AI у медіабаїнгу: де він допомагає, де помиляється, і один тест, у якому людина перемогла машину

Андрій Рулько купує трафік уже понад вісім років: спочатку через пошукову рекламу, потім через автоматизовані рекламні закупівлі, а зараз – у push, native, Facebook і Performance Max. Він веде кампанії для афіліат-команд і прямих рекламодавців. Ми поговорили з ним протягом години про AI-інструменти, спліт-тест, який він провів проти рекомендації машини, і кампанію, де алгоритм показав ідеальний дашборд, але не приніс жодного реального продажу.

Спойлер: технічно алгоритм увесь час мав рацію. І саме в цьому проблема.

Почнімо з бази. Коли ти кажеш “AI у медіабаїнгу”, що це означає у звичайний вівторок після обіду, коли ти реально ведеш кампанії?

Гарне формулювання. Бо те, як про це говорять у презентаціях на конференціях, і те, як це насправді виглядає у твоєму рекламному кабінеті, – це досить різні речі.

На практиці це автоматизовані системи, які в реальному часі приймають рішення: де робити ставку, скільки платити за показ, який креатив показати конкретній людині та коли забрати бюджет із того, що не працює. Це не магія. Не свідомий робот. Це система, навчена на історичних даних, яка намагається передбачити наступний результат.

Найбільш помітно це у трьох місцях:

• Бідинг. Платформа розраховує ймовірність конверсії для кожного показу і робить ставку відповідно до цього. Ти задаєш ціль, а машина бере на себе математику.
• Таргетинг. AI групує поведінкові сигнали, будує lookalike-аудиторії на основі твоїх конвертерів і розширює або звужує охоплення залежно від того, що реально працює.
• Ротація креативів. Ти завантажуєш варіанти, система відстежує ефективність для кожного сегмента аудиторії, а слабкі креативи тихо відсуваються на другий план. Іноді ще до того, як ти сам помітиш, що вони не тягнуть.

Для афіліатів тут є ще один важливий шар. Push-мережі, native-платформи, Facebook – усі вони мають власний AI під капотом, незалежно від того, яку структуру кампанії ти побудував. Ти вже не просто купуєш трафік. Ти налаштовуєш вхідні дані для алгоритму, і якість цих даних тепер становить більшу частину роботи.

Коли це стало неможливо ігнорувати?

Для мене – приблизно у 2022 році. До цього ще можна було створити реальну перевагу вручну: точніше чистити мінус-слова, краще коригувати ставки по годинах, уважніше виключати аудиторії. На деяких акаунтах я щиро вірив, що переграю платформу.

Потім я почав помічати неприємну річ. Акаунти, де я послабив контроль і дав автоматизації більше простору, показували кращий CPA, ніж ті, якими я активно керував вручну. З цим було складно змиритися. Але результат повторювався достатньо часто, тому довелося це прийняти.

Платформи стали занадто сильними у базовому виконанні. Перевага змістилася. Тобі більше не платять за те, що алгоритм уже робить краще. Тобі платять за те, чого він зробити не може.

Проведи мене через кампанію. Де саме AI впливає на процес?

Фактично вже всюди. Якщо чесно, картина виглядає так:

Етап	Що AI реально робить
Сегментація аудиторії	Групує поведінкові дані, будує lookalike-аудиторії на основі списку конвертерів
Бідинг	Оцінює кожен показ у реальному часі та робить ставку на основі прогнозованої ймовірності конверсії
Ротація креативів	Тестує варіанти й переносить бюджет на найсильніші креативи в межах кожного сегмента аудиторії
Розподіл бюджету	Перенаправляє бюджет на ефективніші плейсменти, часто кілька разів на день
Виявлення аномалій	Помічає незвичні зміни в показниках і підсвічує їх у звітах

До моменту, коли ти відкриваєш кампанію наступного ранку, вона зазвичай уже самостійно прийняла кілька бюджетних рішень. І здебільшого це нормально. Слабке місце все ще в інтерпретації: цифри з’являються швидко, але зрозуміти, чому щось змінилося, – це все ще твоя робота.

📖 Читай також: Типи нутра-оферів – якщо ти запускаєш нутру на платному трафіку, у цьому матеріалі ти знайдеш структури оферів, з якими ти реально будеш працювати.

Що AI справді зробив швидшим або дешевшим?

Є три речі, де я реально відчув різницю.

• Звітність. Те, що раніше займало кілька годин на збір і форматування даних, тепер робиться за хвилини. Це справді економить багато часу протягом тижня, особливо коли працюєш із кількома акаунтами.
• Тестування аудиторій. Старий підхід: запускаєш один варіант, чекаєш два тижні, дивишся результати, запускаєш наступний. Тепер можна вести мультиваріантні тести, а алгоритм у реальному часі перекидає бюджет на переможців. Цикл навчання справді став коротшим.
• Управління ставками в масштабі. У більшості кампаній я вже не чіпаю окремі ставки вручну. Коли в тебе сотні ad set-ів, платформа робить це краще за мене. Я краще витрачу цей час на стратегію.

