ПРОБЛЕМА AI-ДРАНИ ИЗ ВОЗДУХА НАДВИГАЕТСЯ НА ВАШИ РЕКЛАМНЫЕ КАМПАНИИ — ЕСЛИ ТОЛЬКО ВЫ НЕ ОБУЧИТЕ ИИ НА ВЫИГРЫШНОЙ РЕКЛАМЕ, А НЕ НА ПУСТОМ МЕСТЕ

В интернете существует проблема с мусором, и она растёт быстрее, чем осознают большинство маркетологов. Согласно исследованию маркетинговой платформы на базе ИИ Ahrefs, 74% новых веб-сайтов, созданных в апреле 2025 года, содержали контент, созданный при помощи ИИ — а это означает, что лишь около одной четвёртой новых веб-сайтов были полностью созданы людьми. Отдельное исследование показало, что к концу 2025 года ровно половина всех онлайн-статей будет создаваться с помощью ИИ. Имейте в виду: ChatGPT стал доступен широкой публике лишь в феврале 2023 года. Всего за два года контент, созданный машинами, превратился из новшества в нечто почти повсеместное, и последствия для рекламодателей уже нарастают.

Культурная волна протеста пришла с ошеломляющей скоростью. Мерриам-Вебстер назвал «машинный мусор» словом 2025 года — термин, который буквально означает «машинный мусор, заполонивший интернет». Упоминания этой фразы в интернете увеличились в девять раз с 2024 по 2025 год, а негативные настроения достигли пика в 54% в октябре. Это не узкая жалоба технокритиков. Это массовый отказ от контента, который кажется пустым, однородным и безопасным с точки зрения алгоритмов. Как выразился Джефф Буллас, читатели могут чувствовать, что материал был собран, а не написан — «даже если они не могут это доказать».

Это интуитивное ощущение проявляется в точных данных о рекламе. Примерно 30% представителей поколения Z и миллениалов теперь негативно относятся к рекламе, созданной с помощью ИИ, резкий рост по сравнению с 18% всего годом ранее. Даже рекламные директора признают этот диссонанс: во время дискуссии на конференции AdExchanger по программатике и ИИ, участники аудитории охотно поднимали руки, когда их спросили, часто ли они сталкиваются с машинным мусором на практике. Люди, которые покупают и продают медиа, видят проблему на своих собственных экранах — и тем не менее траты продолжают направляться туда.

Вот здесь кризис приобретает экономический характер. Контент, созданный ИИ, и сайты, созданные исключительно для показа рекламы, имеют слишком много общего. Как сообщал AdExchanger, они оба, как правило, содержат низкокачественный контент и имеют высокое соотношение рекламы к контенту, создавая среду, в которой показы формально осуществляются, но внимание никому не достается. Скотт Пирс, старший директор по управлению продуктами и качеству торговой площадки в The Trade Desk, назвал контент, созданный ИИ, "новым MFA". И хотя эти две категории не совпадают полностью, практический эффект для рекламодателей одинаков: бюджеты бесследно уходят на размещения, где никто на самом деле не читает, не смотрит и не интересуется. Каждый доллар, потраченный на страницу с контентом ИИ, — это доллар, который не дошел до человека в восприимчивом состоянии.

Именно скорость превращает это из тенденции в чрезвычайную ситуацию. Интернет медленно не заполняется посредственным контентом; он затапливается темпами, ухудшающими всю экосистему. Программные каналы не различают вдумчивую статью и тысячусловный пост, статистически вывернутый в существование моделью, которая никогда ничего не чувствовала. Предложение растёт, CPM-ставки сжимаются в качественных источниках, и бренды обнаруживают, что им приходится конкурировать за внимание на свалке.

На этом фоне теперь проходит каждая рекламная кампания. Если ваш креатив создан с теми же настройками по умолчанию, тем же тоном и той же безликовой однообразностью, что и окружающий его мусор, ваши объявления не просто показывают плохие результаты — они теряются в шуме. А если вы до сих пор измеряете успех количеством показов, а не реальным вовлечением, вы, возможно, уже сами финансирований свою ненужность, даже не осознавая этого.

