ЧТО ОСПАРИВАЕТСЯ, ОТСУТСТВУЕТ ИЛИ НЕДОСТАТОЧНО ИССЛЕДОВАНО?

Несмотря на все разговоры о нарушении, большая часть сегодняшнего «работающего на ИИ» стека конкурентной разведки строится на удивительно удобном соглашении о том, что имеет значение и как это следует измерять. Именно это тихое согласие создает иллюзию того, что на самом деле ничто не оспаривается.

На первый взгляд инструменты выглядят совершенно по-разному: платформы мониторинга, анализ разрывов, ИИ-помощники, специализированные панели управления моделями. Но если отойти и посмотреть шире, они, как правило, сходятся на трёх основных предпосылках:

1. Проблема в объёме: слишком много данных, за которыми нужно следить.
2. Решение — в скорости: сократить анализ с дней до часов, с часов до минут.
3. Единица ценности — панель или краткий список: более чёткое представление о пробелах, пересечениях и тенденциях.

Этот консенсус хорошо виден в том, как сейчас переосмысливается рекламная и поисковая аналитика. В сфере AdTech переход к диалоговым интерфейсам обещает “более быстрый путь от вопроса к ответу”: маркетолог задаёт вопрос, кто увеличил расходы на CTV-рекламу в Германии, и получает аккуратно оформленный ответ уже за секунды, а не дни, как описано в анализе рабочих процессов в рекламной аналитике с приоритетом ИИ. В поисковой и PPC-рекламе аналогичная логика приводит к рекомендации загрузить свои кампании и кампании конкурентов в крупную языковую модель, задать вопрос, по каким платным ключевым словам у вас упущения, и получить в ответ приоритизированный краткий список, сокративший бы задачу, занимавшую полдня, до одного часа, как описано выше.

В обоих случаях задача ИИ рассматривается как сжатие: от необработанных данных к структурированным ответам, от обширной информации к списку актуальных несоответствий. Цель состоит в том, чтобы эффективнее выйти на то, «что мы и так знаем, на что должны обращать внимание».

Вот где молчаливое согласие становится опасным. Потому что если исходная модель неверна или неполна, ИИ лишь помогает вам быстрее прийти к неверным выводам.

Подумайте, насколько сильно современные рекомендации сосредоточены на пробелах в охвате: отсутствующие темы, ключевые слова, каналы. Современный анализ контентных пробелов теперь включает качественные сигналы — звонки с продажами, тикеты поддержки, обсуждения в сообществах — чтобы выявить неозвученные вопросы и намерения, а не только то, что отображается в инструментах ключевых слов, как утверждается в одном подробном руководстве по анализу пробелов с ориентацией на аудиторию. Это шаг вперёд, но всё ещё предполагается, что самое важное — это то, что аудитория уже пытается (или не может) сформулировать.

Что при этом не ставится под сомнение, так это сама посылка о том, что ваша задача — «закрыть пробел» с некоторым формирующимся консенсусным взглядом на категорию: запросы пользователей, шаблоны конкурентов, каналы, где модели чаще всего дают ответы. Очень редко задаются вопросом, являются ли некоторые пробелы стратегически оправданными — местами, куда не нужно следовать, или где вы намеренно могли бы отсутствовать.

Даже более сложные стеки ИИ-усиленного конкурентного анализа строятся вокруг обнаружения и синтеза, а не разногласий. Инструменты мониторинга проверяют изменения ценовых страниц, продуктовых сообщений и разговоров с клиентами в масштабе, выявляя те сдвиги, которые ваша команда может упустить, тогда как ориентированные на продажи платформы встраивают актуальный контекст конкурентной среды непосредственно в рабочие процессы менеджеров по продажам, как описывается в обзоре платформ конкурентного анализа и их функций ИИ. Однако подразумеваемой конечной целью по-прежнему является согласованность: посмотреть, что делают все остальные, и затем скорректировать собственные действия.