Я б обережніше ставився до великих круглих цифр, які часто наводять у прикладах: “зниження вартості ліда на 40%” і подібних заяв. Зазвичай такі показники рахують від досить слабкого ручного управління кампаніями. Якщо акаунти вже були добре налаштовані, покращення справді буде, але не настільки різке. Найбільший приріст отримують ті, хто раніше робив багато рутинної роботи й майже не оптимізував процеси.

Ти проводив спліт-тест, де поставив власне рішення проти рекомендації машини

Так, саме про цей тест мене питають найчастіше.

Я близько шести місяців вів один нутра-офер у кількох GEO. У мене були реальні дані з трекера й auto-traffic платформи: конверсії, ефективність креативів, розбивка по плейсментах і аудиторіях. Я зібрав усе це й завантажив в AI-інструмент з одним запитом: дай рекомендацію. Які плейсменти залишити, які відключити, як пріоритизувати креативи, яка зв’язка “GEO–офер” виглядає найсильнішою.

Машина “подумала” і повернула чисту, зрозумілу відповідь.

Я майже натиснув OK. Але щось здалося мені неправильним. AI радив відключити кілька плейсментів, і з урахуванням контексту конкретного офера це виглядало дивно. Тому замість того, щоб просто виконати рекомендацію, я запустив спліт-тест. Три кампанії були зібрані саме так, як запропонував AI. Ще три – так, як я зробив би сам, спираючись на ті самі дані, але з власним розумінням ситуації.

Мої кампанії виграли. А після оптимізації розрив став ще більшим.

AI обрав статистично безпечний шлях – комбінації, які в середньому виглядали найсильнішими на всьому масиві даних. Але він знизив пріоритет кількох плейсментів, які загалом показували слабший результат. Але було те, чого він не бачив: саме ці плейсменти були єдиними, що конвертували на конкретному варіанті саб-офера, який я вважав цінним з причин, яких немає в таблиці. AI не мав цього контексту. Я мав, бо працював із цим офером і цими GEO місяцями.

Головний висновок: AI – це дуже швидкий і дуже здібний аналітик, який ніколи насправді не працював із твоїм акаунтом. Він обробить 1 000 комбінацій за секунду. Але які з цих комбінацій підходять саме твоєму оферу, саме твоєму GEO і саме твоїм домовленостям із рекламодавцем – це все ще рішення людини.

Чи бачив ти ситуації, коли AI повністю провалював кампанію?

О, так. Є одна така історія.

Performance Max, ціль – ліди, бюджет адекватний. Я дав кампанії попрацювати. Алгоритм зробив саме те, для чого його створили: знайшов інвентар, знайшов кліки, знайшов середовище з дуже дешевими лідами.

Що саме він знайшов? MFA-сайт. Made for advertising. Сторінки, набиті AI-згенерованим текстом про щось віддалено пов’язане з фінансами, 15 рекламних блоків навколо кожної статті, усе побудовано спеціально для того, щоб притягувати дешевий programmatic-бюджет. Вартість кліку – 3 центи. Ліди почали надходити. Дашборд виглядав красиво. Низький CPA, великий обсяг – саме той скріншот, який зазвичай хочеться відправити клієнту.

А потім я відкрив CRM.

Нуль. Не кілька випадкових продажів. Просто нуль конверсій. Жоден із цих “лідів” не перетворився на продаж. Люди, які заповнили форму, фактично випадково натиснули на банер, поки намагалися пересуватися сайтом, який вони насправді навіть не читали. У них не було наміру купувати. Вони стали побічним ефектом дешевого інвентарю.

І ось що мене досі дратує в цій історії: AI не помилився. Йому сказали знайти дешеві ліди. Він знайшов дешеві ліди. Завдання виконано. У нього не було розуміння, скільки цей лід коштує після того, як виходить за межі платформи. Він оптимізувався рівно під ту метрику, яку йому дали, і проігнорував ту, яка справді мала значення.

Розрив між “виконав KPI платформи” і “допоміг реальній бізнес-цілі” – саме цей розрив і є твоєю роботою. Саме за це тобі платять. Алгоритм ніколи не буде перейматися твоєю CRM. І це не обмеження конкретного інструменту. Це структурна проблема.

📖 Читайте також: Афіліат-маркетинг в Кенії – один із найновіших GEO INB.bio і хороший приклад того, як насправді виглядає “ринок, що розвивається”, якщо розкласти його на цифри.

Де людське мислення досі сильніше за AI?

Є п’ять напрямків, де я поки не бачив, щоб AI хоча б наблизився до рівня людини.

