ПОЧЕМУ ВАШИ ИНСТРУМЕНТЫ ДЛЯ РЕКЛАМЫ НА БАЗЕ ИИ РАБОТАЮТ ВСЛЕПУЮ (И КАК ДАННЫЕ О КРЕАТИВАХ КОНКУРЕНТОВ ЭТО ИСПРАВЛЯЮТ)

Американские компании в этом году планируют потратить 57 миллиардов долларов на рекламу с использованием искусственного интеллекта, что составляет около 12% от общих рекламных расходов. Это не осторожный эксперимент — это решительная ставка на то, что автоматизация является путем к конкурентному преимуществу. На первый взгляд, такая ставка выглядит разумной. Инструменты ИИ в масштабах генерируют варианты рекламных текстов, динамически изменяют размеры креативов под разные платформы, перераспределяют бюджеты в режиме реального времени и корректируют ставки без необходимости ожидания, пока человек проверит данные на панели управления. Техническая сторона впечатляет. Проблема заключается в том, что оптимизация происходит вслепую.

Поколение ad tech нового поколения помогает маркетологам не только — оно действует от их имени. Как сообщается в MarTech, индустрия стремительно движется к агентному ИИ, системам, которые самостоятельно принимают решения, а не ждут ручной активации. Эти самонастраивающиеся агенты постоянно проводят эксперименты, перераспределяя бюджет, корректируя таргетинг и улучшая креативы без вмешательства человека. У первых последователей отмечаются снижение стоимости привлечения и сокращение циклов продаж, что лишь ускоряет переход к передаче большего контроля.

Но вот что скрывают эти успехи в эффективности: каждая из таких систем оптимизируется на основе замкнутого цикла ваших собственных исторических данных. Ваш ИИ знает, что сработало у вас в прошлом квартале. Он знает, какие заголовки вызывали клики от вашей аудитории, на каких площадках достигнут минимальный CPA в ваших кампаниях и какие креативные варианты оказались эффективнее в ваших A/B-тестах. Что он не знает — и не может знать без внешних данных — так это что запускают ваши конкуренты, какие сообщения набирают популярность в вашей категории и куда переводят расходы конкурирующие бренды.

Вот в чем разница между эффективностью и результативностью, причем в отрасли эти два понятия опасно путают. Система ИИ, которая постоянно совершенствует ваш креатив, выполняет то, что математики называют восхождением на холм, — итерационно приближаясь к наилучшему возможному результату в рамках ограниченного набора переменных. Без учета конкурентной обстановки такая система движется к локальному максимуму. Она становится исключительно хорошей в неправильной вещи, идеально оттачивая сообщения, которые могут быть избыточными, не отличаться от других или напрямую конфликтовать с более крупной кампанией конкурента, продвигающей ту же самую ценность.

Риски усиливаются по мере увеличения автономности. Когда медиапокупатель-человек анализирует результаты, у него хотя бы есть инстинкт посмотреть по сторонам — узнать, что только что запустил лидер категории, заметить агрессивную новую позицию конкурента, задаться вопросом, не изменился ли рынок таким образом, что внутренние данные не могут это отразить. Агентный ИИ не обладает таким инстинктом. Как отметил генеральный директор DAIVID Иэн Форрестер, описывая разрыв между креативным интеллектом и медийным исполнением: «Креатив является ключевым драйвером рекламных результатов, но слишком долго он измерялся изолированно, без связи с медийными результатами». Тот же принцип применим и на конкурентном уровне: креативные решения и решения по расходам, принимаемые без учета рыночной информации, являются не просто неполными — они изначально уязвимы.

И уязвимость при ежегодных расходах в 57 миллиардов долларов — это не ошибка округления. Это системная слепая зона, заложенная в самом быстрорастущем сегменте рекламной индустрии. Чем больше бюджета поступает в автономные системы, не обладающие внешним восприятием, тем больше разрыв между тем, что эти инструменты могут оптимизировать, и тем, что они на самом деле должны оптимизировать. Технологии становятся быстрее, умнее и независимее. А стратегические входные данные, питающие их, не успевают за этим темпом.

