинство небольших команд не могут сделать самостоятельно. Динамическое перераспределение? Наблюдение за изменениями в распределении рекламы конкурентов по платформам — наблюдение за тем, как расходы перемещаются с Meta на YouTube или как кампании в TikTok появляются и исчезают в определённые промежутки времени — даёт вам поведенческую карту эффективности их системы. Оптимизация креативов? Анализ закономерностей смены креативов, вариантов текста, визуального оформления, которые сохраняются или исчезают через 48 часов, раскрывает выводы A/B-тестирования, к которым пришёл их ИИ. Архитектура воронки? Каждая целевая страница, лид-магнит и пост-кликовый опыт — это видимый результат их решений по оптимизации конверсий.

Это не взлом. Это наблюдательный интеллект, применяемый на стратегическом уровне, и лежащий в его основе принцип напрямую связан с более широкой инфраструктурной концепцией. Как писал Нил Патель, разрыв между брендами, которые сейчас создают системы интеллекта, и теми, кто откладывает, быстро увеличится, и, что особенно важно, ключевым фактором различия будет не бюджет, а инфраструктура. Эта концепция в равной степени применима к конкурентной разведке. Независимый маркетолог, который систематически отслеживает рекламное поведение конкурентов, фиксирует паттерны креативов и воссоздает принятые решения по воронкам, создает собственную инфраструктуру. Тот же, кто запускает кампании вслепую, оптимизируя только по своим ограниченным данным, по сути, просто ждёт.

Это вовсе не означает, что конкурентная разведка заменяет автономный ИИ. Она не создаёт уникальный креатив. Она не перераспределяет ваш бюджет автономно в 3 часа утра. Она не обрабатывает ваши данные первой стороны и не создаёт персонализированные модели аудитории. Но она делает нечто чрезвычайно ценное для маркетолога, не располагающего технологической платформой на миллионы долларов: превращает каждую ИИ-кампанию крупных компаний в вашей сфере в бесплатный постоянно обновляемый отчёт по исследованию рынка — написанный на единственном языке, который имеет значение, а именно: на языке того, что реально запускается и работает в реальных условиях.