AI в медиабаинге: где он помогает, где ошибается, и один тест, в котором человек победил машину

Андрей Рулько покупает трафик уже более восьми лет: сначала через поисковую рекламу, потом через автоматизированные рекламные закупки, а сейчас – в push, native, Facebook и Performance Max. Он ведет кампании для аффилиат-команд и прямых рекламодателей. Мы поговорили с ним в течение часа об AI-инструментах, сплит-тесте, который он провел против рекомендации машины, и кампании, где алгоритм показал идеальный дашборд, но не принес ни одной реальной продажи.

Спойлер: технически алгоритм все это время был прав. И именно в этом проблема.

Начнем с базы. Когда ты говоришь “AI в медиабаинге”, что это значит в обычный вторник после обеда, когда ты реально ведешь кампании?

Хорошая формулировка. Потому что то, как об этом говорят в презентациях на конференциях, и то, как это на самом деле выглядит в твоем рекламном кабинете, – это довольно разные вещи. 

На практике это автоматизированные системы, которые в реальном времени принимают решения: где делать ставку, сколько платить за показ, какой креатив показать конкретному человеку и когда забрать бюджет из того, что не работает. Это не магия. Не сознательный робот. Это система, обученная на исторических данных, которая пытается предсказать следующий результат.

Больше всего это заметно в трех местах:

• Биддинг. Платформа рассчитывает вероятность конверсии для каждого показа и делает ставку в соответствии с этим. Ты задаешь цель, а машина берет на себя математику.
• Таргетинг. AI группирует поведенческие сигналы, строит lookalike-аудитории на основе твоих конвертеров и расширяет или сужает охват в зависимости от того, что реально работает.
• Ротация креативов. Ты загружаешь варианты, система отслеживает эффективность для каждого сегмента аудитории, а слабые креативы тихо отодвигаются на второй план. Иногда еще до того, как ты сам заметишь, что они не тянут.

Для аффилиат-специалистов здесь есть еще один важный слой. Push-сети, native-платформы, Facebook – у всех них есть собственный AI под капотом, независимо от того, какую структуру кампании ты построил. Ты уже не просто покупаешь трафик. Ты настраиваешь входные данные для алгоритма, и качество этих данных теперь составляет большую часть работы.

Когда это стало невозможно игнорировать?

Для меня – примерно в 2022 году. До этого еще можно было создать реальное преимущество вручную: точнее чистить минус-слова, лучше корректировать ставки по часам, внимательнее исключать аудитории. На некоторых аккаунтах я искренне верил, что переигрываю платформу.

Потом я начал замечать неприятную вещь. Аккаунты, где я ослабил контроль и дал автоматизации больше пространства, показывали лучший CPA, чем те, которыми я активно управлял вручную. С этим было сложно смириться. Но результат повторялся достаточно часто, поэтому пришлось это принять.

Платформы стали слишком сильными в базовом выполнении. Преимущество сместилось. Тебе больше не платят за то, что алгоритм уже делает лучше. Тебе платят за то, чего он сделать не может.

Проведи меня через кампанию. Где именно AI влияет на процесс?

Фактически уже везде. Если честно, картина выглядит так:

Этап	Что AI реально делает
Сегментация аудитории	Группирует поведенческие данные, строит lookalike-аудитории на основе списка конвертеров
Биддинг	Оценивает каждый показ в реальном времени и делает ставку на основе прогнозируемой вероятности конверсии
Ротация креативов	Тестирует варианты и переносит бюджет на самые сильные креативы внутри каждого сегмента аудитории
Распределение бюджета	Перенаправляет бюджет на более эффективные плейсменты, часто несколько раз в день
Выявление аномалий	Замечает необычные изменения в показателях и подсвечивает их в отчетах

К тому моменту, когда ты открываешь кампанию на следующее утро, она обычно уже самостоятельно приняла несколько бюджетных решений. И в большинстве случаев это нормально. Слабое место все еще в интерпретации: цифры появляются быстро, но понять, почему что-то изменилось, – это все еще твоя работа.

📖 Читай также: Типы нутра-офферов – если ты запускаешь нутру на платном трафике, в этом материале ты найдешь структуры офферов, с которыми реально будешь работать.

Что AI действительно сделал быстрее или дешевле?

Есть три вещи, где я реально почувствовал разницу.

• Отчетность. То, что раньше занимало несколько часов на сбор и форматирование данных, теперь делается за минуты. Это действительно экономит много времени в течение недели, особенно когда работаешь с несколькими аккаунтами.
• Тестирование аудиторий. Старый подход: запускаешь один вариант, ждешь две недели, смотришь результаты, запускаешь следующий. Теперь можно вести мультивариантные тесты, а алгоритм в реальном времени перекидывает бюджет на победителей. Цикл обучения действительно стал короче.
• Управление ставками в масштабе. В большинстве кампаний я уже не трогаю отдельные ставки вручную. Когда у тебя сотни ad set-ов, платформа делает это лучше меня. Я лучше потрачу это время на стратегию.

