Еще недавно реклама ждала, пока человек сам проявит интерес к товару. Теперь ИИ умеет замечать спрос раньше, подбирать подходящий момент для показа и создавать нужный вариант объявления. Разбираемся, как это меняет рекламный рынок и помогает бизнесу получать больше от каждого вложенного рубля.
Диджитал-реклама изначально строилась на сигналах, которые легко считывались. Пользователь ищет товар, заходит на страницу магазина или относится к определенному сегменту аудитории, который выбрал рекламодатель. Платформа ранжировала подходящие объявления в зависимости от прогноза актуальности, ожидаемого эффекта и ставки рекламодателя в аукционе, выбирая из набора готовых креативов.
В новой парадигме ИИ не заменяет таргетинг, ранжирование или аукционы — он дает рекламным платформам больше контекста. Рекомендательные системы учитывают более длинные последовательности поведения пользователей и прогнозируют потенциальный спрос еще до того, как пользователь начал его проявлять. Модели прогноза конверсии оценивают больше этапов пути клиента и быстрее реагируют на новые сигналы. Генеративные ИИ помогают адаптировать рекламу, когда есть потенциал привести рекламодателю клиента, а пользователю — дать нужное предложение.
Главная ценность — рост эффективности рекламы: возможность достучаться до потенциального клиента в нужный момент и в нужном месте, даже если он еще не интересовался продуктом или услугой напрямую.
От явного намерения к прогнозу спроса
Поисковый запрос остается самым очевидным индикатором сформированного спроса. Когда человек ищет кроссовки для бега, ипотечные ставки или отели в Риме, потребность очевидна, и задача показать ему актуальное предложение — более простая.
На деле часто путь к покупке не линейный и более сложный. Пользователь может посмотреть погоду в другом городе и почитать про визы, не вводя запросов про авиабилеты или жилье — по отдельности эти действия мало о чем говорят. Но вместе, в правильном контексте, они могут указывать, что человек планирует поездку и полезное предложение туристической компании может быть ему релевантно.
Более ранние алгоритмы рекламных платформ технически не могли моделировать длинные и разнородные последовательности поведения. Поэтому они часто опирались на недавние действия, относительно небольшие наборы сигналов или широкие сегменты аудитории.
Инфраструктура на базе рекомендательных систем позволяет анализировать, как интересы формируются, пересекаются и трансформируются со временем. Важен порядок событий, контекст, в котором они происходили, и обратная связь о том, как пользователь отреагировал на прошлую рекомендацию.
Новый подход позволяет рекламным системам расширять попадание в целевую аудиторию за пределами когорты пользователей, которые проявили сформированный спрос. Нейросети могут выявлять паттерны, связанные с формирующимся спросом, оценивать, какие коммерческие сигналы вероятнее принесут конверсию, и приоритизировать показ объявлений.
Реклама учится у пользовательских сервисов на базе рекомендательных систем
Базовый механизм работы рекомендательных систем уже знаком каждому по музыкальным сервисам, маркетплейсам и соцсетям. Стоит послушать трек в другом жанре, задержаться подольше на карточке товара в маркетплейсе или поделиться с другом постом — и рекомендации меняются. Система не знает наверняка, как изменится интерес пользователя дальше. Она обновляет рекомендации по мере поступления новой информации. Новый сигнал может изменить набор интересов и рекомендаций в конкретный момент, а следующий — изменит их снова.
Рекламные платформы сталкиваются с более сложной версией этой же задачи. Стриминговые сервисы и соцсети изучают последовательности в относительно единообразной среде: треки, подборки, посты, короткие вертикальные ролики, истории. Рекламным системам приходится интерпретировать кратно больше типов обезличенных сигналов — в поиске, электронной коммерции, мобильных приложениях и других площадках.
Понятной обратной связи от пользователя тоже меньше. Люди не ставят «лайк» рекламе, чтобы объяснить ее релевантность, и не нажимают кнопку, объясняя, почему они ее проигнорировали (за редким исключением). Системе приходится делать больше выводов из косвенных сигналов и их последовательности.
Более точный прогноз расширяет охват потенциальных клиентов, до которых может дотянуться рекламодатель. Вместо того чтобы реагировать только на явный сигнал о покупке, платформа может распознавать ситуации, в которых вероятность потребности человека в определенном продукте или услуге только формируется.
Более длинная память — более точный прогноз
Этот сдвиг заметен по всей рекламной индустрии. Generative Ads Recommendation Model (GEM) от Meta* спроектирована как базовая модель, обучение которой может улучшать другие модели во всем рекламном стеке компании. По данным Meta*, модель обеспечила рост конверсий на 5% в Instagram** и на 3% в ленте Facebook** вскоре после первого внедрения. Модель обрабатывает поведенческие последовательности вместе с информацией об объявлениях, форматах, целях рекламодателя и вовлеченности.
Performance Max от Google использует ИИ в управлении ставками, аудиториями, креативами и атрибуции. По данным компании, рекламодатели вне ретейла, внедрившие инструмент, в среднем получают на 27% больше конверсий или их ценности при сопоставимых CPA или ROAS. Рекламодатели также могут предоставлять информацию о своих наиболее ценных клиентах, помогая системе приоритизировать пользователей, которые с большей вероятностью принесут долгосрочную ценность.