Когда компания Unilever объявила о планах создать сеть из 300 000 создателей контента на основе контента, созданного с помощью ИИ, рекламная индустрия восприняла это как взгляд в будущее. И это действительно так — только не та утопия, которую представляют себе большинство маркетологов. Эта инициатива демонстрирует фундаментальный парадокс: те же самые инструменты генеративного ИИ, которые делают производство рекламного контента в больших масштабах тривиально дешёвым, одновременно гарантируют, что каждый конкурент в вашей нише делает точно то же самое. Результат — это не расцвет творчества. Это растущий кризис отношения «сигнал-шум», который усугубляется с каждым новым вариантом, запускаемым на рынок.

Математика неумолима. Если один бренд может генерировать тысячи вариантов рекламы в неделю, то и десять других брендов в той же сфере могут делать то же самое. Инструменты для создания рекламы на основе ИИ используют пересекающиеся наборы обучающих данных, следуют одним и тем же паттернам вовлечения, заложенным в их модели, и приходят к одинаковым «оптимизированным» заголовкам, цветовым палитрам и форматам. Как отмечал Social Media Examiner, обновление Andromeda от Meta уже наказывает такой подход, рассматривая сотни незначительных вариаций одной и той же рекламы как один креатив, и, по сути, карая стратегию «стреляй и молись», которой генеративный ИИ делает чрезвычайно привлекательной. Рекламодатели нуждаются в действительно разных вариациях, но «различие» бессмысленно, если заранее не знать, как выглядит конкурентная базовая линия.

Индустрия начинает осознавать этот пробел. Партнёрство DAIVID/ADIN.AI, к примеру, представляет собой попытку создать инфраструктуру оценки креативов (creative evaluation) — с предсказанием того, как контент будет работать, ещё до его запуска. Это шаг в правильном направлении, признание того, что создание большего количества креативов без возможности их оценки всего лишь ускоряет растраты. Но даже самые продвинутые прогнозирующие оценки измеряют предполагаемую эффективность креатива в вакууме. Они могут сказать вам, вероятно ли, что реклама привлечёт внимание или вызовет эмоциональный отклик в абстрактном смысле. Чего они не могут сообщить, так это того, что три конкурента уже насытили рынок этой же самой идеей на прошлой неделе.

Именно здесь отсутствие конкурентных данных о креативах становится наиболее разрушительным. Системы динамической оптимизации креативов на основе ИИ могут значительно повысить конверсию, динамически выбирая оптимальные комбинации креативов и корректируя сообщения в режиме реального времени на основании сигналов аудитории. Однако оптимизация без учёта конкурентной среды — это просто эффективная сходимость к тому же локальному максимуму, который находят все остальные. Вы просто быстрее бежите на беговой дорожке.

Более глубокая проблема носит структурный характер. Традиционные A/B-тестирования создавались для мира, в котором вы готовили несколько креативов и тестировали их последовательно. В масштабах, в которых сейчас работают Unilever и другие компании — тысячи или сотни тысяч вариантов — последовательное тестирование математически невозможно. Вы потратите весь бюджет на сбор данных, так и не дойдя до масштабирования победителя. Поэтому бренды вынуждены полагаться на прогнозы с помощью ИИ и автоматизированную оптимизацию, что хорошо работает для внутренних показателей эффективности, но остаётся абсолютно слепым к внешней креативной среде.

То, чего до сих пор не хватает, — это базовый вопрос, который должен предшествовать каждому творческому брифу: какие объявления запускают на самом деле конкуренты прямо сейчас? Какие форматы, подходы в подаче сообщений и стратегии целевых страниц реально работают на вашем конкретном рынке? Как утверждает AdExchanger, без обширных и последовательных кросс-медийных данных ИИ просто ускоряет неполную аналитику — частичные данные и фрагментарное охватывание затуманивают общую картину, а не проясняют её. До тех пор, пока генеративные творческие инструменты не будут работать с реальной конкурентной разведкой, они не будут способствовать выделению среди конкурентов. Они будут производить креативы в вакууме, добавляя шума и называя это сигналом.