Существует термин, который набирает популярность среди отраслевых критиков и идеально описывает, как мы дошли до этого: культ эффективности. Он описывает то, что происходит, когда маркетологи передают ИИ ключи от творческого производства и оптимизации с единственным безоговорочным приказом — достигать результатов любой ценой — и без каких-либо ограничений в отношении вкуса, целостности бренда или элементарной человечности. Результатом становится не просто посредственность. Это всё чаще странный, несоответствующий имиджу бренда и иногда по-настоящему пугающий контент.

Рассмотрим, что произошло с Skechers. Этот бренд обуви запустил внеочередные кампании, созданные с помощью ИИ, в Нью-Йорке, Сиэтле и других крупных рынках. На изображениях изображены гиперсексуализированные молодые девушки в позах, которые, как резко описал AdExchanger, привлекают внимание к их промежности, которую ИИ странно подчеркнул. Если бы директор-креативщик представил бы такие изображения, его бы тут же уволили, и совершенно справедливо. Но поскольку работа была создана машиной и, предположительно, хорошо показала себя по какому-либо метрическому показателю вовлечённости, она была одобрена. Алгоритм не понимал, что реклама была отвратительной. Он просто знал, что она останавлила прокрутку.

Теперь возьмём Chewy. Инструменты рекламы с ИИ от этого ритейлера для животных извлекают изображения товаров с самых глубоких страниц своего каталога — изображения, которые никогда не предназначались для рекламы, ориентированной на потребителя — и используют их как рекламу. Люди нажимали на них, но зачастую лишь потому, что не верили своим глазам. Когда вы обучаете машину поклоняться показателям эффективности выше всего, как утверждается в той же статье, ИИ не нужна уместная картинка с товаром. Ему нужно то, что вызывает реакцию, а отвращение считается реакцией в экономике внимания.

Именно поэтому качество креативов стало вопросом выживания, а не просто приятным дополнением. По мере того как платформы автоматизируют таргетинг на аудиторию и толкают маркетологов к более широкому охвату, креативы становятся одним из важнейших сигналов как для пользователей, так и для алгоритмов. Каждый заголовок, изображение и видео теперь работают как механизм таргетинга — говоря платформе, кому следует увидеть рекламу и какое действие нужно предпринять. Когда ваши креативы плохие, вы не просто портите репутацию бренду; вы активно обучаете алгоритм искать людей, которые реагируют на дешевку.

Проблема, следовательно, не в том, что ИИ изначально не способен создавать качественную рекламу. Проблема в том, что ИИ, работающий в вакууме — без стратегического направления, без рамок бренда и без понимания того, как на самом деле выглядит успешная реклама — будет оптимизироваться под самую дешевую реакцию. И, как один из CEO агентств креативной рекламы выразился прямо, ИИ усиливает вас: если ваши идеи сильны, он реализует их быстрее, но если ваши исходные данные слабые, он просто производит еще больше слабых материалов в масштабе. Решение заключается не в уменьшении использования ИИ. А в использовании ИИ, которому заранее объяснили, как выглядит качественный результат, до того как он приступит к кампании.

Годами доминирующей стратегией в платном социальном маркетинге было простое: тестируйте больше. Запускайте пятьдесят зацепок, меняйте десять миниатюр, экспериментируйте с двадцатью заголовками и позволяйте алгоритму выбирать победителей среди проигравших. Если ваша стоимость привлечения клиента росла, ответом всегда был больший объем. Некоторые агентства сейчас гордятся тем, что загружают от 100 до 200 новых креативов в неделю в рекламные кабинеты, рассматривая саму производственную линию как конкурентное преимущество. Но вот неудобная правда, которую сторонники большого объема не хотят признавать: если каждый из этих 200 рекламных материалов создан на основе одного и того же примитивного запроса без стратегической основы, вы не создали 200 шансов на успех. Вы создали 200 вариаций посредственности — и платформы уже раскрыли этот трюк.