Тогда, когда мы всё же замечаем разрывы в консенсусе, их воспринимают как аномалии, которые нужно исправить, а не как сигналы о нестабильности самой концепции. Когда крупные языковые модели демонстрируют резко различающиеся паттерны «вспоминания» — например, Notion упоминается в 17 раз чаще в одной модели, чем в другой, или устаревшие страховые компании фактически заменяются их цифровыми конкурентами в выводах ИИ, как показало недавнее исследование индекса видимости брендов в ИИ, — рекомендация заключается в отдельном измерении каждой модели и устранении пробелов по модели, запросу и источнику. При этом предполагается, что бренды должны иметь согласованную «видимость» во всех моделях, а любые расхождения — это проблема, требующая решения.

Того, чего не хватает, — это реальной борьбы за то, какое присутствие действительно имеет значение. Если Gemini постоянно недостаточно упоминает ваш бренд, является ли это кризисом видимости или свидетельством того, что в его обучающую выборку не включены узкоспециализированные эксперты, которые вам действительно важны? Если вспоминание на основе ИИ вытесняет действующих страховщиков цифровыми новичками, является ли это ошибкой позиционирования или прогнозом?

Сегодняшняя экосистема в значительной степени избегает этих вопросов, сводя всё к разрывам и охвату. Системы ИИ получают одобрение, когда они «переходят от отчетности о том, что произошло, к информированию о том, что должно произойти дальше», как говорится в одной из концепций интеллекта в рекламе следующего поколения; однако само «должно» по-прежнему привязано к тем же неоспариваемым KPI, тем же сигналам авторитета, той же идее о том, что стремление к единому общему представлению о рынке изначально хорошо.

Вот в чём заключается настоящий безмолвный консенсус: лучшая конкурентная разведка означает видеть то же, что и все остальные, только раньше и чётче. То, что остаётся глубоко недостаточно изученным, — это противоположный импульс: использование ИИ не для устранения разногласий и расхождений, а для выявления и поддержания их.

Большая часть того, что сегодня мы называем “конкурентной разведкой”, на самом деле является лишь отчетностью о конкурентах. Современный стек CI оптимизирован для ответа на очень конкретный набор вопросов, в очень конкретных каналах и с привычными единицами измерения: ключевые слова, креативы, расходы, доля показов, ROAS. Он мощен в рамках этих границ—и практически отсутствует за их пределами.

Посмотрите, насколько зрелой стала поисковая и показательная часть стека. Типичный рабочий процесс для анализа конкурентов в Google Ads “анализ конкурентов” строится вокруг таких инструментов, как Auction Insights, Transparency Center и сторонние платформы, такие как Advertising Toolkit от Semrush. Вопросы, на которые предназначен ответ данный стек, четкие и тактические:

• Кто участвует в моих аукционах и как часто они опережают меня в получении показов?
• Какие ключевые слова они покупают, а я нет?
• Как выглядит их рекламный текст по сравнению с моим?

Руководства по «анализу разрывов» в контекстной рекламе включают это: экспортируйте ключевые слова и рекламные объявления конкурентов, экспортируйте свою учетную запись, затем задействуйте языковую модель для сопоставления списков, чтобы выявить «отсутствующие» запросы и приоритизировать их по стоимости клика и «силе сигнала конкурента», как объясняет один из пошаговых обзоров Semrush. Это эффективно. Это можно повторять. Но при этом сфера охвата ограничена тем, что видно в одном формате аукциона и может быть сведено в таблицу.

Та же закономерность проявляется и в анализе контента. Современный анализ пробелов в контенте выявляет темы, по которым конкуренты занимают высокие позиции, а вы — нет, а затем дополняет этот анализ качественными данными, такими как звонки отдела продаж и обращения в службу поддержки. Как указано в недавнем руководстве Semrush, цель состоит в том, чтобы выявить, где ваш контент “отсутствует, скуден, устарел, неясен или не соответствует задачам”. Снова единица анализа заранее определена: URL-адреса, ключевые слова, темы, намерения. Вы по-прежнему соревнуетесь на чётко ограниченной арене — результатах поиска и блоках ответов ИИ, — где охват можно подсчитать и сравнить.