Конкурентная информация, которая действительно имеет значение, находится не в ежеквартальных отчетах о прибылях, аналитических обзорах или презентациях об отраслевых тенденциях. Она находится на аукционе — в решениях в реальном времени, которые ваши конкуренты принимают относительно того, куда тратить средства, какую рекламу запускать и какие аудитории привлекать прямо сейчас. Как сообщает AdExchanger, самые ценные сигналы в современной рекламе скрыты в решениях о распределении медиабюджетов, тенденциях эффективности, стратегиях размещения и смене каналов, и они впервые появляются именно на аукционе задолго до того, как становятся видимыми где-либо еще.

Из чего же на практике складывается конкурентоспособная креативная аналитика? Это не единый показатель и не сводка на информационной панели. Это комплексный уровень актуальных данных: реальные рекламные креативы, запущенные на различных каналах прямо сейчас, посадочные страницы, связанные с этими объявлениями, структуры предложений, заложенные на этих страницах, географические особенности таргетинга, раскрывающие приоритеты рынка, изменения в распределении каналов, сигнализирующие о стратегических поворотах, а также тенденции эффективности расходов, которые отличают бренды, выигрывающие аукционы, от брендов, просто участвующих в них. Это принципиально отличается от данных, к которым могут получить доступ ваши инструменты AI-рекламы, поскольку данная информация существует полностью за пределами вашей собственной экосистемы. Никакая, даже самая совершенная, оптимизация данных первого лица не может выявить то, что конкурент делает на другой платформе, в другой географической зоне и с другой креативной стратегией.

Рассмотрим пример категории страхования, на который обратил внимание AdExchanger. Анализ конкурентной разведки показал, что у Progressive дела шли не просто за счет более высоких расходов, чем у конкурентов, — они опережали их в покупках, добившись более низких затрат на привлечение благодаря точности целевой аудитории и разнообразию размещений, а не просто размеру бюджета. Это стратегический сигнал, невидимый для любого конкурента, который полагается исключительно на внутренние данные о производительности. Если вы страховщик-конкурент и видите, как ваши CPM растут, а коэффициенты конверсии остаются на прежнем уровне, ваш внутренний ИИ посоветует вам скорректировать ставки или попробовать новый текст. Но он не скажет вам, что Progressive тихо перешел к размещениям, которые вы не рассматривали, в географических регионах, которым вы не уделяли внимания, с креативными подходами, с которыми ваша система оптимизации никогда не сталкивалась.

Именно здесь разрыв становится структурным. Как подчеркивает MarTech, реклама, изначально созданная для ИИ, требует четкой позиционирования и дифференцированных ценностных предложений, — но дифференциация невозможна, если вы не знаете, чем именно вы отличаетесь. Когда CPM конкурента падает, когда он концентрирует бюджет в определенном регионе, когда он меняет структуру предложения на целевой странице — каждый из этих сигналов раскрывает, что на самом деле вознаграждается на рынке. Без этой внешней контрольной точки ваш ИИ оптимизирует в вакууме.

Инструменты вроде Anstrex как раз созданы для выявления этой категории необработанных данных о конкурентах. Платформа отслеживает реальные объявления, которые работают на нативных, пуш- и поп-платформах, а также в социальных каналах, показывает привязанные к ним промостраницы и предоставляет данные о продолжительности и масштабах показов, указывающие, какие креативы остаются на плаву и развивают успех со временем, а какие исчезают через несколько дней. Сам по себе сигнал устойчивости — сколько времени работает объявление и в каком масштабе — является мощным показателем рентабельности, который невозможно воспроизвести на основе внутренних данных.

Итог простой, но неприятный: сигналы, которые могли бы наиболее улучшить принятие решений вашим ИИ, — это как раз те сигналы, которые структурно недоступны ему. Ваши алгоритмы оптимизации заперты во внутреннем цикле обратной связи, построенном исключительно на вашей собственной истории эффективности. Конкурент, который только что открыл для себя новый микс каналов, новую подачу оферы или новый географически ограниченный сегмент спроса, действует на основе информации, которой у вашей системы нет и которую она не может создать. Эта асимметрия не сокращается по мере того, как вы проводите больше внутренних тестов. Она только увеличивается по мере движения рынка без вас.