Переломный момент наступил, когда обновление Andromeda от Meta кардинально изменило способ оценки креативов алгоритмом. Как объясняет Фрейзер Коттрелл в разборе своего процесса создания креативов с помощью ИИ, Andromeda put an end to the practice of running hundreds of slight variations of the same ad because the platform now treats near-duplicates as a single creative. Это означает, что старый подход методом грубой силы — изменение цвета фона здесь, замена шрифта там, корректировка одного слова в заголовке — больше не обманывает систему доставки. Алгоритм Meta стремится к действительно разным концепциям, а не к сотне перемешанных версий одной и той же идеи. И если вы не можете производить такой концептуальный разнообразие, то увеличение количества не просто не помогает — оно активно расходует бюджет, дробя затраты на креативы, которые алгоритм считает идентичными.

Именно здесь проблема масштабирования ИИ становится невозможной для игнорирования. ИИ самостоятельно не создаёт качество; он отражает то, что вы в него вкладываете. Если ваши входные данные — расплывчатый запрос и URL-адрес продукта, результат будет в точности таким же обобщённым, как и краткое описание. Тот же принцип действует независимо от того, создаёте ли вы статические изображения, сценарии видео или целые концепции кампаний. Бренды, которые масштабно тестируют, но не получают за этим никаких результатов, почти всегда являются теми, кто запускает ИИ с нуля, не имея основы — без исследования потребителей, без анализа конкурентов, без данных о том, что раньше работало и почему это работало.

Более глубокая проблема заключается в том, что креатив стал новой таргетинговой стратегией. По мере того как Google, Meta и TikTok автоматизируют выбор аудитории и стимулируют рекламодателей использовать более широкие параметры таргетинга, каждый заголовок, изображение и призыв к действию теперь выполняют функцию сигнала для алгоритма о том, кому следует показывать рекламу. Когда ваш креатив пресный и ничем не выделяется, вы утомляете не только людей — вы не предоставляете алгоритму ничего полезного для работы. Широкий таргетинг в сочетании с универсальным креативом обречен на потери, поскольку объявления показываются людям, которые никогда не собирались совершать конверсию.

Эпоха тестирования методом грубой силы основывалась на предположении, что рано или поздно качество проявится просто благодаря статистической вероятности. Но вероятность работает только в том случае, если в выборке присутствует значимая вариативность. Двести объявлений, созданных на основе одного узкого шаблона, не представляют собой двести различных гипотез — они лишь одна и та же гипотеза, оформленная в слегка различных шрифтах. А когда сами платформы отказываются рассматривать эти вариации как отдельные, вся математика полностью рушится.

Теперь требуется принципиально иной подход к входным данным. Прежде чем создавать хотя бы одно рекламное объявление, необходимо обучить ИИ на прочной базе: кто покупает товар и почему, какие эмоциональные триггеры побуждают к действию, какие подходы конкурентов перенасыщают рынок и какие конкретные креативные решения ранее оказывались наиболее эффективными. Объём по-прежнему важен, но лишь после того, как качество исходных данных оправдывает его масштабирование. Эпоха осознанного креативного создания началась, и команды, по-прежнему цепляющиеся за модель «пальба наугад», тратят бюджет с такой скоростью, которую не спасти никаким алгоритмическим обновлением.

Если в предыдущем разделе было доказано, что одной лишь объемности недостаточно для эффективной стратегии, логичным следующим вопросом будет: чем же тогда кормить машину? Ответ — не в более качественном запросе. А в более качественных входных данных. И именно здесь формируется настоящее конкурентное преимущество в рекламе, основанной на ИИ: не в выборе инструмента, а в том, на чем вы его обучаете.