Что касается медиа, подход эволюционировал от инструментов, специфичных для отдельных каналов, к более объединённым кросс-медиа панелям. При правильной настройке маркетологи теперь могут отслеживать расходы конкурентов и их рекламные материалы в социальных сетях, CTV, линейном телевидении, онлайн-видео и баннерной рекламе, зачастую почти в режиме реального времени, как отмечается в одном из анализов AdExchanger. Но даже здесь выходные данные по-прежнему в подавляющем большинстве описательные: кривые расходов, оценки доли голоса, всплески активности по форматам или рынкам. В той же статье указывается, что панели мониторинга призваны были решить проблему фрагментации, однако теперь “nачинают демонстрировать свои ограничения” именно потому, что по-прежнему находятся на шаге в стороне от решений, которыми они должны информировать.

ИИ в своей нынешней встроенной форме в значительной степени укрепляет эту ограниченность, а не преодолевает её. Некоторые платформы теперь обещают более быстрый «путь от вопроса к ответу», когда маркетолог может спросить, какие конкуренты увеличили CTV в Германии в прошлом квартале, и увидеть сопутствующие креативы в течение нескольких секунд, как описано в той же статье AdExchanger. Разговорные интерфейсы и ко-пилоты работают поверх существующих систем телеметрии и схем; они сокращают время анализа, не расширяя при этом объём анализируемых данных. Набор вопросов по-прежнему тот же: кто, сколько, где и с какими активами?

Границы наиболее явно проявляются на периферии новых каналов. Спустя шесть месяцев после запуска рекламы в ChatGPT рекламодатели по-прежнему ничего не знают о чём-либо, выходящем за рамки результатов собственных кампаний. Нет аналога Auction Insights, нет доли показов, нет отчетов по конкурентам и нет отраслевых или типовых эталонных показателей для кампаний, как отмечает Search Engine Journal. Большинство команд видят лишь такие цифры, как CPC, стоимость заявки с продажей, ROAS — без понимания конкурентного давления или факторов релевантности, стоящих за этими ценами. Другими словами, стек конкурентной разведки фактически заканчивается там, где платформа больше не предоставляет привычные рычаги и таблицы лидеров.

В совокупности эти модели показывают, насколько узким на самом деле является современный так называемый «ИИ-управляемый CI». Он охватывает:

• Каналы, предоставляющие телеметрию на уровне аукционов или публично доступные креативы
• Вопросы, четко соотносимые с этими источниками (кто участвует в ставках, что они говорят, сколько они, возможно, платят)
• Анализ пробелов, предполагающий, что цель состоит в том, чтобы отразить или незначительно превзойти то, что уже отображается в этих наборах данных

То, что он в основном не охватывает, — это спорные и неоднозначные аспекты конкуренции: почему конкурент изменил стратегию, какие внутренние ставки они делают, как новые интерфейсы, такие как диалоговые агенты, незаметно меняют воронку продаж, или что вообще означает «хорошо» в категориях, где метрики не стандартизированы. Существующая платформа отлично справляется с освещением тех частей ландшафта, которые уже измеряются поставщиками и платформами. Во всех остальных местах она остается удивительно ограниченной — и в основном молчит.

Несмотря на все панели мониторинга, экспорты и «рыночные карты», которыми мы окружаем себя, один ключевой аспект конкурентной реальности по-прежнему в значительной степени остается невидимым: что делают конкуренты в реальном времени, на уровне реальных кампаний и решений по аукционам.

Сегодня большая часть рекламной аналитики либо отражает прошлое, как зеркало заднего вида, либо охватывает настолько широкую перспективу, что превращается в абстракции: доля голоса, общие затраты, тренды категории. Это полезно, но не то, о чём на самом деле спорят команды по эффективности в понедельник в 9:30 утра. Их волнует: кто только что запустил новую CTV-кампанию в Германии? Совпало ли это с ростом наших затрат на клик по брендированным запросам? Теряем ли мы намерения пользователей на среднем этапе воронки из-за новых рекламных форматов с ИИ, например, объявлений в ChatGPT, в то время как наши конкуренты незаметно осваивают их?

Система не предназначена для ответов на такие вопросы.