В «Яндексе» ARGUS (AutoRegressive Generative User Sequential Modeling), генеративная рекомендательная архитектура, моделирует длинные последовательности поведения пользователя и расширяет объем данных, доступных рекламным алгоритмам, с 256 до 8000 событий. Ее многоголовая архитектура задействует отдельные нейросети для оценки разных типов сигналов конверсии, прогнозирования результатов и управления ставками. По данным «Яндекса», нейротехнологии в рекламной системе компании повысили общую эффективность на 38% в 2025 году.
Вместе эти модели иллюстрируют, что более длинный поведенческий контекст, быстрая обратная связь и прогнозирование теперь коррелируют с коммерческими результатами. Детали отличаются от платформы к платформе, но направление одно. Рекламные системы все лучше интерпретируют длинные последовательности, реагируют на недавние изменения и отличают простой интерес от сигнала, который может принести результат для бизнеса.
Генерация контента как часть рекламного стека
Как только платформа распознает коммерческий потенциал, подходящего варианта рекламы может не быть. Amazon Ads — пример того, как генерация креативов встраивается в рекламные кампании. Инструменты используют информацию о товаре и креативы рекламодателя для создания или адаптации изображений, видео, аудио и текста — в том числе в Amazon DSP.
По данным Amazon Sponsored Brands, кампании со сгенерированными ИИ-креативами показали в среднем на 10,3% более высокую окупаемость затрат на рекламу во втором квартале 2025 года. Бренды, использующие инструменты генерации ИИ-креативов, также продвигали в пять раз больше товаров и использовали вдвое больше изображений на один товар.
Это оценка Amazon, а не гарантия для каждого рекламодателя. Тем не менее результаты показывают, как генерация может снизить усилия, необходимые для создания и тестирования большего числа вариантов. Вместо того чтобы вручную готовить каждое объявление, рекламодатель может предоставить карточку товара или фид, исходные креативы, требования бренда и ключевые сообщения. Платформа поможет адаптировать рекламу под формат, площадку, этап пути клиента или даже привычную тональность.
Baidu представляет другой путь к маркетингу на базе ИИ. Сервисы компании включают агентов и цифровых ассистентов, которые могут создавать и показывать коммерческий контент в видеоформатах и стримах. Компания сообщила о выручке в 2,3 млрд юаней от маркетинга в ИИ в первом квартале 2026 года — рост на 36% год к году, что говорит об увеличении интереса рекламодателей.
Не каждый показ рекламы требует уникального сгенерированного объявления. Брендам по-прежнему нужны согласованные варианты, соответствие юридическим требованиям и контроль ключевых сообщений. Во многих случаях платформа может просто выбрать готовый креатив или использовать готовые варианты, а не генерировать их с нуля.
Важное изменение в том, что создание контента становится частью процесса анализа поведенческих сигналов аудитории и показа рекламы. Нейросети определяют момент и пользователя с наиболее высоким потенциалом для бизнеса, генерация креатива позволяет рекламодателю моментально использовать эту возможность.
Как более точное прогнозирование ведет к росту рынка
Более глубокая автоматизация не исключает рекламодателя из процесса. Бизнес по-прежнему определяет, что он продает, какие клиенты ему важны, сколько эти клиенты стоят и какие ключевые сообщения бренд использует. ИИ может повысить эффективность, но не может принимать стратегические решения за рекламодателя.
В этом контексте более точное прогнозирование может расширить потенциальные возможности для участников рынка.
Экономика рекламы не ограничивается первой конверсией. Клиент, который совершает повторные покупки, увеличивает средний чек или остается лояльным компании годами, может оправдывать более высокую стоимость привлечения, чем тот, кто совершил покупку единожды. Рекомендательные системы помогают платформам находить больше перспективных клиентов и продолжать создавать для них лучший опыт и предлагать релевантные товары и услуги по мере изменения потребностей.
Более высокая эффективность не всегда означает более низкую цену за тот же результат. Важнее — увеличение выручки и ценности конверсии на каждый вложенный в продвижение доллар. Когда платформа приносит больше реальных клиентов и снижает издержки на нерелевантные показы, она становится рентабельной и привлекательной для бизнеса. В результате рекламодатели с большей вероятностью увеличивают расходы — не потому, что платят больше за тот же результат, а потому, что система принесла больше прибыли.
Рекламным платформам больше не приходится искать пользователей с очевидным проявлением спроса. Они могут распознавать перспективу раньше — и влиять на формирование спроса. Генерация креативов, в свою очередь, помогает моментально использовать потенциал, но более сложная и значимая задача решается раньше — понять достаточно контекста, чтобы выстроить коммуникацию с целевым клиентом в нужный момент времени и на релевантной площадке.
Перевод статьи. Автор материала: Angela Scott-Briggs, редактор TechBullion, специализирующаяся на технологиях, бизнесе и финансах.
* Meta* признана экстремистской и запрещена в РФ.
** принадлежат Meta, признанной экстремистской и запрещенной в РФ.