Широко цитируемая трехступенчатая система Фрэйзера Коттрелла для рекламных креативов ИИ, изложенная на Social Media Examiner, начинается с шага, который большинство маркетологов полностью пропускают: создание "базы знаний о бренде" до создания любого креатива. Идея проста, но контринтуитивна для индустрии, одержимой скоростью. Прежде чем просить ИИ написать цепляющий заголовок или создать визуальный образ, вы сначала должны загрузить в него всё, что нужно для понимания вашего бренда — голос, позиционирование, психологию аудитории, прошлые успехи, прошлые неудачи. Без этой основы вы работаете как на чистом листе, и результат будет отражать именно это: обобщённый, бессвязный, неотличимый от любого другого бренда, использующего ту же модель с теми же настройками по умолчанию.

Однако структура Коттрелла, несмотря на свою продуманность, отвечает лишь на половину задачи. Глубокое знание своего бренда необходимо, но недостаточно. Вам также нужны данные о конкурентах — о том, что на самом деле работает в вашем сегменте рынка сейчас, а не то, что показывало результаты полгода назад, и не то, что в кейсе с презентации конференции сработало для другого сегмента, а именно то, что на данный момент активно масштабируется при реальных рекламных бюджетах. Это и есть ниша, которую заполняют платформы для рекламного анализа, такие как Anstrex. Когда вы можете анализировать активные рекламные кампании в каналах нативной рекламы, пушей, поп-апов и социальных сетей, фильтровать их по рыночному сегменту, географии, продолжительности и сети, вы уже не гадаете, как выглядит качественная реклама. Вы изучаете её эмпирически.

Это важно, потому что разница в качестве результатов ИИ почти всегда связана с качеством входных данных. Опытные фотографы получают лучшие результаты от генераторов изображений, потому что хорошо понимают композицию, освещение и построение кадра, что позволяет им чётко задавать направление модели. Опытные копирайтеры получают более цепляющие рекламные тексты от языковых моделей, потому что знают, как «цепляет» сильный заголовок, и могут избегать штампов. Тот же принцип применим в масштабе: когда вы подаёте модели ИИ реальные примеры рекламы, которая реально продаёт, — с её структурными шаблонами, эмоциональными триггерами и форматными решениями, отличающими успешные объявления от шума, — вы просите модель импровизировать на основе проверенных формул, а не изобретать что-то с нуля.

Это особенно важно, поскольку креатив становится новым сигналом таргетинга на таких платформах, как Meta, Google и TikTok. Когда алгоритмы используют заголовки, изображения и видео, чтобы определить, кому показывать вашу рекламу, креатив берёт на себя функцию, которую раньше выполняли настройки аудитории. Ошибка в креативе приводит не просто к потере бюджета — она активно вводит алгоритм в заблуждение. А как показано в AdExchanger, определение термина «премиум» в индустрии смещается в сторону показателей вовлечённости, независимо от качества исполнения, что означает: созданный ИИ контент, удачно сочетающий нужные эмоции и структурные элементы, способен превзойти безупречно оформленный, но бессодержательный креатив.

Именно поэтому конкурентное преимущество заключается в слое ввода данных — а не в слое генерации. Инструмент вроде Anstrex не заменяет ваш рабочий процесс с ИИ, а усиливает его фундамент. Вместо того чтобы просить языковую модель представить, как может выглядеть эффективная нативная реклама для бренда добавок, вы показываете ей пятьдесят уже запущенных, масштабируемых и проверенных объявлений. Модель перестаёт выдумывать и начинает синтезировать. В этом и заключается разница между созданием безвкусной продукции и созданием победителей, и эту разницу невозможно преодолеть никакой настройкой запросов, если отсутствуют нужные данные.

Пока что аргумент носил концептуальный характер: лучшие входные данные дают лучший результат, а большой объём без интеллекта — это просто дорогостоящий шум. Но как выглядит рабочий процесс на самом деле, когда вы садитесь в понедельник утром создавать рекламный креатив, не являющийся бессмыслицей? Ниже приведён практический трёхступенчатый процесс, который связывает конкурентную разведку с генерируемыми ИИ выигрышными решениями — без перехода к обобщённой узнаваемой эстетике, мимо которой аудитория уже научилась пролистывать.