Даже в каналах, которые мы считаем «зрелыми», конкурентная прозрачность не доходит до оперативной аналитики на уровне кампаний. В поиске помогают Аукционные данные, но в них по-прежнему содержится только общее представление о пересечении показов и доли показов, но не картина того, кто изменил ставки, бюджеты или настройки соответствий и когда. Инструменты вроде MCP от Optmyzr показывают, сколько усилий всё ещё нужно, чтобы получить полное представление об аукционной среде даже одного аккаунта: объединение фрагментированной истории изменений, консолидация минус-слов на четырёх разных уровнях и сшивание данных из Auction Insights и отраслевых эталонов, чтобы на вопрос «кто повлиял на наш ROAS в марте?» был реальный ответ, а не целая ветка в Slack, наполненная догадками, — как объяснила команда Optmyzr в недавней статье о том, как сделать ИИ безопаснее внутри активных рекламных аккаунтов.

Теперь представьте, что у вас есть такой уровень четкости и привязки к реальности не только для вашей учетной записи, но и для всего набора конкурентов, причем не еженедельно или ежемесячно, а в момент принятия решений по кампании. Это и есть отсутствующее измерение.

Разрыв еще более очевиден в новых условиях, определяемых искусственным интеллектом. Спустя шесть месяцев после запуска рекламы в ChatGPT у первых последователей до сих пор отсутствует базовый контекст конкуренции: нет аналога Auction Insights, нет доли показов, нет кросс-рекламных ориентиров по вертикалям или типам кампаний. В результате даже такой простой показатель, как CPC, трудно интерпретировать, поскольку рекламодатели не могут понять, было ли изменение цены вызвано изменениями в конкуренции, баллах релевантности, структуре охвата или типами диалогов, с которыми сопоставлялись их объявления, как отметило издание Search Engine Journal в своем отчете о рекламе в ChatGPT. Основой аукциона является система второй цены с учетом релевантности, однако конкуренция, формирующая эту вторую цену, фактически остается скрытой.

То, чего не хватает, — это не больше статической “охвата” каналов, а единая кросс-медийная основа, которую можно анализировать в реальном времени на уровне, где решения действительно принимаются: кампании, включения, креативы, аудитории, аукционы. Как отмечал один поставщик рекламной аналитики, размышляя о том, почему большинство инструментов всё ещё кажутся “додавиковыми”, настоящий узкий горлышко — это не доступ к данным; проблема в невозможности превратить разрозненные, кросс-канальные сигналы в быстрые, сопоставимые, готовые к действию ответы о том, кто и где инвестирует, с какими креативами и как эти поведенческие тенденции меняются из недели в неделю на таких рынках, как CTV, социальные сети и поверхности, изначально созданные для ИИ, например, реклама в ChatGPT, — момент, подчёркнутый в их анализе того, как панели управления подводят современное принятие решений.

Агенты ИИ и копилоты, опирающиеся на узкие, специфичные для отдельных каналов потоки, не решают эту проблему; они ускоряют не то. Они быстрее ведут вас от вопроса к частичному ответу, оставляя слепые зоны нетронутыми. Планировщик теперь может спросить: “Какие конкуренты увеличили инвестиции в CTV в Германии?” — и получить более красивую диаграмму, но при этом не обязательно увидит бюджеты на поиск и ИИ-ассистентов, которые тихо сократились, чтобы профинансировать этот сдвиг, или последовательность креативов, связывающую концепцию CTV верхней воронки с рекламой в поиске и разговорной рекламой на среднем этапе воронки.

Отсутствующий компонент — это не просто «больше данных», а оперативная, интеллектуальная рекламная аналитика на уровне кампаний, которая:

• По умолчанию охватывает все каналы, чтобы изменения в торгах на одной площадке можно было понять в контексте изменений креативов и бюджетов на других.
• Нормализована по рынкам, чтобы продвижение CTV в Германии можно было оценить по сравнению с аналогичными действиями в Великобритании без самодельных конверсий и оговорок.
• Интерпретируема на уровне аукционов, чтобы изменения в CPC, CPM или охвате можно было разложить на составляющие: конкуренцию, релевантность и объём инвентаря, а не воспринимать их как загадочную погоду.