• Переклад розмитих цілей клієнта в реальну стратегію. “Ми хочемо більше лідів” може означати десяток різних речей. Зрозуміти, що саме потрібно клієнту і чи справді ліди є правильною метрикою, – це не питання даних.
• Культурний і брендовий контекст. AI не знає, що конкретний креативний кут погано заходить на одному ринку або що тон тексту звучить неправильно для реальної людини в цьому контексті, навіть якщо CTR виглядає нормально.
• Інсайти, яких немає в дашборді. Коли афіліат-менеджер неофіційно каже тобі, що саме добре конвертує цього місяця, ця інформація не потрапляє в жодну модель.
• Розуміння моменту, коли машина йде за хибним сигналом. Проблема з трекінгом, бот-трафік, сезонний фактор поза навчальним вікном моделі – AI із великим ентузіазмом оптимізується в неправильному напрямку. І ти помітиш це лише якщо будеш достатньо близько до кампанії, щоб відчути: щось тут не так.
• Відповідальність. Коли кампанія йде не туди, а клієнт хоче пояснень, він телефонує не алгоритму.

Які ризики люди найчастіше недооцінюють?

Проблема MFA – це не рідкісний випадок і не одноразова помилка. Вона системна. Дешевий programmatic-інвентар існує тому, що паблішери спеціально створюють його під ті самі стимули, які платформний AI намагається оптимізувати. Щоб не дати алгоритму йти в цей бік, потрібні додаткові рівні контролю. Сам він себе не зупинить.

Ризик	Як це реально виглядає на практиці
Непрозорість “чорного ящика”	Performance Max і Advantage+ дають результат, але приховують логіку. Коли ефективність падає, майже немає нічого конкретного, що можна дебажити.
Якість даних	Поганий трекінг або неправильно налаштовані події конверсії система починає оптимізувати дуже швидко. AI масштабує помилки так само швидко, як і вдалі рішення.
MFA і сміттєвий інвентар	Платформи оптимізуються під дешеві кліки. Частина найдешевшого інвентарю існує саме для того, щоб обіграти цей стимул.
Надмірна автоматизація	Якщо ти віддаєш машині все, ти все одно відповідаєш за наслідки, але вже не розумієш причину.
Невідповідні KPI	AI оптимізується саме під те, що ти йому задаєш. Якщо ця метрика не відображає реальну бізнес-ціль, він успішно досягає не тієї мети.

Як реально зберігати контроль і не сповільнювати кожну кампанію?

Контроль має працювати поруч з автоматизацією, а не замість неї. На практиці це виглядає так:

• Попередній контроль інвентарю: списки безпечних для бренду майданчиків, виключення небажаного інвентарю та блокування окремих категорій контенту. Усе це спрацьовує ще до того, як алгоритм ухвалює рішення, тому не заважає циклу оптимізації.
• Регулярні аудити плейсментів, навіть якщо вони заховані глибоко в інтерфейсі. У Performance Max за них треба боротися, бо вони не винесені на видне місце.
• Чіткі пороги для ескалації. Якщо CPA зростає більше ніж на визначений відсоток тиждень до тижня і немає очевидного зовнішнього пояснення, я дивлюся кампанію вручну, перш ніж дозволити їй і далі витрачати бюджет.
• Стратегія повністю залишається поза машиною. Який офер, яке GEO, який креативний напрям, яка реальна метрика успіху – усе це залишається за мною. У момент, коли ти дозволяєш AI самому визначати ціль, ти віддаєш йому найважливішу частину процесу.

Мета – настільки добре визначити межі, щоб коли машина оптимізує, вона оптимізувала щось реальне.

Якщо хтось запускає афіліат-кампанію з INB.bio, йому варто використовувати AI-інструменти більше, менше чи просто інакше?

Більше. Однозначно більше. Але інакше, ніж більшість людей їх використовує.

У багатьох баєрів є інстинктивна реакція: або опиратися автоматизації – “я знаю свій акаунт краще за машину”, або віддати їй усе й заходити перевіряти раз на тиждень. Обидва підходи програють.

Правильний підхід – використовувати AI-інструменти так, ніби це дуже швидкий і дуже працьовитий аналітик, який щойно приєднався до твоєї команди. Дай йому якісні дані. Постав реальну ціль – не просто “знайди дешеві ліди”, а щось пов’язане з тим, що насправді відбувається далі по воронці. Перевіряй CRM, а не тільки дашборд. І залишай частину процесу там, де саме твоє рішення визначає результат.

Не тому, що машина не впорається. А тому, що тільки так ти залишаєшся достатньо уважним, щоб зрозуміти, коли вона помиляється.

Баєри, які залишаться цінними через три роки, – це ті, хто розуміє обидві сторони. Хто може прочитати, що робить алгоритм, довіритися йому, коли він має рацію, і зупинити його, коли йому поставили неправильну ціль. Це навичка. І саме вона не автоматизується.