Каждая функция рекламы на основе ИИ улучшается, когда она перестает работать в вакууме и начинает обрабатывать конкурентную среду как базовый входной параметр. Это не теоретическое утверждение, а практическая реальность, которую можно проследить в четырех основных функциях, где ИИ затрагивает вашу рекламную деятельность сегодня.

Создание креативов является самым очевидным выгодополучателем. Большинство команд запрашивают свои инструменты ИИ с руководствами по бренду и персонами аудитории, а затем надеются на лучшее. Результат компетентный, но общий — оторванный от того, как выглядит рынок в настоящее время. Фундаментально иной подход начинается с подачи генеративному ИИ лучших креативов конкурентов с платформы вроде Anstrex: их уловок, визуальных решений, шаблонов призывов к действию, структуры предложений и эмоциональной подачи. Вместо того чтобы просить ИИ «написать 10 вариантов рекламы для нашего SaaS-продукта», вы просите его найти свободные ниши — углы, которые никто не использует, эмоциональные акценты, которые остались нетронутыми, форматы, которых конкуренты еще не приняли. Как подчеркивает Social Media Examiner, качество креативов ИИ полностью зависит от предоставленного контекста и инструкций, и лучшие результаты достигают те бренды, которые систематически создают базу знаний до начала генерации чего-либо. Данные о креативах конкурентов являются самым сильным контекстом, который вы можете добавить в эту базу знаний, поскольку они связывают каждый результат с рыночной реальностью, а не с внутренними предположениями.

Оптимизация ставок и бюджета — это область, где риски растут особенно быстро. Современные агентные ИИ-системы могут автономно перераспределять бюджет и корректировать таргетинг, постоянно экспериментируя, чтобы снизить стоимость привлечения. Но такие агенты оптимизируют свои действия на основе собственных исторических данных CPA — им недоступна информация о том, как конкуренты используют свои бюджеты. Когда разведданные о конкурентах показывают, что соперник сокращает расходы в определённом канале или географическом рынке, ИИ-система, получившая такой сигнал, может воспользоваться возникшим вакуумом, перенаправив расходы до того, как CPM снова стабилизируется. Без этой информации та же система будет попросту добывать убывающую отдачу на переполненных торгах.

Таргетинг выигрывает от аналогичной логики избегания и эксплуатации. Данные о креативах конкурентов раскрывают схемы концентрации — какие демографические группы получают основной поток сообщений, какие географии перенасыщены, а какие сегменты игнорируются. Анализ того, куда конкуренты усиливают ставку, позволяет вашему ИИ выявить перегруженные зоны, где стоимость привлечения будет высокой, и недостаточно охваченные сегменты, где ещё можно получить преимущество первого входа. Как отмечает illumin, ИИ-моделирование аудитории уже сейчас способно выявлять вероятных конвертеров по поведенческим сигналам, но наложение данных о насыщенности со стороны конкурентов показывает, где этих конвертеров можно наиболее эффективно достичь.

Стратегия коммуникаций и позиционирования может быть той функцией, в которой конкурентная слепота наносит наиболее длительный ущерб. Согласно концепции MarTech в области рекламы, основанной на ИИ, бренды должны сформулировать уникальные ценовые предложения, чтобы оставаться заметными в условиях разговорного поиска — в среде поисковых систем, которые всё чаще определяют решения о покупке. Но дифференциация — понятие относительное. Нельзя выделиться, не зная, какие позиции уже заняли конкуренты. Если три конкурента уже используют лозунг «сэкономьте 40% времени на внедрении», ваш ИИ без проблем создаст четвёртый вариант этого же заявления, если ему не продемонстрировать конкурентную среду и не указать на необходимость занять свободную позицию.

Во всех четырёх функциях наблюдается одна и та же закономерность. Интеллектуальный анализ конкурентов — это базовый уровень, превращающий ИИ из изощрённого движка сопоставления шаблонов — который оптимизирует изолированно — в нечто большее, похожее на конкурентного стратега, который понимает игровое поле, прежде чем сделать следующий ход.

