Вместо 50 настроек один запрос: рекламные платформы отдают кампании AI-агентам

Рекламный кабинет много лет был набором рычагов. Специалист выбирал аудитории, форматы, площадки размещения, ставки и бюджеты, смотрел отчёты и правил кампанию руками. Сейчас крупные платформы переносят эту работу в другой формат: вы описываете, какого результата хотите, а параметры подбирает AI-агент.

Что уже меняется в кабинетах

Amazon показал Ads Agent: с рекламной системой можно разговаривать на обычном языке, а модель помогает с аудиториями, креативами, разбором результатов и оптимизацией кампаний.

В Google Ads Gemini всё глубже заходит внутрь рабочего процесса: сборка кампаний, генерация ассетов, разбор результатов, рекомендации по изменениям. Логика та же: меньше ручной настройки, больше постановки цели. 

Что перестаёт быть ценным навыком

Знание каждой кнопки конкретного кабинета дешевеет. Умение вручную собрать структуру кампаний, разложить ставки по сегментам и вовремя подкрутить частоту показов остаётся полезным, но перестаёт быть тем, за что платят. Эту часть работы платформа забирает себе, причём с лучшей скоростью реакции, чем у человека.

Вопрос, который стоит обсуждать, не «заменит ли AI маркетолога». Вопрос в другом: что должен уметь специалист, если техническая настройка кабинета больше не его основная работа.

Что становится работой

1. Формулировать цель и ограничения. Не «снизить CPA», а какой CPA при каком объёме, на какой марже и в какие сроки. Агент выполнит то, что вы описали, включая то, что описали неточно.
2. Понимать, какие данные он получает. Какие события доезжают до платформы, с какой задержкой, что именно считается конверсией, какая часть продаж в системе вообще не видна.
3. Контролировать, что именно оптимизируется. Цель кампании и цель бизнеса совпадают не всегда, и расхождение заметно не в отчёте за день, а в динамике.
4. Читать выборку, а не отдельный отчёт. Один период или одна кампания дают ложное впечатление, особенно при автоматическом перераспределении бюджета.
5. Проверять гипотезы на нескольких группах кампаний, а не на одной. Автоматика меняет условия эксперимента по ходу дела, и без контрольной группы вывод рассыпается.

Главный риск: метрика растёт, задача проваливается

Самое неприятное в агентной рекламе не ошибки, а формально хорошие результаты. Условный пример: агенту поставили цель по стоимости заявки, он нашёл дешёвый сегмент и вытянул CPL на треть вниз. В отчёте всё лучше, а в продажах тише: в конверсию попали заявки с низкой готовностью покупать, а дорогой сегмент, который приносил выручку, остался без бюджета. Само по себе снижение CPL здесь ничего не доказывает, смотреть надо на выручку и на состав сделок за тот же период.

Поэтому роль маркетолога смещается к постановке задачи и к проверке результата. Агент оптимизирует ту метрику, которую ему дали, и ровно по тем данным, которые до него доехали. И то и другое задаёт человек.

Рядом с кабинетом появляется вторая площадка

Есть и второй сдвиг, который к настройке кампаний отношения не имеет. Часть спроса уходит в чаты: пользователь не идёт в поиск и не видит объявление, а спрашивает совета у модели и получает список вариантов. Попасть в этот список за деньги пока в основном нельзя, поэтому присутствие бренда в ответах моделей это отдельный показатель, а не часть рекламной статистики.

Измерять его приходится отдельно. Я замеряю это в brandfound: сервис отслеживает, как часто нейросети называют бренд в ответах, по десяти системам, от ChatGPT и Gemini до GigaChat и Алисы, вместе с тональностью и источниками, из которых модель собрала рекомендацию. Один замер здесь мало о чём говорит, интересна динамика и состав конкурентов в тех же ответах.

Что проверить на своих кампаниях

Если коротко: ценность переходит от настройки к постановке задачи и к контролю данных. Я бы начал с простой проверки: возьмите кампанию, которую ведёт автоматика, и сравните динамику её целевой метрики с динамикой выручки за тот же период. Расходятся они или нет, это и есть ответ на вопрос, насколько цель агента совпадает с задачей бизнеса.