Я бы осторожнее относился к большим круглым цифрам, которые часто приводят в примерах: “снижение стоимости лида на 40%” и подобным заявлениям. Обычно такие показатели считают от довольно слабого ручного управления кампаниями. Если аккаунты уже были хорошо настроены, улучшение действительно будет, но не настолько резкое. Самый большой прирост получают те, кто раньше делал много рутинной работы и почти не оптимизировал процессы.

Ты проводил сплит-тест, где поставил собственное решение против рекомендации машины

Да, именно об этом тесте меня спрашивают чаще всего.

Я около шести месяцев вел один нутра-оффер в нескольких GEO. У меня были реальные данные из трекера и auto-traffic платформы: конверсии, эффективность креативов, разбивка по плейсментам и аудиториям. Я собрал все это и загрузил в AI-инструмент с одним запросом: дай рекомендацию. Какие плейсменты оставить, какие отключить, как приоритизировать креативы, какая связка “GEO–оффер” выглядит самой сильной.

Машина “подумала” и вернула чистый, понятный ответ.

Я почти нажал OK. Но что-то показалось мне неправильным. AI советовал отключить несколько плейсментов, и с учетом контекста конкретного оффера это выглядело странно. Поэтому вместо того, чтобы просто выполнить рекомендацию, я запустил сплит-тест. Три кампании были собраны именно так, как предложил AI. Еще три – так, как я сделал бы сам, опираясь на те же данные, но со своим пониманием ситуации.

Мои кампании выиграли. А после оптимизации разрыв стал еще больше.

AI выбрал статистически безопасный путь – комбинации, которые в среднем выглядели самыми сильными на всем массиве данных. Но он снизил приоритет нескольких плейсментов, которые в целом показывали более слабый результат. Но было то, чего он не видел: именно эти плейсменты были единственными, которые конвертировали на конкретном варианте саб-оффера, который я считал ценным по причинам, которых нет в таблице. AI не имел этого контекста. Я имел, потому что работал с этим оффером и этими GEO месяцами.

Главный вывод: AI – это очень быстрый и очень способный аналитик, который никогда на самом деле не работал с твоим аккаунтом. Он обработает 1 000 комбинаций за секунду. Но какие из этих комбинаций подходят именно твоему офферу, именно твоему GEO и именно твоим договоренностям с рекламодателем – это все еще решение человека.

Видел ли ты ситуации, когда AI полностью проваливал кампанию?

О, да. Есть одна такая история.

Performance Max, цель – лиды, бюджет адекватный. Я дал кампании поработать. Алгоритм сделал именно то, для чего его создали: нашел инвентарь, нашел клики, нашел среду с очень дешевыми лидами.

Что именно он нашел? MFA-сайт. Made for advertising. Страницы, набитые AI-сгенерированным текстом о чем-то отдаленно связанном с финансами, 15 рекламных блоков вокруг каждой статьи, все построено специально для того, чтобы притягивать дешевый programmatic-бюджет. Стоимость клика – 3 цента. Лиды начали поступать. Дашборд выглядел красиво. Низкий CPA, большой объем – именно тот скриншот, который обычно хочется отправить клиенту.

А потом я открыл CRM.

Ноль. Не несколько случайных продаж. Просто ноль конверсий. Ни один из этих “лидов” не превратился в продажу. Люди, которые заполнили форму, фактически случайно нажали на баннер, пока пытались перемещаться по сайту, который они на самом деле даже не читали. У них не было намерения покупать. Они стали побочным эффектом дешевого инвентаря.

И вот что меня до сих пор раздражает в этой истории: AI не ошибся. Ему сказали найти дешевые лиды. Он нашел дешевые лиды. Задача выполнена. У него не было понимания, сколько этот лид стоит после того, как выходит за пределы платформы. Он оптимизировался ровно под ту метрику, которую ему дали, и проигнорировал ту, которая действительно имела значение.

Разрыв между “выполнил KPI платформы” и “помог реальной бизнес-цели” – именно этот разрыв и есть твоя работа. Именно за это тебе платят. Алгоритм никогда не будет переживать за твою CRM. И это не ограничение конкретного инструмента. Это структурная проблема.

📖 Читай также: Аффилиат-маркетинг в Кении – один из новых GEO INB.bio и хороший пример того, как на самом деле выглядит “развивающийся рынок”, если разложить его на цифры.

Где человеческое мышление все еще сильнее AI?

Есть пять направлений, где я пока не видел, чтобы AI хотя бы приблизился к уровню человека.