Самый частый контраргумент в отношении важности конкурентной разведки выглядит примерно так: «Мне не нужен поток данных — я и так знаю свой рынок. Я могу просто сообщить ИИ, что делают мои конкуренты». Это разумное возражение, и для опытного маркетолога, работающего в узкой нише с двумя-тремя прямыми конкурентами, такой подход может какое-то время работать. Однако в качестве системного решения проблемы отсутствия у инструментов ИИ контекста конкурентной среды, метод настройки запросов на основе личных знаний несостоятелен по трем фундаментальным причинам.

Во-первых, человеческие знания о рынке носят эпизодический, а не непрерывный характер. Вы можете просматривать рекламу конкурента в Instagram один раз в неделю, делать снимки нескольких целевых страниц во время ежеквартального анализа или заметить новую позиционирование соперника, когда кто-то из вашей команды укажет на это в Slack. Но вы не отслеживаете каждый поворот креатива, каждое изменение текста, каждый сигнал аудитории, заложенный в их настройках таргетинга на всех платформах одновременно. Когда вы подаёте в инструмент ИИ контекстную информацию, основанную на памяти, вы предоставляете ему снимок — и обычно устаревший. Конкурентная среда, которую ИИ должен понимать, — это не то, что делал ваш конкурент в прошлом месяце; это то, что он делает сейчас, с десятками креативов, которые вы, вероятно, ещё не видели. Как отмечал MarTech, бренды, способные быстро тестировать и адаптировать сотни вариантов, получают преимущество в скорости, которое не могут сравниться с теми, кто полагается на традиционные производственные циклы. Ваши ручные наблюдения не успевают за таким темпом, а значит, ваши запросы всегда отстают от реальности.

Во-вторых, конкуренция, основанная на запросах, не масштабируется. Опытный покупатель медийной рекламы может сформулировать полезные рамки конкуренции для одного рекламного задания. Но современные операции с рекламой на основе ИИ работают не по отдельным поручениям — они строятся на непрерывных циклах оптимизации, создающих сотни вариантов креативов, корректируя ставки по десяткам сегментов аудитории и перераспределяя бюджет в режиме реального времени. Нельзя вручную задавать конкуренцию для каждого из этих микро-решений с помощью запросов. Проблема заключается не в знаниях; проблема в инфраструктуре. Search Engine Journal точно описал эту проблему, освещая трудности, с которыми сталкиваются крупные бренды в масштабе: они знают, что хотят сделать, но инфраструктуры оценки, необходимой для реализации этого видения на тысячах рекламных материалов и решениях в реальном времени, попросту не существует, если она зависит исключительно от человеческого суждения. Тот же принцип применим и к конкурентной разведке — знание своего рынка не является узким местом; узкое место — это отсутствие системы, способной применять эти знания с той скоростью и в том масштабе, которые требуют инструменты ИИ.

В-третьих, индивидуальные знания имеют слепые зоны, которых лишена систематическая сборка данных. Вы замечаете конкурентов, за которыми уже следите. Вы обращаете внимание на креативные подходы, отличающиеся от ваших. Но вы систематически упускаете обходные маневры — нового участника, тестирующего агрессивное ценообразование и креативы на второстепенных рынках, или устоявшегося игрока, тихо переходящего от продуктоцентричного к маркетингу образа жизни по всему своему портфелю. Это закономерности, которые проявляются только при структурированном и всестороннем мониторинге, а не в кураторской ментальной модели маркетолога о конкурентной среде.

Результатом становится своего рода ловушка самоуверенности. Опытные маркетологи считают, что могут эффективно управлять своими ИИ-инструментами, поскольку они действительно понимают свои рынки. Однако понимание и практическая реализация — это разные задачи. Как подчеркивал Фрейзер Коттрелл, чтобы ИИ создавал именно то, что вам нужно, требуется приложить значительные усилия по формированию контекста — и конкурентный контекст не является исключением. Разница лишь в том, что контекст бренда можно задокументировать один раз и использовать неограниченно долго, тогда как конкурентный контекст меняется ежедневно, что требует систематического уровня сбора данных, который никакая тщательная настройка промптов не в состоянии заменить.