Шаг первый: исследуйте Anstrex в поиске рекламы, которая уже прошла фильтр качества рынка. Каждая рекламная платформа — это жестокая дарвинистская среда. Большинство креативов умирают в течение нескольких дней. Те, что сохраняются — работают неделями или месяцами, охватывая множество размещений и геолокаций — прошли проверку, которую невозможно воспроизвести с помощью фокус-групп или внутренних проверок: они приносили конверсии по стоимости, оправдывающей продолжение расходов. Библиотека конкурентной разведки Anstrex позволяет фильтровать по продолжительности, сети и вертикали, что означает возможность выделить креативы в вашей категории, которые действительно работают, а не гадать, что может сработать. Эти выжившие — ваши исходные обучающие данные — не для копирования, а для анализа. Обращайте внимание на рекламу, которая продолжает работать. Длительность — самый честный сигнал эффективности, доступный извне.

Шаг второй: деконструируйте шаблоны и создайте на их основе базу знаний бренда. Именно здесь большинство команд двигаются вперед, не завершив предыдущий шаг, и впоследствии платят за это. Прежде чем открывать любой генеративный инструмент, необходимо выделить структурную ДНК выигрышных объявлений — тип зацепки (вопрос, статистика, смелое заявление, разрыв шаблона), визуальную композицию (продукт в контексте, стиль пользовательского контента, до/после, насыщенный текстом графический материал), структуру текста (проблема-обострение-решение, с упором на отзыв, прямое предложение), эмоциональные триггеры (страх упустить выгоду, стремление к лучшему, облегчение, любопытство) и архитектуру предложения (скидка, комплект, бесплатный пробный период, минимизация риска). Зафиксируйте эти элементы в структурированном брифе, который станет контекстным слоем для вашего ИИ. Как описывает система Фрэзера Коттрелла, обучение генеративного ИИ на основе вашего бренда — кто ваши клиенты, что символизирует ваш бренд и как выглядит отличная реклама — это фундаментальный этап, который необходимо пройти до создания любого изображения или заголовка. Выявленные вами конкурентные шаблоны из Anstrex становятся ключевой частью этой базы знаний, придавая вашим запросам основу в виде подтверждённой рыночной реальности, а не абстрактных бренд-гайдов.

Шаг третий: используйте ИИ для создания по-настоящему новых вариантов — не незначительных изменений. Это этап реализации, и именно здесь в данных о производительности проявляется разница между ИИ с обучением и необученным ИИ. Передайте свой структурированный бриф и библиотеку шаблонов в свои творческие инструменты и стремитесь к настоящему разнообразию: разные типы зацепок, разные визуальные стили, разные эмоциональные тона, разные способы подачи предложения. Упор на подлинную новизну сейчас важнее, чем когда-либо. Как утверждает Ник Шекелфорд, тестирование меньшего количества креативов с реальным намерением создать что-то новое и отличное даёт лучшие результаты, чем массовое производство незначительных вариаций одной и той же посредственной идеи, особенно поскольку обновление Andromeda от Meta и так объединяет почти идентичные объявления в один креатив. Ваши инструменты ИИ должны генерировать концепции, структурно основанные на успешных примерах, но визуально и концептуально отличающиеся от всего, что в настоящее время есть на рынке.

Компаундное преимущество этого рабочего процесса заключается в создании цикла обратной связи. Победители из ваших собственных кампаний возвращаются в базу знаний вместе с новой конкурентной информацией от Anstrex, что означает, что контекстный слой вашего ИИ становится богаче и конкретнее с каждым циклом тестирования. Со временем вы не просто ориентируетесь на рынок — вы создаете собственный актив творческого интеллекта, который конкуренты, полагающиеся на общие запросы, просто не могут воспроизвести.