Пока такая основа отсутствует, конкурентная разведка будет продолжать фиксировать то, что произошло в прошлом квартале, в то время как настоящие конкурентные сражения решаются в режиме реального времени внутри аукционов и кампаний, которые никто не может нормально увидеть.

В рекламных средах, основанных на ИИ, таких как ChatGPT, Gemini, Perplexity и обзоры поиска с помощью ИИ, предположения, заложенные в традиционный конкурентный анализ, перестают работать.

Начнём с самого базового ожидания: вы должны понимать, насколько успешно действуете по сравнению с другими. За первые шесть месяцев существования рекламы в ChatGPT рекламодатели получали лишь минимальный объём данных об эффективности — стоимость за клик (CPC), стоимость за продажу с атрибуцией, ROAS, — без тех контекстных ориентиров, к которым они привыкли в поиске или социальных сетях. Нет Auction Insights (данных об участии в аукционе), нет показателя доли голоса, отсутствуют кросс-рекламные эталонные значения по вертикалям или типам кампаний, что, как ясно указывается в отчёте Search Engine Journal об первых рекламодателях в ChatGPT Ads. Отсутствие этих данных делает даже такие простые показатели, как CPC, почти невозможными для интерпретации: если цена растёт, нельзя определить, связано ли это с ростом конкуренции, падением релевантности, изменением доступного охвата или просто с тем, что система сопоставляет иные типы диалогов.

Проблема заключается не только в отсутствии панелей управления; дело ещё и в том, что основные механизмы здесь иные. Модель аукциона в ChatGPT, взвешенная по релевантности и основанная на второй цене, сильно зависит от текущего контекста разговора, сигналов с целевой страницы и слабо определённых «подсказок контекста», а не от ключевых слов или чётких определений аудитории. Как отмечает Search Engine Journal в разборе данного формата, эти подсказки прямо не гарантируют показов по конкретным запросам или пользователям. Это полностью переворачивает логику таргетинга, основанного на ключевых словах и аудитории. Вам больше не удастся реконструировать стратегию конкурента, анализируя фразы, на которые он ставит, потому что самих таких фраз нет. Вы не сможете оценить охват по намерениям с помощью доли показов, так как доли показов не существует.

Поисковые системы на основе ИИ создают второй, столь же дестабилизирующий слепой участок: присутствие бренда теперь опосредуется моделями, внутренние рейтинги которых не похожи на Google. Когда MarTech проанализировала «индекс видимости ИИ» в крупных языковых моделях, выяснилось, что даже бренды, считающиеся консенсусными, демонстрируют отнюдь не стабильные результаты: инструмент для повышения продуктивности Notion упоминался в Claude в 17 раз чаще, чем в Gemini, в то время как страховые бренды, такие как State Farm, были сильно переоценены в одних моделях и почти невидимы в других. Если ваша система конкурентной разведки оптимизирована под долю в SERP или долю показов, она может показывать, что вы доминируете, в то время как одна или несколько моделей тихо понизили вас в своих рекомендациях по умолчанию.

Именно на этом фрагментировании в настоящее время терпят крах большинство существующих рабочих процессов в сфере конкурентной разведки. Информационные панели, объединяющие все данные в единый интегрированный показатель «видимости в ИИ» или «присутствия бренда», могут скрывать реальную проблему. Как показывает анализ MarTech нарушений на уровне отраслей, некоторые категории (например, туризм) всё ещё приблизительно соотносятся с традиционными сигналами авторитетности, в то время как другие (например, страхование и образование) были переупорядочены вокруг цифровых аборигенов и контентных платформ. Если вы не измеряете каждую модель, категорию запросов и набор источников отдельно, вы не сможете определить, имеете ли вы широкую проблему в сфере ИИ — или, скорее всего, проблему именно с Gemini, проблему с ChatGPT или проблему с тем, что «мы никогда не публикуем контент, который этим системам нравится цитировать».