• Перевод размытых целей клиента в реальную стратегию. “Мы хотим больше лидов” может означать десяток разных вещей. Понять, что именно нужно клиенту и действительно ли лиды являются правильной метрикой, – это не вопрос данных.
• Культурный и брендовый контекст. AI не знает, что конкретный креативный угол плохо заходит на одном рынке или что тон текста звучит неправильно для реального человека в этом контексте, даже если CTR выглядит нормально.
• Инсайты, которых нет в дашборде. Когда аффилиат-менеджер неофициально говорит тебе, что именно хорошо конвертирует в этом месяце, эта информация не попадает ни в одну модель.
• Понимание момента, когда машина идет за ложным сигналом. Проблема с трекингом, бот-трафик, сезонный фактор вне обучающего окна модели – AI с большим энтузиазмом оптимизируется в неправильном направлении. И ты заметишь это только если будешь достаточно близко к кампании, чтобы почувствовать: что-то здесь не так.
• Ответственность. Когда кампания идет не туда, а клиент хочет объяснений, он звонит не алгоритму.

Какие риски люди чаще всего недооценивают?

Проблема MFA – это не редкий случай и не одноразовая ошибка. Она системная. Дешевый programmatic-инвентарь существует потому, что паблишеры специально создают его под те же стимулы, которые платформенный AI пытается оптимизировать. Чтобы не дать алгоритму идти в эту сторону, нужны дополнительные уровни контроля. Сам он себя не остановит.

Риск	Как это реально выглядит на практике
Непрозрачность “черного ящика”	Performance Max и Advantage+ дают результат, но скрывают логику. Когда эффективность падает, почти нет ничего конкретного, что можно дебажить.
Качество данных	Плохой трекинг или неправильно настроенные события конверсии система начинает оптимизировать очень быстро. AI масштабирует ошибки так же быстро, как и удачные решения.
MFA и мусорный инвентарь	Платформы оптимизируются под дешевые клики. Часть самого дешевого инвентаря существует именно для того, чтобы обыграть этот стимул.
Чрезмерная автоматизация	Если ты отдаешь машине все, ты все равно отвечаешь за последствия, но уже не понимаешь причину.
Несоответствующие KPI	AI оптимизируется именно под то, что ты ему задаешь. Если эта метрика не отражает реальную бизнес-цель, он успешно достигает не той цели.

Как реально сохранять контроль и не замедлять каждую кампанию?

Контроль должен работать рядом с автоматизацией, а не вместо нее. На практике это выглядит так:

• Предварительный контроль инвентаря: списки безопасных для бренда площадок, исключение нежелательного инвентаря и блокировка отдельных категорий контента. Все это срабатывает еще до того, как алгоритм принимает решение, поэтому не мешает циклу оптимизации.
• Регулярные аудиты плейсментов, даже если они спрятаны глубоко в интерфейсе. В Performance Max за них нужно бороться, потому что они не вынесены на видное место.
• Четкие пороги для эскалации. Если CPA растет больше чем на определенный процент неделя к неделе и нет очевидного внешнего объяснения, я смотрю кампанию вручную, прежде чем позволить ей дальше тратить бюджет.
• Стратегия полностью остается вне машины. Какой оффер, какое GEO, какое креативное направление, какая реальная метрика успеха – все это остается за мной. В момент, когда ты позволяешь AI самому определять цель, ты отдаешь ему самую важную часть процесса.

Цель – настолько хорошо определить границы, чтобы, когда машина оптимизирует, она оптимизировала что-то реальное.

Если кто-то запускает аффилиат-кампанию с INB.bio, ему стоит использовать AI-инструменты больше, меньше или просто иначе?

Больше. Однозначно больше. Но иначе, чем большинство людей их использует.

У многих байеров есть инстинктивная реакция: либо сопротивляться автоматизации – “я знаю свой аккаунт лучше машины”, либо отдать ей все и заходить проверять раз в неделю. Оба подхода проигрывают.

Правильный подход – использовать AI-инструменты так, будто это очень быстрый и очень трудолюбивый аналитик, который только что присоединился к твоей команде. Дай ему качественные данные. Поставь реальную цель – не просто “найди дешевые лиды”, а что-то связанное с тем, что на самом деле происходит дальше по воронке. Проверяй CRM, а не только дашборд. И оставляй часть процесса там, где именно твое решение определяет результат.

Не потому, что машина не справится. А потому, что только так ты остаешься достаточно внимательным, чтобы понять, когда она ошибается.

Байеры, которые останутся ценными через три года, – это те, кто понимает обе стороны. Кто может прочитать, что делает алгоритм, довериться ему, когда он прав, и остановить его, когда ему поставили неправильную цель. Это навык. И именно он не автоматизируется.