Между тем внутри крупных рекламных и маркетинговых платформ автоматизация на базе ИИ тихо устраняет именно те параметры, которые CI изначально анализировал. Выбор аудитории, стратегия ставок и распределение креативов всё чаще определяются непрозрачными слоями оптимизации, а не явными решениями маркетологов. Как отмечается в обзоре MarTech о «перестройке эффективности благодаря ИИ», платформы «забирают управление в свои руки», решая, кому, что и когда показывать, в то время как устаревшие метрики вроде кликов или открытий становятся всё менее точными показателями реального воздействия. Когда ваши кампании резко растут или внезапно падают, вы зачастую не можете понять, связано ли это с вашим креативом, изменением исходной аудитории или же обновлением модели, о котором вы никогда не узнаете.

Именно здесь даже инструменты CI с расширением на базе ИИ рискуют ускорить принятие неверных выводов. Без широких, сопоставимых и сквозных медиаданных диалоговые интерфейсы просто помогают задавать лучшие вопросы на основе неполных входных данных. Как утверждается в одном анализе AdExchanger, посвящённом новому поколению рекламной аналитики, применение ИИ к фрагментарным или противоречивым данным лишь «ускоряет неполную аналитику». Вы получаете ответы быстрее, но они по-прежнему структурно неверны, потому что основаны на допущениях довоенной эры ИИ: что каналы стабильны, что аукционы раскрывают значимые конкурентные сигналы, что авторитет в Google равен авторитету везде.

Конечным результатом является растущий разрыв между тем, где фактически принимаются решения по эффективности — внутри диалогов с участием ИИ и циклов оптимизации «чёрного ящика» — и тем, что способна наблюдать ваша система CI. До тех пор, пока конкурентная разведка не будет перестроена вокруг сигналов, ориентированных на реальное время, конкретные модели и отдельные кампании, команды будут продолжать ориентироваться по приборам, которые больше не соответствуют той обстановке, в которой они действуют.

Конкурентная разведка терпит неудачу не из-за отсутствия у команд панелей мониторинга, а из-за растущего разрыва между вопросами, на которые маркетологам нужно получить ответы, и тем, что их инструменты могут действительно сказать вовремя, чтобы это имело значение.

На бумаге у нас никогда не было такого высокого уровня прозрачности. Современные платформы могут отображать расходы, размещение и креативы на ТВ, в соцсетях, в баннерной рекламе и на телевизорах через интернет (CTV), зачастую почти в режиме реального времени, как отмечал AdExchanger, назвав современный рекламный ландшафт «богатым данными». Однако большая часть этой прозрачности носит ретроспективный характер и ограничена отдельными каналами. Она сообщает вам, что произошло, но не то, что делать дальше, и уж точно не то, как адаптироваться, когда аукционы, управляемые ИИ, меняются прямо на ваших глазах.

Это особенно ясно видно в средах, где приоритет отдан ИИ. Спустя шесть месяцев после запуска рекламы в ChatGPT у рекламодателей до сих пор нет единых критериев того, как выглядит «хорошая» эффективность; они по-прежнему изолированно рассматривают CPC и ROAS, не имея обзора в стиле Auction Insights, который показал бы, кто ещё участвовал, кто победил и почему. Когда CPC возрастает, на панели управления вы видите лишь цифру, но не получаете ответов на действительно важные вопросы: только что на этот рынок вышел новый конкурент? Модель релевантности OpenAI стала отдавать предпочтение другим запросам? Нас вытесняют из определённых диалоговых сценариев?

Та же самая закономерность проявляется и на зрелых платформах, просто с более совершенными инструментами. В Google Ads маркетолог может за несколько кликов получить отчеты по ключевым словам конкурентов, данные об аукционе и архивы креативов. Руководства по анализу конкурентов в Google Ads подробно объясняют, как найти пропущенные ключевые слова, получить тексты объявлений конкурентов и сравнить долю показов с помощью таких инструментов, как рекламный набор инструментов Semrush. Но настоящая работа не заканчивается на фразах вроде “нам не хватает этих 120 платных запросов” или “доля показов конкурента B выросла на 20 пунктов”. Главные вопросы такие: какие из этих пробелов стратегически важны? Что нам следует сократить, чтобы профинансировать их устранение? Как быстро нам нужно реагировать, пока динамика аукциона не стала непреклонной?

Информационные панели редко помогают перейти от описательного анализа к рекомендательному. Они разрозненно представляют ответы по разным вкладкам, каналам и временным периодам, вынуждая команды вручную обобщать данные — экспортировать CSV-файлы, объединять таблицы и спорить о том, какой показатель действительно важен. Как отмечал один анализ AdExchanger, ограничивающим фактором уже не является доступ к данным, а скорость и качество их интерпретации: насколько быстро маркетолог может перейти от фразы “что-то изменилось” к заявлению “вот что мы будем делать”?

ИИ призван сократить этот разрыв, но простое добавление машинного обучения к традиционным отчётам не меняет основной рабочий процесс. Если результатом будут просто ещё больше графиков, вы добавите сложности, а не ясности. ИИ начинает сокращать разрыв между вопросом и ответом благодаря двум конкретным изменениям.

Во-первых, меняется взаимодействие. Вместо последовательного анализа вложенных отчётов руководитель подразделения медиа должен иметь возможность обычным языком задать вопрос: «Какие конкуренты увеличили расходы на CTV в Германии в последнем квартале, как это сравнивается с Великобританией и какие креативы поддерживали этот сдвиг?» — и получить структурированный ответ в течение нескольких секунд. Именно такие разговорные запросы начинают поддерживать новые продукты для рекламной аналитики и рабочие процессы ИИ-исследований: они объединяют пересекающиеся на рынках и каналах закономерности в один синтезированный ответ, вместо того чтобы оставлять людям задачу собирать головоломку по кусочкам.

Во-вторых, изменение ритма. В мире, где результаты поиска ИИ и агентские помощники еженедельно переписывают процессы поиска, ежеквартальный «глубокий анализ конкурентов» уже устаревает. Аналитики со стороны Semrush утверждают, что сила ИИ-помощи в конкурентных исследованиях заключается не столько в отдельном анализе, сколько в том, чтобы сделать его достаточно быстрым для регулярного повторения, превращая то, что раньше занимало полдня, в часовые проверки, которые можно проводить на постоянной основе. Когда слой ИИ постоянно выявляет изменения — новые домены, получающие видимость в поиске ИИ, резкое доминирование конкурента в сравнительных запросах, появление новых групп вариантов использования в диалогах ChatGPT, — вы уже не просто реагируете на статическую панель, а отвечаете на живой поток конкурентных гипотез.

Конечная цель — не более красивый отчёт. Это рабочий процесс, в котором путь от вопроса «Что происходит?» к вопросу «Что нам делать?» сильно сжат. Конкурентная информированность заканчивается на панели; конкурентное преимущество появляется тогда, когда вы можете анализировать эти данные как партнёр, получать чёткий ответ, охватывающий несколько каналов, и немедленно превращать его в решения по бюджету, творческие тесты и изменения в ставках — ещё до того, как панели конкурентов успеют обновиться.

Если традиционный конкурентный анализ создавался для мира статических веб-сайтов и квартальных медиапланов, то ориентированный на цифровую среду подход должен начинаться с более суровой предпосылки: шпионы слепы, сигналы искажены, а поле боя — это система ИИ, которой вы не управляете.

Нигде это не очевиднее, чем в рекламе ChatGPT. Спустя шесть месяцев рекламодатели могут видеть базовые показатели эффективности, такие как CPC, стоимость за продажу и ROAS, но почти ничего неизвестно о том, как формируются эти цифры. Нет аналога Инсайтам аукционов Google, нет доли показов, нет информации о том, кто ещё размещался вместе с вами, и нет опубликованных эталонных показателей эффективности по отраслям или типам кампаний, как сообщал Search Engine Journal. Вы пытаетесь проводить "конкурентный" анализ в канале, который не раскрывает самого понятия конкурента.

Это вынуждает использовать другую модель шпионажа.

Во-первых, шпионаж превращается в выводы, а не в наблюдение. Аукцион OpenAI с весами релевантности по второй цене означает, что изменения CPC могут быть вызваны конкуренцией, контекстом диалога, вашей целевой страницей или неясными "подсказками контекста", которые вы передаёте в систему, — и платформа практически не предоставляет инструментов, чтобы разграничить эти факторы, как ясно показывает освещение темы Search Engine Journal. Цифровой сбор конкурентной разведки должен воссоздавать невидимый аукцион, наблюдая за последствиями в различных аккаунтах, кампаниях и рынках, а не глядя на панель одного рекламодателя.

Во-вторых, слежка должна быть непрерывной и всесторонней, а не эпизодической и узкой. Когда ваш конкурент корректирует цены, переписывает ценностное предложение или незаметно запускает новую позиционирование в своей документации, сигнал не отобразится в аккуратной диаграмме «доли голоса»; он проявится в виде серии незначительных быстрых изменений, разбросанных по всему интернету. Эту брешь и призваны закрыть специализированные платформы мониторинга, такие как Crayon и Klue, которые сканируют страницы с ценами, журналы изменений и маркетинговые материалы в поиске тонких сдвигов, которые аналитик может упустить, как описано в руководстве MarTech по конкурентной разведке, усиленной ИИ. В каналах, опосредованных ИИ, такие микрорасхождения могут мгновенно изменить частоту, с которой вашу рекламу считают «наиболее релевантной», и даже определить, в какие разговоры вас вообще приглашают.

Но слежка — это лишь первый этап стратегии. Самое сложное — синтез.

В довоенном мире ИИ команды по конкурентной разведке вручную собирали разрозненные сигналы — то, что конкуренты говорят в LinkedIn, что они покупают на CTV, что скрывают в своих заметках о выпусках — и затем через несколько недель передавали презентации. Такие временные рамки сегодня уже недопустимы. Конкурентные сигналы одновременно появляются в социальных сетях, линейном ТВ, CTV, онлайн-видео, баннерной рекламе и средах, управляемых ИИ, таких как реклама в ChatGPT, и бюджеты быстро перераспределяются в ответ, как утверждает AdExchanger. Если цикл вашего синтеза по-прежнему строится вокруг ежеквартальных отчетов, вы играете в пошаговую игру на арене, где всё происходит в реальном времени.

Система конкурентной разведки, ориентированная на цифровые технологии, должна свести этот цикл к минимуму. Ей нужна единая кросс-медиа база данных, чтобы, когда конкурент изменит расходы на CTV в Германии, вы сразу увидели, как при этом изменились их позиции в поиске, социальных сетях и диалоговых каналах. Затем требуется ИИ, выполняющий функцию логического анализа, а не просто инструмента отчетности: агенты, способные за секунды, а не дни, ответить на вопрос: «Кто вошел в наш сегмент за последние 60 дней, где они превысили показатели, и в каких сегментах они теперь встречаются чаще нас?». Когда платформы вроде MCP от Optmyzr базируют своих агентов на полной истории изменений, данных аукционов и отраслевых эталонных показателях по нескольким рекламным платформам, это демонстрирует, как ИИ может сократить путь от сигнала к диагностике внутри действующего аккаунта, как об этом говорится в статье MarTech об обеспечении безопасности ИИ в рекламных аккаунтах. Система конкурентной разведки должна требовать того же уровня обоснованности и сквозной видимости.

Наконец, стратегия должна строиться не только на присутствии, но и на отсутствии. В каналах, управляемых ИИ, то, за что конкуренты не решаются конкурировать, может быть столь же показательным, как и их ставки. Наиболее интересные вопросы в новом руководстве зачастую носят отрицательный характер: какие намерения, похоже, никто не хочет оплачивать? Какие группы аудитории недоохвачены в определенных контекстах? Где конкуренты ослабляют свою нарративную позицию в лидирующих мнениях, усиливаясь при этом в performance-медиа? Как указывает руководство MarTech по выявлению стратегических пробелов, именно в этих пустых пространствах часто находятся ваши возможности.

Говоря прямо, «ведение конкурентной разведки» в мире рекламы ChatGPT и кросс-канальных аукционов искусственного интеллекта заключается не в получении более качественного скриншота панели мониторинга конкурентов. Речь идет о создании системы, способной косвенно вести наблюдение, синтезировать данные по непрозрачным и быстро меняющимся сигналам и выявлять стратегические шаги — новые сферы для выхода на них и старые, от которых стоит отказаться — быстрее, чем конкуренты смогут даже сформулировать соответствующие вопросы.